IT业界的领军人物有哪些？

eWEEK 2008年年度100名IT领军人物排行榜前20名简介：

1、拉里·埃里森(Larry Ellison)

职位：甲骨文CEO

评价：在埃里森的领导下，甲骨文商用软件影响力日益提高。目前甲骨文已在数据中心业务占据优势地

位，从而成为全球最重要的商用软件和中间件销售商之一。

2、史蒂夫·乔布斯(Steve Jobs)

职位：苹果CEO

评价：除消费市场外，苹果在企业用户领域的影响力也日益增强。

3、亮裤史蒂夫·鲍尔默(Steve Ballmer)

职位：微软CEO

评价：虽然微软最近面临着一些挑战，但在鲍尔默的领导下，微软仍在向前发展。

4. 彭明盛(Sam Palmisano)

职位：IBM董事会主席兼CEO

评价：在彭明盛的领导下，IBM不但能在美国市场上获得稳定收入，而且还积极进入国际市场，以向其他

国家的企业用户销售IBM应用软件。

5、玛丽萨·梅耶尔(Marissa Mayer)

职位：Google搜索产品和用户体验副总裁

评价：在素有“美女”副总裁之称的梅耶尔领导下，Google一向注重提高普通网民的搜索体验。

6、吉恩-菲利普·卡托伊斯(Jean-Philippe Courtois)

职位：微软国际部门总裁

评价：在卡托伊斯的领导下，微软全球市场销售、市场营销及服务等业绩大幅增长，业务遍及除美国、

加拿大之外的其他240个国家。

7、乔·图斯(Joe Tucci)

职位：存储软件开发商EMC董事会主席、总裁兼CEO

评价：乔·图斯正带领EMC进入存储业务以外的其他市场。

8、马克·赫德(Mark Hurd)

职位：惠普董事会主席、总裁兼CEO

评价：自赫德担任惠普CEO以来，他非常注重加强软件和服务业务。

9、约翰·钱伯斯(John Chambers)

职位：网络设备制造商思科董事会主席兼CEO

评价：互联网已成为世人沟通的最重要渠道之一，思科不但提供硬件产品，而且还提供软件和解决方案

。

10、拉里·佩奇(Larry Page)和塞吉·布林(Sergey Brin)

职位：佩奇为Google产品总裁，布林为Google技术总裁

评价：作为Google联合创始人，佩奇和布林改变了人们对搜索引擎的原有看法。除了核心搜索业务外，

Google也晌键缺在大力实施业务多样化战略。

11、约翰·约翰逊(John Johnson)

职位：英特尔首席信息官(CIO)

评价：在约翰逊的领导下，英特尔实现了完成了一项重大移动计算转型：目前85%英特尔员工已从台式机

中解脱出来，从而使员工工作效率实现了两位数增长。

12、凯文·特纳(Kevin Turner)

职位：微软首席运营官(COO)

评价：特纳曾担任美国知名零售商沃尔玛(Wal-Mart)的高管，他的加入，为微软管理层注入一新鲜血液

。

13、雷·奥兹(Ray Ozzie)

职位：微软首席软件架构师

评价：奥兹也是从外部公司加盟微软的高宴辩管之一，他主要负责制定微软的服务战略。他首先规划出服务

战略平台，然后让其他高管执行，并甘愿充当幕后英雄。

14、马克·本尼沃夫(Marc Benioff)

职位：客户关系管理(CRM)在线服务商Salesforce.com首席执行官

评价：本尼沃夫可谓“软件即服务”(SAAS)商业模式的先行者，目前他仍在该领域具有重大影响力。

15、林纳斯·托瓦尔兹(Linus Torvalds)

职位：Linux *** 作系统创始人，程序员

评价：作为Linux *** 作系统的创始人，他改变了计算机产业的格局，并通过互联网与其他程序开发员共享

开发代码。

16、乔纳森·施瓦兹(Jonathan Schwartz)

职位：软件开发商Sun总裁兼CEO

评价：自施瓦兹担任Sun首席执行官以来，该公司加快了进军开源产品领域的步伐。

17、杰夫·贝索斯(Jeff Bezos)

职位：知名网上购物服务商亚马逊董事会主席兼CEO

评价：对于亚马逊的日常运营，贝索斯每事亲躬。

18、迈克尔·戴尔(Michael Dell)

职位：PC制造商戴尔首席执行官

评价：戴尔计划重新在企业用户市场占据优势地位

19、巴巴拉·德索尔(Barbara Desoer)

职位：美国银行(Bank of America)首席技术官(CTO)和首席运营官

评价：在美国经济低迷背景下，德索尔将银行、房产抵押及业务并购等业务加以整合。

20、黛安妮·格林(Diane Greene)

职位：虚拟软件开发商VMware总裁兼CEO

评价：数年前，尽管业界并不看好虚拟软件市场前景，仙黛安妮却坚信该业务将有巨大潜力。目前

VMware已成为虚拟软件业务的领头羊.

车辆路线问题（VRP）最早是由Dantzig和Ramser于1959年首次提出，它是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的Paolo Toth，Daniele Vigo。THE VEHICLE ROUTING PROBLEM[M]。Society for Industrial and Applied Mathematics philadephia.2002。　在VRPTW中，车辆除了要满足VRP问题的限制之外，还必须要满足需求点的时窗限制，而需求点的时窗限制可以分为两种，一种是硬时窗（Hard Time Window），硬时梁斗察窗要求车辆必须要在时窗内到达，早到必须等待，而迟到则拒收；另一种是软时窗（Soft Time Window），不一定要在时窗内到达，但是在时窗之外到达必须要处罚，以处罚替代等待与拒收是软时窗与硬时窗最大的不同[2]。Bodin[4]和Solomon[5]分别对VRP及其变形问题和VRPTW问题作了较详细的综述。生产实际中许多问题都可以归结为VRPTW来处理, 如钢铁厂编制热轧带钢轧制计划问题实际上就是一个VRPTW问题。一些服务性行业中也普遍存在这样的问题, 如邮政投递，飞机、火车及公共汽车的调度等。自从Savelsbergh[6]证明了VRPTW是一个NP难问题之后, 对其算法的研究就主要集中到各销猜种启发式算法上。遗传算法、禁忌搜索法和模拟退火法等智能化启发式算法的出现为求解VRPTW问题提供了新的工具。Thangiah[7]和Joe[8]都曾应用遗传算法求解VRPTW问题, 前者的目标是使总的服务成本最小, 而后者的目标有两个, 首先是使用最少的车橡茄辆, 其次是在使用最少车辆的前提下使总成本最小[3]。时间窗车辆路径问题的求解方法[2]含时窗限制之车辆途程问题（VRPTW）相对于车辆途程问题（VRP），必须额外考虑到运送时间与时间窗口，其主要的原因来自顾客有服务时间的最后期限和最早开始服务时间的限制。故在此限制条件之下，原本VRP问题除了空间方面的路径（Routing）考虑之外，还必须要加上时间上的排程（Scheduling）考虑，同时由于场站也有时间窗的限制，也间接造成路径长度的限制，由此可知VRPTW的总巡行成本不仅包含运送成本，还需要考虑时间成本，以及未在时间窗限制内送达的处罚成本。因此，若要得到一个好的解答，时间和空间（Temporal andSpatial）问题的探讨是非常重要的。由于VRPTW比VRP问题多考虑了一样时窗的因素，因此在解法上较VRP问题更为复杂，而根据Taillard（1997）等人的分类，求解VRPTW的方法可以分为六种，分述如下。1、以分枝界限法求算之精确解法（Exact Algorithm Based on Branch-and-BoundTechniques）：Kolen（1987）利用这种方式可以求得精确解，但是只能解决六至十五个节点的问题，因此求解的范围过小，仅适用于小型问题。2、途程建构启发式算法（Route Construction Heuristics）：在一问题中，以某节点选择原则或是路线安排原则，将需求点一一纳入途程路线的解法。如Soloman（1987）的循序建构法（Sequential Insertion Heuristics）。3、途程改善启发式算法（Route Improvement Heuristics）：先决定一个可行途程，也就是一个起始解，之后对这个起始解一直做改善，直到不能改善为止。而常见的是节线交换法（Edge Exchange Procedure），如Lin（1965）所提出的K-Optimal，以及Potvin与Rousseau（1993）提出一考虑旅行方向的交换算法。4、合成启发式算法（Composite Heuristics）：此种解法混合了途程建构启发式算法与途程改善启发式算法，如Russell（1995）所提出的Hybrid Heuristics便是混合了Potvin与Rousseau（1993）所提出的平行插入法，并在之中加入路线改善法的合成启发式算法；Roberto(2000)也提出的属于平行插入法与内部交换改善法的合成启发式解法来求解VRPTW的问题。5、依据最佳化之启发式算法（Optimization-Based Heuristics）：如Koskosidis（1992）等人利用混合整数规划模块，再透过启发式算法，将原始问题分解成指派/分群的子问题的一系列的巡行以及排程问题。6、通用启发式算法（Metaheuristics）：传统区域搜寻方法的最佳解常因起始解的特性或搜寻方法的限制，而只能获得局部最佳解，为了改善此一缺点，近年来在此领域有重大发展，是新一代的启发式解法，包含禁忌法（Tabu Search）、模拟退火法（Simulated Annealing）、遗传算法（Genetic Algorithm）和门坎接受法（Threshold Accepting）等，可以有效解决局部最佳化的困扰。

---