[发明专利]一种基于RBP神经网络的最优超任务网优化方法

说明书

本发明公开了一种基于RBP神经网络的最优超任务网优化方法，涉及最优超任务网优化技术领域，包括以下步骤：预先选取每个任务的数据训练集对多个任务进行模型训练，获得RBF神经网络模型，并标定RBF神经网络的参数信息和获取核函数中心点特征信息，对任意未知的新点进行目标值的预测，获取其对应的多个任务的目标函数值，并筛选出真实目标函数值最大时所对应的点作为对应任务优化后的超参数组合，本发明通过将该RBP神经网络模型应用到贝叶斯优化算法中，实现超参数的优化，通过标量的学习因子标定为向量，并进行范围适应的初始化，实现了对多个任务的目标函数值进行筛选的，获取候选点的选择优化，提高了任务执行调度效率和适应度。

技术领域

本发明涉及最优超任务网优化技术领域，具体来说，涉及一种基于RBP神经网络的最优超任务网优化方法。

背景技术

相关多任务与大任务(简称相关任务集)的在基础计算设施上的面向透明并行高性能执行，解决目前的众核系统调度算法存在的问题：A)不能应对任务相关性的动态变化，B)不能充分利用数目众多的计算设施(如即将到来的核的数目成数量级的增长的多核系统)。这些问题导致了任务执行调度效率低下、调度复杂度激增的的情况；

目前对于超任务网优化问题常用的解决办法是使用贝叶斯优化算法，并将高斯过程模型作为代理模型，然后利用采集函数作为搜索的指导函数，选择出最有可能是最优解的点。但是，在随着训练样本的数据量增加时，高斯过程中协方差矩阵的计算量会变得非常大，需要很长的时间，并且现有的使用贝叶斯优化算法是将单个任务进行优化，若存在多个相关任务，无法学习到多个任务之间的相关信息。

检索专利CN108924192A公开了一种数据中心网络下基于伪树结构的最优任务调度方法及系统，以映射代价为目标，根据工作负载请求WK和基础设施网络SN建立约束优化问题模型COP，将工作负载请求WK中的虚拟节点建立伪树，从伪树的叶节点开始向父节点逐级报告并生成最优部分解集合，直至伪树的根节点生成最终的最优部分解集合，从伪树的根节点开始向子节点逐级传递解消息，各个节点根据解消息确认取值。能够实现规模适中环境下的虚拟网络映射、数据中心网络下资源分配等应用，从而实现高效甚至最优的任务资源调度。但其存在任务执行调度效率低下、调度复杂度激增的的情况，另外存在无法对多个相关任务进行优化。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于RBP神经网络的最优超任务网优化方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于RBP神经网络的最优超任务网优化方法，包括以下步骤：

预先选取每个任务的数据训练集对多个任务进行模型训练，获得RBF神经网络模型，其中包括标定RBF神经网络的参数信息和获取核函数中心点特征信息；

进行RBF神经网络预测，当RBF神经网络模型训练完成，基于训练好的RBF神经网络模模型对任意未知的新点x^*进行目标值的预测，获取其对应的多个任务的目标函数值；

对多个任务的目标函数值进行筛选，筛选出每个任务的一个候选点，并筛选出真实目标函数值最大时所对应的点作为对应任务优化后的超参数组合，其中包括获取候选点的选择优化，包括以下步骤：

设置采集函数EI作为粒子群算法的适应度函数，并且设置粒子的种群大小，每个粒子的搜索维度和空间，迭代的最大次数，其中包括：

将标量的学习因子标定为向量，表示为：