[发明专利]一种基于热数据共享的联合调度方法

权利要求书

1.一种基于热数据共享的联合调度方法，其特征在于，包括：

构建目标神经网络模型，所述目标神经网络模型的输入为参量，输出为被调度量，将目标神经网络模型拆分为若干个子模型和主模型；

构建若干个执行节点，每个参量所在参与方及每个被调度量所在参与方均部署一个执行节点，执行节点同步所在参与方的参量数据，被调度量所在执行节点记为目标节点，目标节点保存主模型，将若干个子模型分发给执行节点；

执行节点将参量拆分为若干个加数，加数的数量与执行节点数量相同，将拆分出的加数分配给每个执行节点，参量所在执行节点分配到的加数记为保留数；

执行节点为每个子模型构建输入向量，使用保留数及分配到的加数确定每个输入向量的值；

执行节点各自使用输入向量计算子模型的输出，将输出加密并签名后发送给目标节点，目标节点将每个执行节点发送的子模型的输出求和后加上偏移量作为主模型的输入，继而获得主模型的输出，即被调度量的值；

执行节点周期性的同步参量，计算参量的变化量，将变化量加到保留数上，执行节点周期性重新计算子模型的输出，并加密签名后发送给目标节点，目标节点将周期性获得主模型的输出，实现被调度量的持续调度。

2.根据权利要求1所述的一种基于热数据共享的联合调度方法，其特征在于，

构建目标神经网络模型时，若被调度量与参量之间具有严格函数关系，则由人工确定所述函数作为目标函数，根据目标函数构建和训练目标神经网络模型，若被调度量与参量之间不具有严格函数关系，则使用历史数据构建和训练目标神经网络模型。

3.根据权利要求2所述的一种基于热数据共享的联合调度方法，其特征在于，

根据目标函数构建和训练目标神经网络模型的方法包括：

获得目标函数及参量的取值范围；

在参量的取值范围内，随机生成一定数量的参量组合，记为参量向量；

将参量向量中的参量的值代入目标函数，获得目标函数的输出，将目标函数的输出作为标签标记参量向量，被标记的参量向量作为样本数据；

构建神经网络模型，神经网络模型的输入层与参量向量对应，输出为被调度量，神经网络模型具有若干个中间层，所述神经网络模型为全连接神经网络；

使用样本数据训练和测试所述神经网络模型，达到准确度要求后，所述神经网络模型作为目标神经网络模型。

4.根据权利要求2所述的一种基于热数据共享的联合调度方法，其特征在于，

使用历史数据构建和训练目标神经网络模型的方法包括：

获取参量及被调度量的历史数据；

提取被调度量发生变动的时刻，将被调度量发生变动时全部参量的纳入参量向量，将被调度量变动后的值作为标签，标记所述参量向量，被标记的参量向量作为样本数据；

构建神经网络模型，神经网络模型的输入层与参量向量对应，输出为被调度量，神经网络模型具有若干个中间层，所述神经网络模型为全连接神经网络；

使用样本数据训练和测试所述神经网络模型，达到准确度要求后，所述神经网络模型作为目标神经网络模型。

5.根据权利要求1至4任一项所述的一种基于热数据共享的联合调度方法，其特征在于，

所述子模型与目标神经网络模型的第1层神经元一一对应，所述子模型的输入为对应的第1层神经元连接的输入神经元，所述子模型的输出为对应的第1层神经元连接的全部输入神经元按连接权系数的加权和，将目标神经网络模型的输入层删除，并将第1层神经元的输入数变更为对应子模型的输出与偏移值的和，作为主模型。

6.根据权利要求1至4任一项所述的一种基于热数据共享的联合调度方法，其特征在于，

所述执行节点记录上一周期内的参量的值，到达下一周期时，同步所在参与方的参量的值，计算差值，将差值叠加到保留数上，将记录的参量的值更新为最新值。