CN115796405B - 针对优化模型的求解报告生成方法及计算设备 - Google Patents

Abstract

本说明书实施例提供针对优化模型的求解报告生成方法及计算设备，其中所述针对优化模型的求解报告生成方法包括：获取目标优化模型，对目标优化模型进行求解，获得求解结果，根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本。在对目标优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

Description

针对优化模型的求解报告生成方法及计算设备

技术领域

本说明书实施例涉及优化模型技术领域，特别涉及一种针对优化模型的求解报告生成方法。

背景技术

随着计算机技术的发展，利用计算机技术的高算力，对优化问题进行建模并求解，得到求解结果，在各领域都有广泛应用，例如，资源优化、电子商务、供应链、云计算、化工、教育科研等。

目前，各领域广泛要求在对建模得到的优化模型进行求解并得到求解结果后，需要撰写求解报告进行后续的分析处理，然而，目标优化模型是一种复杂且抽象的数学模型，求解结果是一种孤立且抽象的模型求解结果，两者的可读性不足，如果直接记录在求解报告中，求解报告的可读性不足，因此，亟需一种可生成高可读性的求解报告的针对优化模型的求解报告生成方法。

发明内容

有鉴于此，本说明书实施例提供了一种针对优化模型的求解报告生成方法。本说明书一个或者多个实施例同时涉及一种针对资源优化模型的求解报告生成方法，一种针对电力优化模型的求解报告生成方法，一种针对优化模型的数据处理方法，一种针对优化模型的求解报告生成装置，一种针对资源优化模型的求解报告生成装置，一种针对电力优化模型的求解报告生成装置，一种针对优化模型的数据处理装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。

本说明书实施例提供了一种针对优化模型的求解报告生成方法，包括：获取目标优化模型；对目标优化模型进行求解，获得求解结果；根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本。

本说明书一个或多个实施例中，获取目标优化模型，对目标优化模型进行求解，获得求解结果，根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本。在对目标优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

附图说明

图1是本说明书一个实施例提供的一种针对优化模型的求解报告生成方法的流程图；

图2是本说明书一个实施例提供的另一种针对优化模型的求解报告生成方法的流程图；

图3是本说明书一个实施例提供的一种针对资源优化模型的求解报告生成方法的流程图；

图4是本说明书一个实施例提供的一种针对电力优化模型的求解报告生成方法的流程图；

图5是本说明书一个实施例提供的一种针对优化模型的数据处理方法的流程图；

图6是本说明书一个实施例提供的一种应用于工厂生产的针对优化模型的求解报告生成方法的处理过程流程图；

图7是本说明书一个实施例提供的一种针对优化模型的求解报告生成方法的流程示意图；

图8是本说明书一个实施例提供的一种针对优化模型的求解报告生成装置的结构示意图；

图9是本说明书一个实施例提供的另一种针对优化模型的求解报告生成装置的结构示意图；

图10是本说明书一个实施例提供的一种针对资源优化模型的求解报告生成装置的结构示意图；

图11是本说明书一个实施例提供的一种针对电力优化模型的求解报告生成装置的结构示意图；

图12是本说明书一个实施例提供的一种针对优化模型的数据处理装置的结构示意图；

图13是本说明书一个实施例提供的一种计算设备的结构框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。

在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

首先，对本说明书一个或多个实施例涉及的名词术语进行解释。

代数建模语言（AML，Adaptive Modelling Language）：将复杂的数学模型通过代数表达形式的语义进行建模，从而避免使用API，使得用户可以更专注在代数模型本身。代数建模语言往往并不对优化问题直接进行求解，而是通过调用各个求解模块，使得用户在开发优化模型时，只需要输入优化问题的问题架构和参数，而后便能调用求解模块进行求解和进一步分析，从而降低开发门槛，加快开发流程。

优化求解模块：求解优化问题的模型解析模块。

建模平台：集成代数建模语言、优化求解模块，以及IDE（IntegratedDevelopmentEnvironment，集成开发环境）的整套解决方案，可以为云上平台。一套完整的建模平台一般包含底层的代数建模语言SDK（SoftwareDevelopment Kit，软件开发工具包）、模型解析模块SDK和上层的用户界面IDE。

求解报告生成器：通过动态获取求解的过程中涉及的关键信息，并记录在描述文本中，并根据描述文本和关键信息，生成符合目标格式的求解报告。另外，求解报告生成器可以对算法内容进行函数转换。

LSTM（Long Short-Term Memory，长短期记忆）网络：一种特殊的循环神经网络模型。LSTM网络可以有正向LSTM网络，可以有反向LSTM网络，也可以有BiLSTM网络，可以分别提取正向的特征信息、反向的特征信息、正反双向的特征信息，生成对应的目标文本。

Transformer（翻译）网络：一种基于注意力机制的神经网络模型，通过注意力机制提取、分析数据的特征，可以用于对文本数据，也可以用于图像数据。

BERT（Bidirectional Encoder Representation from Transformers）网络：一种双向注意力神经网络模型。

GAN（Generative Adversarial Network，生成对抗网络）常用深度学习网络之一，包含一个生成子网络（Generator）和一个判别子网络（Discriminator），通过对生成子网络和判别子网络的轮流训练，得到高准确度的生成子网络来生成文本。

本说明书中，提供了一种针对优化模型的求解报告生成方法。本说明书一个或者多个实施例同时涉及一种针对资源优化模型的求解报告生成方法，一种针对电力优化模型的求解报告生成方法，一种针对优化模型的数据处理方法，一种针对优化模型的求解报告生成装置，一种针对资源优化模型的求解报告生成装置，一种针对电力优化模型的求解报告生成装置，一种针对优化模型的数据处理装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，在下面的实施例中逐一进行详细说明。

图1示出了本说明书一个实施例提供的一种针对优化模型的求解报告生成方法的流程图，包括如下具体步骤：

步骤102：获取目标优化模型。

本说明书实施例应用于具有数学模型求解和求解报告生成功能的应用的客户端和服务器。

目标优化模型为针对优化问题进行代数建模得到的数学模型。代数建模具体是通过代码建模语言实现的。优化问题为需要进行优化求解的抽象问题，具体应用于资源优化、电子商务、供应链、云计算、化工、教育科研等各领域。例如，优化问题为商品进货量优化问题，通过考虑仓储成本、进货成本、仓储时间等多个因素，优化求解得到目标商品进货量，对该商品进货量优化问题进行代码编辑，得到对应的数学模型，即目标优化模型。

获取目标优化模型，具体方式为，获取预先通过代数建模得到的目标优化模型。进一步地，获取预先通过代数建模得到的目标优化模型，可以为获取模型数据库中存储的、预先通过代数建模得到的目标优化模型，也可以为直接针对优化问题，进行代数建模，得到目标优化模型，还可以为直接接收端侧设备发送的，在此不作限定。

示例性地，获取模型数据库Database_Models中存储的、预先通过代数建模得到的目标优化模型Model1。

获取目标优化模型，为后续进行求解，得到求解结果奠定了模型基础。

步骤104：对目标优化模型进行求解，获得求解结果。

求解结果为对目标优化模型进行求解得到的数学模型求解结果。包括但不限于求解的目标函数、求解的优选值和优选解。对目标优化模型进行求解，得到求解结果，具体方式为，利用优化求解模块，对目标优化模型进行求解，得到求解结果，其中，优化求解模块可以为建模平台上用于处理优化问题的模型解析模块SDK，也可以独立的优化求解模块，在此不作限定。

示例性地，利用优化求解模块Opt，对目标优化模型Model1进行求解，得到求解结果OptResult。

对目标优化模型进行求解，得到求解结果，为后续生成求解报告奠定了数据基础。

步骤106：根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本。

求解报告为符合目标格式的求解内容文档，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本，除此之外，求解报告还可以包含图表类型的求解结果或者关键信息等。其中，目标格式包括但不限于PDF格式、Doc格式、txt格式、MarkDown格式、LaTeX格式、PPT格式或者其他富文本格式。分析文档只包含描述摘要文本，也可以在包含描述摘要文本的基础上、包含其他类型分析内容。描述文本为对目标优化模型和求解结果进行自然语言转换后得到的描述文本，描述文本可以为全正文的文本格式，也可以为摘要与正文文本相结合的文本格式，还可以为摘要、目录索引与正文文本相结合的文本格式，在此不作限定。对于摘要内容，可以对目标优化模型和部分求解结果进行摘要描述，也可以对目标优化模型和全部求解结果进行摘要描述。根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，具体方式为，对目标优化模型和求解结果进行自然语言转换，得到描述文本，根据描述文本，生成求解报告。进一步地，根据描述文本，生成求解报告，具体为基于预设的目标报告属性，对描述文本进行对应处理，获得求解报告。更进一步地，基于预设的目标报告属性，利用求解报告生成器对描述文本进行对应处理，获得求解报告。其中，目标报告属性为针对求解报告的报告内容、报告格式和报告样式中至少一项预设的属性。需要说明的是，基于报告内容，对描述文本进行内容筛选，基于报告格式，对描述文本进行格式转换，基于报告样式，对描述文本进行排版。

示例性地，对目标优化模型Model1和求解结果OptResult进行自然语言转换，得到描述文本DescriptTxt，基于预设的目标报告属性（目标报告内容：全部文本；目标报告格式：PDF；目标报告样式：宋体，五号），利用求解报告生成器对描述文本DescriptTxt进行对应处理，获得符合PDF格式的求解报告Report。

本说明书实施例中，获取目标优化模型，对目标优化模型进行求解，获得求解结果，根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本。在对目标优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

可选地，该方法还包括如下具体步骤：获得对目标优化模型进行求解的过程中涉及的关键信息；

对应地，步骤106包括如下具体步骤：根据目标优化模型、求解结果和关键信息，生成目标优化模型对应的求解报告。

关键信息为对目标优化模型进行求解的过程中涉及的求解信息，包括求解中间结果、求解约束信息、可求解性判断信息、模型灵敏度信息和模型图表信息中至少一项。求解中间结果为对目标优化模型进行求解过程中，具有多个局部优选解，即为求解中间结果。求解约束信息为对目标优化模型进行求解过程中，需要满足的约束性条件信息。对目标优化模型进行求解过程中，确定该模型不可求解，即为可求解性判断信息。模型灵敏度信息为对目标优化模型的参数灵敏度进行分析后得到的信息，参数灵敏度表征了参数的不确定度，当参数不确定度较高时，对目标优化模型进行求解的求解结果不确定度较高。模型图表信息为对目标优化模型进行求解的过程中，对求解过程进行图表生成得到的信息。获得对目标优化模型进行求解的过程中涉及的关键信息，具体方式为，利用求解报告生成器获取对目标优化模型进行求解的过程中涉及的关键信息。根据目标优化模型、求解结果和关键信息，生成目标优化模型对应的求解报告，具体方式为，对目标优化模型和求解结果进行自然语言转换，得到描述文本，根据描述文本和关键信息，生成求解报告。进一步地，根据描述文本和关键信息，生成求解报告，具体为基于预设的目标报告属性，对描述文本进行对应处理，获得求解报告。更进一步地，基于预设的目标报告属性，利用求解报告生成器对描述文本和关键信息进行对应处理，获得求解报告。需要说明的是，基于报告内容，对描述文本和/或关键信息进行内容筛选，基于报告格式，对描述文本和/或关键信息进行格式转换，基于报告样式，对描述文本和/或关键信息进行排版。

示例性地，利用求解报告生成器，获取对目标优化模型Model1进行求解的过程中涉及的关键信息KeyInfo，对目标优化模型Model1和求解结果OptResult进行自然语言转换，得到描述文本DescriptTxt，基于预设的目标报告属性（目标报告内容：全部描述文本、求解中间结果、求解约束信息、可求解性判断信息、模型灵敏度信息；目标报告格式：PDF；目标报告样式：宋体，五号，描述文本在前，其他内容对应排布），利用求解报告生成器对描述文本DescriptTxt和关键信息KeyInfo进行对应处理，获得PDF格式的求解报告Report。

本说明书实施例中，得到了内容更丰富的求解报告，进一步增强了求解报告的可读性。

可选地，根据目标优化模型、求解结果和关键信息，生成目标优化模型对应的求解报告，包括如下具体步骤：提取求解结果中的求解对象名和求解值；对目标优化模型、求解对象名和求解值进行自然语言转换，生成描述文本；基于预设的目标报告属性，对描述文本和关键信息进行对应处理，获得目标优化模型对应的求解报告。

求解对象名为优化求解的变量对象名或者参数对象名，求解值为优化求解的目标变量值或者参数值。例如，目标优化模型为放射性衰减优化模型，可以用抽象函数表示为，其中，Y为t段时间后的目标物质质量，A为初始物质质量，γ为放射性衰减率，t为时间，其中，求解对象名为“目标物质质量”，对应求解值为Y，求解对象名为“初始物质质量”，对应求解值为A，求解对象名为“放射性衰减率”，对应求解值为γ，求解对象名为“时间”，对应求解值为t。目标报告属性为针对求解报告的预设属性，包括针对求解报告的目标报告内容、目标报告格式和目标报告样式中至少一项。提取求解结果中的求解明和求解值，具体方式为，利用预设提取算法，提取求解结果中的求解对象名和求解值，其中，预设提取算法可以为预先训练的深度学习网络，也可以为正则表达式算法，词频－逆向文本频率（TF-IDF，TermFrequency–InverseDocument Frequency）指标算法和N-Gram算法等关键词提取算法，在此不作限定。对目标优化模型、求解对象名和求解值进行自然语言转换，生成描述文本，具体方式为，利用预先训练的深度学习网络，对目标优化模型、求解对象名和求解值进行自然语言转换，生成描述文本。进一步地，根据目标优化模型、求解对象名和求解值，利用预先训练的深度学习网络生成求解对象名和求解值的上下文，获得描述文本。需要说明的是，生成的上下文为符合自然语言的语法规则，具有高可读性。深度学习网络具有文本生成功能，例如，LSTM网络，Transformer网络，BERT网络和GAN网络等，在此不作限定。例如，对放射性衰减优化模型、求解对象名（初始物质质量、目标物质质量、放射性衰减率、时间）和求解值（A，Y，γ，t）进行自然语言转换，生成描述文本：“针对放射性衰减优化问题，预设初始物质质量为A，单位时间的放射性衰减率为γ，经过t个时间后的目标物质质量为Y，目标物质质量和初始物质质量之间满足底数为（1-γ）的时间指数关系。”基于预设的目标报告属性，对描述文本和关键信息进行对应处理，获得目标优化模型对应的求解报告，具体方式为，基于预设的目标报告属性，利用求解报告生成器对描述文本和关键信息进行对应处理，获得求解报告。需要说明的是，基于报告内容，对描述文本和关键信息进行内容筛选，基于报告格式，对描述文本和关键信息进行格式转换，基于报告样式，对描述文本和关键信息进行排版。

示例性地，利用正则表达式提取算法，提取求解结果OptResult中的求解对象名Name和求解值Value，根据目标优化模型Model1、求解对象名Name和求解值Value1，利用预先训练的Transformer网络生成求解对象名Name和求解值Value的上下文，获得描述文本DescriptTxt，基于预设的目标报告属性（目标报告内容：全部描述文本、求解中间结果、求解约束信息、可求解性判断信息、模型灵敏度信息；目标报告格式：PDF；目标报告样式：宋体，五号，描述文本在前，其他内容对应排布），对描述文本DescriptTxt和关键信息KeyInfo进行对应处理，获得PDF格式的求解报告Report。

本说明书实施例中，通过提取求解对象名和求解值，结合目标优化模型，进行自然语言转换，得到描述文本，提升了描述文本的可读性，基于预设的目标报告属性，对描述文本和关键信息进行对应处理，获得目标优化模型对应的求解报告，提升了求解报告的可读性。

可选地，在基于预设的目标报告属性，对描述文本和关键信息进行对应处理，获得目标优化模型对应的求解报告之前，还包括如下具体步骤：接收用户发送的报告生成指令，其中，报告生成指令携带有目标报告属性，目标报告属性包括目标报告内容、目标报告格式和目标报告样式；

对应地，基于预设的目标报告属性，对描述文本和关键信息进行对应处理，获得目标优化模型对应的求解报告，包括如下具体步骤：根据目标报告内容，对描述文本和关键信息进行筛选；根据目标报告格式，对筛选后的描述文本和关键信息进行格式转换；根据目标报告样式，对格式转换后的描述文本和关键信息进行排版，获得目标优化模型对应的求解报告。

报告生成指令为根据用户在前端选择目标报告属性生成的指令。其中，用户可以通过在前端的交互界面进行目标报告属性选择生成报告生成指令，也可以通过在前端的交互界面输入目标报告属性来生成报告指令。根据目标报告内容，对描述文本和关键信息进行筛选，具体方式为，根据目标报告内容，利用求解报告生成器，对描述文本和关键信息进行筛选。根据目标报告格式，对筛选后的描述文本和关键信息进行格式转换，具体方式为，根据目标报告格式，利用求解报告生成器，对筛选后的描述文本和关键信息进行格式转换。根据目标报告样式，对格式转换后的描述文本和关键信息进行排版，获得目标优化模型对应的求解报告，具体方式为，根据目标报告样式，利用求解报告生成器，对格式转换后的描述文本和关键信息进行排版，获得目标优化模型对应的求解报告。需要说明的是，进行排版即对文本样式、图表样式进行设置，并对各内容进行位置排布。

示例性地，用户通过前端的交互界面选择目标报告属性：目标报告内容：全部描述文本、求解中间结果、求解约束信息、可求解性判断信息、模型灵敏度信息；目标报告格式：PDF；目标报告样式：宋体，五号，描述文本在前，其他内容对应排布。前端根据用户选择的目标报告属性生成报告生成指令，接收用户发送的报告生成指令Order1，根据目标报告内容，利用求解报告生成器，对描述文本DescriptTxt和关键信息KeyInfo进行筛选，根据目标报告格式，利用求解报告生成器，对筛选后的描述文本DescriptTxt和关键信息KeyInfo进行格式转换，根据目标报告样式，利用求解报告生成器，对格式转换后的描述文本DescriptTxt和关键信息KeyInfo进行排版，获得PDF格式的求解报告Report。

本说明书实施例中，根据报告生成指令携带的目标报告内容、目标报告格式和目标报告样式，依次对描述文本和关键信息进行筛选、格式转换和排版处理，获得求解报告，不仅增强了求解报告的可读性，而且使得得到的求解报告满足了用户需求，进一步提升了用户阅读体验。

可选地，在步骤106之后，还包括如下具体步骤：将求解报告发送给用户；接收用户针对求解报告的报告属性的修改指令，其中，求解报告的报告属性包括报告内容、报告格式和报告样式中至少一项；根据修改指令，对求解报告的报告属性进行对应修改，获得目标求解报告。

修改指令为根据用户在前端针对求解报告的报告属性进行修改操作，生成的指令。其中，用户可以通过在前端的交互界面针对求解报告的报告属性进行选择操作，进而生成修改指令，也可以通过在前端的交互界面输入求解报告的报告属性进行修改，进而生成修改指令。根据修改指令，对求解报告的报告属性进行对应修改，获得目标求解报告，具体方式为，根据修改指令，利用求解报告生成器对求解报告的报告属性进行对应修改，获得目标求解报告。

示例性地，将求解报告Report发送给用户，用户通过在前端的交互界面针对求解报告Report进行选择操作（报告内容：全部描述文本、求解中间结果、求解约束信息、可求解性判断信息；报告格式：DOC；报告样式：楷体，小四，描述文本在前，其他内容对应排布），进而生成修改指令Order2，接收修改指令Order2，根据修改指令Order2，对求解报告Report的报告内容、报告格式和报告样式进行对应修改，获得Doc格式的目标求解报告Report（1）。

本说明书实施例中，根据修改指令携带的报告内容、报告格式和报告样式中至少一项的报告属性，对求解报告的报告属性进行对应修改，获得目标求解报告，进一步增强了求解报告的可读性，而且使得得到的求解报告更能满足了用户需求，进一步提升了用户阅读体验。

可选地，该方法还包括如下具体步骤：获得对目标优化模型进行求解的过程中涉及的关键信息；

对应地，步骤106包括如下具体步骤：根据求解结果和/或关键信息，生成可视化图表；根据目标优化模型、求解结果、关键信息和可视化图表，生成目标优化模型对应的求解报告。

可视化图表为对求解结果和/或关键信息进行数据分析后得到的图表。例如，目标优化模型为店铺选址优化问题，求解结果包含全局优选解，关键信息包含局部优选解，对应生成的可视化图表为地图的全局优选解和局部优选解的店铺位置分布图。又例如，目标优化模型为某区域交通指示灯时长优化模型，求解结果包括优选解（红灯-40s，黄灯-3s，绿灯-30s，堵塞概率-2%），关键信息包括其他各解（红灯-Xs，黄灯-Ys，绿灯-Zs，堵塞概率-N%），对应生成的可视化图表为优选解和其他各解的柱状图。根据求解结果和/或关键信息，生成可视化图表，具体方式为，根据求解结果和/或关键信息，利用图表生成模块生成可视化图表，其中，图表生成模块可以为独立的图表生成模块，也可以为建模平台上用于生成可视化图表的图表生成SDK。根据目标优化模型、求解结果、关键信息和可视化图表，生成目标优化模型对应的求解报告，具体方式为，对目标优化模型和求解结果进行自然语言转换，得到描述文本，根据描述文本、关键信息和可视化图表，生成目标优化模型对应的求解报告。进一步地，根据描述文本、关键信息和可视化图表，利用求解报告生成器生成目标优化模型对应的求解报告。

示例性地，根据求解结果OptResult和关键信息KeyInfo，利用图表生成模块生成可视化图表Graphic，对目标优化模型Model1和求解结果OptResult进行自然语言转换，得到描述文本DescriptTxt，根据描述文本DescriptTxt、关键信息KeyInfo和可视化图表Graphic，利用求解报告生成器生成求解报告Report。

本说明书实施例中，丰富了求解报告的报告内容，进一步提升了求解报告的可读性，进一步提升了用户阅读体验。

可选地，在根据求解结果和/或关键信息，生成可视化图表之前，还包括如下具体步骤：接收用户发送的图表生成指令，其中，图表生成指令携带有目标图表内容；

对应地，根据求解结果和/或关键信息，生成可视化图表，包括如下具体步骤：根据目标图表内容，对求解结果和/或关键信息进行筛选；根据筛选后的求解结果和/或关键信息，生成可视化图表。

图表生成指令为根据用户在前端选择求解报告中的目标图表内容生成的指令。其中，用户可以通过在前端的交互界面进行目标图表内容进行选择来生成图表生成指令，也可以通过在前端的交互界面输入目标图表内容来生成图表生成指令。目标图表内容表征了用户的可视化分析维度，根据用户选择的不同维度，生成不同图表内容的可视化图表，使得包含可视化图表的求解报告更具针对性，更能满足用户需求。例如，目标优化模型为店铺运营优化模型，求解结果包括优选曝光量、优选商品数量、优选折扣等，关键信息包括可求解性信息，目标图表内容为曝光量和可求解性信息，对应生成曝光量和可求解性的可视化图表。根据目标图表内容，对求解结果和/或关键信息进行筛选，具体方式为，根据目标图表内容，利用图表生成模块对求解结果和/或关键信息进行筛选。根据筛选后的求解结果和/或关键信息，生成可视化图表，具体方式为，根据筛选后的求解结果和/或关键信息，利用图表生成模块生成可视化图表。需要说明的是，图表生成指令还可以携带目标图表样式，例如：折线图、柱状图、饼状图、地图、三维图等。

示例性地，根据目标图表内容（部分描述文本，部分关键信息），利用图表生成模块对求解结果OptResult和关键信息KeyInfo进行筛选，根据筛选后的求解结果OptResult和关键信息KeyInfo，利用图表生成模块生成可视化图表Graphic。

本说明书实施例中，在生成了可视化图表来丰富求解报告的报告内容，进一步提升了求解报告的可读性的基础上，使得得到的求解报告更能满足用户需求，进一步提升了用户阅读体验。

可选地，步骤106包括如下具体步骤：利用预先训练的深度学习网络，提取目标优化模型和求解结果中的求解对象名和求解值，并对目标优化模型、求解对象名和求解值进行自然语言转换，生成描述文本，其中，深度学习网络是利用样本优化模型、样本求解结果和样本描述文本训练得到的。

目前，通过相关人员对目标优化模型和求解结果进行人工分析后，撰写求解报告，需要耗费大量人力成本和时间成本。

深度学习网络具有信息提取和文本生成的功能。深度学习网络可以为LSTM网络、Transformer网络、BERT网络和GAN网络等，在此不作限定。利用预先训练的深度学习网络，提取目标优化模型和求解结果中的求解对象名和求解值，并对目标优化模型、求解对象名和求解值进行自然语言转换，生成描述文本，基于预设的目标报告属性，对所述描述文本进行对应处理，获得所述目标优化模型对应的求解报告，具体方式已在上述实施例中详细说明，在此不再赘述。

示例性地，利用预先训练的BERT网络，提取目标优化模型Model1和求解结果OptResult中的求解对象名Name和求解值Value，并对目标优化模型Model1、求解对象名Name和求解值Value进行自然语言转换，生成描述文本DescriptTxt，基于预设的目标报告属性（目标报告内容：全部文本；目标报告格式：PDF；目标报告样式：宋体，五号），对描述文本DescriptTxt进行对应处理，获得PDF格式的求解报告Report。

本说明书实施例中，在提升了求解报告的可读性和用户阅读体验的基础上，提升了求解报告的生成效率，降低了人力成本和时间成本。

可选地，在利用预先训练的深度学习网络，提取目标优化模型和求解结果中的求解对象名和求解值，并对目标优化模型、求解对象名和求解值进行自然语言转换，生成描述文本之前，还包括如下具体步骤：获取样本集，其中，样本集包括多个样本组，任一样本组包括样本优化模型、样本优化模型对应的样本求解结果以及样本优化模型对应的样本描述文本；从样本集中提取第一样本组，其中，第一样本组为多个样本组中任一个，第一样本组包括第一样本优化模型、第一样本求解结果和第一样本描述文本；将第一样本优化模型和第一样本求解结果输入深度学习网络，通过深度学习网络生成第一预测描述文本；根据第一预测描述文本和第一样本描述文本，计算损失值；根据损失值，调整深度学习网络的网络参数，并返回执行从样本集中提取第一样本组的步骤，直至达到预设训练结束条件，得到训练完成的深度学习网络。

样本集为进行摘要文本生成的样本集合，样本集包括多个样本组，任一样本组包括样本优化模型、样本求解结果以及样本描述文本构成，其中，样本优化模型和样本求解结果用来输入深度学习网络，生成预测描述文本后与样本描述文本进行比对，进行有监督训练。样本优化模型为针对历史优化问题进行代数建模得到的数学模型，其中，历史优化问题可以与优化问题一致，也可以与优化问题不一致，在此不作限定。样本优化模型可以为对历史优化问题进行代数建模后，存储在本地数据库中，也可以为直接从远程数据库中获取得到的，其中，远程数据库可以为开源数据库，在此不作限定。样本求解结果为对样本优化模型进行求解得到样本优化模型的求解结果、样本优化模型的关键信息。样本求解结果与样本优化模型对应存储。样本描述文本为对样本优化模型和样本求解结果进行自然语言描述的文本，样本描述文本可以为人工分析撰写得到的，也可以为利用具有文本生成功能的深度学习网络生成得到的，样本描述文本可以为预先存储在本地数据库中历史描述文本，也可以为存储在远程数据库中的描述文本，其中，远程数据库可以为开源数据库，在此不作限定。样本描述文本与样本优化模型、样本求解结果对应存储。损失值可以为交叉熵损失值、CTC损失值、余弦相似度损失、L1损失值等，在此不作限定。预设训练结束条件为预先设定的训练结束的判断条件，可以为预设的训练的迭代次数阈值，也可以为预设的损失值阈值，还可以为预设的样本组相关判断条件，例如，样本集中所有样本组都完成参与训练，或者样本集中任一样本组参与预设次数的训练等。根据损失值，调整摘要生成网络的网络参数，具体方式为，根据损失值，利用梯度下降法，调整摘要生成网络的网络参数。

示例性地，获取样本集SampleSet，其中，样本集SampleSet包括100个样本组SampleGroup（SampleGroup_i,i∈[1，100]），任一样本组SampleGroup_i包括样本优化模型SampleModel_i、样本优化模型SampleModel_i对应的样本求解结果SampleOptResult_i以及样本优化模型SampleModel_i的样本描述文本SampleDescriptTxt_i，从样本集SampleSet中提取第一样本组SampleGroup_1，第一样本组SampleGroup_1包括第一样本优化模型SampleModel_1、第一样本求解结果SampleOptResult_1和第一样本描述文本SampleDescriptTxt_1，将第一样本优化模型SampleModel_1和第一样本求解结果SampleOptResult_1输入BERT网络，通过BERT网络生成第一预测描述文本PredDescriptTxt_1，根据第一预测描述文本PredDescriptTxt_1和第一样本描述文本SampleDescriptTxt_1，计算交叉熵损失值Loss，根据交叉熵损失值Loss，利用梯度下降法，调整BERT网络的网络参数，并返回执行从样本集SampleSet中提取第一样本组SampleGroup_1的步骤，直至达到预设交叉熵损失值阈值Loss’，得到训练完成的深度学习网络。

本说明书实施例中，将第一样本优化模型和第一样本求解结果输入深度学习网络，通过深度学习网络生成第一预测描述文本，结合第一样本描述文本计算损失值，根据损失值训练得到深度学习网络，使得深度学习网络可以根据复杂的优化模型和求解结果，生成可读性高的描述文本，保证了后续求解报告的可读性，提升了用户阅读体验。

可选地，步骤102包括如下具体步骤：获取优化问题的问题架构和参数；根据问题架构和参数，利用预设建模方法，构建得到目标优化模型。

优化问题的问题架构为一种抽象表达的优化问题，可以为优化问题的函数表达式，例如，Y=AX+B，即是对一个一元一次函数的优化问题的问题架构，可以为优化问题的代码语言，例如，int A int B var X var Y；Y=AX+B。优化问题的参数为问题结构中的具体架构参数，以上述例子说明，对于代数表达式，Y=AX+B，A=2，B=5，则5和3为该优化问题的参数。预设建模方法为预先设定的代数建模方法，可以为建模平台上的代数建模语言SDK，也可以为独立的代数建模语言，在此不作限定。获取优化问题的问题架构和参数，可以为从数据库中获取问题架构和参数，其中数据库可以为本地数据库也可以为远程数据库，也可以为接收前端发送的问题架构和参数，在此不作限定。根据问题架构和参数，利用预设建模方法，构建得到目标优化模型，具体方式为，根据参数，利用预设建模方法，对问题架构进行参数设置，构建得到目标优化模型。

示例性地，接收前端发送的优化问题的问题架构和参数，根据参数，利用独立的代数建模语言，对问题架构进行参数设置，构建得到目标优化模型Model1。

本说明书实施例中，提升了目标优化模型的准确度，利用预设建模方法，提升了优化问题的建模效率。需要说明的是，由于本说明书实施例是直接生成求解报告，无需在构建得到的目标优化模型中插入任何控制语句，避免了调用应用软件接口（API，ApplicationProgram Interface），整个流程将自动执行，提升了求解报告的生成效率。

可选地，步骤104包括如下具体步骤：根据目标优化模型的问题标签，确定目标优化模型对应的优化求解模块；利用优化求解模块，对目标优化模型进行解析，得到求解结果。

需要说明的是，由于优化问题类型众多，难以设置一个对各类型的优化问题都实现模型求解的通用优化求解模块，因而需要针对不同类型的优化问题设置对应的优化求解模块。

目标优化模型的问题标签为目标优化模型对应的优化问题的类型标签，例如，优化问题为资源优化问题，问题标签为“资源优化问题”。

示例性地，根据目标优化模型Model1的问题标签Label，确定目标优化模型Model1对应的优化求解模块，利用优化求解模块，对目标优化模型Model1进行解析，得到求解结果OptResult。

本说明书实施例中，通过具有适应性的优化求解模块，进行求解，保证了求解结果的准确度，提升了后续生成的求解报告的准确度。

可选地，在步骤106之后，还包括如下具体步骤：将求解报告发送给用户；接收用户发送的反馈信息，其中，反馈信息为根据用户针对求解报告的编辑操作生成的；根据反馈信息，调整深度学习网络的网络参数。

反馈信息为根据用户针对求解报告中的描述文本进行编辑操作，根据编辑操作结果生成的。例如，求解报告中描述要文本出现了信息遗漏，用户对其进行信息补全操作，根据信息补全操作结果生成反馈信息，又例如，求解报告中描述文本出现了语法错误，用户对其进行语法错误修改操作，根据语法修改操作的操作结果生成反馈信息。

本说明书实施例中，根据反馈信息，调整深度学习网络的网络参数，提升了深度学习网络的性能（泛化能力），保证了后续生成的描述文本的准确度、丰富度和可读性。

图2示出了本说明书一个实时例提供的另一种针对优化模型的求解报告生成方法的流程图，应用于云侧设备，包括如下具体步骤：

步骤202：接收端侧设备发送的报告生成请求，其中，报告生成请求中携带有目标优化模型；

步骤204：对目标优化模型进行求解，获得求解结果；

步骤206：根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本；

步骤208：将求解报告发送给端侧设备。

本说明书实施例应用于具有数学模型求解和求解报告生成功能的应用的云侧设备。

云侧设备为提供数学模型求解和求解报告生成功能的网络云侧设备，为一种虚拟设备。端侧设备为提供前端交互界面的应用的终端设备，是一种实体设备。云侧设备和端侧设备通过网络传输信道连接，进行数据传输。报告生成请求为根据用户在端侧设备的前端交互界面上选择生成求解报告后，端侧设备生成并发送的请求。用户通过在前端的交互界面进行输入目标优化模型后选择求解报告生成来生成报告生成请求。

步骤204和步骤206已在上述图1实施例中进行详细说明，在此不再赘述。

本说明书实施例中，接收端侧设备发送的报告生成请求，其中，报告生成请求中携带有目标优化模型，对目标优化模型进行求解，获得求解结果，根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本，将求解报告发送给端侧设备。在对目标优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验，并且通过云侧设备完成上述求解报告生成，为端侧设备节省了成本，提升了求解报告生成效率。

图3示出了本说明书一个实施例提供的一种针对资源优化模型的求解报告生成方法的流程图，包括如下具体步骤：

步骤302：获取目标资源优化模型；

步骤304：对目标资源优化模型进行求解，获得求解结果；

步骤306：根据目标资源优化模型和求解结果，生成目标资源优化模型对应的求解报告，其中，求解报告包含针对目标资源优化模型和求解结果的自然语言的描述文本。

本说明书实施例应用于具有资源优化模型求解和求解报告生成功能的应用的客户端和服务器。

目标资源优化模型为针对资源优化问题进行代数建模得到的数学模型。代数建模具体是通过代码建模语言实现的。资源优化问题为针对资源需要进行优化求解的抽象问题。例如，资源优化问题为资源转换优化问题，通过考虑资源时效、资源存储、资源效能等多个因素，优化求解得到目标资源转换策略，对该资源转换优化问题进行代码编辑，得到对应的数学模型，即目标资源优化模型。

步骤302－步骤306与图1和图2实施例为出于同一发明构思的方法，具体方式与图1实施例一致，鉴于图1实施例已进行详细说明，在此不再赘述。

本说明书实施例中，获取目标资源优化模型，对目标资源优化模型进行求解，获得求解结果，根据目标资源优化模型和求解结果，生成目标资源优化模型对应的求解报告，其中，求解报告包含针对目标资源优化模型和求解结果的自然语言的描述文本。在对目标资源优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标资源优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标资源优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

图4示出了本说明书一个实施例提供的一种电力优化模型的求解报告生成方法的流程图，包括如下具体步骤：

步骤402：获取目标电力优化模型；

步骤404：对目标电力优化模型进行求解，获得求解结果；

步骤406：根据目标电力优化模型和求解结果，生成目标电力优化模型对应的求解报告，其中，求解报告包含针对目标电力优化模型和求解结果的自然语言的描述文本。

本说明书实施例应用于具有资源优化模型求解和求解报告生成功能的应用的客户端和服务器。

目标电力优化模型为针对电力优化问题进行代数建模得到的数学模型。代数建模具体是通过代码建模语言实现的。电力优化问题为针对电力输出和电力负荷需要进行优化求解的抽象问题。例如，优化问题为电力输出优化问题，通过考虑电力类型（火力发电、水力发电、核能发电、风力发电、潮汐发电、光伏发电等）、电力时效、电力存储、电力运输、电力成本、电力转换效能等多个因素，优化求解得到目标电力输出策略，对该电力输出优化问题进行代码编辑，得到对应的数学模型，即目标电力优化模型。

步骤402－步骤406与图1、图2和图3实施例为出于同一发明构思的方法，具体方式与图1实施例一致，鉴于图1实施例已进行详细说明，在此不再赘述。

本说明书实施例中，获取目标电力优化模型，对目标电力优化模型进行求解，获得求解结果，根据目标电力优化模型和求解结果，生成目标电力优化模型对应的求解报告，其中，求解报告包含针对目标电力优化模型和求解结果的自然语言的描述文本。在对目标电力优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标电力优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标电力优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

图5示出了本说明书一个实施例提供的一种针对优化模型的数据处理方法的流程图，应用于云侧设备，包括如下具体步骤：

步骤502：获取样本集，其中，样本集包括多个样本组，任一样本组包括样本优化模型、样本优化模型对应的样本求解结果以及样本优化模型对应的样本描述文本；

步骤504：从样本集中提取第一样本组，其中，第一样本组为多个样本组中任一个，第一样本组包括第一样本优化模型、第一样本求解结果和第一样本描述文本；

步骤506：将第一样本优化模型和第一样本求解结果输入深度学习网络，通过深度学习网络生成第一预测描述文本；

步骤508：根据第一预测描述文本和第一样本描述文本，计算损失值；

步骤510：根据损失值，调整深度学习网络的网络参数，并返回执行从样本集中提取第一样本组的步骤，直至达到预设训练结束条件，得到训练完成的深度学习网络；

步骤512：将深度学习网络的网络参数发送至端侧设备。

云侧设备为提供网络训练功能的网络云侧设备，为一种虚拟设备。端侧设备为提供求解报告生成功能的应用的终端设备，是一种实体设备。云侧设备和端侧设备通过网络传输信道连接，进行数据传输。

步骤502至步骤510的具体方式已经在上述图1实施例中详细说明，在此不再赘述。

本说明书实施例中，获取样本集，其中，样本集包括多个样本组，任一样本组包括样本优化模型、样本优化模型对应的样本求解结果以及样本优化模型对应的样本描述文本，从样本集中提取第一样本组，其中，第一样本组为多个样本组中任一个，第一样本组包括第一样本优化模型、第一样本求解结果和第一样本描述文本，将第一样本优化模型和第一样本求解结果输入深度学习网络，通过深度学习网络生成第一预测描述文本，根据第一预测描述文本和第一样本描述文本，计算损失值，根据损失值，调整深度学习网络的网络参数，并返回执行从样本集中提取第一样本组的步骤，直至达到预设训练结束条件，得到训练完成的深度学习网络。将第一样本优化模型和第一样本求解结果输入深度学习网络，通过深度学习网络生成第一预测描述文本，结合第一样本描述文本计算损失值，根据损失值训练得到深度学习网络，使得深度学习网络可以根据复杂的优化模型和求解结果，生成可读性高的描述文本，保证了后续求解报告的可读性，提升了用户阅读体验。

下述结合附图6，以本说明书提供的针对优化模型的求解报告生成方法在工厂生产的应用为例，对所述针对优化模型的求解报告生成方法进行进一步说明。其中，图6示出了本说明书一个实施例提供的一种应用于工厂生产的资源优化模型的分析方法的处理过程流程图，具体包括以下步骤：

步骤602：获取针对目标优化模型的报告生成请求，其中，报告生成请求中携带有工厂生产优化问题的问题架构和参数。

本说明书实施例应用于具有优化模型求解和求解报告生成功能的应用的客户端和服务器。

步骤604：根据问题架构和所述参数，利用代数建模语言，构建得到工厂生产优化问题的目标优化模型。

其中，构建完成的目标优化模型如下：

set PROD := { 'bands', 'coils', 'plate' };

set D := { 'rate', 'growth', 'commit','market' };

param data[PROD * D]:= | 'rate', 'growth','commit', 'market'|

|'bands' | 200, 25, 1000,6000 |

|'coils' | 140, 30, 500,4000 |

|'plate' | 160, 29, 750,3500 |;

param avail := 40;

var Make[

in PROD]>= data[p, 'commit']<=data[p, 'market'];

maximizeTotal_growth: sum

in PROD : data[p, 'growth'] * Make[p];

subto Time:

sum

in PROD: 1/data[p, 'rate'] * Make[p]<=avail;

步骤606：利用优化求解模块，对目标优化模型进行求解，得到目标优化模型的求解结果和关键信息。

其中，求解结果如下：优化解：Primal Solution:Make[bands]=6.000000000000000E+03，Make[coils]=5.000000000000000E+02，Make[plate]=1.028571428571429E+03，

Dual Solution:Time = 4.640000000000000E+03；优化值：Total growth =+194828.5714285714

步骤608：根据目标优化模型和求解结果，利用预训练的深度学习网络，得到关于目标优化模型的描述文本。

其中，描述文本如下：某工厂要生产Bands，Coils，和Plate三种产品。已知该工厂每小时能生产200吨Bands或140吨Coils或160吨Plate。每吨Bands增长25，每吨Coils增长30，每吨Plate增长29。已知最多能够生产最多6000吨的Bands，4000吨的Coils 和3500吨Plate。工厂每周最多工作40小时。Bands生产数量不得少于1000吨，Coils的生产数量不得少于500吨，Plate的生产数量不得少于750吨。那么生产6000吨的Bands和500吨Coils以及1028.571吨Plate能使工厂增长值最大，最大增长值为194828.5714285714。

步骤610：基于预设的目标报告属性，利用求解报告生成器，对描述文本和关键信息进行对应处理，生成符合LaTeX格式的优化分析文档。

求解报告生成器，基于预设的目标报告属性，将关键信息中的抽象函数自动转换为LaTeX样式的抽象函数，将图表信息转换为LaTeX样式的图表信息。生成的优化分析文档如下：

集合：产品集合P；混合集合D（由生产效率，每小时增长growth，最低生产量commit和最大生产量growth四个元素组合）。

参数：工厂每周最大工作时间avail；工厂生产产品p∈P的效率r_p；每吨产品p∈P获利P_p；产品p∈P每天最低生产量c_p；产品p∈P每天最大生产量m_p。

决策变量：工厂一周生产产品p∈P的数量c_p≤make_p≤m_p。

目标函数：工厂最大增长值max∑_(p∈P)P_p∙make_p。

约束：工厂每周工作不得超过最大工作时间∑_(p∈P)make_p/r_p≤avail。

步骤612：将求解报告发送给用户。

本说明书实施例中，根据复杂的工厂生产优化问题的目标优化模型和求解结果，利用深度学习网络，得到高可读性的描述文本，结合关键信息生成了高可读性的求解报告，并且利用深度学习网络，得到描述文本，并以此生成针对目标优化模型的求解报告，避免了对工厂生产优化问题的目标优化模型的求解结果和关键信息进行人工分析后撰写求解报告，提升了求解报告的生成效率和用户阅读体验。

图7示出了本说明书一个实施例提供的一种针对优化模型的求解报告生成方法的流程示意图。如图7所示，包括如下具体流程：

用户建模阶段：获取优化问题的问题架构和参数。优化建模和求解阶段：根据优化问题的问题架构和参数，利用代数建模语言，构建目标优化模型。利用优化求解模块，对目标优化模型进行求解，得到并返回求解结果和关键信息。求解报告生成阶段：整合得到的待展示内容，包括目标优化模型、求解结果、关键信息、图表信息和其他信息。将部分待展示内容输入求解报告生成器，求解报告生成器调用深度学习网络，进行描述文本的智能生成，得到描述文本，将得到的描述文本输入求解报告生成器，结合未参与行描述文本的智能生成的待展示内容，利用报告输出器，输出求解报告。求解报告输出阶段：输出的求解报告包括LaTeX格式的求解报告、MarkDown格式的求解报告、PDF格式的求解报告或Doc格式的求解报告。

需要说明的是，上述方法实施例中所涉及的目标优化模型、问题架构、参数、深度学习网络、样本集、目标资源优化模型、目标电力优化模型等信息和数据，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

与上述方法实施例相对应，本说明书还提供了针对优化模型的求解报告生成装置实施例，图8示出了本说明书一个实施例提供的一种针对优化模型的求解报告生成装置的结构示意图。如图8所示，该装置包括：第一获取模块802，被配置为获取目标优化模型；第一求解模块804，被配置为对目标优化模型进行求解，获得求解结果；第一生成模块806，被配置为根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本。

可选地，该装置还包括：第一获得模块，被配置为获得对所述目标优化模型进行求解的过程中涉及的关键信息；对应地，第一生成模块806被进一步配置为：根据所述目标优化模型、所述求解结果和所述关键信息，生成所述目标优化模型对应的求解报告。

可选地，第一生成模块806被进一步配置为：提取所述求解结果中的求解对象名和求解值；对所述目标优化模型、所述求解对象名和所述求解值进行自然语言转换，生成描述文本；基于预设的目标报告属性，对所述描述文本和所述关键信息进行对应处理，获得所述目标优化模型对应的求解报告。

可选地，该装置还包括：报告生成指令接收模块，被配置为接收用户发送的报告生成指令，其中，所述报告生成指令携带有所述目标报告属性，所述目标报告属性包括目标报告内容、目标报告格式和目标报告样式；

对应地，第一生成模块806被进一步配置为：根据所述目标报告内容，对所述描述文本和所述关键信息进行筛选；根据所述目标报告格式，对筛选后的描述文本和关键信息进行格式转换；根据所述目标报告样式，对格式转换后的所述描述文本和所述关键信息进行排版，获得所述目标优化模型对应的求解报告。

可选地，该装置还包括：报告修改模块，被配置为将所述求解报告发送给用户；接收所述用户针对所述求解报告的报告属性的修改指令，其中，所述求解报告的报告属性包括报告内容、报告格式和报告样式中至少一项；根据所述修改指令，对所述求解报告的报告属性进行对应修改，获得目标求解报告。

可选地，该装置还包括：第二获得模块，被配置为获得对所述目标优化模型进行求解的过程中涉及的关键信息；

对应地，第一生成模块806被进一步配置为：根据所述求解结果和/或所述关键信息，生成可视化图表；根据所述目标优化模型、所述求解结果、所述关键信息和所述可视化图表，生成所述目标优化模型对应的求解报告。

可选地，该装置还包括：图表生成指令接收模块，被配置为接收用户发送的图表生成指令，其中，所述图表生成指令携带有目标图表内容；

对应地，第一生成模块806被进一步配置为：根据所述目标图表内容，对所述求解结果和/或所述关键信息进行筛选；根据筛选后的求解结果和/或关键信息，生成可视化图表。

可选地，第一生成模块806被进一步配置为：利用预先训练的深度学习网络，提取所述目标优化模型和所述求解结果中的所述求解对象名和所述求解值，并对所述目标优化模型、所述求解对象名和所述求解值进行自然语言转换，生成描述文本，其中，所述深度学习网络是利用样本优化模型、样本求解结果和样本描述文本训练得到的；基于预设的目标报告属性，对所述描述文本进行对应处理，获得所述目标优化模型对应的求解报告。

可选地，第一获取模块802被进一步配置为：获取优化问题的问题架构和参数；根据所述问题架构和所述参数，利用预设建模方法，构建得到目标优化模型。

本说明书实施例中，在对目标优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

上述为本实施例的一种针对优化模型的求解报告生成装置的示意性方案。需要说明的是，该针对优化模型的求解报告生成装置的技术方案与上述的针对优化模型的求解报告生成方法的技术方案属于同一构思，针对优化模型的求解报告生成装置的技术方案未详细描述的细节内容，均可以参见上述针对优化模型的求解报告生成方法的技术方案的描述。

与上述方法实施例相对应，本说明书还提供了针对优化模型的求解报告生成模型的分析装置实施例，图9示出了本说明书一个实施例提供的另一种针对优化模型的求解报告生成装置的结构示意图。如图9所示，该装置应用于云侧设备，该装置包括：接收模块902，被配置为接收端侧设备发送的报告生成请求，其中，报告生成请求中携带有目标优化模型；第二求解模块904，被配置为对目标优化模型进行求解，获得求解结果；第二生成模块906，被配置为根据目标优化模型和求解结果，生成目标优化模型对应的求解报告，其中，求解报告包含针对目标优化模型和求解结果的自然语言的描述文本；第一发送模块908，被配置为将求解报告发送给端侧设备。

本说明书实施例中，在对目标优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验，并且通过云侧设备完成上述求解报告生成，为端侧设备节省了成本，提升了求解报告生成效率。上述为本实施例的一种针对优化模型的求解报告生成装置的示意性方案。需要说明的是，该针对优化模型的求解报告生成装置的技术方案与上述的针对优化模型的求解报告生成方法的技术方案属于同一构思，针对优化模型的求解报告生成装置的技术方案未详细描述的细节内容，均可以参见上述针对优化模型的求解报告生成方法的技术方案的描述。

与上述方法实施例相对应，本说明书还提供了针对资源优化模型的求解报告生成装置实施例，图10示出了本说明书一个实施例提供的一种针对资源优化模型的求解报告生成装置的结构示意图。如图10所示，该装置包括：第二获取模块1002，被配置为获取目标资源优化模型；

第三求解模块1004，被配置为对目标资源优化模型进行求解，获得求解结果；第三生成模块1006，被配置为根据目标资源优化模型和求解结果，生成目标资源优化模型对应的求解报告，其中，求解报告包含针对目标资源优化模型和求解结果的自然语言的描述文本。

本说明书实施例中，在对目标资源优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标资源优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标资源优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

上述为本实施例的一种针对资源优化模型的求解报告生成装置的示意性方案。需要说明的是，该针对资源优化模型的求解报告生成装置的技术方案与上述的针对资源优化模型的求解报告生成方法的技术方案属于同一构思，针对资源优化模型的求解报告生成装置的技术方案未详细描述的细节内容，均可以参见上述针对资源优化模型的求解报告生成方法的技术方案的描述。

与上述方法实施例相对应，本说明书还提供了针对电力优化模型的求解报告生成装置实施例，图11示出了本说明书一个实施例提供的一种针对电力优化模型的求解报告生成装置的结构示意图。如图11所示，该装置包括：第三获取模块1102，被配置为获取目标电力优化模型；第四求解模块1104，被配置为对目标电力优化模型进行求解，获得求解结果；第四生成模块1106，被配置为根据目标电力优化模型和求解结果，生成目标电力优化模型对应的求解报告，其中，求解报告包含针对目标电力优化模型和求解结果的自然语言的描述文本。

本说明书实施例中，在对目标电力优化模型进行求解，得到求解结果的基础上，根据复杂且抽象的目标电力优化模型和孤立且抽象的求解结果，生成求解报告，由于求解报告包含针对所述目标电力优化模型和所述求解结果的自然语言的描述文本，具有高可读性，提升了用户阅读体验。

上述为本实施例的一种针对电力优化模型的求解报告生成装置的示意性方案。需要说明的是，该针对电力优化模型的求解报告生成装置的技术方案与上述的针对电力优化模型的求解报告生成方法的技术方案属于同一构思，针对电力优化模型的求解报告生成装置的技术方案未详细描述的细节内容，均可以参见上述针对电力优化模型的求解报告生成方法的技术方案的描述。

与上述方法实施例相对应，本说明书还提供了针对优化模型的数据处理装置实施例，图12示出了本说明书一个实施例提供的一种针对优化模型的数据处理装置的结构示意图。如图12所示，该装置应用于云侧设备，该装置包括：第四获取模块1202，被配置为获取样本集，其中，样本集包括多个样本组，任一样本组包括样本优化模型、样本优化模型对应的样本求解结果以及样本优化模型对应的样本描述文本；提取模块1204，被配置为从样本集中提取第一样本组，其中，第一样本组为多个样本组中任一个，第一样本组包括第一样本优化模型、第一样本求解结果和第一样本描述文本；预测模块1206，被配置为将第一样本优化模型和第一样本求解结果输入深度学习网络，通过深度学习网络生成第一预测描述文本；计算模块1208，被配置为根据第一预测描述文本和第一样本描述文本，计算损失值；训练模块1210，被配置为根据损失值，调整深度学习网络的网络参数，并返回执行从样本集中提取第一样本组的步骤，直至达到预设训练结束条件，得到训练完成的深度学习网络；第二发送模块1212，被配置为将深度学习网络的网络参数发送至端侧设备。

本说明书实施例中，将第一样本优化模型和第一样本求解结果输入深度学习网络，通过深度学习网络生成第一预测描述文本，结合第一样本描述文本计算损失值，根据损失值训练得到深度学习网络，使得深度学习网络可以根据复杂的优化模型和求解结果，生成可读性高的描述文本，保证了后续求解报告的可读性，提升了用户阅读体验。

上述为本实施例的一种针对优化模型的数据处理装置的示意性方案。需要说明的是，该针对优化模型的数据处理装置的技术方案与上述的针对优化模型的数据处理方法的技术方案属于同一构思，针对优化模型的数据处理装置的技术方案未详细描述的细节内容，均可以参见上述针对优化模型的数据处理方法的技术方案的描述。图13示出了本说明书一个实施例提供的一种计算设备的结构框图。该计算设备1300的部件包括但不限于存储器1310和处理器1320。处理器1320与存储器1310通过总线1330相连接，数据库1350用于保存数据。

计算设备1300还包括接入设备1340，接入设备1340使得计算设备1300能够经由一个或多个网络1360通信。这些网络的示例包括PSTN（Public Switched TelephoneNetwork，公用交换电话网）、LAN（Local Area Network，局域网）、WAN（Wide Area Network，广域网）、PAN（Personal Area Network，个域网）或诸如因特网的通信网络的组合。接入设备1340可以包括有线或无线的任何类型的网络接口（例如，NIC（Network Interface Controller，网络接口卡））中的一个或多个，诸如IEEE802.12WLAN（Wireless LocalArea Networks，无线局域网）无线接口、Wi-MAX（WorldInteroperability for Microwave Access，全球微波互联接入）接口、以太网接口、USB（UniversalSerial Bus，通用串行总线）接口、蜂窝网络接口、蓝牙接口、NFC（NearField Communication，近场通信）接口，等等。

在本说明书的一个实施例中，计算设备1300的上述部件以及图13中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图13所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备1300可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备（例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等）、移动电话（例如，智能手机）、可佩戴的计算设备（例如，智能手表、智能眼镜等）或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备1300还可以是移动式或静止式的服务器。其中，处理器1320用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法或者针对优化模型的数据处理方法的步骤。

上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法，以及针对优化模型的数据处理方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法或者针对优化模型的数据处理方法的技术方案的描述。

本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法或者针对优化模型的数据处理方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法，以及针对优化模型的数据处理方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法或者针对优化模型的数据处理方法的技术方案的描述。

本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法或者针对优化模型的数据处理方法的步骤。

上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法，以及针对优化模型的数据处理方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述针对优化模型的求解报告生成方法，针对资源优化模型的求解报告生成方法，针对电力优化模型的求解报告生成方法或者针对优化模型的数据处理方法的技术方案的描述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (13)

1.一种针对优化模型的求解报告生成方法，包括：

获取目标优化模型；

对所述目标优化模型进行求解，获得求解结果；

利用预先训练的深度学习网络，提取所述目标优化模型和所述求解结果中的求解对象名和求解值，生成所述求解对象名和所述求解值的上下文，得到描述文本；

根据所述描述文本，生成所述目标优化模型对应的求解报告。

2.根据权利要求1所述的方法，所述方法还包括：

获得对所述目标优化模型进行求解的过程中涉及的关键信息；

所述根据所述描述文本，生成所述目标优化模型对应的求解报告，包括：

根据所述描述文本和所述关键信息，生成所述目标优化模型对应的求解报告。

3.根据权利要求2所述的方法，所述根据所述描述文本和所述关键信息，生成所述目标优化模型对应的求解报告，包括：

基于预设的目标报告属性，对所述描述文本和所述关键信息进行对应处理，获得所述目标优化模型对应的求解报告。

4.根据权利要求3所述的方法，在所述基于预设的目标报告属性，对所述描述文本和所述关键信息进行对应处理，获得所述目标优化模型对应的求解报告之前，还包括：

接收用户发送的报告生成指令，其中，所述报告生成指令携带有目标报告属性，所述目标报告属性包括目标报告内容、目标报告格式和目标报告样式；

所述基于预设的目标报告属性，对所述描述文本和所述关键信息进行对应处理，获得所述目标优化模型对应的求解报告，包括：

根据所述目标报告内容，对所述描述文本和所述关键信息进行筛选；

根据所述目标报告格式，对筛选后的描述文本和关键信息进行格式转换；

根据所述目标报告样式，对格式转换后的所述描述文本和所述关键信息进行排版，获得所述目标优化模型对应的求解报告。

5.根据权利要求1所述的方法，在所述生成所述目标优化模型对应的求解报告之后，还包括：

将所述求解报告发送给用户；

接收所述用户针对所述求解报告的报告属性的修改指令，其中，所述求解报告的报告属性包括报告内容、报告格式和报告样式中至少一项；

根据所述修改指令，对所述求解报告的报告属性进行对应修改，获得目标求解报告。

6.根据权利要求1所述的方法，所述方法还包括：

获得对所述目标优化模型进行求解的过程中涉及的关键信息；

所述根据所述目标优化模型和所述求解结果，生成所述目标优化模型对应的求解报告，包括：

根据所述求解结果和/或所述关键信息，生成可视化图表；

根据所述目标优化模型、所述求解结果、所述关键信息和所述可视化图表，生成所述目标优化模型对应的求解报告。

7.根据权利要求6所述的方法，在所述根据所述求解结果和/或所述关键信息，生成可视化图表之前，还包括：

接收用户发送的图表生成指令，其中，所述图表生成指令携带有目标图表内容；

所述根据所述求解结果和/或所述关键信息，生成可视化图表，包括：

根据所述目标图表内容，对所述求解结果和/或所述关键信息进行筛选；

根据筛选后的求解结果和/或关键信息，生成可视化图表。

8.根据权利要求1所述的方法，所述获取目标优化模型，包括：

获取优化问题的问题架构和参数；

根据所述问题架构和所述参数，利用预设建模方法，构建得到目标优化模型。

9.一种针对优化模型的求解报告生成方法，应用于云侧设备，包括：

接收端侧设备发送的报告生成请求，其中，所述报告生成请求中携带有目标优化模型；

对所述目标优化模型进行求解，获得求解结果；

利用预先训练的深度学习网络，提取所述目标优化模型和所述求解结果中的求解对象名和求解值，生成所述求解对象名和所述求解值的上下文，得到描述文本；

根据所述描述文本，生成所述目标优化模型对应的求解报告；

将所述求解报告发送给所述端侧设备。

10.一种针对资源优化模型的求解报告生成方法，包括：

获取目标资源优化模型；

对所述目标资源优化模型进行求解，获得求解结果；

利用预先训练的深度学习网络，提取所述目标资源优化模型和所述求解结果中的求解对象名和求解值，生成所述求解对象名和所述求解值的上下文，得到描述文本；

根据所述描述文本，生成所述目标资源优化模型对应的求解报告。

11.一种针对电力优化模型的求解报告生成方法，包括：

获取目标电力优化模型；

对所述目标电力优化模型进行求解，获得求解结果；

利用预先训练的深度学习网络，提取所述目标电力优化模型和所述求解结果中的求解对象名和求解值，生成所述求解对象名和所述求解值的上下文，得到描述文本；

根据所述描述文本，生成所述目标电力优化模型对应的求解报告。

12.一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至8任意一项所述针对优化模型的求解报告生成方法，权利要求9所述针对优化模型的求解报告生成方法，权利要求10所述针对资源优化模型的求解报告生成方法，或者权利要求11所述针对电力优化模型的求解报告生成方法的步骤。

13.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至8任意一项所述针对优化模型的求解报告生成方法，权利要求9所述针对优化模型的求解报告生成方法，权利要求10所述针对资源优化模型的求解报告生成方法，或者权利要求11所述针对电力优化模型的求解报告生成方法的步骤。

Images