本发明专利技术涉及人工智能领域，公开了一种参数优化方法、装置、计算机设备及可读存储介质，包括：将目标参数的值及在值下的反馈信息的流量值整合成历史散点，汇总历史散点得到散点图；通过回归模型对散点图进行运算得到回归直线或回归曲线；根据回归直线或回归曲线计算目标模型的极值并将极值对应目标参数的值设为初始数据，将目标对象的目标参数的值修改为初始数据；采集目标对象在试验期间内的迭代反馈信息，并根据目标参数和迭代反馈信息对目标参数的值进行迭代处理，直至获得的目标参数的值满足目标模型的收敛条件并将其作为目标对象的目标参数。本发明专利技术实现了获得最大程度适应历史散点和当前环境最优的目标参数的技术效果。散点和当前环境最优的目标参数的技术效果。散点和当前环境最优的目标参数的技术效果。
【技术实现步骤摘要】
一种参数优化方法、装置、计算机设备及可读存储介质
[0001]本专利技术涉及人工智能的机器学习
，尤其涉及一种参数优化方法、装置、计算机设备及可读存储介质。
技术介绍
[0002]随着互联网的高速发展，很多目标对象(诸如：设备、商业产品、金融产品等)的参数优化通常也会采用计算机模型，对其进行优化运算以得到用户所需的最优参数。
[0003]当前的技术通常是采用基于历史数据对参数进行分析，获得历史数据中最优的参数并将其作为目标对象的优化参数，然而专利技术人意识到，这种方式仅能够获得基于历史数据的最优的优化参数，而无法获得基于历史数据和当前环境下获得最优的优化参数，导致参数优化不精准。
技术实现思路
[0004]本专利技术的目的是提供一种参数优化方法、装置、计算机设备及可读存储介质，用于解决现有技术存在的无法获得基于历史数据和当前环境下获得最优的优化参数，导致参数优化不精准的问题。
[0005]为实现上述目的，本专利技术提供一种基于机器学习的参数优化方法，包括：
[0006]获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；
[0007]通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；
[0008]通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。
[0009]上述方案中，所述获取目标对象的目标参数和反馈信息之前，所述方法还包括：
[0010]轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象。
[0011]上述方案中，所述轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象的步骤包括：
[0012]将从平台系统的表现层中获取业务信息，并根据所述业务信息从所述平台系统的数据访问层中获取所述业务信息的反馈信息；
[0013]判断所述反馈信息的流量值是否符合所述平衡策略；
[0014]若是，则将所述业务信息设为目标对象；
[0015]若否，则从所述表现层中获取下一业务信息。
[0016]上述方案中，所述判断所述反馈信息的流量值是否符合所述平衡策略的步骤，包括：
[0017]提取所述平衡策略中预定义的流量阈值；
[0018]判断所述流量值是否大于或等于所述流量阈值；
[0019]若是，则判定所述流量值符合所述平衡策略；
[0020]若否，则判定所述流量值不符合所述平衡策略。
[0021]上述方案中，所述目标模型是用于描述指定目标与所述目标参数和所述反馈信息之间函数关系的计算机模型，所述目标模型的目标函数为：
[0022]f(x)＝(x
n
‑
y)
×
z
n
[0023]其中，f(x)是指所述指定目标的值，x
n
是指当前迭代变量，即所述目标参数的值，y是预置的阈值参数，z指的是反馈信息的流量值。
[0024]上述方案中，所述通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理的步骤，包括：
[0025]执行监听进程，用于识别修改所述目标参数的值的时间并将所述时间设为起点时间，以所述起点时间为起点并以预置的时间间隔为时间跨度构建所述试验期间，并监听所述目标对象在所述试验期间内的迭代反馈信息；
[0026]提取所述目标参数的值并将其作为第一数据；执行迭代进程，用以通过所述机器学习模型根据所述第一数据和所述迭代反馈信息的流量值，对所述第一数据进行迭代处理得到第二数据；
[0027]通过所述目标模型运算所述第一数据得到第一目标值，及运算所述第二数据得到第二目标值，判断所述第二目标值与所述第一目标值之间的差值是否低于预置的判断阈值；若是，则判定所述第二数据满足所述目标模型的收敛条件；若否，则将所述目标参数的值修改为所述第二数据，并执行所述监听进程；
[0028]所述判定所述第二数据满足所述目标模型的收敛条件之后，所述方法还包括：
[0029]将所述第二数据上传至区块链中。
[0030]上述方案中，所述迭代进程的步骤包括：
[0031]将所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，载入所述机器学习模型的迭代公式中得到转换公式；
[0032]将所述第一数据和所述迭代反馈信息的流量值录入所述转换公式，并运行所述机器学习模型得到第二数据。
[0033]为实现上述目的，本专利技术还提供一种基于机器学习的参数优化装置，其特征在于，包括：
[0034]散点构建模型，用于获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；
[0035]函数构建模型，用于通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值
之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；
[0036]迭代优化模型，用于通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。
[0037]为实现上述目的，本专利技术还提供一种计算机设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机设备的处理器执行所述计算机程序时实现上述参数优化方法的步骤。
[0038]为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述参数优化方法的步骤。
[0039]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的参数优化方法，其特征在于，包括：获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。2.根据权利要求1所述的参数优化方法，其特征在于，所述获取目标对象的目标参数和反馈信息之前，所述方法还包括：轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象。3.根据权利要求2所述的参数优化方法，其特征在于，所述轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象的步骤包括：将从平台系统的表现层中获取业务信息，并根据所述业务信息从所述平台系统的数据访问层中获取所述业务信息的反馈信息；判断所述反馈信息的流量值是否符合所述平衡策略；若是，则将所述业务信息设为目标对象；若否，则从所述表现层中获取下一业务信息。4.根据权利要求3所述的参数优化方法，其特征在于，所述判断所述反馈信息的流量值是否符合所述平衡策略的步骤，包括：提取所述平衡策略中预定义的流量阈值；判断所述流量值是否大于或等于所述流量阈值；若是，则判定所述流量值符合所述平衡策略；若否，则判定所述流量值不符合所述平衡策略。5.根据权利要求1所述的参数优化方法，其特征在于，所述目标模型是用于描述指定目标与所述目标参数和所述反馈信息之间函数关系的计算机模型，所述目标模型的目标函数为：f(x)＝(x
n
‑
y)
×
z
n
其中，f(x)是指所述指定目标的值，x
n
是指当前迭代变量，即所述目标参数的值，y是预置的阈值参数，z指的是反馈信息的流量值。6.根据权利要求1所述的参数优化方法，其特征在于，所述通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述...
【专利技术属性】
技术研发人员：张焱凯，吴梦颖，张景逸，
申请(专利权)人：平安国际融资租赁有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。