CN112001126A - 一种存储设备性能预测方法及装置 - Google Patents

一种存储设备性能预测方法及装置 Download PDF

Info

Publication number
CN112001126A
CN112001126A CN202010880362.XA CN202010880362A CN112001126A CN 112001126 A CN112001126 A CN 112001126A CN 202010880362 A CN202010880362 A CN 202010880362A CN 112001126 A CN112001126 A CN 112001126A
Authority
CN
China
Prior art keywords
performance
particle
configuration parameters
storage device
variable
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.)
Withdrawn
Application number
CN202010880362.XA
Other languages
English (en)
Inventor
李玲侠
刘颖
李佳颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202010880362.XA priority Critical patent/CN112001126A/zh
Publication of CN112001126A publication Critical patent/CN112001126A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种存储设备性能预测方法及装置，S1，获取存储设备的配置参数和不同配置参数下的性能数据；S2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；S3，通过距离分类器对训练样本进行训练，获得性能预测模型；S4，使用性能预测模型针对待测配置参数进行存储设备的性能预测。本发明不需要进行实际测试，只需要将配置参数信息输入到预测模型中即可得到其性能预测情况，操作便利，不需要复杂处理和人为干预，只用不断的进行数据样本输入，省时省力，可操作性很强。

Description

一种存储设备性能预测方法及装置
技术领域
本发明涉及存储设备的性能测试领域，具体涉及一种存储设备性能预测方法及装置。
背景技术
随着科学计算的发展，社会产生了越来越多的信息量，人们也越来越多的关注数据的存储。存储设备已经由单一的磁盘、磁带转向磁盘阵列，进而发展到当前流行的存储网络。数据存储已经对人们的工作和生活产生了巨大的影响，而其中对于使用的存储设备的各项性能提高也自然越来越需要关注。目前，对存储设备性能测试的过程为测试人员输入配置参数，使存储设备真实运行检测存储设备性能，通常需要反复组合各种配置参数的变量，以找到最优的性能。这个过程费事费力，测试效率较低。
发明内容
为解决上述问题，本发明提供一种存储设备性能预测方法及装置，建立性能预测模型，通过性能预测模型针对不同配置参数进行性预测，提高测试效率。
本发明的技术方案是：一种存储设备性能预测方法，包括以下步骤：
S1，获取存储设备的配置参数和不同配置参数下的性能数据；
S2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；
S3，通过距离分类器对训练样本进行训练，获得性能预测模型；
S4，使用性能预测模型针对待测配置参数进行存储设备的性能预测。
进一步地，配置参数包括多个变量，距离分类器通过以下公式进行分类：
Figure BDA0002653933490000021
其中，xi为配置参数的第i个变量，N为变量个数，d(x，y)为配置参数到某类别的距离，yi为该类别所对应的第i个变量的类别值，ki为第i个变量的变量权重。
进一步地，该方法通过简化粒子群算法计算配置参数各个变量的变量权重。
进一步地，简化粒子群优化算法通过以下迭代公式判断各个变量的变量权重为：
xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t))；
式中，t为当前迭代次数；xi(t)是粒子i在第t次迭代中的位置；t为当前迭代次数；ω为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0，1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值；
其中，惯性权重表达式如下：
Figure BDA0002653933490000022
其中λ表示权重因子，N表示粒子数；
简化粒子群优化算法的粒子表示配置参数的变量，粒子的位置表示变量权重。
进一步地，该方法对简化粒子群优化算法进行优化，还包括使学习因子c1、c2的表达式为：
Figure BDA0002653933490000031
Figure BDA0002653933490000032
其中，c1max、c2max为最大学习因子，c1min、c2min为最小学习因子。
进一步地，通过简化粒子群优化算法对配置参数的特征权重进行优，具体为：
S101，设置初始化参数，包括种群数目H、迭代次数L、搜索维度Z和每个粒子的初始位置，其中搜索维度为配置参数的变量数量；
S102，计算每个粒子的适应度值；
S103，对每个粒子，将其适应度值与其历史个体最优值pi(t)对应的适应度值进行比较，若优于历史个体最优值pi(t)的适应度值，则将当前粒子的位置作为其个体最优值pi(t)；
S104，对每个粒子，将其适应度值与历史全局最优值pg对应的适应度值进行比较，若优于历史全局最优值pg的适应度值，则将当前粒子的位置作为全局最优值pg；
S105，根据优化后的简化粒子群优化算法的迭代公式更新每个粒子的位置，并返回步骤S102，直到满足优化结束条件。
进一步地，配置参数的变量包括：硬盘数量、RAID级别、RAID数量、单个RAID中磁盘数量、输出链路数量、每个RAID创建卷数量、性能测试并发数。
本实施例的技术方案还包括一种存储设备性能测试装置，包括，
训练样本数据获取模块：获取存储设备的配置参数和不同配置参数下的性能数据；
训练样本配置模块：将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；
预测模型训练模块：通过距离分类器对训练样本进行训练，获得性能预测模型；
性能测试模块：使用性能预测模型对待测配置参数下的存储设备进行性能预测。
进一步地，预测模型训练模块使用距离分类器进行模型训练过程中，通过简化粒子群优化算法对配置参数的变量权重进行优化；其中，配置参数包括多个变量。
进一步地，简化粒子群优化算法的迭代公式为：
xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+cZr2(pg(t)-xi(t))；
其中，t为当前迭代次数；xi(t)是粒子i在第t次迭代中的位置；t为当前迭代次数；ω为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0，1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值；
简化粒子群优化算法的粒子表示配置参数的变量，粒子的位置表示变量权重；
惯性权重
Figure BDA0002653933490000051
其中λ表示权重因子，N表示粒子数；
学习因子c1、c2的表达式为：
Figure BDA0002653933490000052
Figure BDA0002653933490000053
其中，c1max、c2max为最大学习因子，c1min、c2min为最小学习因子。
本发明提供的一种存储设备性能预测方法及装置，通过距离分类器对训练样本进行训练，获得性能预测模型，使用该存储设备时，在不同配置下的性能高低，不需要进行实际测试，只需要将配置参数(包括硬盘数量、raid类型，raid中硬盘数量，卷的数量等)信息输入到预测模型中即可得到其性能预测情况，操作便利，不需要复杂处理和人为干预，只用不断的进行数据样本输入，省时省力，可操作性很强。
附图说明
图1是本发明具体实施例一方法流程示意图；
图2是采用Sphere静态函数验证标准粒子群算法、简化粒子群算法和改进的粒子群算法的优化效果示意图；
图3是采用Greiwank静态函数验证标准粒子群算法、简化粒子群算法和改进的粒子群算法的优化效果示意图；
图4是采用Rosenbrock静态函数验证标准粒子群算法、简化粒子群算法和改进的粒子群算法的优化效果示意图；
图5是本发明具体实施例二结构示意框图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。
如图1所示，本实施例提供一种存储设备性能预测方法，包括以下步骤：
S1，获取存储设备的配置参数和不同配置参数下的性能数据；
S2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；
S3，通过距离分类器对训练样本进行训练，获得性能预测模型；
S4，使用性能预测模型针对待测配置参数进行存储设备的性能预测。
本发明的原理是通过距离分类器对由配置参数和性能数据组成的训练样本进行训练，获得性能预测模型，使用存储设备需要性能测试时，将相应的配置参数输入性能预测模型，即可输出预测的性能数据(需要说明的是，本实施例设置的类别为性能范围，因此实际预测出的为一性能范围，但可以满足测试要求，可将所设置类别的性能取值范围缩小，以提高测试精度)，无需真实地向存储设备配置参数，无需使存储设备真实运行，即可获取性能数据，提高测试效率，且无损存储设备。
配置参数一般包括多个变量，具体如下：
(1)硬盘数量：数据用x1＝{1，2，3，4，…200}分别表示硬盘的数量；
(2)RAID(Redundant Arrays of Independent Disks，独立磁盘冗余阵列)级别：存储的RAID级别包括RAID5、RAID6，DRAID5，DRAID6四种常用的RAID，数据用x2＝{1，2，3，4}分别表示4种RAID级别；
(3)RAID数量：存储的RAID数量表示系统中一共有多少的RAID，x3＝{1，2，3…6}表示；
(4)单个RAID中磁盘数量：单个RAID包含磁盘多少会影响性能的高低，磁盘数量用x4＝{1，2，3…24}分别表示RAID中磁盘的数量；
(5)输出链路数量：输出链路根据存储产品特性，用x5＝{1，2，3……8}表示，8表示当前对应公司存储产品最大支持8条链路；
(6)每个RAID创建卷数量：x6＝{1，2，3……8}表示，8表示当前测试性能最大划分8个卷；
(7)测试性能的并发数：并发数按照实际场景，用x7＝{1，2，3……64}表示。
另外，用y表示不同配置下测试的性能结果/50，y＝＝{1，2，3……500}，如20表示性能为1000。
不同变量的不同取值可组成多个测试训练场景，每次测试训练的输入为X＝(x1、x2、x3、x4、x5、x6、x7)，是一由x1－7组成的7维特征向量。距离分类器的输出Y为对应分类标识。
距离分类器的原理是将待分类识别输入X分类到与其最相似的类别中。具体到本实施例，预先根据测试性能结果设置多个分类类别，比如设置Y1、Y2、Y3等类别，每种类别对应一个具体的性能测试结果范围，比如Y1代表性能测试结果的范围为100－200，Y2代表性能测试结果的范围为200－300。那么某次测试输入X，该次的测试结果的结果y为150，那么距离分类器应将输入X分类到Y1这一类别。
本实施例中距离分类器通过以下公式进行分类：
Figure BDA0002653933490000081
其中，xi为配置参数的第i个变量，N为变量个数，d(x，y)为配置参数到某类别的距离，yi为该类别所对应的第i个变量的类别值，需要说明的是，yi根据具体分类设置。ki为第i个变量的变量权重。
在进行训练时，输入X(即配置参数)和输出类别是已知的，进行训练即获得最优的变量权重ki，使输入X可匹配到其目标类别。所获得的性能预测模型即各个变量的权重。
本实施例通过简化粒子群优化算法(Simplified Partical SwarmOptimization，简称SPSO)对配置参数的变量权重进行优化，优选地，对SPSO算法进行优化，使用改进简化粒子群优化算法(Improved Simplified Partical Swarm Optimization，简称ISPSO)获得各变量权重。
简化粒子群优化算法的迭代公式如下：
xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t)) (2)
式中，t为当前迭代次数；xi(t)是粒子i在第t次迭代中的位置；t为当前迭代次数；ω为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0，1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值。
需要说明的是，简化粒子群优化算法的粒子表示配置参数的变量，粒子的位置表示变量权重，本实施例中，粒子i的取值为1、2、……7(共7个输入变量)。
作为本实施例的改进简化粒子群优化算法，上式(2)中的惯性权重公式如下：
Figure BDA0002653933490000091
其中，λ表示权重因子，经过反复测试得到，λ取值0.01时效果较好；N表示粒子数，本实施例N的取值为7。
进一步地优化，本实施例采用线性递减和线性递加学习因子的策略，随着迭代次数的增加，c1线性递减，c2线性递加，表达式如下：
Figure BDA0002653933490000092
Figure BDA0002653933490000093
其中，c1max、c2max为最大学习因子，c1min、c2min为最小学习因子。其中，最大学习因子和最小学习因子可根据需要设置，一般均设置为2。
本实施例采用广泛使用的三个静态函数Sphere、Greiwank、Rosenbrock来进行仿真测试，对标准粒子群算法、简化粒子群算法和改进的粒子群算法的优化效果进行比较。
其中，标准粒子群算法的迭代公式如下：
vi(t+1)＝wVi(t)+c1r1(pi(t)-xi(t))+c2r2(pg-xi(t))xi(t+1)＝xi(t)+Vi(t)
其中，vi(t)是粒子i在第t次迭代中的速度(简化算法中不考虑)。
下表1为基准测试函数信息。
表1为基准测试函数信息
Figure BDA0002653933490000101
对验证测试的基本参数选取：最大代数100，种群数50，每种算法都运行100次取个体最优值的平均值。图2-4分别显示了三种算法在不同静态测试函数中的优化效果，横坐标表示迭代次数，纵坐标表示和理论个体最优值的误差，从图中可以看出，改进粒子群算法的优化效果最好，这表明改进粒子群算法拥有较好的跳出局部最优能力，并且收敛速度较快。
已知改进简化粒子群优化算法的迭代公式及公式内各参数表达式，通过以下步骤对配置参数的变量权重进行优化：
S101，设置初始化参数，包括种群数目H、迭代次数L、搜索维度Z和每个粒子的初始位置，其中搜索维度为配置参数的变量数量；
具体可设置H＝20，L＝100，本实施例搜索维度Z＝7。
S102，计算每个粒子的适应度值；
通过适应度函数计算每个粒子的适应度值，本实施例的适应度函数为
Figure BDA0002653933490000111
S103，对每个粒子，将其适应度值与其历史个体最优值pi(t)对应的适应度值进行比较，若优于历史个体最优值pi(t)的适应度值，则将当前粒子的位置作为其个体最优值pi(t)；
S104，对每个粒子，将其适应度值与历史全局最优值pg对应的适应度值进行比较，若优于历史全局最优值pg的适应度值，则将当前粒子的位置作为全局最优值pg；
S105，根据改进简化粒子群优化算法的迭代公式更新每个粒子的位置，并返回步骤S102，直到满足优化结束条件；
结束条件根据具体问题一般选为最大迭代次数L或(和)迄今为止搜索到的最优位置满足预定最小适应阈值。
经过上述步骤，最终确定的粒子的全局最优值pg即为对应各个配置参数变量的最优权重。
实施例二
如图5所示，在实施例一基础上，本实施例提供一种存储设备性能测试装置，包括以下功能模块。
训练样本数据获取模块101：获取存储设备的配置参数和不同配置参数下的性能数据；
训练样本配置模块102：将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；
预测模型训练模块103：通过距离分类器对训练样本进行训练，获得性能预测模型；
性能测试模块104：使用性能预测模型对待测配置参数下的存储设备进行性能预测。
预测模型训练模块103使用距离分类器进行模型训练过程中，通过简化粒子群优化算法对配置参数的变量权重进行优化；其中，配置参数包括多个变量。
简化粒子群优化算法的迭代公式为：
xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t))；
其中，t为当前迭代次数；xi(t)是粒子i在第t次迭代中的位置；t为当前迭代次数；ω为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0，1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值。
简化粒子群优化算法的粒子表示配置参数的变量，粒子的位置表示变量权重。
上式中，惯性权重
Figure BDA0002653933490000121
其中λ表示权重因子，M表示粒子数。
学习因子c1、c2的表达式为：
Figure BDA0002653933490000131
Figure BDA0002653933490000132
其中，c1max、c2max为最大学习因子，c1min、c2min为最小学习因子。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (10)

1.一种存储设备性能预测方法，其特征在于，包括以下步骤：
S1，获取存储设备的配置参数和不同配置参数下的性能数据；
S2，将配置参数作为输入，对应性能数据的类别作为输出组成训练样本；所述性能数据的类别预先设置；
S3，通过距离分类器对训练样本进行训练，获得性能预测模型；
S4，使用性能预测模型针对待测配置参数进行存储设备的性能预测。
2.根据权利要求1所述的存储设备性能预测方法，其特征在于，配置参数包括多个变量，距离分类器通过以下公式进行分类：
Figure FDA0002653933480000011
其中，xi为配置参数的第i个变量，N为变量个数，d(x，y)为配置参数到某类别的距离，yi为该类别所对应的第i个变量的类别值，ki为第i个变量的变量权重。
3.根据权利要求2所述的存储设备性能预测方法，其特征在于，该方法通过简化粒子群算法计算配置参数各个变量的变量权重。
4.根据权利要求3所述的存储设备性能预测方法，其特征在于，简化粒子群优化算法通过以下迭代公式判断各个变量的变量权重为：xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t))；
式中，t为当前迭代次数；xi(t)是粒子i在第t次迭代中的位置；t为当前迭代次数；ω为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0，1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值；其中，惯性权重表达式如下：
Figure FDA0002653933480000021
其中λ表示权重因子，M表示粒子数；
简化粒子群优化算法的粒子表示配置参数的变量，粒子的位置表示变量权重。
5.根据权利要求4所述的存储设备性能预测方法，其特征在于，该方法对简化粒子群优化算法进行优化，还包括使学习因子c1、c2的表达式为：
Figure FDA0002653933480000022
Figure FDA0002653933480000023
其中，c1max、c2max为最大学习因子，c1min、c2min为最小学习因子。
6.根据权利要求2-5任一项所述的存储设备性能预测方法，其特征在于，通过简化粒子群优化算法对配置参数的特征权重进行优，具体为：
S101，设置初始化参数，包括种群数目H、迭代次数L、搜索维度Z和每个粒子的初始位置，其中搜索维度为配置参数的变量数量；
S102，计算每个粒子的适应度值；
S103，对每个粒子，将其适应度值与其历史个体最优值pi(t)对应的适应度值进行比较，若优于历史个体最优值pi(t)的适应度值，则将当前粒子的位置作为其个体最优值pi(t)；
S104，对每个粒子，将其适应度值与历史全局最优值pg对应的适应度值进行比较，若优于历史全局最优值pg的适应度值，则将当前粒子的位置作为全局最优值pg；
S105，根据优化后的简化粒子群优化算法的迭代公式更新每个粒子的位置，并返回步骤S102，直到满足优化结束条件。
7.根据权利要求6所述的存储设备性能预测方法，其特征在于，配置参数的变量包括：硬盘数量、RAID级别、RAID数量、单个RAID中磁盘数量、输出链路数量、每个RAID创建卷数量、性能测试并发数。
8.一种存储设备性能测试装置，其特征在于，包括，
训练样本数据获取模块：获取存储设备的配置参数和不同配置参数下的性能数据；
训练样本配置模块：将配置参数作为输入，性能数据作为输出组成训练样本；
预测模型训练模块：通过距离分类器对训练样本进行训练，获得性能预测模型；
性能测试模块：使用性能预测模型对待测配置参数下的存储设备进行性能预测。
9.根据权利要求8所述的存储设备性能测试装置，其特征在于，预测模型训练模块使用距离分类器进行模型训练过程中，通过简化粒子群优化算法对配置参数的变量权重进行优化；其中，配置参数包括多个变量。
10.根据权利要求9所述的存储设备性能测试装置，其特征在于，简化粒子群优化算法的迭代公式为：
xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t))；
其中，t为当前迭代次数；xi(t)是粒子i在第t次迭代中的位置；t为当前迭代次数；ω为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0，1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值；简化粒子群优化算法的粒子表示配置参数的变量，粒子的位置表示变量权重：
惯性权重
Figure FDA0002653933480000041
其中λ表示权重因子，M表示粒子数；
学习因子c1、c2的表达式为：
Figure FDA0002653933480000042
Figure FDA0002653933480000043
其中，c1max、c2max为最大学习因子，c1min、c2min为最小学习因子。
CN202010880362.XA 2020-08-27 2020-08-27 一种存储设备性能预测方法及装置 Withdrawn CN112001126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010880362.XA CN112001126A (zh) 2020-08-27 2020-08-27 一种存储设备性能预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010880362.XA CN112001126A (zh) 2020-08-27 2020-08-27 一种存储设备性能预测方法及装置

Publications (1)

Publication Number Publication Date
CN112001126A true CN112001126A (zh) 2020-11-27

Family

ID=73472164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010880362.XA Withdrawn CN112001126A (zh) 2020-08-27 2020-08-27 一种存储设备性能预测方法及装置

Country Status (1)

Country Link
CN (1) CN112001126A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114865625A (zh) * 2022-06-09 2022-08-05 国网湖北省电力有限公司鄂州供电公司 一种包含微网的配电网故障恢复方法
CN115543715A (zh) * 2022-12-02 2022-12-30 江苏华存电子科技有限公司 一种半导体存储类产品的性能测试方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114865625A (zh) * 2022-06-09 2022-08-05 国网湖北省电力有限公司鄂州供电公司 一种包含微网的配电网故障恢复方法
CN115543715A (zh) * 2022-12-02 2022-12-30 江苏华存电子科技有限公司 一种半导体存储类产品的性能测试方法及系统

Similar Documents

Publication Publication Date Title
Dey et al. Metamodel based high-fidelity stochastic analysis of composite laminates: A concise review with critical comparative assessment
Most et al. Metamodel of Optimal Prognosis-an automatic approach for variable reduction and optimal metamodel selection
Li et al. Review of design optimization methods for turbomachinery aerodynamics
Wang et al. Multi-objective optimization of turbomachinery using improved NSGA-II and approximation model
Giannakoglou et al. Aerodynamic shape design using evolutionary algorithms and new gradient-assisted metamodels
EP1548608A2 (en) Multiobjective optimization
EP1131768B1 (en) Generating a nonlinear model and generating drive signals for simulation testing using the same
Eskandari et al. A fast Pareto genetic algorithm approach for solving expensive multiobjective optimization problems
Giannakoglou et al. Low-cost genetic optimization based on inexact pre-evaluations and the sensitivity analysis of design parameters
KR20160143548A (ko) 인공 신경 네트워크를 자동으로 조정하는 방법 및 장치
CN105184362A (zh) 基于参数量化的深度卷积神经网络的加速与压缩方法
CN110533150B (zh) 基于支持向量机回归模型的测试生成与重用系统及方法
Marques et al. Identification and prediction of unsteady transonic aerodynamic loads by multi-layer functionals
CN112001126A (zh) 一种存储设备性能预测方法及装置
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
CN110021340B (zh) 一种基于卷积神经网络和规划动态算法的rna二级结构生成器及其预测方法
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN113159264B (zh) 一种入侵检测方法、系统、设备及可读存储介质
CN113255873A (zh) 一种聚类天牛群优化方法、系统、计算机设备和存储介质
CN115343676A (zh) 密封电子设备内部多余物定位技术的特征优化方法
Pourkamali-Anaraki et al. Neural networks and imbalanced learning for data-driven scientific computing with uncertainties
CN113724344A (zh) 一种基于高光谱遥感图像压缩方法
JP2005285090A (ja) 多目的最適化装置、多目的最適化方法および多目的最適化プログラム
Sekanina Evolutionary design of digital circuits: Where are current limits?
Yang et al. A surrogate model assisted (1+ 1)-es with increased exploitation of the model

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201127