[发明专利]模型训练方法和工作量分配方法

说明书

本公开提供了一种模型训练方法、工作量分配方法、装置、设备、存储介质以及计算机程序产品，涉及人工智能技术领域，具体为深度学习技术领域，可应用于工作量分配等场景。具体实现方案为：获取训练样本集，其中，训练样本包括状态特征样本和对应的得分分布样本；执行以下训练步骤：从训练样本集中选取一对状态特征样本和得分分布样本；基于选取的状态特征样本和得分分布样本对初始求解模型进行训练，得到损失值；响应于损失值满足第一阈值条件，将初始求解模型确定为基础求解模型；对基础求解模型进行优化，得到优化后的求解模型；响应于优化次数满足第二阈值条件，将优化后的求解模型确定为目标求解模型。提高了求解的准确率。

技术领域

本公开涉及人工智能技术领域，具体为深度学习技术领域，可应用于工作量分配等场景，尤其涉及一种模型训练方法、工作量分配方法、装置、设备、存储介质以及计算机程序产品。

背景技术

目前在求解混合整数规划问题时，通常用基于启发式策略或结合机器学习算法的求解器进行求解，但基于启发式策略的求解器求解效率慢，结合机器学习算法的求解器不能充分利用不同变量的得分信息，无法考虑长期收益。

发明内容

本公开提供了一种模型训练方法、工作量分配方法、装置、设备、存储介质以及计算机程序产品，提高了求解的准确率。

根据本公开的一方面，提供了一种模型训练方法，包括：获取训练样本集，其中，训练样本包括状态特征样本和对应的得分分布样本；执行以下训练步骤：从训练样本集中选取一对状态特征样本和得分分布样本；基于选取的状态特征样本和得分分布样本对初始求解模型进行训练，得到损失值；响应于损失值满足第一阈值条件，将初始求解模型确定为基础求解模型；对基础求解模型进行优化，得到优化后的求解模型；响应于优化次数满足第二阈值条件，将优化后的求解模型确定为目标求解模型。

根据本公开的另一方面，提供了一种工作量分配方法，包括：获取工作量分配成本函数和工作量分配约束条件；基于工作量分配成本函数和工作量分配约束条件生成初始状态特征；将初始状态特征输入到目标求解模型中，得到工作量分配结果。

根据本公开的又一方面，提供了一种模型训练装置，包括：第一获取模块，被配置为获取训练样本集，其中，训练样本包括状态特征样本和对应的得分分布样本；训练模块，被配置为执行以下训练步骤：从训练样本集中选取一对状态特征样本和得分分布样本；基于选取的状态特征样本和得分分布样本对初始求解模型进行训练，得到损失值；响应于损失值满足第一阈值条件，将初始求解模型确定为基础求解模型；对基础求解模型进行优化，得到优化后的求解模型；响应于优化次数满足第二阈值条件，将优化后的求解模型确定为目标求解模型。

根据本公开的又一方面，提供了一种工作量分配装置，包括：第二获取模块，被配置为获取工作量分配成本函数和工作量分配约束条件；生成模块，被配置为基于工作量分配成本函数和工作量分配约束条件生成初始状态特征；求解模块，被配置为将初始状态特征输入到目标求解模型中，得到工作量分配结果。

根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述模型训练方法及工作量分配方法。

根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行上述模型训练方法及工作量分配方法。

根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现上述模型训练方法及工作量分配方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：