CN116521344B - 一种基于资源总线的ai算法调度方法及系统 - Google Patents
一种基于资源总线的ai算法调度方法及系统 Download PDFInfo
- Publication number
- CN116521344B CN116521344B CN202310537928.2A CN202310537928A CN116521344B CN 116521344 B CN116521344 B CN 116521344B CN 202310537928 A CN202310537928 A CN 202310537928A CN 116521344 B CN116521344 B CN 116521344B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- execution
- parameters
- adaptive
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims description 121
- 230000006870 function Effects 0.000 claims description 61
- 239000002245 particle Substances 0.000 claims description 47
- 238000005265 energy consumption Methods 0.000 claims description 44
- 238000012216 screening Methods 0.000 claims description 28
- 230000006978 adaptation Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 16
- 238000007726 management method Methods 0.000 description 29
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于资源总线的AI算法调度方法及系统,该方法包括:通过算法管理平台的资源总线获取多个AI算法模型的执行端的数据请求和数据发送情况;根据所述数据请求和数据发送情况,计算每一所述AI算法模型对应的算法执行参数和每一所述执行端对应的设备执行参数;根据所述算法执行参数和所述设备执行参数,基于动态规划算法,演算出所述多个AI算法模型和多个所述执行端对应的最优算法执行策略;将所述最优算法执行策略推荐给用户。可见,本发明能够充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于资源总线的AI算法调度方法及系统。
背景技术
随着AI算法的发展,越来越多的技术领域开始引入AI算法以提高技术表现或辅助技术研发,从而,也逐渐出现了一些对多个AI算法进行同时管理的技术。但这一些AI算法的管理技术中,大部分只是简单地对多个AI算法的参数进行获取和监控,没考虑到进一步地根据算法参数进行演算,因此现有技术的管理技术方案死板,无法提高算法效率。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于资源总线的AI算法调度方法及系统,能够充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
为了解决上述技术问题,本发明第一方面公开了一种基于资源总线的AI算法调度方法,所述方法包括:
通过算法管理平台的资源总线获取多个AI算法模型的执行端的数据请求和数据发送情况;
根据所述数据请求和数据发送情况,计算每一所述AI算法模型对应的算法执行参数和每一所述执行端对应的设备执行参数;
根据所述算法执行参数和所述设备执行参数,基于动态规划算法,演算出所述多个AI算法模型和多个所述执行端对应的最优算法执行策略;
将所述最优算法执行策略推荐给用户。
作为一种可选的实施方式,在本发明第一方面中,所述算法执行参数包括算法执行时间参数、算法可靠性参数、算法资源占用参数、算法并行性参数和算法适应性参数中的至少两种;和/或,所述设备执行参数包括设备数据发送规律、设备数据传输效率、设备算法执行能耗和设备算法执行效率中的至少两种。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述算法执行参数和所述设备执行参数,基于动态规划算法,演算出所述多个AI算法模型和多个所述执行端对应的最优算法执行策略,包括:
获取用户输入的算法应用场景和应用要求;
根据所述算法应用场景,从所述多个AI算法模型和多个所述执行端中筛选出多个适配AI算法模型和多个适配执行端;
根据所述应用要求,确定动态规划算法的目标函数和限制条件;
根据所述目标函数和限制条件,基于动态规划算法,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述算法应用场景,从所述多个AI算法模型和多个所述执行端中筛选出多个适配AI算法模型和多个适配执行端,包括:
根据每一所述AI算法模型的历史应用信息,确定出每一所述AI算法模型应用在所述算法应用场景的应用执行端、应用次数、所述算法执行参数和所述设备执行参数;
根据所有所述AI算法模型的所述应用执行端和对应的所述设备执行参数,确定每一所述执行端对应的所有所述设备执行参数的设备执行参数平均值;
根据所述应用次数和所述算法执行参数的加权求和计算,计算每一所述AI算法模型对应的应用表现表征参数;
根据所述设备执行参数平均值和预设的第一筛选规则,从所述多个所述执行端中筛选出多个适配执行端;
根据所述应用表现表征参数和预设的第二筛选规则,从所述多个AI算法模型中筛选出多个适配AI算法模型。
作为一种可选的实施方式,在本发明第一方面中,所述应用要求包括系统总能耗要求、系统总内存限制、算法总执行时间限制、算法平均预测准确率要求中的至少两种;所述根据所述应用要求,确定动态规划算法的目标函数和限制条件,包括:
根据所述应用要求,确定出目标函数为算法执行时间最小化函数和算法平均预测准确率要求最大化函数;
根据所述应用要求,确定出限制条件为总算法执行时间小于所述算法总执行时间限制、总算法内存使用量小于系统总内存限制、总算法预期能耗小于系统总能耗要求以及成本控制条件。
作为一种可选的实施方式,在本发明第一方面中,所述成本控制条件包括:
所述总算法执行时间与所述算法总执行时间限制之间的时间差不大于预设的时间差阈值;
所述总算法内存使用量与所述系统总内存限制之间的使用量差不大于预设的使用量差阈值;
所述总算法预期能耗与所述系统总能耗要求之间的能耗差不大于预设的能耗差阈值。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标函数和限制条件,基于动态规划算法,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,包括:
获取每一所述适配AI算法模型的算法执行参数,根据所述适配AI算法模型的算法执行参数,训练得到所述适配AI算法模型的第一算法执行预测模型;
获取每一所述适配执行端对应的设备执行参数,根据所述适配执行端对应的设备执行参数,训练得到所述适配执行端对应的第二算法执行预测模型;
获取所述多个适配AI算法模型和多个适配执行端对应的演算初始参数;
根据所述目标函数和限制条件,基于动态规划算法和所述第一算法执行预测模型和所述第二算法执行预测模型,输入所述演算初始参数,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标函数和限制条件,基于动态规划算法和所述第一算法执行预测模型和所述第二算法执行预测模型,输入所述演算初始参数,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,包括:
根据所述目标函数和限制条件,以及所述多个适配AI算法模型对应的模型参数和多个适配执行端对应的设备参数,建立粒子群算法模型;
启动所述粒子群算法模型的迭代演算,在所述粒子群算法模型的单一粒子的状态演算中,通过所述第一算法执行预测模型和/或所述第二算法执行预测模型来预测该粒子的参数对应的粒子执行参数;所述粒子执行参数包括算法执行时间、算法内存使用量、算法预期能耗;
根据所述粒子执行参数和所述目标函数和所述限制条件,调节所述粒子群算法模型的迭代演算,直至演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
本发明第二方面公开了一种基于资源总线的AI算法调度系统,所述装置包括:
获取模块,用于通过算法管理平台的资源总线获取多个AI算法模型的执行端的数据请求和数据发送情况;
计算模块,用于根据所述数据请求和数据发送情况,计算每一所述AI算法模型对应的算法执行参数和每一所述执行端对应的设备执行参数;
演算模块,用于根据所述算法执行参数和所述设备执行参数,基于动态规划算法,演算出所述多个AI算法模型和多个所述执行端对应的最优算法执行策略;
推荐模块,用于将所述最优算法执行策略推荐给用户。
作为一种可选的实施方式,在本发明第二方面中,所述算法执行参数包括算法执行时间参数、算法可靠性参数、算法资源占用参数、算法并行性参数和算法适应性参数中的至少两种;和/或,所述设备执行参数包括设备数据发送规律、设备数据传输效率、设备算法执行能耗和设备算法执行效率中的至少两种。
作为一种可选的实施方式,在本发明第二方面中,所述演算模块根据所述算法执行参数和所述设备执行参数,基于动态规划算法,演算出所述多个AI算法模型和多个所述执行端对应的最优算法执行策略的具体方式,包括:
获取用户输入的算法应用场景和应用要求;
根据所述算法应用场景,从所述多个AI算法模型和多个所述执行端中筛选出多个适配AI算法模型和多个适配执行端;
根据所述应用要求,确定动态规划算法的目标函数和限制条件;
根据所述目标函数和限制条件,基于动态规划算法,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
作为一种可选的实施方式,在本发明第二方面中,所述演算模块根据所述算法应用场景,从所述多个AI算法模型和多个所述执行端中筛选出多个适配AI算法模型和多个适配执行端的具体方式,包括:
根据每一所述AI算法模型的历史应用信息,确定出每一所述AI算法模型应用在所述算法应用场景的应用执行端、应用次数、所述算法执行参数和所述设备执行参数;
根据所有所述AI算法模型的所述应用执行端和对应的所述设备执行参数,确定每一所述执行端对应的所有所述设备执行参数的设备执行参数平均值;
根据所述应用次数和所述算法执行参数的加权求和计算,计算每一所述AI算法模型对应的应用表现表征参数;
根据所述设备执行参数平均值和预设的第一筛选规则,从所述多个所述执行端中筛选出多个适配执行端;
根据所述应用表现表征参数和预设的第二筛选规则,从所述多个AI算法模型中筛选出多个适配AI算法模型。
作为一种可选的实施方式,在本发明第二方面中,所述应用要求包括系统总能耗要求、系统总内存限制、算法总执行时间限制、算法平均预测准确率要求中的至少两种;所述演算模块根据所述应用要求,确定动态规划算法的目标函数和限制条件的具体方式,包括:
根据所述应用要求,确定出目标函数为算法执行时间最小化函数和算法平均预测准确率要求最大化函数;
根据所述应用要求,确定出限制条件为总算法执行时间小于所述算法总执行时间限制、总算法内存使用量小于系统总内存限制、总算法预期能耗小于系统总能耗要求以及成本控制条件。
作为一种可选的实施方式,在本发明第二方面中,所述成本控制条件包括:
所述总算法执行时间与所述算法总执行时间限制之间的时间差不大于预设的时间差阈值;
所述总算法内存使用量与所述系统总内存限制之间的使用量差不大于预设的使用量差阈值;
所述总算法预期能耗与所述系统总能耗要求之间的能耗差不大于预设的能耗差阈值。
作为一种可选的实施方式,在本发明第二方面中,所述演算模块根据所述目标函数和限制条件,基于动态规划算法,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略的具体方式,包括:
获取每一所述适配AI算法模型的算法执行参数,根据所述适配AI算法模型的算法执行参数,训练得到所述适配AI算法模型的第一算法执行预测模型;
获取每一所述适配执行端对应的设备执行参数,根据所述适配执行端对应的设备执行参数,训练得到所述适配执行端对应的第二算法执行预测模型;
获取所述多个适配AI算法模型和多个适配执行端对应的演算初始参数;
根据所述目标函数和限制条件,基于动态规划算法和所述第一算法执行预测模型和所述第二算法执行预测模型,输入所述演算初始参数,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
作为一种可选的实施方式,在本发明第二方面中,所述演算模块根据所述目标函数和限制条件,基于动态规划算法和所述第一算法执行预测模型和所述第二算法执行预测模型,输入所述演算初始参数,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略的具体方式,包括:
根据所述目标函数和限制条件,以及所述多个适配AI算法模型对应的模型参数和多个适配执行端对应的设备参数,建立粒子群算法模型;
启动所述粒子群算法模型的迭代演算,在所述粒子群算法模型的单一粒子的状态演算中,通过所述第一算法执行预测模型和/或所述第二算法执行预测模型来预测该粒子的参数对应的粒子执行参数;所述粒子执行参数包括算法执行时间、算法内存使用量、算法预期能耗;
根据所述粒子执行参数和所述目标函数和所述限制条件,调节所述粒子群算法模型的迭代演算,直至演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
本发明第三方面公开了另一种基于资源总线的AI算法调度系统,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于资源总线的AI算法调度方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明可以通过算法管理平台获取到的算法参数和执行端设备参数,来通过动态规划算法演算出最优的执行策略,从而能够充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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附图。
图1是本发明实施例公开的一种基于资源总线的AI算法调度方法的流程示意图;
图2是本发明实施例公开的一种基于资源总线的AI算法调度系统的结构示意图;
图3是本发明实施例公开的另一种基于资源总线的AI算法调度系统的结构示意图;
图4是本发明实施例公开的一种AI算法管理平台的界面示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于资源总线的AI算法调度方法及系统,可以通过算法管理平台获取到的算法参数和执行端设备参数,来通过动态规划算法演算出最优的执行策略,从而能够充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于资源总线的AI算法调度方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于资源总线的AI算法调度方法可以包括以下操作:
101、通过算法管理平台的资源总线获取多个AI算法模型的执行端的数据请求和数据发送情况。
可选的,算法管理平台的一种示意可以参见图4,其提供物联网平台的多个AI算法进行调度编排的系统,支持对第三方厂商的各种算法进行上架、下架,或是集成进目标物联网平台,该平台可以实现对算法的编排计划、任务执行、算法分析与调度,最终生成算法分析结果数据。
具体的,资源总线可以是用于连接不同算法执行端的通讯协议,可以使用TCP/IP协议或者其他自定义协议。
具体的,实现数据请求和数据发送情况的监控,可以通过在资源总线中添加监控模块,可以实时监控不同算法执行端的数据请求和数据发送情况,例如可以使用Wireshark等工具进行数据包抓取和分析。
102、根据数据请求和数据发送情况,计算每一AI算法模型对应的算法执行参数和每一执行端对应的设备执行参数。
可选的,算法执行参数包括算法执行时间参数、算法可靠性参数、算法资源占用参数、算法并行性参数和算法适应性参数中的至少两种。
可选的,在实际应用中,算法的可靠性也是非常重要的。因此,可以将算法的可靠性作为一部分的评价参数,以确保算法的稳定性和可靠性。具体的在应用中,算法可靠性参数可以通过对算法模型在历史时间段中的执行出错率进行统计以确定。
可选的,将算法资源占用参数,例如CPU占用率、内存占用率等,纳入考虑,可以确保算法在不影响系统稳定性的前提下,尽可能地充分利用系统资源。
可选的,算法并行性参数主要用于表征算法模型在多核CPU和分布式系统中进行并行计算时的算法表现和效率,将其纳入计算以确保算法在多核CPU和分布式系统中的高效利用。具体的,可以将算法模型在多核CPU和分布式系统中进行并行计算时的算法预测准确率与单核处理器中进行计算时的算法预测准确率的差值或比值作为算法并行性参数进行计算。
可选的,算法适应性参数也是非常重要的,以确保算法能够在不同的环境和数据集下都能够有效地工作。具体的,可以将算法模型在不同的操作系统环境或不同的体量的数据集中的算法预测准确率的变化情况,例如变化率等参数,确定为算法适应性参数。
可选的,设备执行参数包括设备数据发送规律、设备数据传输效率、设备算法执行能耗和设备算法执行效率中的至少两种。
可选的,计算上述算法执行参数和设备执行参数,可以通过对监控到的数据进行分析计算,可以使用Python或R语言等编程语言进行数据分析。
103、根据算法执行参数和设备执行参数,基于动态规划算法,演算出多个AI算法模型和多个执行端对应的最优算法执行策略。
104、将最优算法执行策略推荐给用户。
可见,实施本发明实施例所描述的方法可以通过算法管理平台获取到的算法参数和执行端设备参数,来通过动态规划算法演算出最优的执行策略,从而能够充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,上述步骤中的,根据算法执行参数和设备执行参数,基于动态规划算法,演算出多个AI算法模型和多个执行端对应的最优算法执行策略,包括:
获取用户输入的算法应用场景和应用要求;
根据算法应用场景,从多个AI算法模型和多个执行端中筛选出多个适配AI算法模型和多个适配执行端;
根据应用要求,确定动态规划算法的目标函数和限制条件;
根据目标函数和限制条件,基于动态规划算法,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
可见,实施该可选的实施例可以根据用户输入的算法应用场景和应用要求,筛选出多个适配AI算法模型和多个适配执行端以及确定动态规划算法的目标函数和限制条件,从而能够在后续实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,上述步骤中的,根据算法应用场景,从多个AI算法模型和多个执行端中筛选出多个适配AI算法模型和多个适配执行端,包括:
根据每一AI算法模型的历史应用信息,确定出每一AI算法模型应用在算法应用场景的应用执行端、应用次数、算法执行参数和设备执行参数;
根据所有AI算法模型的应用执行端和对应的设备执行参数,确定每一执行端对应的所有设备执行参数的设备执行参数平均值;
根据应用次数和算法执行参数的加权求和计算,计算每一AI算法模型对应的应用表现表征参数;
根据设备执行参数平均值和预设的第一筛选规则,从多个执行端中筛选出多个适配执行端;
根据应用表现表征参数和预设的第二筛选规则,从多个AI算法模型中筛选出多个适配AI算法模型。
可选的,第一筛选规则和第二筛选规则均可以为筛选出数值大小排前预设数量位的或是筛选出数值大于预设阈值的。
可见,实施该可选的实施例可以根据计算出的设备执行参数平均值和应用表现表征参数,筛选出多个适配AI算法模型和多个适配执行端,从而能够在后续实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,应用要求包括系统总能耗要求、系统总内存限制、算法总执行时间限制、算法平均预测准确率要求中的至少两种。上述步骤中的,根据应用要求,确定动态规划算法的目标函数和限制条件,包括:
根据应用要求,确定出目标函数为算法执行时间最小化函数和算法平均预测准确率要求最大化函数;
根据应用要求,确定出限制条件为总算法执行时间小于算法总执行时间限制、总算法内存使用量小于系统总内存限制、总算法预期能耗小于系统总能耗要求以及成本控制条件。
可见,实施该可选的实施例可以根据应用要求,确定动态规划算法的目标函数和限制条件,从而能够在后续实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,成本控制条件包括:
总算法执行时间与算法总执行时间限制之间的时间差不大于预设的时间差阈值;
总算法内存使用量与系统总内存限制之间的使用量差不大于预设的使用量差阈值;
总算法预期能耗与系统总能耗要求之间的能耗差不大于预设的能耗差阈值。
可见,实施该可选的实施例可以利用成本控制条件控制动态规划算法的算法演算成本,使得其演算不会为了最好的演算成果而耗费过多的资源。
作为一种可选的实施例,上述步骤中的,根据目标函数和限制条件,基于动态规划算法,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,包括:
获取每一适配AI算法模型的算法执行参数,根据适配AI算法模型的算法执行参数,训练得到适配AI算法模型的第一算法执行预测模型;
获取每一适配执行端对应的设备执行参数,根据适配执行端对应的设备执行参数,训练得到适配执行端对应的第二算法执行预测模型;
获取多个适配AI算法模型和多个适配执行端对应的演算初始参数;
根据目标函数和限制条件,基于动态规划算法和第一算法执行预测模型和第二算法执行预测模型,输入演算初始参数,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
可选的,第一算法执行预测模型和第二算法执行预测模型均可以为神经网络模型,如CNN网络或RNN网络的模型,其训练具体的可以通过包括有执行参数和对应的算法执行表现标注的训练集训练得到。
可见,实施该可选的实施例可以训练出第一算法执行预测模型和第二算法执行预测模型,从而能够在后续辅助动态规划算法的演算,实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,上述步骤中的,根据目标函数和限制条件,基于动态规划算法和第一算法执行预测模型和第二算法执行预测模型,输入演算初始参数,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,包括:
根据目标函数和限制条件,以及多个适配AI算法模型对应的模型参数和多个适配执行端对应的设备参数,建立粒子群算法模型;
启动粒子群算法模型的迭代演算,在粒子群算法模型的单一粒子的状态演算中,通过第一算法执行预测模型和/或第二算法执行预测模型来预测该粒子的参数对应的粒子执行参数;粒子执行参数包括算法执行时间、算法内存使用量、算法预期能耗;
根据粒子执行参数和目标函数和限制条件,调节粒子群算法模型的迭代演算,直至演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
可见,实施该可选的实施例可以基于粒子群算法模型和第一算法执行预测模型和第二算法执行预测模型,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,从而能够实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于资源总线的AI算法调度系统的结构示意图。其中,图2所描述的装置可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该装置可以包括:
获取模块201,用于通过算法管理平台的资源总线获取多个AI算法模型的执行端的数据请求和数据发送情况。
可选的,算法管理平台的一种示意可以参见图4,其提供物联网平台的多个AI算法进行调度编排的系统,支持对第三方厂商的各种算法进行上架、下架,或是集成进目标物联网平台,该平台可以实现对算法的编排计划、任务执行、算法分析与调度,最终生成算法分析结果数据。
具体的,资源总线可以是用于连接不同算法执行端的通讯协议,可以使用TCP/IP协议或者其他自定义协议。
具体的,实现数据请求和数据发送情况的监控,可以通过在资源总线中添加监控模块,可以实时监控不同算法执行端的数据请求和数据发送情况,例如可以使用Wireshark等工具进行数据包抓取和分析。
计算模块202,用于根据数据请求和数据发送情况,计算每一AI算法模型对应的算法执行参数和每一执行端对应的设备执行参数。
可选的,算法执行参数包括算法执行时间参数、算法可靠性参数、算法资源占用参数、算法并行性参数和算法适应性参数中的至少两种。
可选的,在实际应用中,算法的可靠性也是非常重要的。因此,可以将算法的可靠性作为一部分的评价参数,以确保算法的稳定性和可靠性。具体的在应用中,算法可靠性参数可以通过对算法模型在历史时间段中的执行出错率进行统计以确定。
可选的,将算法资源占用参数,例如CPU占用率、内存占用率等,纳入考虑,可以确保算法在不影响系统稳定性的前提下,尽可能地充分利用系统资源。
可选的,算法并行性参数主要用于表征算法模型在多核CPU和分布式系统中进行并行计算时的算法表现和效率,将其纳入计算以确保算法在多核CPU和分布式系统中的高效利用。具体的,可以将算法模型在多核CPU和分布式系统中进行并行计算时的算法预测准确率与单核处理器中进行计算时的算法预测准确率的差值或比值作为算法并行性参数进行计算。
可选的,算法适应性参数也是非常重要的,以确保算法能够在不同的环境和数据集下都能够有效地工作。具体的,可以将算法模型在不同的操作系统环境或不同的体量的数据集中的算法预测准确率的变化情况,例如变化率等参数,确定为算法适应性参数。
可选的,设备执行参数包括设备数据发送规律、设备数据传输效率、设备算法执行能耗和设备算法执行效率中的至少两种。
可选的,计算上述算法执行参数和设备执行参数,可以通过对监控到的数据进行分析计算,可以使用Python或R语言等编程语言进行数据分析。
演算模块203,用于根据算法执行参数和设备执行参数,基于动态规划算法,演算出多个AI算法模型和多个执行端对应的最优算法执行策略。
推荐模块204,用于将最优算法执行策略推荐给用户。
可见,实施本发明实施例所描述的装置可以通过算法管理平台获取到的算法参数和执行端设备参数,来通过动态规划算法演算出最优的执行策略,从而能够充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,演算模块203根据算法执行参数和设备执行参数,基于动态规划算法,演算出多个AI算法模型和多个执行端对应的最优算法执行策略的具体方式,包括:
获取用户输入的算法应用场景和应用要求;
根据算法应用场景,从多个AI算法模型和多个执行端中筛选出多个适配AI算法模型和多个适配执行端;
根据应用要求,确定动态规划算法的目标函数和限制条件;
根据目标函数和限制条件,基于动态规划算法,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
可见,实施该可选的实施例可以根据用户输入的算法应用场景和应用要求,筛选出多个适配AI算法模型和多个适配执行端以及确定动态规划算法的目标函数和限制条件,从而能够在后续实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,演算模块203根据算法应用场景,从多个AI算法模型和多个执行端中筛选出多个适配AI算法模型和多个适配执行端的具体方式,包括:
根据每一AI算法模型的历史应用信息,确定出每一AI算法模型应用在算法应用场景的应用执行端、应用次数、算法执行参数和设备执行参数;
根据所有AI算法模型的应用执行端和对应的设备执行参数,确定每一执行端对应的所有设备执行参数的设备执行参数平均值;
根据应用次数和算法执行参数的加权求和计算,计算每一AI算法模型对应的应用表现表征参数;
根据设备执行参数平均值和预设的第一筛选规则,从多个执行端中筛选出多个适配执行端;
根据应用表现表征参数和预设的第二筛选规则,从多个AI算法模型中筛选出多个适配AI算法模型。
可选的,第一筛选规则和第二筛选规则均可以为筛选出数值大小排前预设数量位的或是筛选出数值大于预设阈值的。
可见,实施该可选的实施例可以根据计算出的设备执行参数平均值和应用表现表征参数,筛选出多个适配AI算法模型和多个适配执行端,从而能够在后续实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,应用要求包括系统总能耗要求、系统总内存限制、算法总执行时间限制、算法平均预测准确率要求中的至少两种;演算模块203根据应用要求,确定动态规划算法的目标函数和限制条件的具体方式,包括:
根据应用要求,确定出目标函数为算法执行时间最小化函数和算法平均预测准确率要求最大化函数;
根据应用要求,确定出限制条件为总算法执行时间小于算法总执行时间限制、总算法内存使用量小于系统总内存限制、总算法预期能耗小于系统总能耗要求以及成本控制条件。
可见,实施该可选的实施例可以根据应用要求,确定动态规划算法的目标函数和限制条件,从而能够在后续实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,成本控制条件包括:
总算法执行时间与算法总执行时间限制之间的时间差不大于预设的时间差阈值;
总算法内存使用量与系统总内存限制之间的使用量差不大于预设的使用量差阈值;
总算法预期能耗与系统总能耗要求之间的能耗差不大于预设的能耗差阈值。
可见,实施该可选的实施例可以利用成本控制条件控制动态规划算法的算法演算成本,使得其演算不会为了最好的演算成果而耗费过多的资源。
作为一种可选的实施例,演算模块203根据目标函数和限制条件,基于动态规划算法,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略的具体方式,包括:
获取每一适配AI算法模型的算法执行参数,根据适配AI算法模型的算法执行参数,训练得到适配AI算法模型的第一算法执行预测模型;
获取每一适配执行端对应的设备执行参数,根据适配执行端对应的设备执行参数,训练得到适配执行端对应的第二算法执行预测模型;
获取多个适配AI算法模型和多个适配执行端对应的演算初始参数;
根据目标函数和限制条件,基于动态规划算法和第一算法执行预测模型和第二算法执行预测模型,输入演算初始参数,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
可选的,第一算法执行预测模型和第二算法执行预测模型均可以为神经网络模型,如CNN网络或RNN网络的模型,其训练具体的可以通过包括有执行参数和对应的算法执行表现标注的训练集训练得到。
可见,实施该可选的实施例可以训练出第一算法执行预测模型和第二算法执行预测模型,从而能够在后续辅助动态规划算法的演算,实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
作为一种可选的实施例,演算模块203根据目标函数和限制条件,基于动态规划算法和第一算法执行预测模型和第二算法执行预测模型,输入演算初始参数,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略的具体方式,包括:
根据目标函数和限制条件,以及多个适配AI算法模型对应的模型参数和多个适配执行端对应的设备参数,建立粒子群算法模型;
启动粒子群算法模型的迭代演算,在粒子群算法模型的单一粒子的状态演算中,通过第一算法执行预测模型和/或第二算法执行预测模型来预测该粒子的参数对应的粒子执行参数;粒子执行参数包括算法执行时间、算法内存使用量、算法预期能耗;
根据粒子执行参数和目标函数和限制条件,调节粒子群算法模型的迭代演算,直至演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
可见,实施该可选的实施例可以基于粒子群算法模型和第一算法执行预测模型和第二算法执行预测模型,演算出多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,从而能够实现充分利用算法参数和设备参数进行算法的智能调度,提高算法模型的执行效率和执行效果,提高算法管理的智能化程度。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于资源总线的AI算法调度系统的结构示意图。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于资源总线的AI算法调度方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于资源总线的AI算法调度方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于资源总线的AI算法调度方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种基于资源总线的AI算法调度方法,其特征在于,所述方法包括:
通过算法管理平台的资源总线获取多个AI算法模型的执行端的数据请求和数据发送情况;
根据所述数据请求和数据发送情况,计算每一所述AI算法模型对应的算法执行参数和每一所述执行端对应的设备执行参数;所述算法执行参数包括算法执行时间参数、算法可靠性参数、算法资源占用参数、算法并行性参数和算法适应性参数中的至少两种;所述设备执行参数包括设备数据发送规律、设备数据传输效率、设备算法执行能耗和设备算法执行效率中的至少两种;
获取用户输入的算法应用场景和应用要求;
根据每一所述AI算法模型的历史应用信息,确定出每一所述AI算法模型应用在所述算法应用场景的应用执行端、应用次数、所述算法执行参数和所述设备执行参数;
根据所有所述AI算法模型的所述应用执行端和对应的所述设备执行参数,确定每一所述执行端对应的所有所述设备执行参数的设备执行参数平均值;
根据所述应用次数和所述算法执行参数的加权求和计算,计算每一所述AI算法模型对应的应用表现表征参数;
根据所述设备执行参数平均值和预设的第一筛选规则,从所述多个所述执行端中筛选出多个适配执行端;
根据所述应用表现表征参数和预设的第二筛选规则,从所述多个AI算法模型中筛选出多个适配AI算法模型;
根据所述应用要求,确定动态规划算法的目标函数和限制条件;
根据所述目标函数和限制条件,基于动态规划算法,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略;
将所述最优算法执行策略推荐给用户。
2.根据权利要求1所述的基于资源总线的AI算法调度方法,其特征在于,所述应用要求包括系统总能耗要求、系统总内存限制、算法总执行时间限制、算法平均预测准确率要求中的至少两种;所述根据所述应用要求,确定动态规划算法的目标函数和限制条件,包括:
根据所述应用要求,确定出目标函数为算法执行时间最小化函数和算法平均预测准确率要求最大化函数;
根据所述应用要求,确定出限制条件为总算法执行时间小于所述算法总执行时间限制、总算法内存使用量小于系统总内存限制、总算法预期能耗小于系统总能耗要求以及成本控制条件。
3.根据权利要求2所述的基于资源总线的AI算法调度方法,其特征在于,所述成本控制条件包括:
所述总算法执行时间与所述算法总执行时间限制之间的时间差不大于预设的时间差阈值;
所述总算法内存使用量与所述系统总内存限制之间的使用量差不大于预设的使用量差阈值;
所述总算法预期能耗与所述系统总能耗要求之间的能耗差不大于预设的能耗差阈值。
4.根据权利要求2所述的基于资源总线的AI算法调度方法,其特征在于,所述根据所述目标函数和限制条件,基于动态规划算法,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,包括:
获取每一所述适配AI算法模型的算法执行参数,根据所述适配AI算法模型的算法执行参数,训练得到所述适配AI算法模型的第一算法执行预测模型;
获取每一所述适配执行端对应的设备执行参数,根据所述适配执行端对应的设备执行参数,训练得到所述适配执行端对应的第二算法执行预测模型;
获取所述多个适配AI算法模型和多个适配执行端对应的演算初始参数;
根据所述目标函数和限制条件,基于动态规划算法和所述第一算法执行预测模型和所述第二算法执行预测模型,输入所述演算初始参数,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
5.根据权利要求4所述的基于资源总线的AI算法调度方法,其特征在于,所述根据所述目标函数和限制条件,基于动态规划算法和所述第一算法执行预测模型和所述第二算法执行预测模型,输入所述演算初始参数,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略,包括:
根据所述目标函数和限制条件,以及所述多个适配AI算法模型对应的模型参数和多个适配执行端对应的设备参数,建立粒子群算法模型;
启动所述粒子群算法模型的迭代演算,在所述粒子群算法模型的单一粒子的状态演算中,通过所述第一算法执行预测模型和/或所述第二算法执行预测模型来预测该粒子的参数对应的粒子执行参数;所述粒子执行参数包括算法执行时间、算法内存使用量、算法预期能耗;
根据所述粒子执行参数和所述目标函数和所述限制条件,调节所述粒子群算法模型的迭代演算,直至演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略。
6.一种基于资源总线的AI算法调度系统,其特征在于,所述系统包括:
获取模块,用于通过算法管理平台的资源总线获取多个AI算法模型的执行端的数据请求和数据发送情况;
计算模块,用于根据所述数据请求和数据发送情况,计算每一所述AI算法模型对应的算法执行参数和每一所述执行端对应的设备执行参数;所述算法执行参数包括算法执行时间参数、算法可靠性参数、算法资源占用参数、算法并行性参数和算法适应性参数中的至少两种;所述设备执行参数包括设备数据发送规律、设备数据传输效率、设备算法执行能耗和设备算法执行效率中的至少两种;
演算模块,用于根据所述算法执行参数和所述设备执行参数,基于动态规划算法,演算出所述多个AI算法模型和多个所述执行端对应的最优算法执行策略;具体包括:
获取用户输入的算法应用场景和应用要求;
根据每一所述AI算法模型的历史应用信息,确定出每一所述AI算法模型应用在所述算法应用场景的应用执行端、应用次数、所述算法执行参数和所述设备执行参数;
根据所有所述AI算法模型的所述应用执行端和对应的所述设备执行参数,确定每一所述执行端对应的所有所述设备执行参数的设备执行参数平均值;
根据所述应用次数和所述算法执行参数的加权求和计算,计算每一所述AI算法模型对应的应用表现表征参数;
根据所述设备执行参数平均值和预设的第一筛选规则,从所述多个所述执行端中筛选出多个适配执行端;
根据所述应用表现表征参数和预设的第二筛选规则,从所述多个AI算法模型中筛选出多个适配AI算法模型;
根据所述应用要求,确定动态规划算法的目标函数和限制条件;
根据所述目标函数和限制条件,基于动态规划算法,演算出所述多个适配AI算法模型和多个适配执行端对应的最优算法执行策略;推荐模块,用于将所述最优算法执行策略推荐给用户。
7.一种基于资源总线的AI算法调度系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-5任一项所述的基于资源总线的AI算法调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310537928.2A CN116521344B (zh) | 2023-05-12 | 2023-05-12 | 一种基于资源总线的ai算法调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310537928.2A CN116521344B (zh) | 2023-05-12 | 2023-05-12 | 一种基于资源总线的ai算法调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116521344A CN116521344A (zh) | 2023-08-01 |
CN116521344B true CN116521344B (zh) | 2023-10-03 |
Family
ID=87402865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310537928.2A Active CN116521344B (zh) | 2023-05-12 | 2023-05-12 | 一种基于资源总线的ai算法调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116521344B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028525A (zh) * | 2016-06-21 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 基于差分进化算法的自适应室内调光方法及系统 |
CN108173905A (zh) * | 2017-12-07 | 2018-06-15 | 北京奇艺世纪科技有限公司 | 一种资源配置方法、装置及电子设备 |
CN108334986A (zh) * | 2018-02-06 | 2018-07-27 | 东华大学 | 一种基于可塑性机制的重调度方法的多智能体多目标优化方法 |
CN112036483A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 |
CN112990423A (zh) * | 2019-12-16 | 2021-06-18 | 华为技术有限公司 | 人工智能ai模型生成方法、系统及设备 |
CN113010435A (zh) * | 2021-04-08 | 2021-06-22 | 开易(北京)科技有限公司 | 一种算法模型的筛选方法、装置及测试平台 |
CN115269177A (zh) * | 2022-07-07 | 2022-11-01 | 中国航发四川燃气涡轮研究院 | 一种发动机模型参数动态标定优化方法 |
CN116054270A (zh) * | 2022-11-01 | 2023-05-02 | 国网北京市电力公司 | 电网调度优化方法、装置和非易失性存储介质 |
-
2023
- 2023-05-12 CN CN202310537928.2A patent/CN116521344B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028525A (zh) * | 2016-06-21 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 基于差分进化算法的自适应室内调光方法及系统 |
CN108173905A (zh) * | 2017-12-07 | 2018-06-15 | 北京奇艺世纪科技有限公司 | 一种资源配置方法、装置及电子设备 |
CN108334986A (zh) * | 2018-02-06 | 2018-07-27 | 东华大学 | 一种基于可塑性机制的重调度方法的多智能体多目标优化方法 |
CN112990423A (zh) * | 2019-12-16 | 2021-06-18 | 华为技术有限公司 | 人工智能ai模型生成方法、系统及设备 |
CN112036483A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 |
CN113010435A (zh) * | 2021-04-08 | 2021-06-22 | 开易(北京)科技有限公司 | 一种算法模型的筛选方法、装置及测试平台 |
CN115269177A (zh) * | 2022-07-07 | 2022-11-01 | 中国航发四川燃气涡轮研究院 | 一种发动机模型参数动态标定优化方法 |
CN116054270A (zh) * | 2022-11-01 | 2023-05-02 | 国网北京市电力公司 | 电网调度优化方法、装置和非易失性存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116521344A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Toka et al. | Machine learning-based scaling management for kubernetes edge clusters | |
CN110378487B (zh) | 横向联邦学习中模型参数验证方法、装置、设备及介质 | |
US8352951B2 (en) | Method and apparatus for utility-based dynamic resource allocation in a distributed computing system | |
CN109726763B (zh) | 一种信息资产识别方法、装置、设备及介质 | |
Moore et al. | Transforming reactive auto-scaling into proactive auto-scaling | |
US20070203871A1 (en) | Method and apparatus for reward-based learning of improved systems management policies | |
CN112422441B (zh) | 基于quic传输协议的拥塞控制方法和系统 | |
CN106210129B (zh) | 一种基于Web服务器配置的限流方法及系统 | |
CN111638958A (zh) | 云主机负载处理方法、装置、控制设备及存储介质 | |
US8832839B2 (en) | Assessing system performance impact of security attacks | |
WO2023169274A1 (zh) | 数据处理方法、装置、存储介质以及处理器 | |
CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
CN109376981B (zh) | 数据处理方式的确定方法、装置、服务器和数据处理方法 | |
CN114064394A (zh) | 基于边缘计算的安全监控方法、装置及终端设备 | |
CN116521344B (zh) | 一种基于资源总线的ai算法调度方法及系统 | |
CN115952398B (zh) | 基于物联网的数据上传统计计算方法、系统和存储介质 | |
CN117014389A (zh) | 算网资源配置方法及系统、电子设备、存储介质 | |
CN116760726A (zh) | 一种基于编解码算法的供应商作弊检测方法 | |
CN115296876A (zh) | 一种自适应拟态技术的网络安全预警系统 | |
CN114531253A (zh) | 一种威胁情报生成方法、设备、系统及存储介质 | |
CN114584476A (zh) | 一种流量预测方法、网络训练方法、装置及电子设备 | |
CN113448747A (zh) | 数据传输方法、装置、计算机设备和存储介质 | |
CN117170873B (zh) | 基于人工智能的资源池管理方法及系统 | |
CN111598390A (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 |
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 |