任务处理方法、装置、计算机设备、存储介质和程序产品制造方法及图纸

本申请涉及一种任务处理方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取无人机群的待处理任务；将待处理任务输入至预设联邦学习模型中进行任务处理，生成任务处理结果；预设联邦学习模型为基于预设资源配置策略对初始联邦学习模型进行训练所得到的；预设资源配置策略为采用初始联邦学习模型进行任务处理时无人机群的最小处理时延对应的资源配置策略；输出无人机群的任务处理结果。使用预设联邦学习模型进行任务处理时无人机群的处理时间较短，从而，将获取的待处理任务输入至预设联邦学习模型中进行任务处理，能够较快地生成任务处理结果。因此，采用本方法能够提高采用联邦学习模型执行待处理任务的效率。率。率。

【技术实现步骤摘要】
任务处理方法、装置、计算机设备、存储介质和程序产品


[0001]本申请涉及联邦学习
，特别是涉及一种任务处理方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]无人机具有部署快速、行动可控、网络灵活等优势，广泛应用于各领域，例如，无人机可以应用于任务处理的领域中。且随着多种多样机器学习网络在各个领域的广泛应用，在基于无人机执行待处理任务时，也可以采用联邦学习模型来提高任务处理的准确性。
[0003]在基于无人机执行待处理任务的过程中，随着无人机群规模和待处理任务规模的不断扩大，通信数据也随之不断增加。然而，在使用联邦学习模型时，需要将通信数据在各学习节点与服务器之间进行传输。
[0004]由于通信数据不断增加，因此，就会导致通信数据的传输效率及计算效率均不断降低，即导致通信数据的处理时延不断增加。那么，在采用传统的联邦学习模型执行待处理任务的过程中，随着通信数据的处理时延不断增加，就会导致联邦学习模型的性能也随之降低。最终，降低了采用联邦学习模型执行待处理任务的效率。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够采用联邦学习模型执行待处理任务的效率的任务处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种任务处理方法。所述方法包括：
[0007]获取无人机群的待处理任务；
[0008]将所述待处理任务输入至预设联邦学习模型中进行任务处理，生成任务处理结果；所述预设联邦学习模型为基于预设资源配置策略对初始联邦学习模型进行训练所得到的；所述预设资源配置策略为采用所述初始联邦学习模型进行任务处理时所述无人机群的最小处理时延对应的资源配置策略；
[0009]输出所述无人机群的任务处理结果。
[0010]在其中一个实施例中，所述无人机群包括第一类无人机及第二类无人机；所述预设联邦学习模型的生成过程，包括：
[0011]根据所述初始联邦学习模型的初始模型参数，从所述第一类无人机中确定第一类目标无人机；
[0012]根据所述第一类目标无人机中各无人机的数目与所述第一类无人机中无人机的总数之间的大小关系，确定预设资源配置策略的计算方式；
[0013]根据所述预设资源配置策略的计算方式，计算所述无人机群中各无人机的CPU频率及信号功率；
[0014]根据各无人机的CPU频率及信号功率对各所述无人机进行资源配置，并基于资源配置后的各所述无人机对所述初始联邦学习模型进行训练，生成所述预设联邦学习模型。
[0015]在其中一个实施例中，所述根据所述初始联邦学习模型的初始模型参数，从所述第一类无人机中确定第一类目标无人机，包括：
[0016]获取所述初始联邦学习模型的初始模型参数；
[0017]针对所述第一类无人机中的各无人机，根据所述初始联邦学习模型的损失函数，计算所述无人机的本地梯度；
[0018]根据所述第一类无人机的数目、所述初始模型参数、所述无人机的本地梯度及预设比例，判断所述第一类无人机中的各无人机是否满足第一类目标无人机对应的条件；所述预设比例为预设的第一类目标无人机在所述第一类无人机中的占比；
[0019]若所述无人机满足所述第一类目标无人机对应的条件，则将所述无人机作为所述第一类目标无人机。
[0020]在其中一个实施例中，所述预设资源配置策略包括第一预设资源配置策略及第二预设资源配置策略；所述根据所述第一类目标无人机中各无人机的数目与所述第一类无人机中无人机的总数之间的大小关系，确定预设资源配置策略的计算方式，包括：
[0021]获取所述第一类目标无人机中各无人机的数目；
[0022]若所述第一类目标无人机中各无人机的数目小于所述第一类无人机中无人机的总数，则将所述第一预设资源配置策略对应的计算方式确定为所述预设资源配置策略的计算方式；
[0023]若所述第一类目标无人机中各无人机的数目等于所述第一类无人机中无人机的总数，则将所述第二预设资源配置策略对应的计算方式确定为所述预设资源配置策略的计算方式。
[0024]在其中一个实施例中，所述根据所述预设资源配置策略的计算方式，计算所述无人机群中各无人机的CPU频率及信号功率，包括：
[0025]根据所述无人机群中各无人机的初始CPU频率及初始信号功率，计算所述无人机群中各无人机的处理能耗；所述处理能耗包括各所述无人机的传输能耗及各所述无人机的计算能耗；
[0026]获取所述处理能耗的第一约束条件、所述CPU频率的第二约束条件及所述信号功率的第三约束条件；
[0027]根据所述第一约束条件、所述第二约束条件、所述第三约束条件以及所述预设资源配置策略的计算方式，采用粒子群算法计算所述所述无人机群的最小处理时延；
[0028]根据所述最小处理时延确定所述无人机群中各无人机的CPU频率及信号功率。
[0029]在其中一个实施例中，若所述预设资源配置策略的计算方式包括第一计算方式及第二计算方式，则所述最小处理时延包括第一最小处理时延及第二最小处理时延；所述根据所述第一约束条件、所述第二约束条件、所述第三约束条件以及所述预设资源配置策略的计算方式，采用粒子群算法计算所述最小处理时延，包括：
[0030]若所述第一类目标无人机中各无人机的数目小于所述第一类无人机中无人机的总数，则根据所述第一约束条件、所述第二约束条件、所述第三约束条件以及所述第一预设资源配置策略对应的第一计算方式，采用粒子群算法计算所述无人机群的第一最小处理时延；
[0031]若所述第一类目标无人机中各无人机的数目等于所述第一类无人机中无人机的
总数，则根据所述第一约束条件、所述第二约束条件、所述第三约束条件以及所述第二预设资源配置策略对应的第二计算方式，采用粒子群算法计算所述无人机群的第二最小处理时延。
[0032]在其中一个实施例中，所述根据各无人机的CPU频率及信号功率对各所述无人机进行资源配置，并基于资源配置后的各所述无人机对所述初始联邦学习模型进行训练，生成所述预设联邦学习模型，包括：
[0033]根据各所述无人机的CPU频率及信号功率对所述无人机进行第一次资源配置，并基于第一次资源配置后的各所述无人机生成所述初始联邦学习模型的中间模型参数；
[0034]若所述中间模型参数不满足预设模型参数条件且迭代次数不满足预设迭代次数，则将所述中间模型参数作为新的初始模型参数进行迭代计算，生成所述无人机群中各无人机的新的CPU频率及新的信号功率；根据各无人机的新的CPU频率及新的信号功率对所述无人机进行下一次资源配置，并基于下一次资源配置后的各所述无人机生成所述初始联邦学习模型的新的中间模型参数，直到所述新的中间模型参数满足所述预设模型参数条件或迭代次数满足预设迭代次数为止；将所述新的中间模型参数作为所述初始联邦学习模型的目标模型参数；所述预设模型参数条件为所述中间模型参数趋于收敛；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种任务处理方法，其特征在于，所述方法包括：获取无人机群的待处理任务；将所述待处理任务输入至预设联邦学习模型中进行任务处理，生成任务处理结果；所述预设联邦学习模型为基于预设资源配置策略对初始联邦学习模型进行训练所得到的；所述预设资源配置策略为采用所述初始联邦学习模型进行任务处理时所述无人机群的最小处理时延对应的资源配置策略；输出所述无人机群的任务处理结果。2.根据权利要求1所述的方法，其特征在于，所述无人机群包括第一类无人机及第二类无人机；所述预设联邦学习模型的生成过程，包括：根据所述初始联邦学习模型的初始模型参数，从所述第一类无人机中确定第一类目标无人机；根据所述第一类目标无人机中各无人机的数目与所述第一类无人机中无人机的总数之间的大小关系，确定预设资源配置策略的计算方式；根据所述预设资源配置策略的计算方式，计算所述无人机群中各无人机的CPU频率及信号功率；根据各无人机的CPU频率及信号功率对各所述无人机进行资源配置，并基于资源配置后的各所述无人机对所述初始联邦学习模型进行训练，生成所述预设联邦学习模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述初始联邦学习模型的初始模型参数，从所述第一类无人机中确定第一类目标无人机，包括：获取所述初始联邦学习模型的初始模型参数；针对所述第一类无人机中的各无人机，根据所述初始联邦学习模型的损失函数，计算所述无人机的本地梯度；根据所述第一类无人机的数目、所述初始模型参数、所述无人机的本地梯度及预设比例，判断所述第一类无人机中的各无人机是否满足第一类目标无人机对应的条件；所述预设比例为预设的第一类目标无人机在所述第一类无人机中的占比；若所述无人机满足所述第一类目标无人机对应的条件，则将所述无人机作为所述第一类目标无人机。4.根据权利要求2所述的方法，其特征在于，所述预设资源配置策略包括第一预设资源配置策略及第二预设资源配置策略；所述根据所述第一类目标无人机中各无人机的数目与所述第一类无人机中无人机的总数之间的大小关系，确定预设资源配置策略的计算方式，包括：获取所述第一类目标无人机中各无人机的数目；若所述第一类目标无人机中各无人机的数目小于所述第一类无人机中无人机的总数，则将所述第一预设资源配置策略对应的计算方式确定为所述预设资源配置策略的计算方式；若所述第一类目标无人机中各无人机的数目等于所述第一类无人机中无人机的总数，则将所述第二预设资源配置策略对应的计算方式确定为所述预设资源配置策略的计算方式。5.根据权利要求2所述的方法，其特征在于，所述根据所述预设资源配置策略的计算方
式，计算所述无人机群中各无人机的CPU频率及信号功率，包括：根据所述无人机群中各无人机的初始CPU频率及初始信号功率，计算所述无人机群中各无人机的处理能耗；所述处理能耗包括各所述无人机的传输能耗及各所述无人机的计算能耗；获取所述处理能耗的第一约束条件、所述CPU频率的第二约束条件及所述信号功率的第三约束条件；根据所述第一约束条件、所述第二约束条件、所述第三约束条件以及所述预设资源配置策略的计算方式，采用粒子群算法计算所述无人机群的最小处理时延；根据所述最小处理时延确定所述无人机群中各无人机的CPU频率及信号功率。6.根据权利要求5所述的方法，其特征在于，若所述预设资源配置策略的计算方式包括第一计算方式及第二计算方式，则所述最小处理时延包括第一最小处理时延及第二最小处理时延；所述根据所述第一约束条件、所述第二约束条件、所述第三约束条件以及所述预设资源配置策略的计算方式，采用粒子群算法计算所述最小处理时延，包括：若所述第一类目标无人机中各无人机的数目小于所述第一类无人机中无人机的总数，则根据所述第一约束条件、所述第二约束条件、所述第三约束条件以及所述第一预设资源配置策略对应的第一计算方式，采用粒子群算法计算所述无人机群的第一最小处理时延；若所述第一类目标无人机中...

【专利技术属性】
技术研发人员：杜军，江炳青，侯向往，夏照越，张华蕾，
申请(专利权)人：清华大学，
类型：发明
国别省市：