一种自动化多维度计算的资源配置方法和系统技术方案

本发明专利技术提供一种自动化多维度计算的资源配置方法，首先根据计算任务的特征和需求，根据配置算法选取策略选取不少于两个的配置算法；根据机器学习和优化算法，确定配置算法的配置参数；将选取的不少于两个的配置算法，采用融合特征的方法两两交叉进行配置算法模型的融合，得到融合后的配置算法；将融合后的配置算法得到的资源配置结果，按照计算规则和权重分配策略，进行综合加权，以得到最终资源配置结果；根据资源配置结果进行计算，实时监控计算结果，并根据配置算法选取策略进行配置算法的切换，并重复上述步骤得到最终资源配置结果；本发明专利技术通过复合计算的方法，融合多个配置算法，并实时进行配置算法的调整，多维度提升计算的效率和准确性

【技术实现步骤摘要】
一种自动化多维度计算的资源配置方法和系统


[0001]本专利技术资源配置领域，特别是指一种自动化多维度计算的资源配置方法和系统
。

技术介绍

[0002]目前的资源配置中方法较为单一，且不能够根据计算任务不同时期的特点和需求进行实时调整和改变，计算效率和准确性较低，导致不能够满足客户需求
。

技术实现思路

[0003]本专利技术的主要目的在于克服现有技术中的上述缺陷，提出种自动化多维度计算的资源配置方法和系统，通过复合计算的方法，融合多个配置算法，且配置算法的选取结合计算任务的特点和需求，并根据计算任务的变化，实时进行配置算法的调整，多维度提升计算的效率和准确性
。
[0004]本专利技术采用的技术方案，
[0005]一种自动化多维度计算的资源配置方法，包括；
[0006]S1
：根据计算任务的特征和需求，根据配置算法选取策略选取不少于两个的配置算法；
[0007]S2
：根据机器学习和优化算法，通过分析历史数据和模型训练，确定配置算法的配置参数；
[0008]S3
：将选取的不少于两个的配置算法，采用融合特征的方法两两交叉进行配置算法模型的融合，得到融合后的配置算法；
[0009]S4
：将融合后的配置算法得到的资源配置结果，按照计算规则和权重分配策略，进行综合加权，以得到最终资源配置结果；
[0010]S5
：根据资源配置结果进行计算，实时监控计算结果，并根据配置算法选取策略进行配置算法的切换，并重复步骤
S2
‑
S4。
[0011]具体地，所述根据计算任务的特征和需求，具体包括但不限于：计算复杂性
、
数据规模
、
计算量
、
并行性
、
计算任务所需的计算资源
。
[0012]具体地，所述配置算法选取策略具体为：
[0013]首先根据不同算法的特点
、
适用场景和性能指标，确定配置算法库；
[0014]针对不同的计算任务，对配置算法库中的配置算法进行性能评估和测试，包括计算时间
、
资源利用率和准确性等指标；
[0015]根据评估结果，对配置算法进行优化和调整；
[0016]利用实验数据和实际应用场景进行验证，最终确定不同计算任务对应的配置算法；
[0017]根据不同计算任务对应的配置算法确定配置算法选取策略
。
[0018]具体地，所述配置算法选取策略还包括对配置算法的评估，评估指标包括但不限于准确率
、
召回率
、
计算时间以及内存消耗
。
[0019]具体地，根据机器学习和优化算法，通过分析历史数据和模型训练，确定配置算法的配置参数，所述机器学习和优化算法包括但不限于，支持向量机
、
决策树以及深度神经网络模型
。
[0020]具体地，将选取的不少于两个的配置算法，采用融合特征的方法两两交叉进行配置算法模型的融合，得到融合后的配置算法，具体为：
[0021]选取第一配置算法和第二配置算法，第一配置算法和第二配置算法并行计算，并将第一配置算法和第二配置算法的结果加权平均后，利用加权平均后的结果校准第一配置算法，得到融合后的第一配置算法；
[0022]第一配置算法和第二配置算法并行计算，并将第二配置算法和第一配置算法的结果进行加权平均后，利用平均后的结果校准第二配置算法，得到融合后的第二配置算法
。
[0023]具体地，将融合后的配置算法得到的资源配置结果，按照计算规则和权重分配策略，进行综合加权，以得到最终资源配置结果，所述计算规则和权重分配策略为采用集成学习方法，所述集成学习方法包括但不限于
Bagging、Boosting
和
Stacking。
[0024]本专利技术实施例另一方面提供一种自动化多维度计算的资源配置系统，包括：
[0025]配置算法选取单元：根据计算任务的特征和需求，根据配置算法选取策略选取不少于两个的配置算法
。
[0026]配置参数确定单元：根据机器学习和优化算法，通过分析历史数据和模型训练，确定配置算法的配置参数；
[0027]配置算法融合单元：将选取的不少于两个的配置算法，采用融合特征的方法两两交叉进行配置算法模型的融合，得到融合后的配置算法；
[0028]配置结果综合单元：将融合后的配置算法得到的资源配置结果，按照计算规则和权重分配策略，进行综合加权，以得到最终资源配置结果；
[0029]调整循环单元：根据资源配置结果进行计算，实时监控计算结果，并根据配置算法选取策略进行配置算法的切换，再次计算得到最终资源配置结果
。
[0030]本专利技术再一方面提供一种电子设备，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现一种自动化多维度计算的资源配置方法步骤
。
[0031]本专利技术又一方面提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现一种自动化多维度计算的资源配置方法步骤
。
[0032]由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：
[0033]本专利技术提供一种自动化多维度计算的资源配置方法，首先根据计算任务的特征和需求，根据配置算法选取策略选取不少于两个的配置算法；根据机器学习和优化算法，通过分析历史数据和模型训练，确定配置算法的配置参数；将选取的不少于两个的配置算法，采用融合特征的方法两两交叉进行配置算法模型的融合，得到融合后的配置算法；将融合后的配置算法得到的资源配置结果，按照计算规则和权重分配策略，进行综合加权，以得到最终资源配置结果；根据资源配置结果进行计算，实时监控计算结果，并根据配置算法选取策略进行配置算法的切换，并重复上述步骤得到最终资源配置结果；本专利技术提出的一种自动化多维度计算的资源配置方法和系统，通过复合计算的方法，融合多个配置算法，且配置算
法的选取结合计算任务的特点和需求，并根据计算任务的变化，实时进行配置算法的调整，多维度提升计算的效率和准确性
。
附图说明
[0034]图1为本专利技术实施例提供的一种自动化多维度计算的资源配置方法流程图；
[0035]图2本专利技术实施例提供的一种自动化多维度计算的资源配置系统的框架图；
[0036]图3为本专利技术实施例提供的一种电子设备示意图；
[0037]图4为本专利技术实施例提供的一种计算机可读存储介质的实施例示意图
。
[0038]以下结合附图和具体实施例对本专利技术作进一步详述
。
具体实施方式
[0039]本专利技术提出一种自动化多维度计算的资源配置方法，通过复合计算的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种自动化多维度计算的资源配置方法，其特征在于，包括；
S1
：根据计算任务的特征和需求，根据配置算法选取策略选取不少于两个的配置算法；
S2
：根据机器学习和优化算法，通过分析历史数据和模型训练，确定配置算法的配置参数；
S3
：将选取的不少于两个的配置算法，采用融合特征的方法两两交叉进行配置算法模型的融合，得到融合后的配置算法；
S4
：将融合后的配置算法得到的资源配置结果，按照计算规则和权重分配策略，进行综合加权，以得到最终资源配置结果；
S5
：根据资源配置结果进行计算，实时监控计算结果，并根据配置算法选取策略进行配置算法的切换，并重复步骤
S2
‑
S4。2.
根据权利要求1所述的一种自动化多维度计算的资源配置方法，其特征在于，所述根据计算任务的特征和需求，具体包括但不限于：计算复杂性
、
数据规模
、
计算量
、
并行性
、
计算任务所需的计算资源
。3.
根据权利要求1所述的一种自动化多维度计算的资源配置方法，其特征在于，所述配置算法选取策略具体为：首先根据不同算法的特点
、
适用场景和性能指标，确定配置算法库；针对不同的计算任务，对配置算法库中的配置算法进行性能评估和测试，包括计算时间
、
资源利用率和准确性等指标；根据评估结果，对配置算法进行优化和调整；利用实验数据和实际应用场景进行验证，最终确定不同计算任务对应的配置算法；根据不同计算任务对应的配置算法确定配置算法选取策略
。4.
根据权利要求1所述的一种自动化多维度计算的资源配置方法，其特征在于，所述配置算法选取策略还包括对配置算法的评估，评估指标包括但不限于准确率
、
召回率
、
计算时间以及内存消耗
。5.
根据权利要求1所述的一种自动化多维度计算的资源配置方法，其特征在于，根据机器学习和优化算法，通过分析历史数据和模型训练，确定配置算法的配置参数，所述机器学习和优化算法包括但不限于，支持向量机<...

【专利技术属性】
技术研发人员：郑明程，
申请(专利权)人：英联厦门金融技术服务股份有限公司，
类型：发明
国别省市：