CN114968828A - 用于优化算法的性能测试方法、平台、设备及存储介质 - Google Patents
用于优化算法的性能测试方法、平台、设备及存储介质 Download PDFInfo
- Publication number
- CN114968828A CN114968828A CN202210918790.6A CN202210918790A CN114968828A CN 114968828 A CN114968828 A CN 114968828A CN 202210918790 A CN202210918790 A CN 202210918790A CN 114968828 A CN114968828 A CN 114968828A
- Authority
- CN
- China
- Prior art keywords
- specified
- algorithm
- optimization
- test
- optimization algorithm
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
Abstract
本申请提供了一种用于优化算法的性能测试方法、平台、设备及存储介质,所述方法应用于性能测试云平台,所述方法包括:获取来自第一用户端的算法测试指令,所述算法测试指令包括指定优化问题、指定优化算法及配置算法参数;根据所述配置算法参数和所述指定优化问题对所述指定优化算法进行性能测试,确定与所述指定优化算法对应的指定测试结果;从数据库中调取与所述指定优化问题对应的历史测试结果;对所述指定测试结果和所述历史测试结果进行排序,确定优化算法排名表;将所述优化算法排名表和所述指定测试结果发送至第一用户端,应用本方法,能够对优化算法进行统一的性能评价和对多优化算法性能进行对比排序,快速了解不同优化算法的优劣。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种用于优化算法的性能测试方法、平台、设备及存储介质。
背景技术
优化算法是指在满足一定条件下,在众多方案中或者参数中获取最优方案,或者参数值,以使得某个或者多个功能指标达到最优,或使得系统的某些性能指标达到最大值、最小值或者目标值的方法。优化算法分为进化算法、群智能算法、模拟退火算法等。优化算法用于对优化问题进行优化,从而获得更高性能的设计参数和模型,在工程应用领域应用广泛。近年来,人们提出了多种算法来解决参数优化问题,如何公平对比这些优化算法成为亟待解决的问题。
发明内容
本申请提供了一种用于优化算法的性能测试方法、平台、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本申请实施例的第一方面,提供了一种用于优化算法的性能测试方法,所述方法应用于性能测试云平台,所述方法包括:获取来自第一用户端的算法测试指令,所述算法测试指令包括指定优化问题、指定优化算法及配置算法参数;根据所述配置算法参数和所述指定优化问题对所述指定优化算法进行性能测试,确定与所述指定优化算法对应的指定测试结果;从数据库中调取与所述指定优化问题对应的历史测试结果;对所述指定测试结果和所述历史测试结果进行排序,确定优化算法排名表;将所述优化算法排名表和所述指定测试结果发送至第一用户端。
在一可实施方式中,在所述获取来自第一用户端的算法测试指令之前,所述方法还包括:获取来自第二用户端的指定问题发布指令,所述指定问题发布指令包含指定优化问题;根据与所述指定优化问题对应的理论最优解、指定优化变量、指定约束条件和指定目标函数搭建指定优化模型;对所述指定优化模型进行调试,获得调试后的指定优化模型;根据所述调试后的指定优化模型对所述指定优化问题进行发布,供第一用户端进行指定优化算法的性能测试。
在一可实施方式中,在所述获取来自第一用户端的算法测试指令之前,所述方法还包括:获取来自第三用户端的指定算法发布指令,所述指定算法发布指令包含指定优化算法;对所述指定优化算法进行打包调试,获得调试后的指定优化算法;对所述调试后的指定优化算法进行发布,供第一用户端进行指定优化算法的性能测试。
在一可实施方式中,所述对所述指定测试结果和所述历史测试结果进行排序,确定优化算法排名表,包括:根据指定评价维度对所述指定测试结果和所述历史测试结果进行分析,确定与每一个测试结果对应的评价分值;对所述评价分值进行排序,确定优化算法排名表;根据所述优化算法排名表和指定测试结果生成优化算法性能测试报告。
在一可实施方式中,根据所述配置算法参数和所述指定优化问题对所述指定优化算法进行性能测试,确定与所述指定优化算法对应的指定测试结果,包括:确定所述第一用户端对应的计算资源;基于所述指定优化模型和所述计算资源对所述指定优化算法进行性能测试,获得实际测试解;基于所述配置算法参数对所述实际测试解进行分析,确定指定测试结果。
在一可实施方式中,所述基于所述配置算法参数对所述实际测试解进行分析,确定指定测试结果,包括:根据所述配置算法参数对所述实际测试解和所述理论最优解进行比较,确定指定测试结果。
在一可实施方式中,在确定所述第一用户端对应的计算资源之后,所述方法还包括:根据所述指定优化模型、所述计算资源、所述指定优化算法和所述配置算法参数确定计算任务总数量;实时确定性能测试过程中的当前任务数量;根据所述当前任务数量和所述计算任务总数量确定当前进度,对所述当前进度进行实时显示。
根据本申请实施例的第二方面,提供了一种用于优化算法的性能测试云平台,所述云平台包括:获取模块,用于获取来自第一用户端的算法测试指令,所述算法测试指令包括指定优化问题、指定优化算法及配置算法参数;测试模块,用于根据所述配置算法参数和所述指定优化问题对所述指定优化算法进行性能测试,确定与所述指定优化算法对应的指定测试结果;调取模块,用于从数据库中调取与所述指定优化问题对应的历史测试结果;排序模块,用于对所述指定测试结果和所述历史测试结果进行排序,确定优化算法排名表;发送模块,用于将所述优化算法排名表和所述指定测试结果发送至第一用户端。
在一可实施方式中,所述获取模块,还用于获取来自第二用户端的指定问题发布指令,所述指定问题发布指令包含指定优化问题;搭建模块,用于根据与所述指定优化问题对应的理论最优解、指定优化变量、指定约束条件和指定目标函数搭建指定优化模型;调试模块,用于对所述指定优化模型进行调试,获得调试后的指定优化模型;发布模块,用于根据所述调试后的指定优化模型对所述指定优化问题进行发布,供第一用户端进行指定优化算法的性能测试。
在一可实施方式中,所述获取模块,还用于获取来自第三用户端的指定算法发布指令,所述指定算法发布指令包含指定优化算法;所述调试模块,还用于对所述指定优化算法进行打包调试,获得调试后的指定优化算法;所述发布模块,还用于对所述调试后的指定优化算法进行发布,供第一用户端进行指定优化算法的性能测试。
在一可实施方式中,所述排序模块,还用于根据指定评价维度对所述指定测试结果和所述历史测试结果进行分析,确定与每一个测试结果对应的评价分值;对所述评价分值进行排序,确定优化算法排名表;根据所述优化算法排名表和指定测试结果生成优化算法性能测试报告。
在一可实施方式中,所述测试模块,还用于确定所述第一用户端对应的计算资源;基于所述指定优化模型和所述计算资源对所述指定优化算法进行性能测试,获得实际测试解;基于所述配置算法参数对所述实际测试解进行分析,确定指定测试结果。
在一可实施方式中,所述测试模块,还用于根据所述配置算法参数对所述实际测试解和所述理论最优解进行比较,确定指定测试结果。
在一可实施方式中,所述云平台还包括:确定模块,用于根据所述指定优化模型、所述计算资源、所述指定优化算法和所述配置算法参数确定计算任务总数量;所述确定模块,还用于实时确定性能测试过程中的当前任务数量;显示模块,用于根据所述当前任务数量和所述计算任务总数量确定当前进度,对所述当前进度进行实时显示。
根据本申请实施例的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请所述的方法。
根据本申请实施例的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请所述的方法。
本申请的一种用于优化算法的性能测试方法、平台、设备及存储介质,通过云平台,利用标准化的指定优化问题对各种不同的指定优化算法进行性能测试,从而能够对优化算法进行统一的性能评价,并利用云平台具有多人参与环境的特点,对不同的优化算法进行性能的对比排序,快速了解不同算法的优劣。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本申请实施例一种用于优化算法的性能测试方法的实现流程示意图;
图2示出了本申请第一实施例一种用于优化算法的性能测试方法的平台模块示意图;
图3示出了本申请第二实施例一种用于优化算法的性能测试平台的实现模块示意图;
图4示出了本申请实施例一种电子设备的整体结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示出了本申请实施例一种用于优化算法的性能测试方法的实现流程示意图。
根据本申请实施例的第一方面,提供了一种用于优化算法的性能测试方法,方法应用于性能测试云平台,方法包括:操作101,获取来自第一用户端的算法测试指令,算法测试指令包括指定优化问题、指定优化算法及配置算法参数;操作102,根据配置算法参数和指定优化问题对指定优化算法进行性能测试,确定与指定优化算法对应的指定测试结果;操作103,从数据库中调取与指定优化问题对应的历史测试结果;操作104,对指定测试结果和历史测试结果进行排序,确定优化算法排名表;操作105,将优化算法排名表和指定测试结果发送至第一用户端。
本申请提供的一种用于优化算法的性能测试方法,通过云平台对标准化的指定优化问题对各种不同的指定优化算法进行性能测试,从而能够对优化算法进行统一的性能评价,并利用云平台具有多人参与环境的特点,对不同的优化算法进行性能的对比排序,快速了解不同算法的优劣。
具体的,在本方法操作101中,第一用户端用于进行优化算法性能测试,第一用户端的用户可以为与平台进行通信连接的、由用户或工作人员操作的客户端或服务端。用户可以通过网页登录云平台,用户可以是个人用户、企业用户、组织用户、团队用户的任一种。可以理解的是,用户在登录云平台之前,需要先进行注册操作,完成注册操作之后,用户登录云平台,云平台向用户提供方便用户操作的用户中心模块,用户中心模块可以以用户中心界面的方式显示在用户操作的客户端上,从而使用户可以通过在用户中心界面进行操作以实现对指定优化算法的性能测试,相较于传统方法,用户无需自己编程进行测试,降低了用户对指定优化算法进行性能测试的门槛要求,相较于用户自己设计编程代码,用户中心界面对用户更具友好性。用户可以在用户中心界面进行指定优化算法发布、指定优化问题发布、指定优化算法的性能测试等操作。用户可以在界面上对优化算法、优化问题和配置算法参数进行指定,从而发送算法测试指令至云平台。
在用户确定指定优化问题的过程中,云平台可以向用户提供已经设置好的优化问题,以方便用户进行选择,用户也可以通过输入框输入由用户自定义的指定优化问题。当用户通过输入框输入自定义的指定优化问题的情况下,本方法可以利用自然语言处理对用户输入的指定优化问题进行分析,以确定对应的指定优化模型。
在操作102中,云平台利用指定优化模型对指定优化算法进行测试,获得针对指定优化算法的实际测试解,并通过配置算法参数对实际测试解进行评价,从而获得指定测试结果。可以理解的是,用户设置的配置算法参数的评价维度越多,指定测试结果的评价内容越具有全面性,用户设置的配置算法参数越少,指定测试结果的评价内容越具有针对性。指定测试结果可以以多维图表、多维分值等其他方式进行表征。配置算法参数用于表征不同维度的测试评价参数,例如,重复优化的次数、优化变量的上下限等,以使平台能够根据配置算法参数对指定优化算法进行评价,以获得多维度的指定测试结果,使指定测试结果更加客观。测试结果包括但不限于,评价指标表和误差统计表。
在操作103至操作105中,云平台基于云环境的特点,云平台在每次性能测试后将该次的优化算法、优化问题和测试结果进行存储。基于此,云平台可以调取针对指定优化问题的历史测试结果,然后将指定测试结果和历史测试结果进行横向对比,从而实现指定优化算法与其他优化算法的横向对比,有利于对不同的优化算法进行性能的对比排序,云平台将优化算法排名表和指定测试结果发送至第一用户端,以供用户进行参考,快速了解不同算法的优劣。
在另一种实施场景中,本方法用户还可以通过用户id选择目标用户对应的优化算法的测试结果与指定测试结果进行横向对比,从而使优化算法对比更具有针对性。
在一可实施方式中,在操作101,获取来自第一用户端的算法测试指令之前,方法还包括:首先,获取来自第二用户端的指定问题发布指令,指定问题发布指令包含指定优化问题;然后,根据与指定优化问题对应的理论最优解、指定优化变量、指定约束条件和指定目标函数搭建指定优化模型;之后,对指定优化模型进行调试,获得调试后的指定优化模型;再后,根据调试后的指定优化模型对指定优化问题进行发布,供第一用户端进行指定优化算法的性能测试。
第二用户端用于创建和发布优化问题。第二用户端可以是与第一用户端相同或不同的用户端。第二用户端的用户登录云平台后,可以在界面上预设各类优化问题,并根据优化问题设置对应的优化问题的优化变量、约束条件和目标函数以及理论优化解,从而搭建获得与优化问题对应的优化问题模型。
云平台对优化问题进行调试,具体包括针对优化问题提交计算的调试、针对优化问题计算作业监控的调试,以及针对优化问题计算结果后处理的调试。在满足调试要求后,云平台调试完成的优化问题进行发布,供优化算法性能测试使用。
在一可实施方式中,在获取来自第一用户端的算法测试指令之前,方法还包括:首先,获取来自第三用户端的指定算法发布指令,指定算法发布指令包含指定优化算法;然后,对指定优化算法进行打包调试,获得调试后的指定优化算法;再后,对调试后的指定优化算法进行发布,供第一用户端进行指定优化算法的性能测试。
第三用户端用于上传和发布优化算法。第三用户端、第一用户端和第二用户端的表述是为了方便理解在表述上进行的区分,三者可以是相同用户端或不同用户端。
第三用户端的用户登录云平台后,可以在界面上上传自编的优化算法,云平台可以提供统一的自编算法发布接口,用户可以通过接口将自编算法,即指定优化算法上传至云平台。平台通过接口获取指定优化算法之后,对指定优化算法进行在线打包,获得打包好的算法,然后对打包好的算法进行调试,以检验具有算法的基础性能,即检验算法的可用性。例如,通过指定优化算法对预设的某一通用问题进行处理,根据处理结果确定指定优化算法是否具有可用性。在满足调试要求后,平台将满足调试要求的指定优化算法进行发布,以供后续指定优化算法虚拟测试使用。平台还可以将指定优化算法进行存储,以方便用户对指定优化算法进行特定操作,特定操作包括但不限于新建、删除、编辑、分享、标签、查询等。
在一可实施方式中,操作104,对指定测试结果和历史测试结果进行排序,确定优化算法排名表,包括:首先,根据指定评价维度对指定测试结果和历史测试结果进行分析,确定与每一个测试结果对应的评价分值;然后,对评价分值进行排序,确定优化算法排名表;之后,根据优化算法排名表和指定测试结果生成优化算法性能测试报告。
本方法中,指定评价维度可以和配置算法参数相同或不同,可以理解的是,算法配置参数是用于对指定优化算法进行性能评估的参数。指定评价维度是用于对需要进行排名的所有优化算法进行性能评估的参数。
在一可实施方式中,操作102,根据配置算法参数和指定优化问题对指定优化算法进行性能测试,确定与指定优化算法对应的指定测试结果,包括:首先,确定第一用户端对应的计算资源;然后,基于指定优化模型和计算资源对指定优化算法进行性能测试,获得实际测试解;再后,基于配置算法参数对实际测试解进行分析,确定指定测试结果。
本申请提供的云平台可设置于云服务器上,本申请可以利用云环境根据用户的实际需求向用户分配计算资源。具体的,平台可以设置计算资源管理模块和分布式调度模块。通过计算资源管理模块,管理计算所需工作站计算资源,能够对计算资源进行分组管理,例如将计算资源分组为公有资源、私有资源两种。其中公有资源还可以进一步细分为云服务环境公有资源、企业公有资源、组织公有资源、团队租户公有资源等,私有资源还可以进一步细分为个人租户私有资源、企业私有资源、组织私有资源、团队租户中用户成员私有资源和自定义团队成员私有资源等。分布式调度模块,用于性能测试时,分布式调度模块负责接收任务并将其调度至计算资源中执行,在计算任务执行过程中实时获取工作站的计算状态信息并回传至用户层,能够调度的计算资源包含云服务器、超算中心、高性能集群、本地工作站等,作为优化算法性能评估的算力。
本方法云平台可以根据用户对应的用户ID或者用户指令向用户分配不同的计算资源量,以基于指定优化模型和计算资源对指定优化算法进行优化,确定指定优化算法对应的实际测试解和指定测试结果。
在一可实施方式中,基于配置算法参数对实际测试解进行分析,确定指定测试结果,包括:根据配置算法参数对实际测试解和理论最优解进行比较,确定指定测试结果。
具体的,云平台可以根据配置算法参数对理论最优解进行性能评估,确定理论评估参数,然后通过与实际测试解对应的实际评估参数和理论评估参数进行对比,从而可以确定指定测试结果。
需要补充的是,当第二用户端和第三用户端非同一用户端,且第二用户端与第一用户端非同一用户端的情况下,由于用户无法根据指定优化问题对指定优化算法进行修改,如,由于用户无法确定指定优化模型对应的理论最优解,因此用户无法直接将理论最优解写入指定优化算法,从而使云平台针对指定优化算法的性能测试结果更具客观性和公正性。指定测试结果可以通过对比较结果进行设定的分值转换以后,以分值形式展示给用户,从而方便用户间对算法性能的横向比较,且可以避免用户根据实际测试解和指定测试结果倒推出理论最优解,进一步保证了本方法提供测试方法的公平性和规范性。指定优化问题对应的指定优化模型还可以由云平台设计定义,保证了性能测试过程的规范化。
在一可实施方式中,在确定第一用户端对应的计算资源之后,方法还包括:首先,根据指定优化模型、计算资源、指定优化算法和配置算法参数确定计算任务总数量;然后,实时确定性能测试过程中的当前任务数量;再后,根据当前任务数量和计算任务总数量确定当前进度,对当前进度进行实时显示。
为了方便用户了解性能测试的进度,平台分配计算资源之后,根据指定优化模型、指定优化算法和配置算法参数确定计算任务总数量。通过计算资源可和计算任务总数量可以确定计算速度和总耗时,从而方便用户根据计算速度和总耗时安排其他任务,及时预测性能测试的完成时间,同时,本方法还可以根据当前任务数量和计算任务总数量确定当前进度,对当前进度进行实时显示。
为方便上述实施方式的进一步理解,以下提供一种具体应用场景进行说明。
图2示出了本申请第一实施例一种用于优化算法的性能测试方法的平台模块示意图。
参见图2,在该场景中,在服务器上设置有性能测试平台,性能测试平台包括:基础模块201和性能评估模块202;
基础模块201包括注册登录子模块2011和用户中心子模块2012;
注册登录子模块2011,用于向用户提供注册登录界面,供用户提供注册登录界面进行账号注册,并通过注册获得的账号登录平台;
用户中心子模块2012,用于向用户提供用户中心界面,登录的用户在用户中心界面进行账号管理、权限管理、组织机构管理、操作日志查看等操作;
性能评估模块202包括优化算法子模块2021、优化问题子模块2022、测试用例子模块2023、分布式计算引擎2024和算法评分与排名子模块2025。
优化算法子模块2021,用于向用户提供优化算法的管理界面,用户通过优化算法的管理界面进行自编优化算法的上传,优化算法子模块对用户上传的自编优化算法进行打包、调试后进行发布、存储,以方便用户通过优化算法的管理界面对自编优化算法进行新建、删除、编辑、分享、标签、查询等操作。
优化问题子模块2022,用于向用户提供优化问题的管理界面,用户通过优化问题的管理界面设置优化问题,优化问题子模块对用户设置的优化问题进行定义,从而定义优化问题模型、优化变量、约束条件和目标函数,获得优化问题组件,并对优化问题组件进行调试,以保证优化问题组件的可用性。
测试用例子模块2023,用于向用户提供测试评估界面,用户在测试评估界面选定自编优化算法和对应的优化问题组件,并输入用于导向评估自编优化算法的测试评估参数;测试用例子模块对用户选定自编优化算法和对应的优化问题组件进行装配,从而新建获得用于评估自编优化算法的性能评估模型,以对自编优化算法进行测试,从而获得实际测试解,并根据测试评估参数对实际测试解进行评估,以获得算法测分值。
分布式计算引擎2024,用于对计算资源进行管理和分布式调度,以保证性能评估任务的正常运行。
算法评分与排名子模块2025,用于向用户提供算法评分与排名界面,用户通过算法评分界面的显示可以得知自编优化算法的算法测试分值。平台根据算法测试分值,针对相同优化问题对应的优化算法进行排序,从而有利于用户横向比较自编优化算法的优化效果。
图3示出了本申请第二实施例一种用于优化算法的性能测试平台的实现模块示意图。
参见图3,根据本申请实施例的第二方面,提供了一种用于优化算法的性能测试云平台,云平台包括:获取模块301,用于获取来自第一用户端的算法测试指令,算法测试指令包括指定优化问题、指定优化算法及配置算法参数;测试模块302,用于根据配置算法参数和指定优化问题对指定优化算法进行性能测试,确定与指定优化算法对应的指定测试结果;调取模块303,用于从数据库中调取与指定优化问题对应的历史测试结果;排序模块304,用于对指定测试结果和历史测试结果进行排序,确定优化算法排名表;发送模块305,用于将优化算法排名表和指定测试结果发送至第一用户端。
在一可实施方式中,获取模块301,还用于获取来自第二用户端的指定问题发布指令,指定问题发布指令包含指定优化问题;搭建模块306,用于根据与指定优化问题对应的理论最优解、指定优化变量、指定约束条件和指定目标函数搭建指定优化模型;调试模块307,用于对指定优化模型进行调试,获得调试后的指定优化模型;发布模块308,用于根据调试后的指定优化模型对指定优化问题进行发布,供第一用户端进行指定优化算法的性能测试。
在一可实施方式中,获取模块301,还用于获取来自第三用户端的指定算法发布指令,指定算法发布指令包含指定优化算法;调试模块307,还用于对指定优化算法进行打包调试,获得调试后的指定优化算法;发布模块308,还用于对调试后的指定优化算法进行发布,供第一用户端进行指定优化算法的性能测试。
在一可实施方式中,排序模块304,还用于根据指定评价维度对指定测试结果和历史测试结果进行分析,确定与每一个测试结果对应的评价分值;对评价分值进行排序,确定优化算法排名表;根据优化算法排名表和指定测试结果生成优化算法性能测试报告。
在一可实施方式中,测试模块302,还用于确定第一用户端对应的计算资源;基于指定优化模型和计算资源对指定优化算法进行性能测试,获得实际测试解;基于配置算法参数对实际测试解进行分析,确定指定测试结果。
在一可实施方式中,测试模块302,还用于根据配置算法参数对实际测试解和理论最优解进行比较,确定指定测试结果。
在一可实施方式中,云平台还包括:确定模块309,用于根据指定优化模型、计算资源、指定优化算法和配置算法参数确定计算任务总数量;确定模块309,还用于实时确定性能测试过程中的当前任务数量;显示模块310,用于根据当前任务数量和计算任务总数量确定当前进度,对当前进度进行实时显示。
根据本申请实施例的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请的方法。
根据本申请实施例的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本申请的方法。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图4示出了可以用来实施本申请的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如一种用于优化算法的性能测试方法。例如,在一些实施例中,一种用于优化算法的性能测试方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的一种用于优化算法的性能测试方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种用于优化算法的性能测试方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与指定用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向指定用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),指定用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与指定用户的交互;例如,提供给指定用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自指定用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形指定用户界面或者网络浏览器的指定用户计算机,指定用户可以通过该图形指定用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种用于优化算法的性能测试方法,其特征在于,所述方法应用于性能测试云平台,所述方法包括:
获取来自第一用户端的算法测试指令,所述算法测试指令包括指定优化问题、指定优化算法及配置算法参数;
根据所述配置算法参数和所述指定优化问题对所述指定优化算法进行性能测试,确定与所述指定优化算法对应的指定测试结果;
从数据库中调取与所述指定优化问题对应的历史测试结果;
对所述指定测试结果和所述历史测试结果进行排序,确定优化算法排名表;
将所述优化算法排名表和所述指定测试结果发送至第一用户端。
2.根据权利要求1所述的方法,其特征在于,在所述获取来自第一用户端的算法测试指令之前,所述方法还包括:
获取来自第二用户端的指定问题发布指令,所述指定问题发布指令包含指定优化问题;
根据与所述指定优化问题对应的理论最优解、指定优化变量、指定约束条件和指定目标函数搭建指定优化模型;
对所述指定优化模型进行调试,获得调试后的指定优化模型;
根据所述调试后的指定优化模型对所述指定优化问题进行发布,供第一用户端进行指定优化算法的性能测试。
3.根据权利要求1所述的方法,其特征在于,在所述获取来自第一用户端的算法测试指令之前,所述方法还包括:
获取来自第三用户端的指定算法发布指令,所述指定算法发布指令包含指定优化算法;
对所述指定优化算法进行打包调试,获得调试后的指定优化算法;
对所述调试后的指定优化算法进行发布,供第一用户端进行指定优化算法的性能测试。
4.根据权利要求1所述的方法,其特征在于,所述对所述指定测试结果和所述历史测试结果进行排序,确定优化算法排名表,包括:
根据指定评价维度对所述指定测试结果和所述历史测试结果进行分析,确定与每一个测试结果对应的评价分值;
对所述评价分值进行排序,确定优化算法排名表;
根据所述优化算法排名表和指定测试结果生成优化算法性能测试报告。
5.根据权利要求2所述的方法,其特征在于,根据所述配置算法参数和所述指定优化问题对所述指定优化算法进行性能测试,确定与所述指定优化算法对应的指定测试结果,包括:
确定所述第一用户端对应的计算资源;
基于所述指定优化模型和所述计算资源对所述指定优化算法进行性能测试,获得实际测试解;
基于所述配置算法参数对所述实际测试解进行分析,确定指定测试结果。
6.根据权利要求5所述的方法,其特征在于,所述基于所述配置算法参数对所述实际测试解进行分析,确定指定测试结果,包括:
根据所述配置算法参数对所述实际测试解和所述理论最优解进行比较,确定指定测试结果。
7.根据权利要求5所述的方法,其特征在于,在确定所述第一用户端对应的计算资源之后,所述方法还包括:
根据所述指定优化模型、所述计算资源、所述指定优化算法和所述配置算法参数确定计算任务总数量;
实时确定性能测试过程中的当前任务数量;
根据所述当前任务数量和所述计算任务总数量确定当前进度,对所述当前进度进行实时显示。
8.一种用于优化算法的性能测试云平台,其特征在于,所述云平台包括:
获取模块,用于获取来自第一用户端的算法测试指令,所述算法测试指令包括指定优化问题、指定优化算法及配置算法参数;
测试模块,用于根据所述配置算法参数和所述指定优化问题对所述指定优化算法进行性能测试,确定与所述指定优化算法对应的指定测试结果;
调取模块,用于从数据库中调取与所述指定优化问题对应的历史测试结果;
排序模块,用于对所述指定测试结果和所述历史测试结果进行排序,确定优化算法排名表;
发送模块,用于将所述优化算法排名表和所述指定测试结果发送至第一用户端。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1~7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210918790.6A CN114968828B (zh) | 2022-08-02 | 2022-08-02 | 用于优化算法的性能测试方法、平台、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210918790.6A CN114968828B (zh) | 2022-08-02 | 2022-08-02 | 用于优化算法的性能测试方法、平台、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114968828A true CN114968828A (zh) | 2022-08-30 |
CN114968828B CN114968828B (zh) | 2022-11-04 |
Family
ID=82969397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210918790.6A Active CN114968828B (zh) | 2022-08-02 | 2022-08-02 | 用于优化算法的性能测试方法、平台、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114968828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115827495A (zh) * | 2023-02-03 | 2023-03-21 | 树优(宁波)科技有限公司 | 拓扑优化算法的性能评估方法、相关设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184746A (zh) * | 2010-12-31 | 2011-09-14 | 中国传媒大学 | 一种基于粒子群算法优化参数的存储性能测试系统及方法 |
US20140122028A1 (en) * | 2012-10-28 | 2014-05-01 | The Mathworks, Inc | Self-testing graphical component algorithm specification |
US20140122026A1 (en) * | 2012-10-28 | 2014-05-01 | The Mathworks, Inc. | Self-testing Graphical Component Algorithm Specification |
CN104063313A (zh) * | 2014-04-15 | 2014-09-24 | 深圳英飞拓科技股份有限公司 | 一种智能分析算法的测试系统及方法 |
CN106682448A (zh) * | 2017-02-24 | 2017-05-17 | 电子科技大学 | 基于多目标遗传规划算法的序贯测试优化方法 |
EP3422262A1 (en) * | 2017-06-30 | 2019-01-02 | Royal Holloway And Bedford New College | Method of monitoring the performance of a machine learning algorithm |
CN109343912A (zh) * | 2018-09-30 | 2019-02-15 | 深圳大学 | 在线竞赛方法、装置及服务器 |
CN110347603A (zh) * | 2019-07-12 | 2019-10-18 | 北京精密机电控制设备研究所 | 一种人工智能的自动化软件测试系统及方法 |
CN110879776A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东尚科信息技术有限公司 | 一种测试用例的生成方法和装置 |
CN111144493A (zh) * | 2019-12-27 | 2020-05-12 | 重庆紫光华山智安科技有限公司 | 一种自动识别算法指标测试的方法、存储介质及电子终端 |
US10706188B1 (en) * | 2015-11-12 | 2020-07-07 | Educational Testing Service | Parallel computing for data analysis using generalized latent variable models |
US20220035878A1 (en) * | 2021-10-19 | 2022-02-03 | Intel Corporation | Framework for optimization of machine learning architectures |
CN114579430A (zh) * | 2022-01-26 | 2022-06-03 | 中国人民解放军陆军工程大学 | 一种基于预训练语言模型的测试用例推荐系统及方法 |
-
2022
- 2022-08-02 CN CN202210918790.6A patent/CN114968828B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184746A (zh) * | 2010-12-31 | 2011-09-14 | 中国传媒大学 | 一种基于粒子群算法优化参数的存储性能测试系统及方法 |
US20140122028A1 (en) * | 2012-10-28 | 2014-05-01 | The Mathworks, Inc | Self-testing graphical component algorithm specification |
US20140122026A1 (en) * | 2012-10-28 | 2014-05-01 | The Mathworks, Inc. | Self-testing Graphical Component Algorithm Specification |
CN104063313A (zh) * | 2014-04-15 | 2014-09-24 | 深圳英飞拓科技股份有限公司 | 一种智能分析算法的测试系统及方法 |
US10706188B1 (en) * | 2015-11-12 | 2020-07-07 | Educational Testing Service | Parallel computing for data analysis using generalized latent variable models |
CN106682448A (zh) * | 2017-02-24 | 2017-05-17 | 电子科技大学 | 基于多目标遗传规划算法的序贯测试优化方法 |
EP3422262A1 (en) * | 2017-06-30 | 2019-01-02 | Royal Holloway And Bedford New College | Method of monitoring the performance of a machine learning algorithm |
CN110879776A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东尚科信息技术有限公司 | 一种测试用例的生成方法和装置 |
CN109343912A (zh) * | 2018-09-30 | 2019-02-15 | 深圳大学 | 在线竞赛方法、装置及服务器 |
CN110347603A (zh) * | 2019-07-12 | 2019-10-18 | 北京精密机电控制设备研究所 | 一种人工智能的自动化软件测试系统及方法 |
CN111144493A (zh) * | 2019-12-27 | 2020-05-12 | 重庆紫光华山智安科技有限公司 | 一种自动识别算法指标测试的方法、存储介质及电子终端 |
US20220035878A1 (en) * | 2021-10-19 | 2022-02-03 | Intel Corporation | Framework for optimization of machine learning architectures |
CN114579430A (zh) * | 2022-01-26 | 2022-06-03 | 中国人民解放军陆军工程大学 | 一种基于预训练语言模型的测试用例推荐系统及方法 |
Non-Patent Citations (2)
Title |
---|
CHAO WANG ET AL.: "《Research on Performance Test of Chinese Character APP Software Based on OL-ADE Algorithm》", 《2021 5TH ASIAN CONFERENCE ON ARTIFICIAL INTELLIGENCE TECHNOLOGY (ACAIT)》 * |
马苗等: "图像分割背景下群体智能优化算法的性能对比", 《云南大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115827495A (zh) * | 2023-02-03 | 2023-03-21 | 树优(宁波)科技有限公司 | 拓扑优化算法的性能评估方法、相关设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114968828B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10607144B2 (en) | Systems and methods for modeling machine learning and data analytics | |
US10116534B2 (en) | Systems and methods for WebSphere MQ performance metrics analysis | |
CN109165168A (zh) | 一种压力测试方法、装置、设备及介质 | |
CN111045932B (zh) | 业务系统仿真处理方法、装置、电子设备及存储介质 | |
CN114564374A (zh) | 算子性能评估方法、装置、电子设备及存储介质 | |
CN114968828B (zh) | 用于优化算法的性能测试方法、平台、设备及存储介质 | |
CN105808588B (zh) | 基于众包模型的分布式定向垂直信息搜索系统和方法 | |
CN114861039B (zh) | 一种搜索引擎的参数配置方法、装置、设备及存储介质 | |
CN115392501A (zh) | 数据采集方法、装置、电子设备及存储介质 | |
CN111798083A (zh) | 一种生产调度监控系统、方法及存储介质 | |
CN113127356A (zh) | 压测方法、装置、电子设备及存储介质 | |
CN116757650A (zh) | 一种基于机器学习的项目管理及资源调度的方法 | |
CN113377488A (zh) | 一种资源迁移的方法、系统及设备 | |
CN114415691B (zh) | 一种机器人调度方法、调度平台及系统 | |
CN116431498A (zh) | 性能测试方法及装置、电子设备和计算机可读存储介质 | |
CN115017047A (zh) | 基于b/s架构的测试方法、系统、设备及介质 | |
CN115269431A (zh) | 一种接口测试方法、装置、电子设备及存储介质 | |
CN115168358A (zh) | 数据库访问方法、装置、电子设备及存储介质 | |
CN114862223A (zh) | 一种机器人调度方法、装置、设备及存储介质 | |
CN114510405A (zh) | 指标数据评估方法、装置、设备、存储介质及程序产品 | |
CN114727309A (zh) | 网络优化方法及设备 | |
CN113032209A (zh) | 运行监控方法、装置、服务器及介质 | |
Shojaee et al. | Cloud-based load testing method for web services with VMs management | |
CN117057452B (zh) | 一种局限条件下的工单调度优化方法及系统 | |
WO2024065776A1 (en) | Method for data processing, apparatus for data processing, electronic device, and storage medium |
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 |