CN119443747A 创新资源智能配置与调度系统及其方法 （山东省科技咨询中心有限公司）

本发明公开了一种创新资源智能配置与调优化配置以最小化资源浪费并确保系统运行的2通过机器学习中的回归分析技术构建资源消耗的预测模型，将整合根据调度计划，使用基于物联网设备的自动化控制系统实现资源使用数据挖掘技术对自动化执行结果中的反馈数据进行分析3ci(t)表示第i种资源在时间t的单位消耗成本或能耗；zi(t)第i种资源在时间t的分配量；;ij表示第i种资源和第j个设备的相关系数，该系数人为设定;;uo;;4;基于历史学习过程中的误差和优化结果，并通过时间步t-1的调整策略进行动态更xfeedback(t)=f(x(t-1),E(t-1),error(t-1))其中，error(t-1)表示在时间t_1的误差；xfeedback(t)表示在时间t的反馈资源消耗向量；f()表示反馈函数，通过综合历史数据和误差来动态调整输入数据，增加对未来调度H;=LSTM(xfeedbaak(t),D(t),E(t))其中，每一层的输出会经过激活函数进行非线性转换，使得模型能够其中，W1和W2是神经网络的权重矩阵分别用于前一隐藏状态和当前输入;设定网络最终输出为y(t)=y1(t),y2(t),...,yn(t，表示在时间t时，每种资L(t)y:(t)为第i种资源在时间t的预测调度量；5:(t)为真实的资源消耗值；7(t)表示在时间t的学习率；error(t-1)表示在时间t_1的错误值，预测误差。多代理系统通过模拟多个独立的智能体，采用自67ci(t)表示第i种资源在时间t的单位消耗成本或能耗；zi(t)表示第i种资源在时间t的分配量；时间t需要的资源量为d;(t);8;源浪费。定义系统的负荷平衡要求在第t个时间段内资源的消耗量不能超过预定的负荷阈。X(t)=[1(t),z2(t),..,1n(t；;E(t)，是一个向量，表示在时间t的环境因素数据包括温度、湿度、气压数据，;error(t-1)表示在时间t_1的误差；9xfeedback(t)表示在时间t的反馈资源消耗向量；f()表示反馈函数，通过综合历史数据和误差来动态调整输入数据，增加对未来公式为：Ht=LSTM(xfedbaak(t),D(t),E(t))；W1和WY是神经网络的权重矩阵分别用于前一隐藏状态和当前输入;设定网络最终输出为y(t)=[y1(t),y2(t),...,yn(t，表示在时间t时，每L(t)为：;yi(t)为第i种资源在时间t的预测调度量；:(t)为真实的资源消耗值；n(t)表示在时间t的学习率；error(t-1)表示在时间t_1的错误值，预测误差。所述的一种创新资源智能配置与调度系统及其方该创新资源智能配置与调度系统，通过引入基于反馈机制的自适应深度学习框ci(t)表示第i种资源在时间t的单位消耗成本或能耗；zi(t)表示第i种资源在时间t的分配量；;其中，aij表示第i种资源和第j个设备的相关系数，该系数人为设定。;源浪费。定义系统的负荷平衡要求在第t个时间段内资源的消耗量不能超过预定的负荷阈;;E(t)，是一个向量，表示在时间t的环境因素数据包括温度、湿度、气压数据，;error(t-1)表示在时间t_1的误差；xfeedback(t)表示在时间t的反馈资源消耗向量；f()表示反馈函数，通过综合历史数据和误差来动态调整输入数据，增加对未来;;;W1和WY是神经网络的权重矩阵分别用于前一隐藏状态和当前输入;设定网络最终输出为y(t)=[y1(t),y2(t),...,yn(t，表示在时间t时，每为yi(t)为第i种资源在时间t的预测调度量；:(t)为真实的资源消耗值；n(t)表示在时间t的学习率；error(t-1)表示在时间t_1的错误值，预测误差。;[0063]Qij表示代理Ai对代理Aj反馈的权重系数。;Y(t)来自深度学习模型的预测输出；f()为反馈函数。S:(t)表示代理.Ai在时间t的状态信息。过最小化总成本和协调误差来达到系统的最佳行全局范围内的资源调度与协调。在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中