[发明专利]一种基于机器学习的参数优化方法、装置、设备及介质

权利要求书

1.一种基于机器学习的参数优化方法，其特征在于，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；

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；其中，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：

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_n指的是反馈信息的流量值；

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，将满足所述收敛条件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；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，包括：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。

2.根据权利要求1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。

3.根据权利要求2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。

4.根据权利要求1所述的参数优化方法，其特征在于，所述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：

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；

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；

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：

将所述第二数据上传至区块链中。

5.根据权利要求4所述的参数优化方法，其特征在于，所述迭代进程的步骤包括：

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；

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。