CN113638900A - 一种存储阵列风扇调控的方法、装置、设备及可读介质 - Google Patents

一种存储阵列风扇调控的方法、装置、设备及可读介质 Download PDF

Info

Publication number
CN113638900A
CN113638900A CN202110840689.9A CN202110840689A CN113638900A CN 113638900 A CN113638900 A CN 113638900A CN 202110840689 A CN202110840689 A CN 202110840689A CN 113638900 A CN113638900 A CN 113638900A
Authority
CN
China
Prior art keywords
artificial fish
fitness value
individual
value
school
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.)
Pending
Application number
CN202110840689.9A
Other languages
English (en)
Inventor
于鑫
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 CN202110840689.9A priority Critical patent/CN113638900A/zh
Publication of CN113638900A publication Critical patent/CN113638900A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • 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]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/303—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/706—Type of control algorithm proportional-integral-differential
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种存储阵列风扇调控的方法、装置、设备及可读介质，该方法包括：获取温度传感器的温度值和需要调节的PID参数值；设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇。通过使用本发明的方案，能够在有效降低风扇功耗的前提下，解决系统散热问题。

Description

一种存储阵列风扇调控的方法、装置、设备及可读介质
技术领域
本领域涉及计算机领域，并且更具体地涉及一种存储阵列风扇调控的方法、装置、设备及可读介质。
背景技术
随着云存储以及大数据的发展，对数据存储的带宽和速率要求逐年增加，通用存储阵列逐步发展起来。存储阵列在高压下工作时，往往会使CPU内存、存储磁盘等器件温度迅速上升，目前系统散热问题是存储阵列行业的焦点问题，如何在有效控制系统功耗的前提条件下快速散热是一个迫切需要解决的问题。
目前传统存储阵列风扇调控主要依靠PID控制算法，在不同环境温度下，需要人工进行调试参数，浪费大量人力资源，同时，不能保证参数为PID控制算法的最优解，既不能保证达到最优风扇控制策略。
发明内容
有鉴于此，本发明实施例的目的在于提出一种存储阵列风扇调控的方法、装置、设备及可读介质，通过使用本发明的技术方案，能够根据温度自动调节PID参数，解放了大量人力资源，能够在有效降低风扇功耗的前提下，解决系统散热问题，提高了产品的核心竞争力。
基于上述目的，本发明的实施例的一个方面提供了一种存储阵列风扇调控的方法，包括以下步骤：
获取温度传感器的温度值和需要调节的PID参数值；
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；
计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；
更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；
根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇。
根据本发明的一个实施例，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
根据本发明的一个实施例，设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群包括：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
根据本发明的一个实施例，更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储包括：
模拟人工鱼分别执行预设行为后更新人工鱼的位置；
响应于更新人工鱼的位置，计算更新位置后的人工鱼群中各个人工鱼个体状态向量的适应度值并选取更新位置后的适应度值最大的人工鱼个体；
将更新位置后的适应度值最大的人工鱼个体与更新位置前的适应度值最大的人工鱼个体的适应度值进行比较；
响应于更新位置后的适应度值最大的人工鱼个体的适应度值大于更新位置前的适应度值最大的人工鱼个体的适应度值，存储更新位置后的适应度值最大的人工鱼个体；
重复上述步骤到最大迭代次数，最终选取到适应度值最大的人工鱼个体。
根据本发明的一个实施例，预设行为包括觅食行为、追尾行为、聚群行为和随机行为。
本发明的实施例的另一个方面，还提供了一种存储阵列风扇调控的装置，装置包括：
获取模块，获取模块配置为获取温度传感器的温度值和需要调节的PID参数值；
映射模块，映射模块配置为设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；
计算模块，计算模块配置为计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；
更新模块，更新模块配置为更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；
调节模块，调节模块配置为根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇。
根据本发明的一个实施例，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
根据本发明的一个实施例，映射模块还配置为：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
本发明的实施例的另一个方面，还提供了一种计算机设备，该计算机设备包括：
至少一个处理器；以及
存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行时实现上述任意一项方法的步骤。
本发明的实施例的另一个方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任意一项方法的步骤。
本发明具有以下有益技术效果：本发明实施例提供的存储阵列风扇调控的方法，通过获取温度传感器的温度值和需要调节的PID参数值；设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇的技术方案，能够根据温度自动调节PID参数，解放了大量人力资源，能够在有效降低风扇功耗的前提下，解决系统散热问题，提高了产品的核心竞争力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为根据本发明一个实施例的存储阵列风扇调控的方法的示意性流程图；
图2为根据本发明一个实施例的存储阵列风扇调控的装置的示意图；
图3为根据本发明一个实施例的计算机设备的示意图；
图4为根据本发明一个实施例的计算机可读存储介质的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
基于上述目的，本发明的实施例的第一个方面，提出了一种存储阵列风扇调控的方法的一个实施例。图1示出的是该方法的示意性流程图。
如图1中所示，该方法可以包括以下步骤：
S1获取温度传感器的温度值和需要调节的PID参数值。
S2设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群。
设置人工鱼群的初始参数，初始参数包括人工鱼群的规模N、感知距离Visual、移动最大步长Step、拥挤度delta、最大迭代次数Gen_max等，将需要调节的PID参数值映射到人工鱼的个体状态向量，即X＝(KP,Ki,Kd)，并在感知距离Visual范围内随机生成N个人工鱼个体，形成初始鱼群。
S3计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储。
计算各个人工鱼个体状态向量的适应度值，并比较大小，选取适应度值最大者作为最优人工鱼个体，保存其状态以及适应度值。ITAE最小的性能指标可以较小考虑大的起始误差，强调调节时间，反映控制系统的快速性和准确性，由于人工鱼群是求取最大问题，因此本发明的适应度函数为FT＝1/J(ITAE)，公式为：
Figure BDA0003178818810000051
S4更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储。
模拟人工鱼分别执行觅食行为、追尾行为、聚群行为和随机行为后更新人工鱼的位置，更新人工鱼的位置后，计算更新位置后的人工鱼群中各个人工鱼个体状态向量的适应度值并选取更新位置后的适应度值最大的人工鱼个体，将更新位置后的适应度值最大的人工鱼个体与更新位置前的适应度值最大的人工鱼个体的适应度值进行比较，如果更新位置后的适应度值最大的人工鱼个体的适应度值大于更新位置前的适应度值最大的人工鱼个体的适应度值，则存储更新位置后的适应度值最大的人工鱼个体，重复上述步骤到最大迭代次数，最终选取到适应度值最大的人工鱼个体。
S5根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇。
通过本发明的技术方案，能够根据温度自动调节PID参数，解放了大量人力资源，能够在有效降低风扇功耗的前提下，解决系统散热问题，提高了产品的核心竞争力。
在本发明的一个优选实施例中，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
在本发明的一个优选实施例中，设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群包括：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
在本发明的一个优选实施例中，更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储包括：
模拟人工鱼分别执行预设行为后更新人工鱼的位置；
响应于更新人工鱼的位置，计算更新位置后的人工鱼群中各个人工鱼个体状态向量的适应度值并选取更新位置后的适应度值最大的人工鱼个体；
将更新位置后的适应度值最大的人工鱼个体与更新位置前的适应度值最大的人工鱼个体的适应度值进行比较；
响应于更新位置后的适应度值最大的人工鱼个体的适应度值大于更新位置前的适应度值最大的人工鱼个体的适应度值，存储更新位置后的适应度值最大的人工鱼个体；
重复上述步骤到最大迭代次数，最终选取到适应度值最大的人工鱼个体。
在本发明的一个优选实施例中，预设行为包括觅食行为、追尾行为、聚群行为和随机行为。
执行觅食行为时，设人工鱼状态为Xi，在感知范围(dij≤Visual)内随机选择一个状态Xj，若该状态的适应度值大于当前状态，则向该方向前进一步，反之，则重新随机选择状态Xj。执行聚群行为时，设人工鱼状态为Xi，探索当前感知范围内鱼群数目nf及中心位置XC，如FT(XC)/nf>δFT(Xi)，则表明鱼群中心有较多食物，则向鱼群中心位置方向前进一步，其中δ表示拥挤度，一般在0到1之间，否则执行觅食行为。执行追尾行为时，设人工鱼状态为Xi，探索当前感知范围内鱼群个体FTmax最大的人工鱼个体Xmax，若FTmax/nf>δFTi，说明此方向不拥挤，则向Xmax方向前进一步，否则执行觅食行为。执行随机行为时，在感知范围内随机选择一个状态，然后向该状态移动，即Xi的下一状态Xi/next为：Xi/next＝Xi+r*Visual，其中r为[-1,1]的随机数。
通过本发明的技术方案，能够根据温度自动调节PID参数，解放了大量人力资源，能够在有效降低风扇功耗的前提下，解决系统散热问题，提高了产品的核心竞争力。
需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，上述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外，根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本发明实施例公开的方法中限定的上述功能。
基于上述目的，本发明的实施例的第二个方面，提出了一种存储阵列风扇调控的装置，如图2所示，装置200包括：
获取模块，获取模块配置为获取温度传感器的温度值和需要调节的PID参数值；
映射模块，映射模块配置为设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；
计算模块，计算模块配置为计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；
更新模块，更新模块配置为更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；
调节模块，调节模块配置为根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇。
在本发明的一个优选实施例中，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
在本发明的一个优选实施例中，映射模块还配置为：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
在本发明的一个优选实施例中，更新模块还配置为：
模拟人工鱼分别执行预设行为后更新人工鱼的位置；
响应于更新人工鱼的位置，计算更新位置后的人工鱼群中各个人工鱼个体状态向量的适应度值并选取更新位置后的适应度值最大的人工鱼个体；
将更新位置后的适应度值最大的人工鱼个体与更新位置前的适应度值最大的人工鱼个体的适应度值进行比较；
响应于更新位置后的适应度值最大的人工鱼个体的适应度值大于更新位置前的适应度值最大的人工鱼个体的适应度值，存储更新位置后的适应度值最大的人工鱼个体；
重复上述步骤到最大迭代次数，最终选取到适应度值最大的人工鱼个体。
在本发明的一个优选实施例中，预设行为包括觅食行为、追尾行为、聚群行为和随机行为。
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备。图3示出的是本发明提供的计算机设备的实施例的示意图。如图3所示，本发明实施例包括如下装置：至少一个处理器S21；以及存储器S22，存储器S22存储有可在处理器上运行的计算机指令S23，指令由处理器执行时实现以下方法：
获取温度传感器的温度值和需要调节的PID参数值；
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；
计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；
更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；
根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇。
在本发明的一个优选实施例中，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
在本发明的一个优选实施例中，设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群包括：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
在本发明的一个优选实施例中，更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储包括：
模拟人工鱼分别执行预设行为后更新人工鱼的位置；
响应于更新人工鱼的位置，计算更新位置后的人工鱼群中各个人工鱼个体状态向量的适应度值并选取更新位置后的适应度值最大的人工鱼个体；
将更新位置后的适应度值最大的人工鱼个体与更新位置前的适应度值最大的人工鱼个体的适应度值进行比较；
响应于更新位置后的适应度值最大的人工鱼个体的适应度值大于更新位置前的适应度值最大的人工鱼个体的适应度值，存储更新位置后的适应度值最大的人工鱼个体；
重复上述步骤到最大迭代次数，最终选取到适应度值最大的人工鱼个体。
在本发明的一个优选实施例中，预设行为包括觅食行为、追尾行为、聚群行为和随机行为。
基于上述目的，本发明实施例的第四个方面，提出了一种计算机可读存储介质。图4示出的是本发明提供的计算机可读存储介质的实施例的示意图。如图4所示，计算机可读存储介质S31存储有被处理器执行时执行如下方法的计算机程序S32：
获取温度传感器的温度值和需要调节的PID参数值；
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；
计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；
更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；
根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据PWM值调控风扇。
在本发明的一个优选实施例中，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
在本发明的一个优选实施例中，设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群包括：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
在本发明的一个优选实施例中，更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储包括：
模拟人工鱼分别执行预设行为后更新人工鱼的位置；
响应于更新人工鱼的位置，计算更新位置后的人工鱼群中各个人工鱼个体状态向量的适应度值并选取更新位置后的适应度值最大的人工鱼个体；
将更新位置后的适应度值最大的人工鱼个体与更新位置前的适应度值最大的人工鱼个体的适应度值进行比较；
响应于更新位置后的适应度值最大的人工鱼个体的适应度值大于更新位置前的适应度值最大的人工鱼个体的适应度值，存储更新位置后的适应度值最大的人工鱼个体；
重复上述步骤到最大迭代次数，最终选取到适应度值最大的人工鱼个体。
在本发明的一个优选实施例中，预设行为包括觅食行为、追尾行为、聚群行为和随机行为。
此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种存储阵列风扇调控的方法，其特征在于，包括以下步骤：
获取温度传感器的温度值和需要调节的PID参数值；
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；
计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；
更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；
根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据所述PWM值调控风扇。
2.根据权利要求1所述的方法，其特征在于，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
3.根据权利要求2所述的方法，其特征在于，设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群包括：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
4.根据权利要求2所述的方法，其特征在于，更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储包括：
模拟人工鱼分别执行预设行为后更新人工鱼的位置；
响应于更新人工鱼的位置，计算更新位置后的人工鱼群中各个人工鱼个体状态向量的适应度值并选取更新位置后的适应度值最大的人工鱼个体；
将更新位置后的适应度值最大的人工鱼个体与更新位置前的适应度值最大的人工鱼个体的适应度值进行比较；
响应于更新位置后的适应度值最大的人工鱼个体的适应度值大于更新位置前的适应度值最大的人工鱼个体的适应度值，存储更新位置后的适应度值最大的人工鱼个体；
重复上述步骤到最大迭代次数，最终选取到适应度值最大的人工鱼个体。
5.根据权利要求4所述的方法，其特征在于，预设行为包括觅食行为、追尾行为、聚群行为和随机行为。
6.一种存储阵列风扇调控的装置，其特征在于，所述装置包括：
获取模块，所述获取模块配置为获取温度传感器的温度值和需要调节的PID参数值；
映射模块，所述映射模块配置为设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量并形成人工鱼群；
计算模块，所述计算模块配置为计算人工鱼群中各个人工鱼个体状态向量的适应度值，选取适应度值最大的人工鱼个体进行存储；
更新模块，所述更新模块配置为更新人工鱼群的状态，并在每次更新后计算人工鱼群中各个人工鱼个体状态向量的适应度值并最终选取适应度值最大的人工鱼个体更新存储；
调节模块，所述调节模块配置为根据最终选取的适应度值最大的人工鱼个体对应的PID参数值和温度值获取系统输出最优的PWM值并根据所述PWM值调控风扇。
7.根据权利要求6所述的装置，其特征在于，人工鱼群的初始参数包括人工鱼群的规模、感知距离、移动最大步长、拥挤度、最大迭代次数。
8.根据权利要求7所述的装置，其特征在于，所述映射模块还配置为：
设置人工鱼群的初始参数并将需要调节的PID参数值映射到人工鱼的个体状态向量；
在人工鱼群的感知距离内随机生成人工鱼群的规模对应数量的人工鱼个体以形成人工鱼群。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现权利要求1-5任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
CN202110840689.9A 2021-07-25 2021-07-25 一种存储阵列风扇调控的方法、装置、设备及可读介质 Pending CN113638900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110840689.9A CN113638900A (zh) 2021-07-25 2021-07-25 一种存储阵列风扇调控的方法、装置、设备及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110840689.9A CN113638900A (zh) 2021-07-25 2021-07-25 一种存储阵列风扇调控的方法、装置、设备及可读介质

Publications (1)

Publication Number Publication Date
CN113638900A true CN113638900A (zh) 2021-11-12

Family

ID=78418425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110840689.9A Pending CN113638900A (zh) 2021-07-25 2021-07-25 一种存储阵列风扇调控的方法、装置、设备及可读介质

Country Status (1)

Country Link
CN (1) CN113638900A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115988075A (zh) * 2022-12-07 2023-04-18 天翼云科技有限公司 一种基于人工鱼群算法的云数据迁移方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103513574A (zh) * 2013-05-06 2014-01-15 江苏大学 轴向混合磁轴承鱼群算法分数阶pid控制器的构造方法
WO2019011062A1 (zh) * 2017-07-13 2019-01-17 中兴通讯股份有限公司 一种基站风扇控制方法及装置
CN109839967A (zh) * 2019-01-24 2019-06-04 广东元森能源科技有限公司 一种自整定pid节能温度控制方法及模块
CN112526879A (zh) * 2020-11-23 2021-03-19 珠海格力电器股份有限公司 温控系统的参数确定方法、装置、控制方法、系统及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103513574A (zh) * 2013-05-06 2014-01-15 江苏大学 轴向混合磁轴承鱼群算法分数阶pid控制器的构造方法
WO2019011062A1 (zh) * 2017-07-13 2019-01-17 中兴通讯股份有限公司 一种基站风扇控制方法及装置
CN109839967A (zh) * 2019-01-24 2019-06-04 广东元森能源科技有限公司 一种自整定pid节能温度控制方法及模块
CN112526879A (zh) * 2020-11-23 2021-03-19 珠海格力电器股份有限公司 温控系统的参数确定方法、装置、控制方法、系统及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115988075A (zh) * 2022-12-07 2023-04-18 天翼云科技有限公司 一种基于人工鱼群算法的云数据迁移方法及装置

Similar Documents

Publication Publication Date Title
US11861502B2 (en) Control sequence generation system and methods
US11965666B2 (en) Control method for air conditioner, and device for air conditioner and storage medium
CN111758105A (zh) 学习数据增强策略
CN112513886B (zh) 信息处理方法、信息处理装置和信息处理程序
Yang et al. Forced waves and their asymptotics in a Lotka–Volterra cooperative model under climate change
US9928317B2 (en) Additive design of heat sinks
US11455374B2 (en) System and method for combining differentiable partial differential equation solvers and graph neural networks for fluid flow prediction
CN112000001B (zh) 一种基于改进贝叶斯模型的pid参数整定优化方法
CN113638900A (zh) 一种存储阵列风扇调控的方法、装置、设备及可读介质
CN113128169A (zh) 宽度渐变波导的设计方法、装置及其计算机存储介质
CN114302407A (zh) 网络决策方法及装置、电子设备和存储介质
CN110942483A (zh) 函数快速收敛模型构建方法、装置和终端
KR20200126327A (ko) 기계학습을 위한 정규화 방법 및 그 장치
CN114065994A (zh) 空调系统能耗优化方法、装置、设备及计算机存储介质
KR20220071058A (ko) 네트워크 처리량 예측 장치 및 방법
TW202145078A (zh) 具有動態最小批次尺寸之運算方法，以及用於執行該方法之運算系統及電腦可讀儲存媒體
CN114995105A (zh) 一种基于改进遗传算法的水轮机调节系统pid参数优化方法
CN110782017B (zh) 用于自适应调整学习率的方法和装置
CN113721655A (zh) 一种控制周期自适应的强化学习无人机稳定飞行控制方法
US11900258B2 (en) Learning device, image generating device, learning method, image generating method, and program
CN115984804B (zh) 一种基于多任务检测模型的检测方法及车辆
CN116720585B (zh) 基于自主可控软硬件平台的低功耗ai模型推理优化方法
CN114841464B (zh) 一种基于黑猩猩算法的建筑节能管理方法、设备及介质
Li et al. Optimization of PID parameters with an improved simplex PSO
CN116911373A (zh) 强化学习模型的训练方法及装置

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