资源分配方法、终端、装置及可读存储介质
阅读：53发布：2023-12-25
专利汇可以提供资源分配方法、终端、装置及可读存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种资源分配方法，包括以下步骤：基于训练样本进行模型训练，得到第一模型和第二模型，而后基于第一模型和第二模型，确定待分配资源对应的目标函数和待分配资源对应的约束条件，接下来基于第一模型，得到待分配资源对应的第一预测值，以及基于第二模型，得到待分配资源对应的第二预测值，最后基于第一预测值、所述第二预测值、目标函数、约束条件以及整数规划 算法 ，确定待分配资源对应的最优分配结果。本发明还公开了一种装置、终端及可读存储介质。通过确定待分配资源对应的目标函数和约束条件，进而利用 优化算法 中的整数规划算法确定最优分配结果，提升了资源分配效率，节省系统资源消耗。，下面是资源分配方法、终端、装置及可读存储介质专利的具体信息内容。
1.一种资源分配方法，其特征在于，所述的资源分配方法包括以下步骤：
基于训练样本进行模型训练，得到第一模型和第二模型；
基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件；
基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值；
基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。
2.如权利要求1所述的资源分配方法，其特征在于，所述基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件的步骤包括：
获取预设的目标函数与约束条件关系表；
根据所述第一模型和所述第二模型从所述目标函数与约束条件关系表中，获取所述目标函数以及所述约束条件。
3.如权利要求1所述的资源分配方法，其特征在于，所述基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值的步骤包括：
获取所述待分配资源对应的配置关系表；
基于所述配置关系表和所述第一模型，确定所述第一预测值；
基于所述配置关系表和所述第二模型，确定所述第二预测值。
4.如权利要求1所述的资源分配方法，其特征在于，所述整数规划算法包括0-1整数规划算法，所述基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果的步骤包括：
基于所述第一预测值、所述第二预测值、所述目标函数和所述约束条件，并利用所述0-
1整数规划算法计算得到所述最优分配结果。
5.如权利要求4所述的资源分配方法，其特征在于，所述基于所述第一预测值、所述第二预测值、所述目标函数和所述约束条件，并利用所述0-1整数规划算法计算得到所述最优分配结果的步骤包括：
将所述第一预测值、所述第二预测值、所述目标函数和所述约束条件输入所述0-1整数规划算法，基于所述第一预测值和所述目标函数计算得到所述待分配资源对应的分配结果总表；
基于所述第二预测值以及所述约束条件对所述分配结果总表进行搜索，得到满足约束条件的可选分配结果列表；
将所述可选分配结果列表中的数据输入到所述目标函数，并比较所述目标函数的输出数据，根据比较结果确定所述最优分配结果。
6.如权利要求1至5中任一项所述的资源分配方法，其特征在于，所述基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果的步骤之后包括：
基于所述最优分配结果更新所述第一模型和所述第二模型；
基于所述待分配资源和更新后的第一模型，确定所述待分配资源对应的第一目标预测值；
基于所述待分配资源和更新后的第二模型，确定所述待分配资源对应的第二目标预测值。
7.如权利要求1所述的资源分配方法，其特征在于，所述训练样本包括第一样本集和第二样本集，所述基于训练样本进行模型训练，得到第一模型和第二模型的步骤包括：
基于所述第一样本集训练第一初始预测模型，在所述第一初始预测模型收敛时，将所述第一初始预测模型作为所述第一模型；
基于所述第二样本集训练第二初始预测模型，在所述第二初始预测模型收敛时，将所述第二初始预测模型作为所述第二模型。
8.一种资源分配装置，其特征在于，所述资源分配装置包括：
训练模块，用于基于训练样本进行模型训练，得到第一模型和第二模型；
确定模块，用于基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件；
计算模块，用于基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值；
处理模块，用于基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。
9.一种终端，其特征在于，所述终端包括：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资源分配程序，所述资源分配程序被所述处理器执行时实现如权利要求1至7中任一项所述的资源分配方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有所述资源分配程序，所述资源分配程序被处理器执行时实现如权利要求1至7中任一项所述的资源分配方法的步骤。
资源分配方法、终端、装置及可读存储介质
技术领域
背景技术
[0002] 资源分配是很多行业中重要的生产环节之一，资源往往是有限的，所以需要一定的策略将资源进行拆分并分配给不同的个体，个体分配资源过高会导致风险上升，资源浪费，反正，个体分配资源过低又无法达到效果最大化。
[0003] 目前，常见的资源分配方法是采用专家规则、机器学习或者二者结合，其中，专家规则：通过专家的经验得出每个个体的资源大小；机器学习：通过机器学习回归算法，例如决策树、逻辑回归等方法，得出每个个体的资源大小；组合方法：结合了专家规则和机器学习的结果，按一定比例组合。然而，这些方法都仅是针对单个个体的，可能得出的结果是单个个体的最优结果，但是无法解决资源总额定额情况下的资源分配最优。尤其是在需要分配资源的个体较多的情况下，现有算法无法保证资源合理分配，并达到最优结果。
[0004] 上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
[0005] 本发明的主要目的在于提供一种资源分配方法、终端、装置及可读存储介质，旨在解决现有当资源总额定额且需要分配资源的个体较多的情况下，资源分配效率低的技术问题。
[0006] 为实现上述目的，本发明提供一种资源分配方法，所述的资源分配方法包括以下步骤：
[0007] 基于训练样本进行模型训练，得到第一模型和第二模型；
[0008] 基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件；
[0009] 基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值；
[0010] 基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。
[0011] 进一步地，在一实施方式中，所述基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件的步骤包括：
[0012] 获取预设的目标函数与约束条件关系表；
[0013] 根据所述第一模型和所述第二模型从所述目标函数与约束条件关系表中，获取所述目标函数以及所述约束条件。
[0014] 进一步地，在一实施方式中，所述基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值的步骤包括：
[0015] 获取所述待分配资源对应的配置关系表；
[0016] 基于所述配置关系表和所述第一模型，确定所述第一预测值；
[0017] 基于所述配置关系表和所述第二模型，确定所述第二预测值。
[0018] 进一步地，在一实施方式中，所述整数规划算法包括0-1整数规划算法，所述基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果的步骤包括：
[0019] 基于所述第一预测值、所述第二预测值、所述目标函数和所述约束条件，并利用所述0-1整数规划算法计算得到所述最优分配结果。
[0020] 进一步地，在一实施方式中，所述基于所述第一预测值、所述第二预测值、所述目标函数和所述约束条件，并利用所述0-1整数规划算法计算得到所述最优分配结果的步骤包括：
[0021] 将所述第一预测值、所述第二预测值、所述目标函数和所述约束条件输入所述0-1整数规划算法，基于所述第一预测值和所述目标函数计算得到所述待分配资源对应的分配结果总表；
[0022] 基于所述第二预测值以及所述约束条件对所述分配结果总表进行搜索，得到满足所述约束条件的可选分配结果列表；
[0023] 将所述可选分配结果列表中的数据输入到所述目标函数，并比较所述目标函数的输出数据，根据比较结果确定所述最优分配结果。
[0024] 进一步地，在一实施方式中，所述基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果的步骤之后包括：
[0025] 基于所述最优分配结果更新所述第一模型和所述第二模型；
[0026] 基于所述待分配资源和更新后的第一模型，确定所述待分配资源对应的第一目标预测值；
[0027] 基于所述待分配资源和更新后的第二模型，确定所述待分配资源对应的第二目标预测值。
[0028] 进一步地，在一实施方式中，所述训练样本包括第一样本集和第二样本集，所述基于训练样本进行模型训练，得到第一模型和第二模型的步骤包括：
[0029] 基于所述第一样本集训练第一初始预测模型，在所述第一初始预测模型收敛时，将所述第一初始预测模型作为所述第一模型；
[0030] 基于所述第二样本集训练第二初始预测模型，在所述第二初始预测模型收敛时，将所述第二初始预测模型作为所述第二模型。
[0031] 进一步地，在一实施方式中，所述资源分配装置包括：
[0032] 训练模块，用于基于训练样本进行模型训练，得到第一模型和第二模型；
[0033] 确定模块，用于基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件；
[0034] 计算模块，用于基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值；
[0035] 处理模块，用于基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。
[0036] 此外，为实现上述目的，本发明还提供一种终端，所述终端包括：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资源分配程序，所述资源分配程序被所述处理器执行时实现上述任一项所述的资源分配方法的步骤。
[0037] 此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有资源分配程序，所述资源分配程序被处理器执行时实现上述任一项所述的资源分配方法的步骤。
[0038] 本发明基于训练样本进行模型训练，得到第一模型和第二模型，而后基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件，接下来基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值，最后基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。通过确定待分配资源对应的目标函数和约束条件，进而利用优化算法中的整数规划算法快速确定待分配资源对应的最优分配结果，实现了在资源总额定额情况下的资源分配最优。整数规划算法由于限定了分配结果是整数，因此相较其他优化算法，速度更快，当资源总额定额且需要分配资源的个体较多的情况下，利用整数规划算法可以提升资源分配速度和质量，进而节省系统资源消耗。附图说明
[0040] 图2为本发明资源分配方法第一实施例的流程示意图；
[0041] 图3为本发明资源分配方法第二实施例的流程示意图；
[0042] 图4为本发明资源分配装置实施例的功能模块示意图。
[0043] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0044] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0045] 如图1所示，图1是本发明实施例方案涉及的硬件运行环境中终端的结构示意图。
[0046] 如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。
用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口
1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器
1001的存储装置。
用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口
1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器
1001的存储装置。
[0047] 本领域技术人员可以理解，图1中示出的目标检测系统结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0049] 在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接用户端，与用户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的资源分配程序。
[0050] 在本实施例中，终端包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的资源分配程序，其中，处理器1001调用存储器1005中存储的资源分配程序时，执行本申请各个实施例提供的资源分配方法的步骤。
[0051] 本发明还提供一种资源分配方法，参照图2，图2为本发明资源分配方法第一实施例的流程示意图。
[0052] 本发明实施例提供了资源分配方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0053] 在本实施例中，该资源分配方法包括：
[0054] 步骤S10，基于训练样本进行模型训练，得到第一模型和第二模型；
[0055] 在本实施例中，资源分配是指资源的稀缺性决定了需要通过一定的方式把有限的资源合理分配到不同的领域中去，以实现资源的最佳利用，即用最少的资源耗费，生产出最适用的商品和劳务，获取最佳的效益。资源分配是很多行业中重要的生产环节之一，资源往往是有限的，所以需要一定的策略将其分配给不同的个体，分配过高会导致风险上升，资源浪费等；分配过低又无法达到效果最大化。本发明提出一种资源分配方法，通过确定待分配资源对应的目标函数和约束条件，进而利用优化算法中的整数规划算法确定最优分配结果，提升了资源分配效率，节省系统资源消耗。
[0056] 具体地，首先进行模型训练，得到第一模型和第二模型，其中，第一模型用于预测个体分配到资源后产生的效益，第二模型用于预测个体分配到资源后产生的风险。不同领域对效益和风险的定义不同，例如，通信领域的带宽资源分配，效益可定义为系统吞吐量，风险可定义为误比特率；金融领域的门店铺货分配，效益可定义为门店利润，风险可定义为库存堆积的概率等。
[0057] 具体地，步骤S10包括：
[0058] 步骤S11，基于所述第一样本集训练第一初始预测模型，在所述第一初始预测模型收敛时，将所述第一初始预测模型作为所述第一模型；
[0059] 在本实施例中，利用训练样本进行模型训练，其中，训练样本可以从历史数据库中获取，例如，门店铺货分配的历史数据包括门店客流量，历史销售数据、历史铺货记录、库存堆积的概率，退货返修投诉等概率等，这些历史数据可以从各个门店的历史数据库中获取到。训练样本包括第一样本集和第二样本集，其中，第一样本集用于训练第一模型，具体地，根据第一样本集训练第一初始预测模型，然后判断第一初始预测模型是否收敛，当第一初始预测模型收敛时，将第一初始预测模型作为第一模型，其中，如果第一初始预测模型的损失函数值小于一个预设值时，可以认为第一初始预测模型收敛，该预设值根据实际情况确定，在本发明中不做限定，另外一个判断第一初始预测模型收敛的方法是，当第一初始预测模型的损失函数值，在下一轮模型训练过程中不再变化，则说明此时的第一初始预测模型收敛。
[0060] 步骤S12，基于所述第二样本集训练第二初始预测模型，在所述第二初始预测模型收敛时，将所述第二初始预测模型作为所述第二模型。
[0061] 在本实施例中，利用第二样本集用于训练第二模型，具体地，根据第二样本集训练第二初始预测模型，然后判断第二初始预测模型是否收敛，当第二初始预测模型收敛时，将第一初始预测模型作为第二模型。其中，如果第二初始预测模型的损失函数值小于一个预设值时，可以认为第二初始预测模型收敛，该预设值根据实际情况确定，在本发明中不做限定，另外一个判断第二初始预测模型收敛的方法是，当第二初始预测模型的损失函数值，在下一轮模型训练过程中不再变化，则说明此时的第二初始预测模型收敛。
[0062] 步骤S20，基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件；
[0063] 在本实施例中，本发明采用的是整数规划算法，整数规划算法是线性优化算法的一种，相较其他优化算法，速度更快，能适用于大规模的数据计算。整数规划算法需要确定约束条件和目标函数。需要说明的是，约束条件和目标函数需考虑资源类型、所属领域、历史数据等因素，同时与第一模型和第二模型相关，需结合实际情况确定。
[0064] 具体地，步骤S20包括：
[0065] 步骤S21，获取预设的目标函数与约束条件关系表；
[0066] 步骤S22，根据所述第一模型和所述第二模型从所述目标函数与约束条件关系表中，获取所述目标函数以及所述约束条件。
[0067] 在本实施例中，第一模型对应的第一预测值是指各个子资源分配到不同个体时，子资源作为第一模型的输入参数，经过第一模型处理，得到的效益预测值，利用第一预测值确定目标函数。第二模型对应的第二预测值是指各个子资源分配到不同个体时，子资源作为第二模型的输入参数，经过第二模型处理，得到风险预测值，利用第二预测值确定约束条件。目标函数与约束条件关系表保存了不同领域，不同资源类型等情况下，常用的目标函数和约束条件，通过查询目标函数与约束条件关系表可以获取到所需的目标函数以及约束条件。
[0068] 举例说明，为了描述方便，定义如下变量：
[0069] n是子资源的总数；
[0070] m是需要资源的个体的总数；
[0071] ak表示第k个子资源，k∈(1,n)；
[0072] xik表示个体i是否选取第k个子资源，取值为0或1，1表示个体i选第k个子资源，0表示个体i不选第k个子资源，k∈(1,n)，i∈(1,m)；
[0073] A表示第一模型；
[0074] B表示第二模型；
[0075] A(aik)表示个体i在第k个子资源的效益预测值，k∈(1,n)，i∈(1,m)；
[0076] B(aik)表示个体i在第k个子资源的风险预测值，k∈(1,n)，i∈(1,m)。
[0077] 根据A(aik)第一预测值，B(aik)第二预测值，以及资源所述领域，可以在标函数与约束条件关系表中查询到目标函数为：
[0078]
[0079] 以及确定3个约束条件：
[0080] 约束1如下，限制每个个体只能选择一个资源大小：
[0081]
[0082] 约束2为风险约束：
[0083]
[0084] 其中，p为预设风险最大值，此约束限制了整体平均风险大小为p。
[0085] 约束3为总资源数量约束：
[0086]
[0087] 其中，q为总的资源大小，此约束表示所有个体的资源配额之和不得大于定额q。
[0088] 步骤S30，基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值；
[0089] 在本实施例中，将预设的待分配资源作为输入参数代入第一模型，经过第一模型处理，得到待分配资源对应的第一预测值，同时，将预设的待分配资源作为输入参数代入第二模型，经过第二模型处理，得到待分配资源对应的第二预测值。
[0090] 具体地，步骤S30包括：
[0091] 步骤S31，获取所述待分配资源对应的配置关系表；
[0092] 在本实施例中，将待分配资源划分为若干份，每一份的量根据实际情况确定，可以根据历史数据或专家经验对待分配资源进行划分，预设的待分配资源包括多个子资源，资源分配就是将子资源合理分配到需要资源的个体上，保证所有个体在分配到资源后，整体上获取最佳的效益。待分配资源对应的配置关系表是指每个子资源与所有需要资源的个体遍历匹配，例如，子资源有3个，分别用a1，a2，a3表示，需要资源的个体也有3个，分别用个体1，个体2，个体3表示，则配置关系表如下所示：
[0093]
[0094] 步骤S32，基于所述配置关系表和所述第一模型，确定所述第一预测值；
[0095] 在本实施例中，第一模型用于预测个体分配到资源后产生的效益，根据配置关系表中子资源的匹配情况，分别计算各个子资源分配到不同个体时，子资源作为第一模型的输入参数，经过第一模型处理，得到各个子资源分配到不同个体时的效益预测值。
[0096] 步骤S33，基于所述配置关系表和所述第二模型，确定所述第二预测值。
[0097] 在本实施例中，第二模型用于预测个体分配到资源后产生的风险，根据配置关系表中子资源的匹配情况，分别计算各个子资源分配到不同个体时，子资源作为第二模型的输入参数，经过第二模型处理，得到各个子资源分配到不同个体时的风险预测值。
[0098] 步骤S40，基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。
[0099] 在本实施例中，根据第一模型和第二模型确定了目标函数以及约束条件后，进一步利用整数规划算法，根据第一预测值、第二预测值、目标函数、以及约束条件确定子资源的最优分配结果。
[0100] 具体地，步骤S40包括：
[0101] 步骤S41，基于所述第一预测值、所述第二预测值、所述目标函数和所述约束条件，并利用所述0-1整数规划算法计算得到所述最优分配结果。
[0102] 在本实施例中，线性规划特指目标函数和约束条件皆为线性的最优化问题。线性规划是最优化问题中的一个重要领域。在作业研究中所面临的许多实际问题都可以用线性规划来处理，特别是某些特殊情况，例如：网络流、多商品流量等问题，都被认为非常重要。目前已有大量针对线性规划算法的研究。很多最优化问题算法都可以分解为线性规划子问题，然后逐一求解。要求所有的未知量都为整数的线性规划问题叫做整数规划或整数线性规划问题。相对于即使在最坏情况下也能有效率地解出的线性规划问题，整数规划问题的最坏情况是不确定的，在某些实际情况中(有约束变量的那些)为NP困难问题。0-1整数规划是整数规划的特殊情况，所有的变量都要是0或1(而非任意整数)。
[0103] 具体地根据第一预测值、所述第二预测值、目标函数和约束条件，并利用所述0-1整数规划算法计算得到最优分配结果，即确定了目标函数和约束条件后，进一步利用0-1整数规划算法求解xik的值，用以表明每个个体选择哪个子资源，也就是说xik的值就是最优分配结果的体现，xik等于1表示个体i选第k个子资源，xik等于0表示个体i不选第k个子资源。
[0104] 具体地，步骤S41包括：
[0105] 步骤a，将所述第一预测值、所述第二预测值、所述目标函数和所述约束条件输入所述0-1整数规划算法，基于所述第一预测值和所述目标函数计算得到所述待分配资源对应的分配结果总表；
[0106] 步骤b，基于所述第二预测值以及所述约束条件对所述分配结果总表进行搜索，得到满足所述约束条件的可选分配结果列表；
[0107] 步骤c，将所述可选分配结果列表中的数据输入到所述目标函数，并比较所述目标函数的输出数据，根据比较结果确定所述最优分配结果。
[0108] 在本实施例中，首先将第一预测值、第二预测值、目标函数和约束条件输入所述0-1整数规划算法，然后利用穷举法，根据第一预测值和目标函数，将所述待分配资源所有的可能情况求解出来，汇总为分配结果总表。
[0109] 接下来，再利用约束条件对分配结果总表中的数据进行筛选，将满足约束条件的有效分配结果作为可选结果，保存在可选分配结果列表；也可以在分配结果总表中将于不满足约束条件的分配结果直接删除掉。最后再次将可选分配结果列表中的数据输入到目标函数，并比较目标函数的输出数据，根据实际情况，在比较结果选择极大值或极小值，作为最优分配结果。
[0110] 本实施例提出的资源分配方法，基于训练样本进行模型训练，得到第一模型和第二模型，而后基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件，接下来基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值，最后基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。通过确定待分配资源对应的目标函数和约束条件，进而利用优化算法中的整数规划算法快速确定待分配资源对应的最优分配结果，实现了在资源总额定额情况下的资源分配最优。整数规划算法由于限定了分配结果是整数，因此相较其他优化算法，速度更快，当资源总额定额且需要分配资源的个体较多的情况下，利用整数规划算法可以提升资源分配速度和质量，进而节省系统资源消耗。
[0111] 基于第一实施例，参照图3，提出本发明资源分配方法的第二实施例，在本实施例中，步骤S40之后包括：
[0112] 步骤S50，基于所述最优分配结果更新所述第一模型和所述第二模型。
[0113] 步骤S60，基于所述待分配资源和更新后的第一模型，确定所述待分配资源对应的第一目标预测值；
[0114] 步骤S70，基于所述待分配资源和更新后的第二模型，确定所述待分配资源对应的第二目标预测值。
[0115] 在本实施例中，通过确定待分配资源对应的目标函数和约束条件，进而利用0-1整数规划算法确定最优分配结果后，首先根据最优分配结果更新第一模型和第二模型。
[0116] 接下来利用更新后的第一模型分别预测个体分配到子资源后产生的效益预测值，即子资源作为第一模型的输入参数，经过第一模型处理，得到个体在分配到该子资源时的效益预测值；同理，利用更新后的第二模型分别预测个体分配到子资源后产生的风险预测值，即子资源作为第二模型的输入参数，经过第二模型处理，得到个体在分配到该子资源时的风险预测值。
[0117] 本实施例提出的资源分配方法，基于所述最优分配结果更新所述第一模型和所述第二模型，而后基于所述待分配资源和更新后的第一模型，确定所述待分配资源对应的第一目标预测值，然后基于所述待分配资源和更新后的第二模型，确定所述待分配资源对应的第二目标预测值。根据最优分配结果对第一模型和第二模型进行更新，通过合理的资源分配，进而获得了最佳的目标预测值。
[0118] 本发明进一步提供一种资源分配装置，参照图4，图4为本发明资源分配装置实施例的功能模块示意图。
[0119] 训练模块10，用于基于训练样本进行模型训练，得到第一模型和第二模型；
[0120] 确定模块20，用于基于所述第一模型和所述第二模型，确定所述待分配资源对应的目标函数和所述待分配资源对应的约束条件；
[0121] 计算模块30，用于基于所述第一模型，得到所述待分配资源对应的第一预测值，以及基于所述第二模型，得到所述待分配资源对应的第二预测值；
[0122] 处理模块40，用于基于所述第一预测值、所述第二预测值、所述目标函数、所述约束条件以及整数规划算法，确定所述待分配资源对应的最优分配结果。
[0123] 进一步地，所述确定模块20还用于：
[0124] 获取预设的目标函数与约束条件关系表；
[0125] 根据所述第一模型和所述第二模型从所述目标函数与约束条件关系表中，获取所述目标函数以及所述约束条件。
[0126] 进一步地，所述计算模块30还用于：
[0127] 获取所述待分配资源对应的配置关系表；
[0128] 基于所述配置关系表和所述第一模型，确定所述第一预测值；
[0129] 基于所述配置关系表和所述第二模型，确定所述第二预测值。
[0130] 进一步地，所述处理模块40还用于：
[0131] 基于所述第一预测值、所述第二预测值、所述目标函数和所述约束条件，并利用所述0-1整数规划算法计算得到所述最优分配结果。
[0132] 进一步地，所述处理模块40还用于：
[0133] 将所述第一预测值、所述第二预测值、所述目标函数和所述约束条件输入所述0-1整数规划算法，基于所述第一预测值和所述目标函数计算得到所述待分配资源对应的分配结果总表；
[0134] 基于所述第二预测值以及所述约束条件对所述分配结果总表进行搜索，得到满足所述约束条件的可选分配结果列表；
[0135] 将所述可选分配结果列表中的数据输入到所述目标函数，并比较所述目标函数的输出数据，根据比较结果确定所述最优分配结果。
[0136] 进一步地，所述资源分配装置还包括：
[0137] 更新模块，基于所述最优分配结果更新所述第一模型和所述第二模型；
[0138] 第一子模块，基于所述待分配资源和更新后的第一模型，确定所述待分配资源对应的第一目标预测值；
[0139] 第二子模块，基于所述待分配资源和更新后的第二模型，确定所述待分配资源对应的第二目标预测值。
[0140] 进一步地，所述训练模块10还用于：
[0141] 基于所述第一样本集训练第一初始预测模型，在所述第一初始预测模型收敛时，将所述第一初始预测模型作为所述第一模型；
[0142] 基于所述第二样本集训练第二初始预测模型，在所述第二初始预测模型收敛时，将所述第二初始预测模型作为所述第二模型。
[0143] 此外，本发明实施例还提出一种可读存储介质，所述可读存储介质上存储有资源分配程序，所述资源分配程序被处理器执行时实现上述各个实施例中资源分配方法的步骤。
[0144] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0145] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 视频图像的编码方法及装置 | 2020-05-08 | 427 |
| 深度信息补全方法及其装置、监控系统和存储介质 | 2020-05-08 | 721 |
| 信息推送方法及相关产品 | 2020-05-08 | 146 |
| 一种基于区块链和竞拍博弈的网络资源安全共享方法 | 2020-05-08 | 20 |
| 基于FPGA和非线性插值的视频缩放方法 | 2020-05-08 | 905 |
| 报文检测方法及装置 | 2020-05-08 | 174 |
| 一种均衡长期能效和网络稳定性的C-RAN系统资源分配方法 | 2020-05-08 | 975 |
| 一种适用于电力系统安防的视频增强浓缩方法 | 2020-05-08 | 656 |
| 一种视频会议加密方法 | 2020-05-08 | 912 |
| 一种基于随机素数的双通道交换的超奇异椭圆曲线算法的密钥交换方法 | 2020-05-11 | 360 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈