CN118193151A - 基于群体智能的分布式工业任务协同调度方法及系统 - Google Patents
基于群体智能的分布式工业任务协同调度方法及系统 Download PDFInfo
- Publication number
- CN118193151A CN118193151A CN202410032687.0A CN202410032687A CN118193151A CN 118193151 A CN118193151 A CN 118193151A CN 202410032687 A CN202410032687 A CN 202410032687A CN 118193151 A CN118193151 A CN 118193151A
- Authority
- CN
- China
- Prior art keywords
- device cluster
- intelligent device
- log
- running log
- running
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 108
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000009776 industrial production Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 175
- 238000013528 artificial neural network Methods 0.000 claims description 76
- 230000010076 replication Effects 0.000 claims description 55
- 238000005457 optimization Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 42
- 238000013139 quantization Methods 0.000 claims description 31
- 238000005065 mining Methods 0.000 claims description 21
- 230000002441 reversible effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005728 strengthening Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 32
- 230000008569 process Effects 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 30
- 230000008859 change Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供的基于群体智能的分布式工业任务协同调度方法及系统,所述方法包括:获取拟进行工业生产线协同调度分析的目标智能设备集群运行日志,所述目标智能设备集群运行日志包括目标分布式任务状态数据;将所述目标智能设备集群运行日志录入完成调试的分布式协同调度决策网络,输出所述目标智能设备集群运行日志匹配目标调度策略模式的可行性评分,所述分布式协同调度决策网络依据联动训练代价算法优化所得。所述方法可以自适应地匹配目标调度策略模式并输出可行性评分,增强了调度过程的灵活性和精确性。当生产线需要扩展或缩小时,只需调整决策网络即可,显示出良好的可扩展性。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种基于群体智能的分布式工业任务协同调度方法及系统。
背景技术
随着工业生产的复杂性和规模不断增大,如何有效地进行生产线调度以提高生产效率、降低成本并满足多变的市场需求,已经成为一项重要的挑战。传统的调度方法往往依赖于人工经验和静态的规划策略,缺乏灵活性和适应性,难以应对生产过程中的各种突发情况。
此外,随着工业4.0理念的深入推广,智能制造、智能工厂等新型生产模式的实施,对生产线调度的精准性和实时性要求越来越高。传统的调度方法往往无法满足这些要求,因此需要开发出新的调度方法。
发明内容
为了改善上述问题,本发明提供了一种基于群体智能的分布式工业任务协同调度方法及系统。
第一方面,提供一种基于群体智能的分布式工业任务协同调度方法,应用于AI协同调度系统,所述方法包括:
获取拟进行工业生产线协同调度分析的目标智能设备集群运行日志,所述目标智能设备集群运行日志包括目标分布式任务状态数据;
将所述目标智能设备集群运行日志录入完成调试的分布式协同调度决策网络,输出所述目标智能设备集群运行日志匹配目标调度策略模式的可行性评分,所述分布式协同调度决策网络依据联动训练代价算法优化所得。
在一些可能的实施例中,依据联动训练代价算法优化所述分布式协同调度决策网络的步骤包括:
获取网络优化示例集,每个网络优化示例包括智能设备集群运行日志示例、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志和所述智能设备集群运行日志示例的先验学习知识,所述智能设备集群运行日志示例包括第一智能设备集群运行日志示例和第二智能设备集群运行日志示例,所述第二智能设备集群运行日志示例匹配目标调度策略模式;
针对所述网络优化示例集中的每一网络优化示例,以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为分布式协同调度决策网络的录入信息,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,所述分布式协同调度决策网络用于基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志,生成所述智能设备集群运行日志示例的运行日志复述文本,并基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本确定所述可行性评分;
根据复述任务中得到的所述智能设备集群运行日志示例的运行状态残差语义向量与所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,生成第一神经网络训练代价算法,基于所述智能设备集群运行日志示例的运行日志复述文本和所述智能设备集群运行日志示例,生成第二神经网络训练代价算法,所述第一神经网络训练代价算法用于约束所述网络优化示例集中第一智能设备集群运行日志示例的运行状态残差语义向量与第一智能设备集群运行日志示例的运行状态残差语义向量之间的量化差异,并增大所述网络优化示例集中第二智能设备集群运行日志示例的运行状态残差语义向量与第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量之间的量化差异,所述第二神经网络训练代价算法用于约束所述第一智能设备集群运行日志示例的文本复述训练代价并增大所述第二智能设备集群运行日志示例的文本复述训练代价;
基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法、所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,对所述分布式协同调度决策网络的网络参量进行优化,直至符合网络优化达标要求,得到完成调试的分布式协同调度决策网络。
在一些可能的实施例中,所述分布式协同调度决策网络包括第一决策分支组件和第二决策分支组件,所述第一决策分支组件包括状态特征挖掘核和状态特征处理核,所述以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为分布式协同调度决策网络的录入信息,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,包括:
以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为所述状态特征挖掘核的录入信息,输出所述智能设备集群运行日志示例的运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量;
以所述智能设备集群运行日志示例的运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量为所述状态特征处理核的录入信息,输出所述智能设备集群运行日志示例的第u阶运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的第u阶运行状态残差语义向量,以及,输出所述智能设备集群运行日志示例的运行日志复述文本,u为大于等于1且小于等于X的整数,所述X为所述状态特征处理核的金字塔可逆子网的总阶数;
通过所述第二决策分支组件,基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分。
在一些可能的实施例中,所述第一决策分支组件还包括语义升级单元,所述方法还包括:
将所述网络优化示例集中的每个智能设备集群运行日志示例录入所述语义升级单元,输出所述智能设备集群运行日志示例的运行状态残差强化语义向量和所述智能设备集群运行日志示例的第u阶运行状态残差强化语义向量;
将所述智能设备集群运行日志示例中第二智能设备集群运行日志示例的运行状态残差语义向量更新成所述第二智能设备集群运行日志示例的运行状态残差强化语义向量,将所述第二智能设备集群运行日志示例的第u阶运行状态残差语义向量更新成所述第二智能设备集群运行日志示例的第u阶运行状态残差强化语义向量。
在一些可能的实施例中,所述语义升级单元用于:
提取所述智能设备集群运行日志示例的目标分布式任务状态高亮文本,根据与生成所述第一神经网络训练代价算法使用的对应阶的高亮文本的文本框大小对所述智能设备集群运行日志示例的目标分布式任务状态高亮文本进行尺寸调整,得到目标高亮文本;
在设定运算值象限内任取一变量Q,如果所述Q大于预配值,则基于所述目标高亮文本采用第一语义升级规则进行语义升级,如果所述Q小于或等于预配值,则基于所述目标高亮文本采用第二语义升级规则进行语义升级。
在一些可能的实施例中,所述第二决策分支组件包括调度模式判别单元和调度模式匹配单元,所述通过所述第二决策分支组件,基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,包括:
将所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本录入所述调度模式判别单元,所述调度模式判别单元基于所述智能设备集群运行日志示例、所述智能设备集群运行日志示例的运行日志复述文本、所述调度模式判别单元提取的金字塔状态语义关系网、所述状态特征挖掘核对应的全连接层和所述状态特征处理核的金字塔可逆子网对应的全连接层,确定第一可行性识别标签;
将所述智能设备集群运行日志示例的运行状态残差语义向量、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述金字塔状态语义关系网录入所述调度模式匹配单元,所述调度模式匹配单元对所述金字塔状态语义关系网进行语义下采样,得到金字塔下采样语义关系网,所述调度模式匹配单元基于所述智能设备集群运行日志示例的运行状态残差语义向量、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述金字塔下采样语义关系网,确定第二可行性识别标签;
将所述第一可行性识别标签和所述第二可行性识别标签进行基于权重的运算处理,得到所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分并输出。
在一些可能的实施例中,所述根据复述任务中得到的所述智能设备集群运行日志示例的运行状态残差语义向量与所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,生成第一神经网络训练代价算法,包括:
基于所述智能设备集群运行日志示例中第二智能设备集群运行日志示例的运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,计算第一语义量化差异;
基于所述智能设备集群运行日志示例中第一智能设备集群运行日志示例的运行状态残差语义向量、所述第一智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述智能设备集群运行日志示例中第一智能设备集群运行日志示例的个数,计算第二语义量化差异;
将所述第二语义量化差异与第一运算值的比例确定为所述第一神经网络训练代价算法,所述第一运算值为所述第一语义量化差异和设定网络参量的和。
在一些可能的实施例中,所述基于所述智能设备集群运行日志示例的运行日志复述文本和所述智能设备集群运行日志示例,生成第二神经网络训练代价算法,包括:
如果所述智能设备集群运行日志示例为第一智能设备集群运行日志示例,将所述第一智能设备集群运行日志示例和所述第一智能设备集群运行日志示例的运行日志复述文本之间交叉熵代价确定为第二神经网络训练代价算法;
如果所述智能设备集群运行日志示例为第二智能设备集群运行日志示例,基于所述第二智能设备集群运行日志示例的运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量、所述第二智能设备集群运行日志示例的第u阶运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的第u阶运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志、所述第二智能设备集群运行日志示例的运行日志复述文本和所述状态特征挖掘核的高亮文本与所述状态特征处理核的金字塔可逆子网的高亮文本,生成第二神经网络训练代价算法。
在一些可能的实施例中,所述基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法、所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,对所述分布式协同调度决策网络的网络参量进行优化,包括:
基于所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,生成第三神经网络训练代价算法;
基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法和所述第三神经网络训练代价算法的全局运算结果,得到第四神经网络训练代价算法;
基于所述第四神经网络训练代价算法,逆向优化所述分布式协同调度决策网络的网络参量。
第二方面,提供一种AI协同调度系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现第一方面所述的方法。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现第一方面所述的方法。
本发明实施例所提供的基于群体智能的分布式工业任务协同调度方法及系统,通过录入运行日志到已调试完成的决策网络中,系统可以自适应地匹配目标调度策略模式并输出可行性评分,增强了调度过程的灵活性和精确性。联动训练代价算法进一步优化了调度结果,使得生产线运行更为高效。当生产线需要扩展或缩小时,只需调整决策网络即可,显示出良好的可扩展性。可见,上述技术方案提升了工业生产线的运行效率和灵活性,对优化生产管理具有重要意义。
此外,可通过优化分布式协同调度决策网络的网络参量使得网络优化示例集中所有第一智能设备集群运行日志示例的运行状态残差语义向量之间的量化差异尽量一致而第二智能设备集群运行日志示例的运行状态残差语义向量与第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量之间的量化差异尽量区分开,并扩大第二智能设备集群运行日志示例的运行日志复述文本和第二智能设备集群运行日志示例之间的文本复述区别,进而使得分布式协同调度决策网络对第一智能设备集群运行日志示例的文本复述区别较小的同时对第二智能设备集群运行日志示例的文本复述区别较大,这样能够确保分布式协同调度决策网络对新样本的适应性,确保对新的目标调度策略模式的匹配分析精度。
进一步地,通过增加语义升级单元,能够实现扰动示例的生成,以帮助分布式协同调度决策网络实现对实际示例的掌握,从而进一步扩大第一/第二智能设备集群运行日志示例的运行状态残差语义向量之间的量化差异,以保障分布式工业任务协同调度决策的合理性和可解释性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例所提供的一种基于群体智能的分布式工业任务协同调度方法的流程图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
图1示出一种基于群体智能的分布式工业任务协同调度方法,应用于AI协同调度系统,所述方法包括以下步骤110-步骤120。
步骤110、获取拟进行工业生产线协同调度分析的目标智能设备集群运行日志,所述目标智能设备集群运行日志包括目标分布式任务状态数据。
步骤120、将所述目标智能设备集群运行日志录入完成调试的分布式协同调度决策网络,输出所述目标智能设备集群运行日志匹配目标调度策略模式的可行性评分,所述分布式协同调度决策网络依据联动训练代价算法优化所得。
在本发明实施例中,群体智能是一种新型的计算智能范式,它模拟自然界中昆虫、鸟类和鱼类等动物群体的集体行为,解决复杂的问题。基于群体智能的分布式工业任务协同调度技术就是利用这种智能方式,优化去中心化的工业生产线的运行。
在此类系统中,每一个工业生产单元可以看作是群体智能系统中的一个个体,它们各自独立地进行任务调度决策,并通过相互协作来完成整体目标。每个单元都具备一定的智能性,能够根据环境变化和任务需求自优化策略,实现动态优化。
首先,基于群体智能的协同调度可以提高时效性。群体智能强调的是并行性和分布式处理,这使得调度过程能够快速响应,适应生产线的实时变化,减少生产延迟。
其次,该技术增加了生产线调度的灵活性。由于群体智能系统中的每一个个体都可以自优化和决策,这使得整个系统能够在不同的条件下寻找到最优解,对生产线进行高效的调度。
此外,基于群体智能的分布式工业任务协同调度技术还具有很好的可扩展性。因为每个生产单元都是独立的个体,所以当生产线需要扩大时,只需要增加新的生产单元,并让它们加入到现有的群体智能系统中即可。
总的来说,基于群体智能的分布式工业任务协同调度技术通过模拟自然界动物的集体行为,实现了去中心化的工业生产线的优化调度,提高了调度的时效性、灵活性和可扩展性。
在上述内容的基础上,下面对步骤110和步骤120进行示例性介绍。
在步骤110和步骤120中,目标智能设备集群运行日志是收集自工业生产线中的智能设备集群的运行信息,如设备状态、故障记录、工作负载等,用于对设备的运行情况进行实时监控和后续分析。目标分布式任务状态数据部分数据记录了工业生产线上的各项任务的状态信息,如任务完成情况、资源占用情况等,可以帮助系统了解整体生产线的工作状况。完成调试的分布式协同调度决策网络是一个预先训练好并经过调试的神经网络模型,它能够接收目标智能设备集群运行日志作为输入,然后输出与目标调度策略模式相匹配的可行性评分。目标调度策略模式是预定的工业生产线调度策略,包括但不限于任务优先级设置、资源分配策略、设备维护策略等。可行性评分反映了当前的运行日志与目标调度策略模式的匹配程度,分数越高表示该策略在当前情况下的实施可能性越大。
比如,在一个汽车生产线上,每个智能设备都会生成运行日志,包括自身的状态、已完成的任务等信息。这些日志和任务状态数据被录入到协同调度决策网络中,网络通过预训练的算法分析这些数据,并根据预设的调度策略模式给出一个可行性评分。如果评分较高,说明当前的生产状态与预设的策略相匹配,可以按照此策略进行调度。
在另一些示例性应用场景下,在一个自动化工厂中,有各种智能设备如机器人臂、传送带、打印机等组成的设备集群。每一台设备在运行过程中都会生成目标智能设备集群运行日志。
例如,一个机器人臂可以记录其在生产过程中的速度、精度、功耗、温度等信息;传送带可以记录其运行速度、负载量、故障次数等信息;打印机可以记录其打印质量、墨盒消耗、纸张使用等信息。所有这些数据都被收集并整合为设备运行日志,用于实时监控和后续分析。
同时,这些设备在完成各自的任务时,也会生成目标分布式任务状态数据。比如,机器人臂在完成一项装配任务后,会生成包括任务开始时间、结束时间、是否成功完成、遇到的问题等信息的任务状态数据;传送带在运输产品时,也会生成包括传输开始和结束时间、传输数量、是否顺利传输等信息的任务状态数据。
这些目标智能设备集群运行日志和目标分布式任务状态数据,共同为协同调度决策网络提供了输入数据,帮助其对工业生产线进行更有效的调度和优化。
上述技术方案技术方案是基于群体智能来优化工业生产线的协同调度。其有益效果主要表现在以下几个方面:
(1)实时性:由于直接获取智能设备集群的运行日志和分布式任务状态数据,该方案可以实时反映生产线上各设备的工作状态和任务执行情况,从而做出及时有效的调度决策;
(2)灵活性:通过分布式协同调度决策网络的应用,该方案能够自适应地匹配目标调度策略模式,并给出可行性评分,进一步增加了调度过程的灵活性,能够针对不同情况制定最合适的调度策略;
(3)准确性:借助联动训练代价算法,分布式协同调度决策网络可以更精确地优化调度结果,使得每一台设备的工作效率都得到最大化,整个生产线的运行更为高效;
(4)可扩展性:当生产线需要扩大或缩小时,只需要调整分布式协同调度决策网络,无需改变整个系统架构,因此具有很好的可扩展性;
(5)提高生产效率:通过实时、灵活、准确的调度,可以最大限度地减少设备的空闲时间和故障时间,提高生产效率。
总结起来,上述技术方案的有益效果体现在提供实时、灵活和准确的生产线调度。通过录入运行日志到已调试完成的决策网络中,系统可以自适应地匹配目标调度策略模式并输出可行性评分,增强了调度过程的灵活性和精确性。联动训练代价算法进一步优化了调度结果,使得生产线运行更为高效。当生产线需要扩展或缩小时,只需调整决策网络即可,显示出良好的可扩展性。可见,上述技术方案提升了工业生产线的运行效率和灵活性,对优化生产管理具有重要意义。
在一些可能的实施例中,依据联动训练代价算法优化所述分布式协同调度决策网络的步骤包括步骤210-步骤240。
步骤210、获取网络优化示例集,每个网络优化示例包括智能设备集群运行日志示例、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志和所述智能设备集群运行日志示例的先验学习知识,所述智能设备集群运行日志示例包括第一智能设备集群运行日志示例和第二智能设备集群运行日志示例,所述第二智能设备集群运行日志示例匹配目标调度策略模式。
在步骤210中,网络优化示例集是一组用于训练和优化决策网络的数据集。例如,它可能包括多个智能设备在不同工作条件下的运行日志。
智能设备集群运行日志示例是指在实际生产过程中收集的智能设备的运行日志。例如,一个机器人臂的运行日志可以记录其速度、精度、功耗等信息。
初始智能设备集群运行日志是指在没有任何调度策略应用时的智能设备运行日志。例如,在启动生产线前,记录下的设备运行状态就可以视为初始运行日志。
先验学习知识是指已经从过去的经验或数据中学习到的知识,它可以被用来预测或推断未知情况。例如,通过对历史运行日志的分析,可能了解到某种特定的设备状态可能导致更高的故障率。
第一智能设备集群运行日志示例(正样本)是一种运行日志示例,它符合目标调度策略模式,可以被视为正面的训练样本。例如,如果目标调度策略是优化能耗,那么一个能耗低的设备运行日志就可以被视为正样本。
第二智能设备集群运行日志示例(负样本):相反,这是一种不符合目标调度策略模式的运行日志示例,可以被视为负面的训练样本。在上述例子中,一个能耗高的设备运行日志就可以被视为负样本。
步骤220、针对所述网络优化示例集中的每一网络优化示例,以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为分布式协同调度决策网络的录入信息,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,所述分布式协同调度决策网络用于基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志,生成所述智能设备集群运行日志示例的运行日志复述文本,并基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本确定所述可行性评分。
在步骤220中,运行日志复述文本是从原始的运行日志数据中提取并生成的可读性更强,便于理解的描述性文本。这个过程通常涉及到对原始日志数据进行语义分析和解释。
例如,有一条原始的运行日志如下:
2022-01-01,12:00:00Device_1status:running;CPU load:75%;Memory usage:60%。
该条记录表明在2022年1月1日的12点时,名为“Device_1”的设备正在运行,CPU负载为75%,内存使用率为60%。
运行日志复述文本可以将这条记录转化为更易理解的形式,比如:在2022年1月1日的中午12点,设备1正在正常运行。它的CPU负载达到了75%,内存使用率则为60%。
这样的复述使得非专业人士也能理解设备的运行状况,而不仅仅是IT专业人员或系统管理员。在大规模的智能设备集群管理中,这种运行日志复述文本能够帮助操作员快速理解设备的运行状态,从而进行有效的决策和调度。
步骤230、根据复述任务中得到的所述智能设备集群运行日志示例的运行状态残差语义向量与所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,生成第一神经网络训练代价算法,基于所述智能设备集群运行日志示例的运行日志复述文本和所述智能设备集群运行日志示例,生成第二神经网络训练代价算法,所述第一神经网络训练代价算法用于约束所述网络优化示例集中第一智能设备集群运行日志示例的运行状态残差语义向量与第一智能设备集群运行日志示例的运行状态残差语义向量之间的量化差异,并增大所述网络优化示例集中第二智能设备集群运行日志示例的运行状态残差语义向量与第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量之间的量化差异,所述第二神经网络训练代价算法用于约束所述第一智能设备集群运行日志示例的文本复述训练代价并增大所述第二智能设备集群运行日志示例的文本复述训练代价。
在步骤230中,运行状态残差语义向量是对智能设备集群运行日志示例及其初始运行日志进行处理和分析后得到的语义向量。它可以捕捉到运行状态的变化(即“残差”),并用向量的形式表达这些变化的语义信息。
第一神经网络训练代价算法(第一训练损失函数)在神经网络训练过程中,用于量化模型预测的运行状态残差语义向量与实际运行状态残差语义向量之间的差异的函数。通过最小化这个损失函数,可以使得网络生成的运行状态残差语义向量更接近实际的运行状态,从而提高模型的预测准确性。
第二神经网络训练代价算法(第二训练损失函数)在神经网络训练过程中,用于量化模型生成的运行日志复述文本与实际运行日志示例之间的差异的函数。通过最小化这个损失函数,可以使得模型生成的运行日志复述文本更准确地反映实际的运行情况,从而提高模型的复述质量。
量化差异是通过数学计算,量化两个对象(如运行状态残差语义向量)之间的差异。例如,可以通过计算欧氏距离或余弦相似度等方式来量化两个语义向量之间的差异。
文本复述训练代价是指在进行文本复述任务时,神经网络模型需要承担的代价。通常,这种代价会与模型的性能(如复述的准确性、一致性等)以及训练效率(如收敛速度、计算资源消耗等)有关。文本复述训练代价还可以理解为在神经网络训练过程中,用于量化模型生成的运行日志复述文本与实际运行日志示例之间的差异的函数。通过最小化这个损失函数,可以使得模型生成的运行日志复述文本更准确地反映实际的运行情况,从而提高模型的复述质量。这种损失函数可能包含多个部分,例如考虑复述的准确性(模型复述的内容是否正确)和流畅性(模型复述的文本是否易于理解)。
步骤240、基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法、所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,对所述分布式协同调度决策网络的网络参量进行优化,直至符合网络优化达标要求,得到完成调试的分布式协同调度决策网络。
在步骤240中,网络参量是神经网络模型的内部变量,通常包括权重和偏置等。通过训练数据进行学习优化这些参量,可以改善模型的性能。网络优化达标要求是预先设定的网络优化目标,可以是具体的损失函数值、精度指标或者其他性能指标。只有当网络模型达到这些要求时,才认为网络优化任务完成。例如,可以设定训练损失需要低于某个阈值,或者复述文本的准确率需要高于某个百分比等。
下面通过一个完整示例来介绍步骤210-步骤240。
首先,需要收集一个网络优化示例集。例如,从一个智能设备集群中收集运行日志数据。假设有两种类型的设备,因此收集了两种类型的运行日志,分别为日志示例1和日志示例2。同时,也记录了这些设备开始运行时的初始日志。
然后,对于示例集中的每一个网络优化示例,将其作为输入数据,输入到分布式协同调度决策网络中。例如,可以使用深度神经网络模型,将日志示例1和对应的初始日志作为输入,输出的则是匹配目标调度策略模式的可行性评分(如使用softmax函数计算概率)。同时,该网络还会生成复述的运行日志文本。然后,基于这个复述文本和原始的日志示例,确定可行性评分。
在这一步,生成两个训练损失函数。第一训练损失函数是基于运行状态残差语义向量的,比如可以使用均方误差(MSE)来度量预测的残差语义向量和实际的残差语义向量之间的差异,公式如下:
L1=1/N*Σ(y_true-y_pred)^2;
其中y_true是实际的残差语义向量,y_pred是预测的残差语义向量,N是总的样本数。
第二训练损失函数则是基于运行日志复述文本的,可以使用交叉熵损失(Cross-EntropyLoss)来度量复述文本和实际文本之间的差异,公式如下:
L2=-1/N*Σ[y_true*log(y_pred)+(1-y_true)*log(1-y_pred)];
其中y_true是实际的文本标签(通常用0和1表示),y_pred是复述文本的预测标签。
最后,将这两个训练损失函数、可行性评分以及先验学习知识结合起来,对网络的参数进行优化。优化方法可以使用梯度下降(Gradient Descent)或者其变种,如随机梯度下降(SGD)、Adam等。当模型的性能达到设定的标准(如损失函数值低于某个阈值或者复述质量高于某个阈值)时,就可以认为这个分布式协同调度决策网络已经完成调试。
应用上述实施例,可通过优化分布式协同调度决策网络的网络参量使得网络优化示例集中所有第一智能设备集群运行日志示例的运行状态残差语义向量之间的量化差异尽量一致而第二智能设备集群运行日志示例的运行状态残差语义向量与第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量之间的量化差异尽量区分开,并扩大第二智能设备集群运行日志示例的运行日志复述文本和第二智能设备集群运行日志示例之间的文本复述区别,进而使得分布式协同调度决策网络对第一智能设备集群运行日志示例的文本复述区别较小的同时对第二智能设备集群运行日志示例的文本复述区别较大,这样能够确保分布式协同调度决策网络对新样本的适应性,确保对新的目标调度策略模式的匹配分析精度。
可见,通过约束第一智能设备集群运行日志示例的运行状态残差语义向量之间的量化差异,并增大第二智能设备集群运行日志示例的运行状态残差语义向量与初始智能设备集群运行日志的运行状态残差语义向量之间的量化差异,可以提高神经网络模型对不同类型设备运行状态的分辨率。这使得网络可以更好地适应新样本,进而提高其匹配新的目标调度策略模式的精度。通过增大第二智能设备集群运行日志示例的运行日志复述文本和原始日志示例之间的文本复述区别,可以保证网络对于第二类型设备(需要匹配目标调度策略模式的设备)生成更具特征性、更易于理解的复述文本。同时,对于第一类型设备,网络生成的复述文本区别较小,这样可以避免对那些并未发生重大变化的设备引入过多的复述差异,从而确保了复述文本的质量。通过联动训练代价算法对网络参量进行优化,网络的泛化能力得到了提升。
在一些示例性实施例中,所述分布式协同调度决策网络包括第一决策分支组件和第二决策分支组件,所述第一决策分支组件包括状态特征挖掘核和状态特征处理核。基于此,步骤220以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为分布式协同调度决策网络的录入信息,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,包括步骤221-步骤223。
步骤221、以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为所述状态特征挖掘核的录入信息,输出所述智能设备集群运行日志示例的运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量。
步骤222、以所述智能设备集群运行日志示例的运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量为所述状态特征处理核的录入信息,输出所述智能设备集群运行日志示例的第u阶运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的第u阶运行状态残差语义向量,以及,输出所述智能设备集群运行日志示例的运行日志复述文本,u为大于等于1且小于等于X的整数,所述X为所述状态特征处理核的金字塔可逆子网的总阶数。
步骤223、通过所述第二决策分支组件,基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分。
其中,第一决策分支组件和第二决策分支组件是分布式协同调度决策网络中的两个主要部分。第一决策分支组件主要负责处理状态特征,而第二决策分支组件则基于处理后的特征进行决策。状态特征挖掘核和状态特征处理核是第一决策分支组件中的两个核心部分,负责从输入信息中挖掘状态特征,并对这些特征进行处理。运行状态残差语义向量是一个由状态特征挖掘核输出的向量,用于表示设备运行状态的变化。第u阶运行状态残差语义向量是由状态特征处理核输出的一个向量,它表示在某个级别(阶)上设备运行状态的变化。
接下来,以一个具体的例子来说明这个技术方案:有一个智能设备集群,其运行日志被记录下来并作为网络优化示例。这些运行日志和初始的运行日志被送入状态特征挖掘核,该核心的任务是从日志中提取出表征设备运行状态变化的特征,并生成运行状态残差语义向量。
然后,这些运行状态残差语义向量被送入状态特征处理核。假设设置金字塔可逆子网的总阶数X为3,那么处理核将会输出三阶的运行状态残差语义向量,即第1阶、第2阶和第3阶运行状态残差语义向量。同时,处理核也会生成运行日志的复述文本。
最后,这些信息(原始运行日志、复述文本以及各阶次的运行状态残差语义向量)被送入第二决策分支组件。该组件将基于这些信息,输出每个智能设备集群运行日志示例匹配目标调度策略模式的可行性评分。这个评分可以通过softmax函数计算得到,公式如下:
score=exp(scores)/sum(exp(scores));
其中,scores是由第二决策分支组件输出的原始评分。这样,就可以得到每个设备的可行性评分,用于进一步的决策或优化操作。
在另一些示例中,金字塔可逆子网可以理解为反卷积子网。这是因为,反卷积操作常被用于上采样(Upsampling),使得特征图在空间维度(高和宽)上增大。在深度学习领域,反卷积通常被应用于全卷积网络(FCN)中,以实现语义分割等任务。
反卷积,或者称为转置卷积(Transposed Convolution),其实质并不是卷积运算的逆操作,而是卷积操作的一个变种。它先将输入进行上采样(通常是插入零),然后再进行普通的卷积操作。
例如,有一个2x2的输入:
[1,2];
[3,4]。
在进行反卷积之前,先进行上采样,比如在每个元素周围填充一圈0:
[0,0,0,0];
[0,1,0,2];
[0,0,0,0];
[0,3,0,4];
[0,0,0,0]。
然后使用一个3x3的卷积核来进行卷积操作,就可以得到一个更大的输出。
通过这样的方式,反卷积能够把低分辨率的特征图映射到高分辨率的空间,同时保持了空间信息,使得网络能够对原始输入的空间结构有更好的理解。这在许多任务中是非常重要的,比如物体检测、语义分割等。在上述实施例中,状态特征处理核利用了反卷积操作,生成了不同阶次的运行状态残差语义向量。这些向量捕获了不同尺度上的状态变化信息,从而为决策提供了更丰富的依据。
应用上述实施例,通过引入状态特征挖掘核和状态特征处理核,该方案能够从设备运行日志中提取出有意义的特征,并将这些特征转化为运行状态残差语义向量。基于这些向量,第二决策分支组件可以生成匹配目标调度策略模式的可行性评分,从而辅助做出更加精确的决策。状态特征处理核利用金字塔可逆子网(反卷积子网)生成不同阶次的运行状态残差语义向量,这些向量捕获了设备运行状态在不同尺度上的变化信息。因此,即使某一尺度上的信息被噪声干扰,其他尺度上的信息仍可以为决策提供有用的依据,从而增强了模型的鲁棒性。除了生成运行状态残差语义向量外,状态特征处理核还会生成运行日志的复述文本。这种复述文本可以帮助更好地理解设备的运行状态,从而提高模型的解释性。通过学习生成可行性评分,模型不仅可以处理在训练阶段见过的设备运行日志,还可以对新的设备运行日志进行有效的决策。这使得模型具有很好的泛化能力,可以应对多种未知的设备运行状况。可见,通过综合利用深度学习和卷积神经网络技术,有效地解决了分布式协同调度问题,为智能设备集群的管理和优化提供了有力的支持。
在一些示例中,所述第一决策分支组件还包括语义升级单元。基于此,所述方法还包括步骤310-步骤320。
步骤310、将所述网络优化示例集中的每个智能设备集群运行日志示例录入所述语义升级单元,输出所述智能设备集群运行日志示例的运行状态残差强化语义向量和所述智能设备集群运行日志示例的第u阶运行状态残差强化语义向量。
步骤320、将所述智能设备集群运行日志示例中第二智能设备集群运行日志示例的运行状态残差语义向量更新成所述第二智能设备集群运行日志示例的运行状态残差强化语义向量,将所述第二智能设备集群运行日志示例的第u阶运行状态残差语义向量更新成所述第二智能设备集群运行日志示例的第u阶运行状态残差强化语义向量。
在上述示例中,第一决策分支组件是分布式协同调度决策网络中的一个主要部分,它包括状态特征挖掘核、状态特征处理核和新引入的语义升级单元。语义升级单元是第一决策分支组件中新引入的一个模块,其功能是对运行状态残差语义向量进行强化,生成运行状态残差强化语义向量。运行状态残差强化语义向量是语义升级单元输出的向量,它对原始的运行状态残差语义向量进行了强化,以更好地表示设备运行状态的变化。第u阶运行状态残差强化语义向量是由语义升级单元输出的一个向量,它对原始的第u阶运行状态残差语义向量进行了强化。
接下来,将以一个具体的例子来说明这个技术方案:有一个智能设备集群,其运行日志被记录下来并作为网络优化示例。这些运行日志被送入状态特征挖掘核和状态特征处理核,经过处理后,得到了运行状态残差语义向量以及不同阶次的运行状态残差语义向量。
接着,这些语义向量被送入语义升级单元。假设选择一种强化方法,比如对原始语义向量进行正则化(即将向量除以其L2范数)。公式可以表示为:v_strong=v/||v||;
其中,v是原始的运行状态残差语义向量,v_strong是强化后的运行状态残差强化语义向量,||·||表示L2范数。
通过这样的处理,得到了运行状态残差强化语义向量以及不同阶次的运行状态残差强化语义向量。这些向量能够更好地表达设备运行状态的变化。
最后,将第二智能设备集群运行日志示例的运行状态残差语义向量以及对应的各阶次运行状态残差语义向量更新为强化后的语义向量。
如此设计,语义升级单元通过强化原始的运行状态残差语义向量,使得新的向量能够更好地表达设备运行状态的变化,从而提升了决策的精度。强化语义向量对原始信息进行了正则化处理,这样可以减少不必要的噪声干扰,使模型在面对各种复杂环境时仍能保持稳定的表现。通过更新第二智能设备集群运行日志示例的运行状态残差语义向量为强化语义向量,模型能够更好地适应新的设备运行状况,进一步提升其泛化能力。
在另一些可能的实施例中,所述语义升级单元用于:提取所述智能设备集群运行日志示例的目标分布式任务状态高亮文本,根据与生成所述第一神经网络训练代价算法使用的对应阶的高亮文本的文本框大小对所述智能设备集群运行日志示例的目标分布式任务状态高亮文本进行尺寸调整,得到目标高亮文本;在设定运算值象限内任取一变量Q,如果所述Q大于预配值,则基于所述目标高亮文本采用第一语义升级规则进行语义升级,如果所述Q小于或等于预配值,则基于所述目标高亮文本采用第二语义升级规则进行语义升级。
其中,目标分布式任务状态高亮文本是智能设备集群运行日志示例中的一个部分,特别突出了目标分布式任务的状态。第一语义升级规则和第二语义升级规则是语义升级单元中的两种不同的语义升级方法。具体使用哪一种取决于设定运算值象限内任取的一变量Q与预配值的大小关系。
接下来,将以一个具体的例子来说明这个技术方案:有一个智能设备集群,其运行日志被记录下来并作为网络优化示例。在每个运行日志示例中,都包含一个描述目标分布式任务状态的高亮文本。这些高亮文本首先被送入语义升级单元进行尺寸调整,使得其尺寸与生成第一神经网络训练代价算法使用的对应阶的高亮文本的文本框大小相匹配。
接着,在设定运算值象限内任取一变量Q。假设设置预配值为0.5。如果Q大于0.5,则采用第一语义升级规则进行语义升级;如果Q小于或等于0.5,则采用第二语义升级规则进行语义升级。具体的升级规则可能涉及到对原始文本进行某种变换,例如,第一语义升级规则可能包括添加特定的词汇或短语,而第二语义升级规则可能包括替换某些词汇或短语。
这样一来,通过处理高亮文本,语义升级单元可以将关键信息更加直观地呈现出来,从而帮助更好地理解设备的运行状态和决策过程。引入了两种不同的语义升级规则,使得模型能够根据具体情况灵活地调整其处理方式,从而在面对各种复杂环境时仍能保持稳定的表现。语义升级单元能够通过处理和强化高亮文本,提取出更多有用的信息,从而帮助模型做出更加精确的决策。
在另一些示例中,所述第二决策分支组件包括调度模式判别单元和调度模式匹配单元。基于此,步骤223中的通过所述第二决策分支组件,基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,包括步骤2231-步骤2233。
步骤2231、将所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本录入所述调度模式判别单元,所述调度模式判别单元基于所述智能设备集群运行日志示例、所述智能设备集群运行日志示例的运行日志复述文本、所述调度模式判别单元提取的金字塔状态语义关系网、所述状态特征挖掘核对应的全连接层和所述状态特征处理核的金字塔可逆子网对应的全连接层,确定第一可行性识别标签。
步骤2232、将所述智能设备集群运行日志示例的运行状态残差语义向量、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述金字塔状态语义关系网录入所述调度模式匹配单元,所述调度模式匹配单元对所述金字塔状态语义关系网进行语义下采样,得到金字塔下采样语义关系网,所述调度模式匹配单元基于所述智能设备集群运行日志示例的运行状态残差语义向量、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述金字塔下采样语义关系网,确定第二可行性识别标签。
步骤2233、将所述第一可行性识别标签和所述第二可行性识别标签进行基于权重的运算处理,得到所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分并输出。
在上述实施例中,调度模式判别单元是第二决策分支组件中的一个模块,其功能是基于输入信息确定第一可行性识别标签。调度模式匹配单元也是第二决策分支组件中的一个模块,其功能是基于输入信息确定第二可行性识别标签。金字塔状态语义关系网是由调度模式判别单元提取的一个结构,用于表达设备运行状态之间的语义关系。金字塔下采样语义关系网是由调度模式匹配单元通过对金字塔状态语义关系网进行语义下采样得到的一个结构。
接下来,以一个具体的例子来说明这个技术方案:有一个智能设备集群,其运行日志被记录下来并作为网络优化示例。这些运行日志及其复述文本首先被送入调度模式判别单元。在这个单元中,基于输入信息以及从状态特征挖掘核和状态特征处理核得到的全连接层,提取出金字塔状态语义关系网,并确定第一可行性识别标签。
接着,运行状态残差语义向量、初始运行日志的运行状态残差语义向量以及金字塔状态语义关系网被送入调度模式匹配单元。在这个单元中,首先对金字塔状态语义关系网进行语义下采样,得到金字塔下采样语义关系网。然后,基于输入信息和金字塔下采样语义关系网,确定第二可行性识别标签。
最后,将第一可行性识别标签和第二可行性识别标签进行基于权重的运算处理,得到智能设备集群运行日志示例匹配目标调度策略模式的可行性评分。假设权重为w,那么计算公式可以表示为:
score=w*label_1+(1-w)*label_2;
其中,label_1是第一可行性识别标签,label_2是第二可行性识别标签,score是最终的可行性评分。
如此,通过引入调度模式判别单元和调度模式匹配单元,该方案能够从不同的角度评估设备运行日志示例与目标调度策略模式的匹配程度,从而提升了决策的精度。调度模式匹配单元通过对金字塔状态语义关系网进行下采样,使得模型在面对复杂的语义关系时仍能保持稳定的表现。基于权重的运算处理使得决策过程更加清晰,提高了模型的解释性。该方案将判别和匹配两个步骤分开处理,使得模型具有更好的泛化能力,能够应对多种未知的设备运行状况。
进一步地,金字塔下采样语义关系网也可以被理解为金字塔下采样语义特征图。这是一个在计算机视觉和深度学习领域中常见的概念,通常用于提取并保留不同尺度上的重要信息。
金字塔这个词来自于它的结构:在网络的最底部,有原始的输入,它包含了最详细、最精细的信息;然后随着网络层级的增加,特征图的尺寸会逐渐减小,同时每个像素点会包含越来越多的周围环境信息,这就形成了一个金字塔状的结构。
在此背景下,下采样就是通过某种方式(比如最大池化或卷积步长大于1)降低特征图的分辨率,从而减少计算量和模型复杂性。虽然这个过程会丢失一些细节信息,但是如果设计得当,可以让模型学会保留最重要的语义信息。因此,金字塔下采样语义关系网或金字塔下采样语义特征图就是一种能够在不同尺度上捕获和保留关键语义信息的结构。例如,在上述示例中,调度模式匹配单元通过对金字塔状态语义关系网进行下采样,得到了金字塔下采样语义关系网,这个网络保留了设备运行日志示例在不同尺度上的关键信息,从而帮助模型做出更好的决策。
在一些可替换的实施例中,步骤230中的根据复述任务中得到的所述智能设备集群运行日志示例的运行状态残差语义向量与所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,生成第一神经网络训练代价算法,包括步骤231-步骤233。
步骤231、基于所述智能设备集群运行日志示例中第二智能设备集群运行日志示例的运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,计算第一语义量化差异。
步骤232、基于所述智能设备集群运行日志示例中第一智能设备集群运行日志示例的运行状态残差语义向量、所述第一智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述智能设备集群运行日志示例中第一智能设备集群运行日志示例的个数,计算第二语义量化差异。
步骤233、将所述第二语义量化差异与第一运算值的比例确定为所述第一神经网络训练代价算法,所述第一运算值为所述第一语义量化差异和设定网络参量的和。
在上述示例中,语义量化差异是一个衡量两个语义向量之间差异的度量。它可以基于任何合适的距离或相似度度量来计算,例如欧氏距离、余弦相似度等。
接下来,以一个具体的例子来说明这个技术方案:有一个智能设备集群,其运行日志被记录下来并作为网络优化示例。这些运行日志及其对应的初始运行日志都包含了运行状态残差语义向量。
在步骤231中,基于第二智能设备集群运行日志示例的运行状态残差语义向量以及其对应的初始运行日志的运行状态残差语义向量,计算出第一语义量化差异。假设选择使用欧氏距离作为度量,那么计算公式可以表示为:d1=||v2-v2_initial||;
其中,v2是第二智能设备集群运行日志示例的运行状态残差语义向量,v2_initial是对应的初始运行日志的运行状态残差语义向量,||·||表示L2范数。
在步骤232中,基于第一智能设备集群运行日志示例的运行状态残差语义向量、其对应的初始运行日志的运行状态残差语义向量以及第一智能设备集群运行日志示例的个数,计算出第二语义量化差异。具体的计算方法可以根据实际需求来选择,例如,如果希望考虑到样本数量的影响,那么可以使用平均欧氏距离作为度量。
最后,在步骤233中,将第二语义量化差异与第一运算值的比例确定为第一神经网络训练代价算法。第一运算值为第一语义量化差异和设定网络参数的和。公式可以表示为:
cost=d2/(d1+p);
其中,d2是第二语义量化差异,d1是第一语义量化差异,p是设定的网络参数,cost是最终的代价值。
这样一来,通过计算语义量化差异并将其用于代价函数,可以更直接地度量模型的性能,从而提高训练效率。该方案考虑了多个因素(如设备运行日志示例的数量)的影响,使得模型在面对各种复杂环境时仍能保持稳定的表现。该方案引入了语义量化差异,使得模型能够更好地捕捉和学习设备运行状态的变化,从而提升了模型的精度。
在另一些可能的实施例中,步骤230所描述的基于所述智能设备集群运行日志示例的运行日志复述文本和所述智能设备集群运行日志示例,生成第二神经网络训练代价算法,包括步骤230a或者步骤230b。
步骤230a、如果所述智能设备集群运行日志示例为第一智能设备集群运行日志示例,将所述第一智能设备集群运行日志示例和所述第一智能设备集群运行日志示例的运行日志复述文本之间交叉熵代价确定为第二神经网络训练代价算法。
步骤230b、如果所述智能设备集群运行日志示例为第二智能设备集群运行日志示例,基于所述第二智能设备集群运行日志示例的运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量、所述第二智能设备集群运行日志示例的第u阶运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的第u阶运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志、所述第二智能设备集群运行日志示例的运行日志复述文本和所述状态特征挖掘核的高亮文本与所述状态特征处理核的金字塔可逆子网的高亮文本,生成第二神经网络训练代价算法。
在上述实施例中,交叉熵代价是一种损失函数,应用于分类问题。它可以衡量模型预测的概率分布与实际分布之间的差异。运行状态残差语义向量是描述设备运行状态的一种向量表示。残差指的是预测值和实际值之间的差异,而语义则强调这个向量捕获了设备运行状态的某些重要特征。
接下来,以一个具体的例子来说明这个技术方案:有一个智能设备集群,其运行日志被记录下来并作为网络优化示例。这些运行日志及其复述文本都包含了运行状态残差语义向量。
在步骤230a中,如果正在处理的是第一智能设备集群运行日志示例,那么会将该日志示例和对应的运行日志复述文本之间的交叉熵代价确定为第二神经网络训练代价算法。交叉熵可以通过以下公式计算:H(p,q)=-Σp(x)log(q(x));
其中,p是实际分布,q是预测分布。
在步骤230b中,如果正在处理的是第二智能设备集群运行日志示例,那么会基于该日志示例的各种信息(包括运行状态残差语义向量、初始运行日志、复述文本以及状态特征挖掘核和状态特征处理核的高亮文本等)来生成第二神经网络训练代价算法。具体的生成方法可能涉及到多个因素的综合考虑,例如,可能会先分别计算各个部分的损失,然后按一定权重进行组合。
这样一来,该方案根据不同类型的日志示例采用了不同的代价函数,这使得模型能够更加精确地评估其性能,从而提高训练效率。该方案能够自动地调整代价函数,使其适应不同类型的日志示例,这增强了模型的适应性。该方案引入了运行状态残差语义向量,使得模型能够更好地捕捉和学习设备运行状态的变化,从而提升了模型的精度。
在一些可能的设计思路下,步骤240中的基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法、所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,对所述分布式协同调度决策网络的网络参量进行优化,包括步骤241-步骤243。
步骤241、基于所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,生成第三神经网络训练代价算法。
步骤242、基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法和所述第三神经网络训练代价算法的全局运算结果,得到第四神经网络训练代价算法。
步骤243、基于所述第四神经网络训练代价算法,逆向优化所述分布式协同调度决策网络的网络参量。
在上述实施例中,第三神经网络训练代价算法是一个计算模型在训练过程中损失函数或代价函数的方法。它通过比较预测值和实际值之间的差异来评估模型的性能。第四神经网络训练代价算法是根据前面几个代价算法的全局运算结果得到的新的代价算法。
接下来,将以一个具体的例子来说明这个技术方案:有一个智能设备集群,其运行日志被记录下来并作为网络优化示例。这些运行日志及其复述文本都包含了运行状态残差语义向量。
在步骤241中,基于智能设备集群运行日志示例的可行性评分和先验学习知识,生成第三神经网络训练代价算法。这可能涉及到一个利用先验知识和可行性评分来定义新的代价函数的过程。
在步骤242中,基于第一、第二和第三神经网络训练代价算法的全局运算结果,得到第四神经网络训练代价算法。这可能涉及到一个对前三个代价函数进行某种组合或优化的过程,以得到一个新的、更有效的代价函数。
最后,在步骤243中,基于第四神经网络训练代价算法,对分布式协同调度决策网络的网络参数进行逆向优化。这是指通过反向传播算法来更新网络参数,以最小化第四神经网络训练代价算法得到的代价值。具体的更新公式可以表示为:
其中,θ是网络参数,η是学习率,是代价函数J关于θ的梯度。/>
如此设计,通过生成并使用多个代价算法,可以从不同的角度度量模型的性能,从而提高训练效率。该方案利用了智能设备集群运行日志示例的可行性评分和先验学习知识,使得模型在面对复杂环境时仍能保持稳定的表现。该方案引入了运行状态残差语义向量,使得模型能够更好地捕捉和学习设备运行状态的变化,从而提升了模型的精度。
在上述基础上,提供了一种AI协同调度系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现上述的方法。
在上述基础上,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现上述的方法。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于群体智能的分布式工业任务协同调度方法,其特征在于,应用于AI协同调度系统,所述方法包括:
获取拟进行工业生产线协同调度分析的目标智能设备集群运行日志,所述目标智能设备集群运行日志包括目标分布式任务状态数据;
将所述目标智能设备集群运行日志录入完成调试的分布式协同调度决策网络,输出所述目标智能设备集群运行日志匹配目标调度策略模式的可行性评分,所述分布式协同调度决策网络依据联动训练代价算法优化所得。
2.根据权利要求1所述的方法,其特征在于,依据联动训练代价算法优化所述分布式协同调度决策网络的步骤包括:
获取网络优化示例集,每个网络优化示例包括智能设备集群运行日志示例、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志和所述智能设备集群运行日志示例的先验学习知识,所述智能设备集群运行日志示例包括第一智能设备集群运行日志示例和第二智能设备集群运行日志示例,所述第二智能设备集群运行日志示例匹配目标调度策略模式;
针对所述网络优化示例集中的每一网络优化示例,以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为分布式协同调度决策网络的录入信息,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,所述分布式协同调度决策网络用于基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志,生成所述智能设备集群运行日志示例的运行日志复述文本,并基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本确定所述可行性评分;
根据复述任务中得到的所述智能设备集群运行日志示例的运行状态残差语义向量与所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,生成第一神经网络训练代价算法,基于所述智能设备集群运行日志示例的运行日志复述文本和所述智能设备集群运行日志示例,生成第二神经网络训练代价算法,所述第一神经网络训练代价算法用于约束所述网络优化示例集中第一智能设备集群运行日志示例的运行状态残差语义向量与第一智能设备集群运行日志示例的运行状态残差语义向量之间的量化差异,并增大所述网络优化示例集中第二智能设备集群运行日志示例的运行状态残差语义向量与第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量之间的量化差异,所述第二神经网络训练代价算法用于约束所述第一智能设备集群运行日志示例的文本复述训练代价并增大所述第二智能设备集群运行日志示例的文本复述训练代价;
基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法、所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,对所述分布式协同调度决策网络的网络参量进行优化,直至符合网络优化达标要求,得到完成调试的分布式协同调度决策网络。
3.根据权利要求2所述的方法,其特征在于,所述分布式协同调度决策网络包括第一决策分支组件和第二决策分支组件,所述第一决策分支组件包括状态特征挖掘核和状态特征处理核,所述以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为分布式协同调度决策网络的录入信息,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,包括:
以所述网络优化示例中的智能设备集群运行日志示例和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志为所述状态特征挖掘核的录入信息,输出所述智能设备集群运行日志示例的运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量;
以所述智能设备集群运行日志示例的运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量为所述状态特征处理核的录入信息,输出所述智能设备集群运行日志示例的第u阶运行状态残差语义向量和所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的第u阶运行状态残差语义向量,以及,输出所述智能设备集群运行日志示例的运行日志复述文本,u为大于等于1且小于等于X的整数,所述X为所述状态特征处理核的金字塔可逆子网的总阶数;
通过所述第二决策分支组件,基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分。
4.根据权利要求3所述的方法,其特征在于,所述第一决策分支组件还包括语义升级单元,所述方法还包括:
将所述网络优化示例集中的每个智能设备集群运行日志示例录入所述语义升级单元,输出所述智能设备集群运行日志示例的运行状态残差强化语义向量和所述智能设备集群运行日志示例的第u阶运行状态残差强化语义向量;
将所述智能设备集群运行日志示例中第二智能设备集群运行日志示例的运行状态残差语义向量更新成所述第二智能设备集群运行日志示例的运行状态残差强化语义向量,将所述第二智能设备集群运行日志示例的第u阶运行状态残差语义向量更新成所述第二智能设备集群运行日志示例的第u阶运行状态残差强化语义向量。
5.根据权利要求4所述的方法,其特征在于,所述语义升级单元用于:
提取所述智能设备集群运行日志示例的目标分布式任务状态高亮文本,根据与生成所述第一神经网络训练代价算法使用的对应阶的高亮文本的文本框大小对所述智能设备集群运行日志示例的目标分布式任务状态高亮文本进行尺寸调整,得到目标高亮文本;
在设定运算值象限内任取一变量Q,如果所述Q大于预配值,则基于所述目标高亮文本采用第一语义升级规则进行语义升级,如果所述Q小于或等于预配值,则基于所述目标高亮文本采用第二语义升级规则进行语义升级。
6.根据权利要求3所述的方法,其特征在于,所述第二决策分支组件包括调度模式判别单元和调度模式匹配单元,所述通过所述第二决策分支组件,基于所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本,输出所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分,包括:
将所述智能设备集群运行日志示例和所述智能设备集群运行日志示例的运行日志复述文本录入所述调度模式判别单元,所述调度模式判别单元基于所述智能设备集群运行日志示例、所述智能设备集群运行日志示例的运行日志复述文本、所述调度模式判别单元提取的金字塔状态语义关系网、所述状态特征挖掘核对应的全连接层和所述状态特征处理核的金字塔可逆子网对应的全连接层,确定第一可行性识别标签;
将所述智能设备集群运行日志示例的运行状态残差语义向量、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述金字塔状态语义关系网录入所述调度模式匹配单元,所述调度模式匹配单元对所述金字塔状态语义关系网进行语义下采样,得到金字塔下采样语义关系网,所述调度模式匹配单元基于所述智能设备集群运行日志示例的运行状态残差语义向量、所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述金字塔下采样语义关系网,确定第二可行性识别标签;
将所述第一可行性识别标签和所述第二可行性识别标签进行基于权重的运算处理,得到所述智能设备集群运行日志示例匹配所述目标调度策略模式的可行性评分并输出。
7.根据权利要求2所述的方法,其特征在于,所述根据复述任务中得到的所述智能设备集群运行日志示例的运行状态残差语义向量与所述智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,生成第一神经网络训练代价算法,包括:
基于所述智能设备集群运行日志示例中第二智能设备集群运行日志示例的运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量,计算第一语义量化差异;
基于所述智能设备集群运行日志示例中第一智能设备集群运行日志示例的运行状态残差语义向量、所述第一智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量和所述智能设备集群运行日志示例中第一智能设备集群运行日志示例的个数,计算第二语义量化差异;
将所述第二语义量化差异与第一运算值的比例确定为所述第一神经网络训练代价算法,所述第一运算值为所述第一语义量化差异和设定网络参量的和。
8.根据权利要求3所述的方法,其特征在于,所述基于所述智能设备集群运行日志示例的运行日志复述文本和所述智能设备集群运行日志示例,生成第二神经网络训练代价算法,包括:
如果所述智能设备集群运行日志示例为第一智能设备集群运行日志示例,将所述第一智能设备集群运行日志示例和所述第一智能设备集群运行日志示例的运行日志复述文本之间交叉熵代价确定为第二神经网络训练代价算法;
如果所述智能设备集群运行日志示例为第二智能设备集群运行日志示例,基于所述第二智能设备集群运行日志示例的运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的运行状态残差语义向量、所述第二智能设备集群运行日志示例的第u阶运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志的第u阶运行状态残差语义向量、所述第二智能设备集群运行日志示例对应的初始智能设备集群运行日志、所述第二智能设备集群运行日志示例的运行日志复述文本和所述状态特征挖掘核的高亮文本与所述状态特征处理核的金字塔可逆子网的高亮文本,生成第二神经网络训练代价算法。
9.根据权利要求2所述的方法,其特征在于,所述基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法、所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,对所述分布式协同调度决策网络的网络参量进行优化,包括:
基于所述智能设备集群运行日志示例的可行性评分和所述智能设备集群运行日志示例的先验学习知识,生成第三神经网络训练代价算法;
基于所述第一神经网络训练代价算法、所述第二神经网络训练代价算法和所述第三神经网络训练代价算法的全局运算结果,得到第四神经网络训练代价算法;
基于所述第四神经网络训练代价算法,逆向优化所述分布式协同调度决策网络的网络参量。
10.一种AI协同调度系统,其特征在于,所述AI协同调度系统包括包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032687.0A CN118193151A (zh) | 2024-01-09 | 2024-01-09 | 基于群体智能的分布式工业任务协同调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032687.0A CN118193151A (zh) | 2024-01-09 | 2024-01-09 | 基于群体智能的分布式工业任务协同调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118193151A true CN118193151A (zh) | 2024-06-14 |
Family
ID=91402548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032687.0A Pending CN118193151A (zh) | 2024-01-09 | 2024-01-09 | 基于群体智能的分布式工业任务协同调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118193151A (zh) |
-
2024
- 2024-01-09 CN CN202410032687.0A patent/CN118193151A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245741A (zh) | 多层神经网络模型的优化和应用方法、装置及存储介质 | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
US20200167659A1 (en) | Device and method for training neural network | |
Cheng et al. | Evolutionary support vector machine inference system for construction management | |
US11556785B2 (en) | Generation of expanded training data contributing to machine learning for relationship data | |
CN111768004A (zh) | 一种基于智能计算框架的模型自适应方法及系统 | |
CN114548591B (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
Ibragimovich et al. | Effective recognition of pollen grains based on parametric adaptation of the image identification model | |
CN116627503A (zh) | 神经网络模型的编译方法、优化模型的训练方法和装置 | |
CN117668563B (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
Emsia et al. | Economic growth prediction using optimized support vector machines | |
CN112580798A (zh) | 基于多输入多输出ResNet的设备智能预警方法 | |
CN115409217A (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
WO2023070274A1 (en) | A method and an apparatus for continual learning | |
CN118193151A (zh) | 基于群体智能的分布式工业任务协同调度方法及系统 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
US20230297837A1 (en) | Method for automated determination of a model compression technique for compression of an artificial intelligence-based model | |
CN110210518B (zh) | 提取降维特征的方法和装置 | |
Skakalina | Investigation of intelligent technologies for formation forecasting models | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
US20230289563A1 (en) | Multi-node neural network constructed from pre-trained small networks | |
US20220405599A1 (en) | Automated design of architectures of artificial neural networks | |
CN114168320B (zh) | 基于隐式空间映射的端到端边缘智能模型搜索方法和系统 | |
Borgaro | Combining coarse-and fine-grained DNAS for TinyML | |
Li et al. | State representation learning for multi-agent deep deterministic policy gradient |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |