CN109478145B - 同构型系统的并行优化 - Google Patents
同构型系统的并行优化 Download PDFInfo
- Publication number
- CN109478145B CN109478145B CN201680085083.6A CN201680085083A CN109478145B CN 109478145 B CN109478145 B CN 109478145B CN 201680085083 A CN201680085083 A CN 201680085083A CN 109478145 B CN109478145 B CN 109478145B
- Authority
- CN
- China
- Prior art keywords
- graph
- selectable
- iterations
- optimization
- vertices
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Complex Calculations (AREA)
Abstract
一种管理同构型系统(homogenous system,简称HS)资源的系统,包括:内存,用于存储表示所述HS的图表,其中所述图表包括由边连接的顶点,每个顶点对应一个HS元素,每条边包括用于定义一组多个HS元素之间相关性等级的权重;处理器,用于识别所述图表中的多个可选分离,其中每个可选分离包括所述图表的非重叠的子图,并执行多次迭代中的每一次迭代:选择所述可选分离中的一个可选分离;将所述选择的可选分离的非重叠子图中的每一个非重叠子图分配给多个过程中的一个过程;并行执行所述多个过程;其中,重复执行所述多次迭代,直到满足终止标准。
Description
背景技术
本发明一些实施例涉及同构型系统(homogeneous system,简称HS)工作参数的管理和/或优化,更具体地但并不完全地,涉及通过并发(并行)优化HS部分(段)对HS工作参数进行的管理和/或优化。
现代工业中,特别是在信息技术领域,创建的越来越多类型的系统具有统一的元素。这种HS以不断提高的速度发展,因此HS的一般优化方法变得非常重要。所述HS可以为人工HS和/或物理HS,通常由网络表示。例如,信息技术领域中的人工HS可以包括例如移动网络、有线和/或无线互联网、数据中心中交换机网络以及人工神经网络等。物理HS可以为用于传递物理对象的网络,例如道路网络、管网以及人类有机体心血管系统等。
可如下描述所述HS的优化:对可以反映HS性能和/或所产生结果的质量的目标函数进行最大化处理。
发明内容
根据本发明一些实施例的一个方面,提供了一种管理同构型系统(homogenoussystem,简称HS)资源的系统,包括内存和处理器。所述内存用于存储表示所述HS的图表。所述图表包括由多条边连接的多个顶点,每个顶点对应多个HS元素中的一个HS元素,每条边包括用于定义一组所述多个HS元素之间相关性等级的权重。所述处理器用于识别所述图表中的多个可选分离,其中每个可选分离包括所述图表的多个非重叠的子图,并执行多次迭代中的每一次迭代:
-选择所述多个可选分离中的一个可选分离;
-将所述选择的可选分离的多个非重叠子图中的每一个非重叠子图分配给多个过程中的一个过程;
-根据所述分配并行执行所述多个过程。
其中,重复执行所述多次迭代,直到满足终止标准。
所述分配包括:根据所述多个非重叠子图分配多个计算核心。
优选地,所述终止标准基于根据优化函数的结果对所述选择的可选分离的多个非重叠子图的有效性得分进行的估计。
所述处理器用于通过根据相关性阈值对所述多条边进行滤波来创建所述图表的更新版本。在包括所述多次迭代中的至少一次迭代的一个或多个其它系列迭代的执行期间,对待优化的所述更新版本中的所述多个可选分离进行识别。
所述处理器用于在执行所述一个或多个系列迭代之后调整所述相关性阈值,从而提高用于指示所述图表的更新版本准确度的精度值。
所述处理器用于基于连接的顶点的参数计算所述多条边中每条边的相关性权重。
所述处理器用于根据至少一个大小阈值对所述多个顶点的子集进行识别,其中所述多个非重叠子图中的每一个非重叠子图包括所述子集中的一个顶点。
所述处理器用于通过在所述多次迭代中的至少一次先前迭代的执行期间计算的更新值对所述多个顶点中的一个或多个顶点进行更新。
根据本发明一些实施例的一个方面,提供了一种管理同构型系统(homogenoussystem,简称HS)资源的方法,所述方法包括:
-接收表示所述HS的图表,其中所述图表包括由多条边连接的多个顶点,每个顶点对应多个HS元素中的一个HS元素,每条边包括用于定义一组所述多个HS元素之间相关性等级的权重;
-识别所述图表中的多个可选分离,其中所述多个可选分离中每个可选分离包括所述图表的多个非重叠子图;
-在多次迭代中的每一次迭代中执行以下操作:
■选择所述多个可选分离中的一个可选分离;
■将所述选择的可选分离的多个非重叠子图中的每一个非重叠子图分配给多个过程中的一个过程;
■根据所述分配并行执行所述多个过程;
其中,重复执行所述多次迭代,直到满足终止标准。优选地,所述终止标准基于根据优化函数的结果对所述选择的可选分离的多个非重叠子图的有效性得分进行的估计。
除非另有定义,否则本文所使用的所有技术和/或科学术语的含义与本发明所属领域的普通技术人员所公知的含义相同。与本文所描述的方法和材料类似或者相同的方法和材料可以用于本发明实施例的实践或测试,下文描述示例性的方法和/或材料。若存在冲突,则以包括定义在内的专利说明书为准。另外,材料、方法以及示例都只是用于说明,并非必要限定。
附图说明
此处仅作为示例,结合附图描述了本发明的一些实施例。现在具体结合附图,需要强调的是所示的项目作为示例,为了说明性地讨论本发明的实施例。这样,根据附图说明,如何实践本发明实施例对本领域技术人员而言是显而易见的。
在附图中:
图1是本发明一些实施例提供的通过多个处理核优化同构型系统资源的示例性过程的流程图;
图2是本发明一些实施例提供的通过多个处理核优化同构型系统资源的示例性系统的示意图;
图3是本发明一些实施例提供的通过多个处理核优化同构型系统资源的示例性软件模块和交互的示意图;
图4是本发明一些实施例提供的从示例性加权图中创建的示例性简化图的示意图;
图5是本发明一些实施例提供的在示例性简化图内识别的子图的示意图;
图6是本发明一些实施例提供的在示例性简化图内识别的非重叠子图的示意图;
图7是本发明一些实施例提供的将示例性有线网络划分为非重叠子图的同构型系统实施例的示意图;
图8是本发明一些实施例提供的将示例性无线网络天线覆盖区域划分为非重叠子图的同构型系统实施例的示意图;
图9是本发明一些实施例提供的将示例性道路网络划分为非重叠子图的同构型系统实施例的示意图;
图10是本发明一些实施例提供的通过两个核(线程)优化HS资源的过程的示例性流程的示意图;
图11是本发明一些实施例提供的优化HS资源的系统的示例性实施例的示意图。
具体实施方式
本发明一些实施例涉及HS工作参数的管理和/或优化,更具体地但并不完全地,涉及通过并发(并行)优化HS部分(段)对HS工作参数进行的管理和/或优化。
本发明提出了用于管理和/或优化一般HS的工作参数的系统和方法,尤其是针对一种包括大量相似的元素大HS,将所述HS划分(分离)成彼此弱化地相互作用的基本上独立的部分并通过多个处理核并发优化相互独立部分。首先,将所述HS转换成包括多个顶点的加权图,每个顶点与相应的HS元素相关联,并且与连接所述顶点的边相关联。所述顶点和边代表所述HS元素和所述HS元素之间的相关性。通过从所述HS参数中导出的数据创建所述加权图。然后,通过去除一些边来减少加权图,以此表示所述HS元素之间的显性(强)相关性,并消除很弱的相关性。对于每个优化的HS元素,针对各个顶点识别子图。从所述子图中选择非重叠子图,所述非重叠子图不共享顶点(HS元素)。由于所述非重叠子图大多彼此独立,所以可以通过一个或多个处理核单独且并发地进行优化。通过监控优化结果的中央处理器控制的多次迭代完成所述优化过程,并且可以确定期望的优化级别和/或准确度。每次优化迭代执行期间,可以选择不同组的非重叠子图,并且可以对优化值进行识别,将其分配给每个HS参数,用于执行以下迭代。
与现有的优化方法相比,通过多个处理核并发优化HS部分以进行的HS优化可能具有以下显著优点。首先,该方法旨在优化各种类型的HS,每个HS包括其特定的参数和/或特征,例如HS类型、HS结构、HS元素以及目标(优化)函数等。与可能与HS相关的现有优化方法相反,通过创建表示所述HS的抽象加权图并将所述HS参数转换为顶点和加权边,可以以类似的方式管理和/或优化多个HS类型。另外,通过识别基本上彼此独立的HS的非重叠部分,可以独立地优化每个部分,因此可以通过一个或多个处理核并发优化所有部分。在当前现有的优化方法中,由于HS元素之间的相互依赖性可串行进行操作,与此相比,通过快速发展的多核和/或多线程技术可以显著减少优化时间。此外,由于优化涉及多次迭代,通过控制和/或调节优化(更新)的HS参数,所述优化可快速收敛到最优HS参数。可先以一个相对较低的优化目标开始进行优化,然后逐渐提高所述优化目标,每次迭代执行之后,可以通过最近迭代中计算的新参数更新所述HS参数。
在详细解释本发明的至少一个实施例之前,应当理解,本发明不必将其应用限于下面描述中阐述的和/或在附图和/或举例中说明的部件和/或方法的结构和布置的细节。本发明可以有其他实施例或可以采用各种方式实践或执行。
本发明可以是系统、方法和/或计算机程序产品。所述计算机程序产品可以包括具有计算机可读程序指令的一个(或多个)计算机可读存储介质,所述指令用于使处理器执行本发明的各个方面。
所述计算机可读存储介质可以是有形设备,该有形设备可以保存和存储指令执行设备使用的指令。例如,所述计算机可读存储介质可以是但不限于电子存储设备、磁性存储设备、光存储设备、电磁存储设备、半导体存储设备或这几者的任意合适组合。
可以从计算机可读存储介质中将此处描述的计算机可读程序指令下载到各个计算/处理设备上,或通过网络下载到外部计算机或外部存储设备上,所述网络如因特网、局域网、广域网和/或无线网。
所述计算机可读程序指令可以完全在用户电脑上执行,部分在用户电脑上执行,或作为独立的软件包,部分在用户电脑上执行,部分在远端电脑上执行,或完全在远端电脑或服务器上执行。在后面的场景中,远端电脑可以通过任何类型的网络与用户电脑连接,包括局域网(local area network,简称LAN)或广域网(wide area network,简称WAN),或者,可以(例如,使用因特网服务提供商提供的因特网)在外部电脑上建立该连接。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(field programmable gate array,简称FPGA)或可编程逻辑阵列(programmable logic array,简称PLA)等的电子电路可以利用计算机可读程序指令的状态信息执行所述计算机可读程序指令以个性化所述电子电路,以便执行本发明的各方面。
此处,结合本发明实施例的方法、装置(系统)以及计算机程序产品的流程图和/或框图描述本发明的各方面。应当理解,流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。此时,流程图或框图中的每个框都可以代表一个模块、分段或多个指令的一部分,该多个指令包括一个或多个用于实现特定逻辑功能的可执行指令。在一些可选的实现方式中,框中指出的功能可以不按照图中的顺序实现。例如,事实上,连续展示的两个框可以同时执行,或者有时候,框可以按照相反的顺序执行,这取决于所涉及的功能。还应注意的是,框图和/或流程图中每一个框以及框图和/或流程图中框的组合可以由基于专用硬件的系统执行,该系统执行指示的功能或动作,或者执行专用硬件和计算机指令的组合。
现参考图1,图1是本发明一些实施例提供的通过多个处理核优化同构型系统资源的示例性过程的流程图。通过并发(并行)优化所述HS的部分(段)来执行用于管理和/或优化一般HS特别是包括大量相似元素的大HS的工作参数的过程100。可以认为所述优化过程100为对反映HS性能和/或所述HS产生的结果质量的目标函数进行最大化处理的过程。首先将所述HS划分为多个部分,使得这些部分(弱相互作用部分)至少相对于每个部分中的优化元素基本上相互独立。由于这些部分是独立的,因此这些部分彼此不施加约束和/或施加可忽略的约束,因此可以进行并行处理以优化每个部分。可以重复进行所述优化过程,直到满足一个或多个优化标准。
参考图2,图2是本发明一些实施例提供的通过多个处理核优化同构型系统资源的示例性系统的示意图。系统200包括:用于指定由HS参数220定义的HS和/或输出更新的HS参数222的输入/输出(input/output,简称I/O)接口202,包括多个处理核206的处理器204以及存储器208。所述I/O接口202可以包括一个或多个接口,例如,网络接口、内存接口和/或存储接口,用于连接至各自资源,即网络资源、内存资源和/或存储资源。所述I/O接口202可以用于从例如内存、网络以及存储器208等存储器中指定、接收和/或获取所述HS参数220。类似地,所述I/O接口202可以用于将所述更新的HS参数222存储和/或传输至例如所述内存、网络和存储器208等。可对同构或异构处理器204进行排列以进行并行处理,从而作为集群和/或作为一个或多个多核处理器,每个多核处理器包括一个或多个核心206。所述核心206可以为例如处理器、处理核、线程和/或处理节点等。所述处理器204可以包括一个或多个分布式处理集群,每个分布式处理集群包括一个或多个处理节点,所述一个或多个处理节点包括具有一个或多个核心206的处理器。所述分布式处理集群可通过一个或多个接口彼此通信,例如网络、光纤网络、直接互连和/或链路等。所述处理器204还可包括一个或多个向量处理器,每个向量处理器包括多个认为是能够独立执行程序指令的处理核206的处理管道。所述存储器208可包括一个或多个非瞬时性持久存储设备,例如硬盘驱动器和闪存阵列等。所述存储器208还可包括一个或多个网络存储设备,例如存储服务器、网络接入服务器(network access server,简称NAS)和/或网络驱动器等。
所述优化过程100可由一个或多个软件模块执行,例如初始化器210、更新器212、分离器214和/或优化器216,每个软件模块包括由所述处理器204执行的多个程序指令和/或来自所述存储器208的处理核206,其中,软件模块是指存储于所述存储器208等非瞬时性介质并由所述处理器204和/或所述处理核206等处理器执行的多个程序指令。
现参考图3,图3是本发明一些实施例提供的通过多个处理核优化同构型系统资源的示例性软件模块和交互的示意图。所述初始化器210等初始化器、所述更新器212等更新器和/或所述分离器214等分离器可由例如一个或多个处理器204执行。所述优化器216执行的过程等多个优化过程可由所述处理核206等各自的处理核执行。所述初始化器210可接收所述HS参数220等HS参数,并对所述更新器212的优化过程100进行初始化。所述更新器212通过调整所述优化参数控制所述优化过程。所述分离器214可分析从所述初始化器210中接收的所述HS,从而创建所述HS的更新版本,使得优化后的HS元素基本上相互独立。所述分离器214可选择所述更新的HS版本的非重叠部分,使得每个优化的元素都独立于其它优化的元素。然后,所述分离器214可将每个非重叠部分分配至多个优化器216过程中一个优化器216过程。执行所述优化器216的每个处理核206处理其分配的非重叠部分,并将计算结果即优化后参数提供给所述分离器214,所述分离器214又将其提供给所述更新器212。通过两次迭代循环进行所述优化过程100:包括一个或多个外迭代的外环和包括一个或多个内迭代的内环,因此在每次外环迭代执行期间,可进行一系列至少一个内环迭代。所述更新器212通过发起所述外迭代控制整个优化过程100。外迭代执行期间,通过所述优化器216提供的优化后参数和/或所述优化参数对所述HS参数进行更新。每次迭代执行后,所述更新器212检查一个或多个优化标准,从而确定优化周期的有效性。满足所述优化标准后,所述更新器212可提供更新的HS参数,例如所述更新的HS参数222。所述分离器212控制所述内迭代。所述内迭代执行期间,通过所述多个优化器216过程并发处理和/或优化所述HS的多个部分。再次参考图1。如102所示,所述初始化器210指定和/或接收所述HS参数220,从而开始进行所述过程100。可通过一种或多种格式例如数据文件、数据库和/或抽象模型等接收和/或指定所述HS参数220。所述HS参数220描述了所述HS,可包括所述HS的一个或多个工作参数,例如HS结构、连接元素和/或所述HS元素的工作参数等。所述HS参数220还可包括所述优化过程本身的参数,例如目标函数(优化函数)、相关性公式、优化函数、处理核206的数量、单元大小、精度值和/或阈值等。所述单元大小可以指定HS元素的大小,例如其它相关联(连接)的元素数量和/或层级等,因此,在执行所述过程100期间,仅仅优化元素大小大于所述单元大小的HS元素。所述精度值可以指示例如所述整体优化过程100所需的和/或优化每个HS参数所需的精度和/或准确度。所述初始化器210可以将所述精度值初始化为最小值,例如0。所述阈值可以指示例如相关性阈值,从而过滤所述HS的对应(连接)元素之间的关联关系。
所述HS参数220可包括例如可以在所述过程100中优化的所述HS的调节参数、可保持不变的所述HS的静态参数、和/或位于所述HS外部并可影响所述HS的动态参数。
例如,可认为无线网络是HS,其中HS元素为例如扇区天线。所述调节参数可包括例如天线功率、倾角、高度和/或天线定位的方位角。所述静态参数可包括例如所述调节参数的绝对范围和/或基础设施设备的绝对位置等。所述动态参数可包括例如连接的用户设备(user equipment,简称UE)的数量和/或无线业务量等。
另一个例子,可认为有线网络是HS,其中HS元素为例如网络交换机。所述调节参数可包括例如所述网络交换机的带宽。所述静态参数可包括例如所述调节参数的绝对范围,例如带宽等。所述动态参数可包括例如网络业务量等。
另一个例子,可认为道路网络是HS,其中HS元素为例如十字路口(具有交通信号灯)。所述调节参数可包括例如交通信号灯中的绿灯时间。所述静态参数可包括例如所述调节参数的绝对范围,例如绿灯时间,即最长和/或最短绿灯时间。所述动态参数可包括例如车辆交通量等。
如104所示,所述初始化器210创建加权图以表示所述HS,从而创建所述HS的通用模型,以便使所述过程100成为管理和/或优化各种一般HS的通用过程。所述初始化器210处理所述HS参数220,并创建表示所述HS的加权图,使得该图表包括与所述HS中元素数量相等的顶点。所述图表中的每个顶点对应各自的HS元素,并且图表中的每条边包括表示对应(连接)元素(顶点)之间相关性等级的权重。所述初始化器210将每个元素的所有调节参数、静态参数和动态参数置入相应的顶点中。通过相关性公式,所述初始化器210基于相应两个顶点的HS参数220计算连接所述图表中两个顶点的每条边的相关权重。然后,所述初始化器210可将所述创建的加权图提供给所述更新器212。
如106所示,通过设置指示所述加权图中两个相应顶点(对应于HS元素)之间最小相关性等级的相关性阈值,所述更新器212设置优化精度。可通过多次外迭代执行所述优化过程100,直到满足一个或多个优化标准。每次外迭代后,所述更新器212可更新所述阈值以提高所述优化过程的精度。所述更新器212可先设置精度较低的阈值,然后在每次执行外迭代后,逐渐增加精度,以收敛于最优的更新的HS参数222。所述更新器212可控制继续进行所述优化过程100,直到所述精度值达到最大预定义值。
所述更新器212将所述加权图和更新的相关性阈值一起传送至所述分离器214。
如108所示,通过根据所述更新的阈值从所述加权图创建简化图,所述分离器214更新所述加权图的版本,使得所述简化图较不复杂,从而允许将所述图表划分为子图。通过识别所述加权图中顶点之间的主导连接(边)并且通过移除所有取值低于所述更新的阈值的边,所述分离器214可创建所述简化图。
现参考图4,图4是本发明一些实施例提供的从示例性加权图中创建的示例性简化图的示意图。加权图402包括顶点502A、502B、502C、502D、502E和502F,并由所述分离器214等分离器处理,以创建一个或多个简化图404,例如404A、404B和/或404C。所述分离器214可评估所述加权图中的边,并去除所有取值(相关性等级)低于所述HS参数220中定义的阈值的边,即对应的两个顶点(元素)之间连接(相关性)相当弱。因此,所述简化图404可仅包括表示各个顶点(HS元素)之间非常强的连接(相关性)的边。根据所述更新的相关性阈值,在开始进行每次外迭代时创建所述简化图404。例如,通过初始阈值创建所述简化图404A,通过根据增加的优化精度值调整(减小)的更新后阈值创建所述简化图404B,通过根据进一步增加的优化精度调整(进一步减小)的更新后阈值创建所述简化图404C。
继续使用上述例子,对于所述无线网络,所述相关性公式可以为例如1除以天线(HS元素)之间的距离,使得当所述阈值为例如0.1KM-1(即,距离为10公里)时,去除指示两个相应顶点(天线)之间的距离大于10KM的任何边。对于所述有线网络,所述相关性公式可以为例如1除以1加上连接在两个相应顶点(交换机)之间的交换机(HS元素)的最小数量。例如,如果设置连接在两个相应交换机之间的交换机的最小数量为4,则设置所述阈值为1/(1+4)=0.2。所述加权图中任何大于所述阈值的边都从所述图表中移除。这同样适用于道路网络,其中所述阈值是针对位于每两个相应十字路口之间十字路口的最小数量定义的。
再次参考图1。如110所示,所述分离器214指定单元的子集,所述单元为在所述过程100中优化的顶点(对应于各个HS元素)。所述分离器214根据所述HS参数220定义的单元大小指定所述单元的子集,其中所述单元为元素大小值等于所述单元大小的顶点。例如,对于所述简化图404等简化图,假设所述单元大小定义最小连接边,当所述单元大小为例如1时,在所述过程100中优化每个包括至少一个连接边的顶点,即所述简化图404中的所有顶点。对于所述子集中的每个单元,所述分离器214识别所述简化图中的子图,使得每个子图与所述子集中的相应单元(优化的顶点)相关联,并且每个子图包括所有连接至相应单元的顶点(节点)。
现参考图5,图5是本发明一些实施例提供的在示例性简化图内识别的子图的示意图。假设设置所述单元大小,使得所述简化图404B等简化图中的顶点502A、502B、502C、502D、502E和502F等所有顶点都是要优化的单元,所述分离器214等分离器识别多个子图504A、504B、504C、504D、504E和504F。所述分离器214指定所述子图504A至504F,因此所述子图502A至502F中的每一个子图与相应单元(优化的顶点)相关联,并且包括所有连接至该单元的顶点。例如,所述分离器214指定所述单元502A的子图504A,包括所述单元502A和连接顶点502B和502F。类似地,所述分离器214指定所述单元502B的子图504B,包括所述单元502B和连接顶点502A和502C。同样地,所述分离器214指定其它子图504C、504D、504E和504F。
再次参考图1,如111所示,所述分离器214识别每个包括一组非重叠子图的简化图的一个或多个分离。当然,非重叠子图可能会有不止一个分离,可处理这些子图以识别所述顶点(HS元素)的最优值。由于所述非重叠子图基本上相互独立,因此可以并发(即同时或并行)处理和/或优化所述非重叠子图。
现参考图6,图6是本发明一些实施例提供的在示例性简化图内识别的非重叠子图的示意图。所述分离器214等分离器识别并选择602A、602B和/或602C的一个或多个可选分离,每个分离包括一组非重叠子图,例如子图502A至502F。所述分离器214选择分离602的集合,使得每个单元(优化的顶点)与子图相关联,并且子图之间不相互重叠,即不具有公共顶点(HS元素)。例如,通过针对包括顶点502B和502F的单元502A选择所述子图504A以及针对包括顶点502C和502E的单元502D选择所述子图504D,所述分离器214可以指定可选分离602A。所述子图504A和504D不重叠,因为它们不共享任何顶点。类似地,通过选择不相互重叠的所述子图504C和504E,所述分离器可以指定所述可选分离602B,和/或通过选择不相互重叠的子图504B和504F,所述分离器可以指定所述可选分离602C。这样,基于所述选择的子图,可通过强力搜索生成所述可选分离602。
现参考图7,图7是本发明一些实施例提供的将示例性有线网络划分为非重叠子图的同构型系统实施例的示意图。HS700呈现包括与划分成四个传送点(point of delivery,简称POD)704A、704B、704C和704D的多个网络节点相连接的多个网络交换机(HS元素)的示例性有线网络。所述交换机相互连接,并且所述优化目标可为网络流量路由,从而均衡通过每个交换机的业务量。通过提供给所述初始化器210的阈值,所述有线网络700可以由所述初始化器210等初始化器转换为加权图,并且由所述更新器212等更新器转换为简化图。所述更新器212可以识别所述简化图中的子图,使得每个单元(优化的顶点)与子图相关联。然后,所述分离器214等分离器可以选择一个或多个子图,如子图706A和/或子图706B。针对单元702F,选择所述子图706A,包括顶点702C、702B、702J和702I。针对单元702E,选择所述子图706B,包括顶点702A、702D、702G和702H。所述子图706A和子图706B不共享任何顶点,因此不相互重叠。
现参考图8,图8是本发明一些实施例提供的将示例性无线网络天线覆盖区域划分为非重叠子图的同构型系统实施例的示意图。HS800呈现包括由多个天线(HS元素)提供的多个覆盖扇区802A至802L的示例性无线网络。应用于所述系统700的相同过程可以应用于所述系统800,旨在在该区域中进行天线定位,从而使得无线信号达到最大平均值。所述分离器214等分离器可以选择一个或多个子图,例如子图804A和/或子图804B。针对单元802C选择子图804A,该子图包括顶点802C、802A、802B、802D、802E和802F。针对单元802J选择子图804B,该子图包括顶点802G、802I、802H、802K和802L。所述子图804A和所述子图804B不共享任何顶点,因此不重叠。
现参考图9,图9是本发明一些实施例提供的将示例性道路网络划分为非重叠子图的同构型系统实施例的示意图。HS900呈现包括多个相互连接的十字路口902A至902J(HS元素)的示例性道路网络。应用于所述系统700的相同过程可以应用于所述系统900,旨在调整位于十字路口处的交通信号灯中的绿灯周期以引导车辆交通,从而均衡每个十字路口的交通量和/或保证十字路口不会堵车。所述分离器214等分离器可以选择一个或多个子图,例如子图904A和/或子图904B。针对单元902B选择子图904A,该子图包括顶点902A、902C、902D和902E。针对单元902G选择子图904B,该子图包括顶点902H、902I、902F和902J。所述子图904A和所述子图904B不共享任何顶点,因此不重叠。
再次参考图1。如112所示,所述分离器214选择一个包括在所述简化图中识别的一组子图的可选分离。每次内迭代期间,所述分离器214可以选择包括该组非重叠的子图的可选分离。所述内迭代指的是所述分离器214发起和控制的迭代,以优化在给定简化图中识别的非重叠子图。另外,更新相关性阈值的所述更新器212控制所述外迭代,使得所述分离器214创建通过一次或多次内迭代处理的新(更新版本)简化图。因此,在每次外环迭代期间可能发生一系列至少一次内环迭代。
如114所示,所述分离器214将所述非重叠的子图分配(分发)至多个优化器216过程,每个过程由各自处理核206处理。所述分离器214可以执行多个内迭代,在此期间,所述分离器214将所述简化图中所有可能识别的非重叠子图分配至所述优化器216。在每次内迭代期间,所述分离器214将包括所述简化图中识别的一组非重叠子图的分离602等其它(可选)分离转发给所述优化器216过程。每次内迭代之后,所述分离器214可以通过在之前局部迭代期间识别的改进参数来更新一个或多个HS参数(顶点)。所述分离器214可以继续进行内迭代,直到所述优化器216过程执行的优化不再有效,即与之前内迭代相比,当前内迭代的优化结果并没有改进。改进可以指绝对改进和/或预定义的最小程度的质量改进。另外和/或可选地,所述分离器214可以继续进行内迭代,直到超过用于进行内迭代的预定义时间段和/或内迭代的预定数量。
可选地,在进行内环迭代期间,只优化部分可选分离602。典型地,在大多数HS中,相对于简化子图内的HS元素的数量、质量和/或相关性,可选分离可以相等。因此,如果其中一个可选分离没有提供优化改进,则相同简化子图中的其它分离提供改进的可能性可能相对较低。因此,通过所有可选分离重复进行内环迭代可能不会明显改进。
如116所示,多个优化器216过程并发处理非重叠子图,每个子图优化各自的非重叠子图。由于所述HS的均质特性,所述优化器216过程均可以将相同的目标函数(优化函数)应用于非重叠子图。所述优化器216过程可采用多个目标函数中的一个或多个目标函数,例如禁忌搜索或模拟退火。伪代码摘录1呈现了禁忌搜索目标函数的示例性优化实现。
伪代码摘录1:
function optimize(s0,precision){
Let step=maxStep*(1–precision)
Let s=tabuSearch(s0,step)
Output:state s
}
其中maxStep为一个优化周期中优化后参数的最大变化,tabuSearch为禁忌搜索算法的实现。伪代码摘录2呈现了模拟退火目标函数的示例性优化实现。
伪代码摘录2:
function optimize(s0,precision){
Let s=s0
Let step=maxStep*(1–precision)
snew=random neighbor of s within step
T=temperature(1–precision)
If P(E(s),E(snew),T)≥random(0,1)
then move to the new state:s=snew
}
其中maxStep为一个优化周期中优化后参数的最大变化,T为模拟退火技术的标准温度参数,温度函数可以为任意函数,其将T的值从正值减小到0(例如,温度(v)=v),E和P相应地为模拟退火技术的能量和接受函数。
继续使用先前给出的示例,对于所述无线网络HS,所述目标函数可以是例如每个区域的无线信号的平均值。对于有线网络以及道路网络,所述目标函数可以是例如每个交换机或交叉路口处的平均交通量。
所有优化器216过程处理完选择的分离602的分配的非重叠子图之后,所述分离器214收集计算结果,即所述优化器216过程的优化后参数,并将结果转发给所述更新器212。如上所述,所述分离器214可以发起内环迭代以探索所述简化子图中的所有可选分离602,或者所述分离器214可以通过仅在部分可选分离602上发起内环来减少内环迭代的数量。
如决定点117处所示,所述分离器214确定终止标准为优化的有效性分数,例如,确定优化是否满足一个或多个优化标准。如果满足优化标准,则所述过程100进行到步骤118,否则,所述过程100进行到步骤112,并且通过其它可选分离对另一个优化迭代进行初始化。所述有效性分数即优化标准可以简单为所述优化过程100是否不再有效,即当前优化迭代的优化结果与先前的优化迭代相比并没有改进。所述优化改进可以指绝对改进和/或预定义的最小程度的质量改进。也可以使用其它终止标准,例如预定义的时间段或预定义的迭代数量。也就是说,所述更新器212可以继续进行优化迭代,直到超过用于所述优化过程100的预定义时间段和/或优化迭代的预定义数量。
如决定点118所示,所述更新器212确定精度值是否最大。当所述精度值不是最大时,所述过程100进行到步骤106,并启动另一次迭代。当所述精度值最大时,例如1,所述过程100进行到步骤120。
在每次迭代之后,所述更新器212可以通过在先前的优化迭代期间计算的优化后参数更新所述HS参数(如在顶点中所反映的那样)。例如,针对无线网络800等无线网络,更新的参数可以包括例如更新的天线定位参数,如倾斜度、高度和/或方位角和/或更新的天线发射功率。针对有线网络700等有线网络,更新的参数可以包括例如用于网络交换机带宽的更新设置。针对道路网络900等道路网络,更新的参数可以包括例如用于交通信号灯的绿灯时间的更新设置。
如上所述(106处),每次外迭代后,因为去除了更多的边,所述更新器212可以更新(增加)精度和相关性阈值,从而允许所述分离器214针对表示所述HS的简化图实现更高的精度。因此,所述迭代过程以相对较低的精度开始执行,从而识别粗略的初始优化值和/或范围,并通过新的优化值更新所述HS参数,以逐渐增加精度,从而快速收敛至最优的更新的HS参数222。
如120所示,所述更新器212提供更新的HS参数222。选择所述更新的HS参数,使得可以从不同的优化迭代中选择每个更新的参数,以便为每个HS元素选择最佳优化的参数。所述更新器212可以通过I/O接口202以文件、图、数据库和/或抽象模型的形式提供更新的HS参数222。所述更新器212可以将所述更新的HS参数222存储至存储器208中,和/或通过连接至所述I/O接口202的一个或多个网络将所述更新的HS参数222发送至一个或多个网络节点。
现参考图10,图10是本发明一些实施例提供的通过两个核(线程)优化HS资源的过程的示例性流程的示意图。系统200等系统200A执行的所述过程100等示例性过程100A采用两个线程206A和206B例如核心206对HS进行优化。所述过程100A遵循如上所述的过程100的步骤。所述初始化器210等初始化器根据接收到的HS参数220等HS参数来创建加权图402等加权图402A。所述更新器212等更新器接收图402A,根据精度等一个或多个优化参数来调整相关性阈值。所述分离器214等分离器通过从所述图402A中去除低于所述更新器212设置的阈值的边来创建简化图404D。然后所述分离器214可以识别非重叠子图,例如所述简化图404D中的602D、602E和/或602F。所述分离器214将非重叠的子图分配给两个线程206A和206B,每个线程执行优化器过程,例如所述优化器216,从而优化与各自非重叠子图相关联的单元(顶点)。所述分离器214可以启动多个内迭代,例如三个。在第一次内迭代中,优化所述可选分离602D,其中所述分离器214将非重叠子图504G分配给线程206A,将非重叠子图504H分配给线程206B。所述线程206A和206B执行完所述优化器216过程后,优化所述可选分离602D,所述分离器214发起第二次内迭代周期,其中选择可选分离602E进行优化。所述分离器214将非重叠子图504I分配给所述线程206A,将非重叠子图504J分配给所述线程206B。所述线程206A和206B执行的所述优化器216过程中优化完所述可选分离602E之后,针对所述可选分离602F重复该过程,其中非重叠子图504K分配至所述线程206A,非重叠子图504L分配至所述线程206B。每次内迭代后,所述分离器214可以更新一个或多个优化的单元(对应于HS元素的顶点),使得更新的顶点用于以下内迭代。优化完所有可选分离602后,通过以较高精度值调整相关性阈值,所述更新器212可以启动另一外迭代。通过根据调整后的阈值去除边,所述分离器214可以创建所述简化图的更新版本。所述更新器可以控制重复所述过程100A,直到满足一个或多个优化标准。在每次外迭代之前,所述更新器212可更新一个或多个具有最优化值的图顶点,使得通过在先前迭代期间识别出的最优HS参数值执行以下外迭代。所述优化完成之后,所述更新器212可以提供更新的HS参数,例如更新的HS参数222。
现参考图11,图11是本发明一些实施例提供的优化HS资源的系统的示例性实施例的示意图。用于执行过程100等优化过程的系统200等系统200B包括初始化器210等初始化器、更新器212等更新器、分离器214等分离器、以及优化器216等多个优化器。所述初始化器210接收HS参数220等HS参数,创建表示所述HS的加权图,使得每个顶点表示相应的HS元素,并且每两个顶点由表示相应两个HS元素之间的相关性的加权边相连接。所述初始化器210可以将所述加权图和精度值等一个或多个优化参数一起传送至所述更新器212。可以首先将所述精度值设置为相对较低的精度值,例如0,以允许在所述优化过程100中首先识别粗略优化范围,并逐渐收敛至该范围内的最佳HS参数。所述更新器212可以在每次外迭代之前更新所述精度值,其中可以通过精度值来调整相关性阈值。所述相关性阈值可以逐渐增加,使得由所述分离器214创建的简化图包括较少的边,并且在每次附加外迭代期间相对于原始加权图(表示所述HS)变得越来越精确。所述更新器212可以将所述精度值增加到预定义的最大精度值,例如1。每次外迭代之后,所述更新器212可以通过先前迭代期间识别的最优HS参数值更新一个或多个图顶点。所述更新器212可以重复优化周期,直到满足一个或多个优化标准。所述优化处理100完成后,所述更新器212可以提供更新的HS参数,例如更新的HS参数222。
对本发明各个实施例的描述只是为了说明的目的,而这些描述并不旨在穷举或限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下,本领域技术人员可以清楚理解许多修改和变化。相比于市场上可找到的技术,选择此处使用的术语可最好地解释本实施例的原理、实际应用或技术进步,或使本领域其他技术人员理解此处公开的实施例。
预期在从本申请衍生出的专利的有效期内能产生多个相关的处理技术,当然,术语处理核的范围旨在先验地包括所有这样的新技术。
本文所使用的术语“约”是指±10%。
术语“包括”、“包含”、“具有”以及其变化形式表示“包含但不限于”。这个术语包括了术语“由……组成”以及“本质上由……组成”。
短语“主要由……组成”意指组成物或方法可以包含额外成分和/或步骤,但前提是所述额外成分和/或步骤不会实质上改变所要求的组成物或方法的基本和新颖特性。
除非上下文中另有明确说明,此处使用的单数形式“一个”和“所述”包括复数含义。例如,术语“化合物”或“至少一个化合物”可以包含多个化合物,包含其混合物。
此处使用的词“示例性的”表示“作为一个例子、示例或说明”。任何“示例性的”实施例并不一定理解为优先于或优越于其他实施例,和/或并不排除其他实施例特点的结合。
此处使用的词语“可选地”表示“在一些实施例中提供且在其他实施例中没有提供”。本发明的任意特定的实施例可以包含多个“可选的”特征,除非这些特征相互矛盾。
在整个本申请案中,本发明的各种实施例可以范围格式呈现。应理解,范围格式的描述仅为了方便和简洁起见,并且不应该被解释为对本发明范围的固定限制。因此,对范围的描述应被认为是已经具体地公开所有可能的子范围以及所述范围内的个别数值。例如,对例如从1到6的范围的描述应被认为是已经具体地公开子范围,例如从1到3、从1到4、从1到5、从2到4、从2到6、从3到6等,以及所述范围内的个别数字,例如1、2、3、4、5和6。不管范围的宽度如何,这都适用。
当此处指出一个数字范围时,表示包含了在指出的这个范围内的任意所列举的数字(分数或整数)。短语“在第一个所指示的数和第二个所指示的数范围内”以及“从第一个所指示的数到第二个所指示的数范围内”和在这里互换使用,表示包括第一个和第二个所指示的数以及二者之间所有的分数和整数。
应了解,为简洁起见在单独实施例的上下文中描述的本发明的某些特征还可以组合提供于单个实施例中。相反地,为简洁起见在单个实施例的上下文中描述的本发明的各个特征也可以单独地或以任何合适的子组合或作为本发明的任何合适的其它实施例提供。在各个实施例的上下文中描述的某些特征未视为那些实施例的基本特征,除非没有这些元素所述实施例无效。此处,本说明书中提及的所有出版物、专利和专利说明书都通过引用本说明书结合在本说明书中,同样,每个单独的出版物、专利或专利说明书也具体且单独地结合在此。此外,对本申请的任何参考的引用或识别不可当做是允许这样的参考在现有技术中优先于本发明。就使用节标题而言,不应该将节标题理解成必要的限定。
Claims (10)
1.一种管理同构型系统HS资源的系统,其特征在于,包括:
内存,用于存储表示所述HS的图表,其中所述图表包括由多条边连接的多个顶点,每个顶点对应多个HS元素中的一个HS元素,每条边包括用于定义一组所述多个HS元素之间相关性等级的权重;
处理器,用于识别所述图表中的多个可选分离,其中每个可选分离包括所述图表的多个非重叠的子图,并执行多次迭代中的每一次迭代:
选择所述多个可选分离中的一个可选分离;
将所述选择的可选分离的多个非重叠子图中的每一个非重叠子图分配给多个过程中的一个过程;
根据所述分配并行执行所述多个过程;
其中,重复执行所述多次迭代,直到满足终止标准。
2.如权利要求1所述的系统,其特征在于,所述分配包括:根据所述多个非重叠子图分配多个计算核心。
3.如权利要求1至2中任一项所述的系统,其特征在于,所述终止标准基于根据优化函数的结果对所述选择的可选分离的多个非重叠子图的有效性得分进行的估计。
4.一种管理同构型系统HS资源的系统,其特征在于,所述系统包括权利要求1至3任意一项所述系统的特征,其中,所述处理器用于通过根据相关性阈值对所述多条边进行滤波来创建所述图表的更新版本,在包括所述多次迭代中的至少一次迭代的执行期间,对待优化的所述更新版本中的所述多个可选分离进行识别。
5.如权利要求4所述的系统,其特征在于,所述处理器用于在执行所述至少一系列迭代之后调整相关性阈值,从而提高用于指示所述图表的更新版本准确度的精度值。
6.一种管理同构型系统HS资源的系统,其特征在于,所述系统包括权利要求1至3任意一项所述系统的特征,其中,所述处理器用于基于连接的顶点的参数计算所述多条边中每条边的相关性权重。
7.一种管理同构型系统HS资源的系统,其特征在于,所述系统包括权利要求1至3任意一项所述系统的特征,其中,所述处理器用于根据至少一个相关性阈值对所述多个顶点的子集进行识别,其中所述多个非重叠子图中的每一个非重叠子图包括所述子集中的一个顶点。
8.一种管理同构型系统HS资源的系统,其特征在于,所述系统包括权利要求1至3任意一项所述系统的特征,其中,所述处理器用于通过在所述多次迭代中的至少一次先前迭代的执行期间计算的更新值对所述多个顶点中的至少一个顶点进行更新。
9.一种管理同构型系统HS资源的方法,其特征在于,所述方法包括:
接收表示所述HS的图表,其中所述图表包括由多条边连接的多个顶点,每个顶点对应多个HS元素中的一个HS元素,每条边包括用于定义一组所述多个HS元素之间相关性等级的权重;
识别所述图表中的多个可选分离,其中所述多个可选分离中每个可选分离包括所述图表的多个非重叠子图;
在多次迭代中的每一次迭代中执行以下操作:
选择所述多个可选分离中的一个可选分离;
将所述选择的可选分离的多个非重叠子图中的每一个非重叠子图分配给多个过程中的一个过程;
根据所述分配并行执行所述多个过程;
其中,重复执行所述多次迭代,直到满足终止标准。
10.一种计算机存储介质,其特征在于,
所述计算机存储介质存储有计算机可读程序指令,其中,所述指令用于使处理器执行权利要求9所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/RU2016/000354 WO2017213537A1 (en) | 2016-06-10 | 2016-06-10 | Parallel optimization of homogeneous systems |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109478145A CN109478145A (zh) | 2019-03-15 |
CN109478145B true CN109478145B (zh) | 2021-04-09 |
Family
ID=57737958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680085083.6A Active CN109478145B (zh) | 2016-06-10 | 2016-06-10 | 同构型系统的并行优化 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109478145B (zh) |
WO (1) | WO2017213537A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11941056B2 (en) | 2020-04-29 | 2024-03-26 | International Business Machines Corporation | Method for weighting a graph |
US11500876B2 (en) | 2020-04-29 | 2022-11-15 | International Business Machines Corporation | Method for duplicate determination in a graph |
US11531656B1 (en) | 2021-06-08 | 2022-12-20 | International Business Machines Corporation | Duplicate determination in a graph |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1564416A (zh) * | 2004-03-17 | 2005-01-12 | 西安交通大学 | 基于协同进化的电力系统无功优化方法 |
US6862731B1 (en) * | 2000-09-29 | 2005-03-01 | International Business Machines Corp. | Net zeroing for efficient partition and distribution |
CN102096744A (zh) * | 2011-03-07 | 2011-06-15 | 杭州电子科技大学 | 一种非规则迭代并行化方法 |
CN104239126A (zh) * | 2013-06-19 | 2014-12-24 | 华为技术有限公司 | 一种有向图的最小割获取方法及设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7428588B2 (en) * | 2004-04-08 | 2008-09-23 | International Business Machines Corporation | Method for distributing and geographically load balancing location aware communication device client-proxy applications |
WO2009044296A2 (en) * | 2007-06-26 | 2009-04-09 | Softlife Projects Limited Doing Business As Appli Ed Cytometry Systems | System and method for optimizing data analysis |
US8316367B2 (en) * | 2009-01-14 | 2012-11-20 | Alcatel Lucent | System and method for optimizing batch resource allocation |
US8707275B2 (en) * | 2010-09-14 | 2014-04-22 | Microsoft Corporation | Simulation environment for distributed programs |
US8863128B2 (en) * | 2010-09-30 | 2014-10-14 | Autodesk, Inc | System and method for optimizing the evaluation of task dependency graphs |
US20120304192A1 (en) * | 2011-05-27 | 2012-11-29 | International Business Machines | Lifeline-based global load balancing |
US9645848B2 (en) * | 2013-05-20 | 2017-05-09 | International Business Machines Corporation | Scheduling homogeneous and heterogeneous workloads with runtime elasticity in a parallel processing environment |
US10382527B2 (en) * | 2013-10-16 | 2019-08-13 | International Business Machines Corporation | Performing optimized collective operations in an irregular subcommunicator of compute nodes in a parallel computer |
-
2016
- 2016-06-10 CN CN201680085083.6A patent/CN109478145B/zh active Active
- 2016-06-10 WO PCT/RU2016/000354 patent/WO2017213537A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6862731B1 (en) * | 2000-09-29 | 2005-03-01 | International Business Machines Corp. | Net zeroing for efficient partition and distribution |
CN1564416A (zh) * | 2004-03-17 | 2005-01-12 | 西安交通大学 | 基于协同进化的电力系统无功优化方法 |
CN102096744A (zh) * | 2011-03-07 | 2011-06-15 | 杭州电子科技大学 | 一种非规则迭代并行化方法 |
CN104239126A (zh) * | 2013-06-19 | 2014-12-24 | 华为技术有限公司 | 一种有向图的最小割获取方法及设备 |
Non-Patent Citations (1)
Title |
---|
《Mapping precedence and communication relations of a large scale computation on a multiprocessor system》;C.L.P. Chen et al.;《 Conference Proceedings., IEEE International Conference on Systems, Man and Cybernetics》;20020806;第370-375页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109478145A (zh) | 2019-03-15 |
WO2017213537A1 (en) | 2017-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7413580B2 (ja) | ニューラルネットワークを使用した集積回路フロアプランの生成 | |
CN110503192B (zh) | 资源有效的神经架构 | |
US11263116B2 (en) | Champion test case generation | |
US10699036B2 (en) | Method and system for testing vehicle | |
US10831942B2 (en) | Partitioning of a network using multiple poles for each part thereof | |
CN113609779B (zh) | 分布式机器学习的建模方法、装置及设备 | |
US11521066B2 (en) | Method and apparatus for partitioning deep neural networks | |
CN109478145B (zh) | 同构型系统的并行优化 | |
CN110807515A (zh) | 模型生成方法和装置 | |
CN111149117A (zh) | 机器学习和深度学习模型的基于梯度的自动调整 | |
US11341034B2 (en) | Analysis of verification parameters for training reduction | |
US20210124860A1 (en) | High-throughput computational material simulation optimisation method and apparatus based on time prediction | |
US20170220945A1 (en) | Enhancing robustness of pseudo-relevance feedback models using query drift minimization | |
JP2018526746A (ja) | データベーストランザクションを最適化するための方法および装置 | |
KR102439198B1 (ko) | 다층확률 기계학습 기반 최적해 탐색 시스템 및 방법 | |
CN116868202A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN114444718B (zh) | 机器学习模型的训练方法、信号控制方法和装置 | |
JPWO2016067548A1 (ja) | 領域線形モデル最適化システム、方法およびプログラム | |
Zhang et al. | PAME: precision-aware multi-exit DNN serving for reducing latencies of batched inferences | |
JPWO2018087814A1 (ja) | マルチタスク関係学習システム、方法およびプログラム | |
CN105653355A (zh) | Hadoop的配置参数的计算方法及系统 | |
WO2019103778A1 (en) | Missing label classification and anomaly detection for sparsely populated manufacturing knowledge graphs | |
CN115345303A (zh) | 卷积神经网络权重调优方法、装置、存储介质和电子设备 | |
CN111198766B (zh) | 数据库访问操作部署方法、数据库访问方法及装置 | |
CN112488319B (zh) | 一种具有自适应配置生成器的调参方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |