一种基于可微分网络架构搜索的任务分配最优化方法技术

本发明专利技术公开了一种基于可微分网络架构搜索的任务分配最优化方法，包括以下步骤：一、任务拆分与组合；二、构建搜索空间和架构参数；三、可微分设计；四、模型的计算和loss，任务的优化，需要考虑三个方面，第一，任务收益最大化，第二，任务人力最小化，第三，任务资源最小化。本发明专利技术可通过可微分的方式以及多任务训练，对可拆分任务，可以达到人员分配，资源分配和收益最大化的一个最优衡量。和收益最大化的一个最优衡量。和收益最大化的一个最优衡量。

【技术实现步骤摘要】
一种基于可微分网络架构搜索的任务分配最优化方法


[0001]本专利技术涉及automl资源优化、任务分配领域，特别涉及一种基于可微分网络架构搜索的任务分配最优化方法。

技术介绍

[0002]2016年以来，automl技术在不断发展，特别在2018年后，各类关于自动调参，自动搜索的论文在各大顶会作为研究的重心之一,NAS作为automl的分支之一,有着其重要的作用，通常NAS是被用作搜索神经网络架构，主要过程是通过定义搜索空间，通过某种搜索策略得到一个最优化网络架构。
[0003]对于一个项目或者说任务，通常我们需要去探究，如何安排人力，如何去分配资源，如何去达到最大的效益或者把任务做的更好。所以这往往需要安排的人有足够的项目经验和任务分配经验，是否能够通过一些方式，智能化的为任务分配人力和资源，使得任务完成的更加优秀。NAS的不断发展可以很好的解决这个问题。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于可微分网络架构搜索的任务分配最优化方法，通过一种可微分的方式，探究一种可行的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可微分网络架构搜索的任务分配最优化方法，其特征在于，包括以下步骤：一、任务拆分与组合：这里可实现的前提是任务可以被拆分成N个互不影响的子任务，具体的拆分方式根据实际任务的不同可定制不同拆分规则，由于任务离散化，所以可以将任务看成神经网络的一层，将子任务堆叠起来；二、构建搜索空间和架构参数这里假设每个子任务分配人数从1开始，不断递增1，最大为4人，这样设置一般可以满足大部分任务，这里用向量表示记为：a＝[a1，a2，a3，a4]；为a分配同纬度的资源记为：b＝[b1，b2，b3，b4]，则分配给a1个人，b1资源的收益可记为那么关于收益向量可以记为：构建好这些评估向量后，于是可以为评估向量设计同纬度的架构参数，记为数，记为三、可微分设计由于这里的架构参数是离散化的，所以不能进行微分操作，于是借鉴了一个离散化转可微分的一个常用方式Gumbel
‑
Softmax Trick，通过引入了Gumbel分布和softmax将网络架构参数进行重参数化，使得可以随着网络可微分；值得一提的是，加入了一种新的任务经验的先验样本分布，使得重参数初始化更好，具体的操作方式如下：Stepl：通过网络输出值，假设为n维的向量a，生成一个和a同维度的独立样本[b1，b2
…
，bn]，这里的样本分布是根据往年类似任务经验总结的；Step2：通过公式
‑
log(
‑
log(b
i
))计算得到c
i
；Step3：对应相加得到新向量a＝[a1+c1，...，a
n
+c
n
]；Step4：通过softmax公式计算得到最终结果，softmax公式如公式...

【专利技术属性】
技术研发人员：方徐伟，谢巍盛，李慧，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：