CN119476851A 软件项目多维度数据分析与资源调度自动化方法及系统 （江苏景频思网络科技有限公司）

经济开发区海港新城黄海路西侧、连软件项目多维度数据分析与资源调度自动本发明提供软件项目多维度数据分析与资2采集所述软件项目的多维度数据信息，所述多维度数据信息包括项目根据所述项目状态评估指标，采用深度神经网络对所述软件项目的资源需求进行预基于所述人力资源预测数据和所述计算资源预测数据，构建资源调度优化模型采用遗传算法对人力资源分配方案和计算资源分配方案进行迭代优化，所述遗传算法的适应度函数包括资源利用率最大化和项目延期风险最小化的双目标约束，通过交叉算子和变异算子不断优化资源分配方案，直至达到预设的迭代次数或收敛阈值，将所述项目进度数据中的实际完成时间与计划完成时间的差值标准化为负一至正一所述原始数据层存储所述进度偏差值、所述代码质量标准值，所述特征将所述特征提取层得到的所述特征向量与所述权重映射层的权重值进行加权组合生构建深度神经网络的输入层，所述输入层包含四个3将所述归一化数据输入至多层感知机结构的隐藏层，所述在所述第一隐藏层与所述第二隐藏层之间、所述第二隐藏层与所述深度神经网络的输出层包括人力资源预测分支与计算资源预测分支，所述将所述人力资源预测数据编码为第一实数向量，所述第一实构建双目标约束的适应度函数，所述双目标约束的适应度衡度指标计算得到，所述项目延期风险目标基于任务完成时间与计划时间的偏差计算得到。通过层次分析法确定所述资源利用率目标与所述项目延期风险目标的权重系4采用锦标赛选择策略选取个体，将选取的个体的适应度值进行比较根据种群收敛程度动态调整选择压力；采用惩罚函数法处理资7.软件项目多维度数据分析与资源调度自动化系统，用于实现前述权利要求1_6中任第一单元，用于采集所述软件项目的多维度数据信第二单元，用于根据所述项目状态评估指标，采用深度神经网络对所第三单元，用于基于所述人力资源预测数据和所述计算资源预其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至65采集所述软件项目的多维度数据信息，所述多维度数据信息包括项目进度数据、基于所述人力资源预测数据和所述计算资源预测数据，构建资源调度优化模型，所述资源调度优化模型采用遗传算法对人力资源分配方案和计算资源分配方案进行迭代6将所述项目进度数据中的实际完成时间与计划完成时间的差值标准化为负一至将所述特征提取层得到的所述特征向量与所述权重映射层的权重值进行加权组将所述归一化数据输入至多层感知机结构的隐藏层，所述隐藏层包含第一隐藏7基于所述人力资源预测数据和所述计算资源预测数据，构建资源调度优化模型，所述资源调度优化模型采用遗传算法对人力资源分配方案和计算资源分配方案进行迭代得到；通过层次分析法确定所述资源利用率目标与所述项目延期风险目标的权重系数，的个体对应的资源分配方案作为最优资源调度8[0015]2.深度神经网络提高了资源9[0017]图1为本发明实施例软件项目多维度数据分析与资源调度自动化方法的流程示意图2为本发明实施例软件项目多维度数据分析与资源调度自动化系统的结构示意[0020]图1为本发明实施例软件项目多维度数据分析与资源调度自动化方法的流程示意S101.采集所述软件项目的多维度数据信息，所述多维度数据信息包括项目进度S102.根据所述项目状态评估指标，采用深度神经网络对所述软件项目的资源需S103.基于所述人力资源预测数据和所述计算资源预测数据，构建资源调度优化[0022]接下来,基于采集的多维度数据信息构建据权重映射到0_100的评分区间,生成项目状态评估指标。例如,某项目的进度偏差率为层神经元数量分别为20、15、10;输出层2个神经元,分别对应人力资源需求和计算资源需求。隐藏层采用ReLU激活函数,输出层采用线性激活函数。使用历史项目数据进行模型训86,79],经过模型计算后输出[12,50],表示预测未来需要12人月的人力资源和50核心时的[0024]最后,基于资源需求预测结果构建资源调力资源和计算资源的分配方案进行优化。首先,对现有资源池中的人力资源和计算资源进概率设为0.01。迭代优化过程中,不断计算种群中各个体的适应度,保留最优解。当达到器共50核心时的计算资源。最后将该方案自动下发至项目管理系统和资源管理系统执行,状态,克服了传统项目管理中单一维度、主观判断的局限性。基于深度学习的资源化分配有效降低了资源不足导致的项目延期风险。整个过程的自动化显著减少了人为失[0028]在一种可选的实施方式中,基于将所述项目进度数据中的实际完成时间与计划完成时间的差值标准化为负一至将所述特征提取层得到的所述特征向量与所述权重映射层的权重值进行加权组数据和风险评估数据等。其中项目进度数据包含实际完成时间和计划完成时间[0030]然后,构建多维数据分析模型,将收集的多维度数据信息按照预设权重进行分层个代码质量指标进行主成分分析,可能得到2个主成分,分别反映代码结构复杂度和可靠量数据权重为0.2,项目成本数据权重为0.15,风险评估数4.将生成的项目状态评估指标存入时序数据库。时序数据库可以高效存储和查[0041]在一种可选的实施方式中,根据所述项目状述软件项目的资源需求进行预测，所述深度神经网络的输入层接收所述项目状态评估指将所述归一化数据输入至多层感知机结构的隐藏层，所述隐藏层包含第一隐藏首先构建深度神经网络的输入层。该输入层包含四个神经元节点,分别用于接收行代码平均有5个缺陷;成本偏差指标可以用实际成本与预算的比值表示,如1.2表示超出[0043]接下来对这四个输入指标进行批量归一化处理,将其映射到0_1之间的数值范围[0044]将归一化后的数据输入到多层感知一隐藏层、第二隐藏层和第三隐藏层。第一隐藏层负责低层特征提取,可以设置6元;第二隐藏层用于中层特征组合,可以设置32个神经元;第三隐藏层整合高层[0045]在第一隐藏层与第二隐藏层之间,以及第二二隐藏层的输出为H2,则最终的第二隐藏层输[0046]对于每个隐藏层的神经元,配置权重线性变换,偏置向量用于调整激活阈值。例如,对于第一隐藏层的某个神经元,其输入为x(四维向量),权重为w(四维向量),偏置为b(标量),则该神经元的输出为max(0,[0047]在每个隐藏层之后设置Dropout层,用于防止过拟合[0048]深度神经网络的输出层分为两个分支:人力资源预测分支和计算资源预测分支。人力资源预测分支包含三个输出节点,分别预测开发人员数量、测试人员数量和项目管理线近似余弦函数,在每个周期内学习率先减小后增大。这种策略可以帮助网络跳出局部最[0051]通过上述方法,可以实现基于项目状态第一,采用深度神经网络进行建模,能够自动学习项目状态指标与资源需求之间[0053]第三,分别预测人力资源和计算资源需求,并采用混合损失函数和自适应优化策[0054]在一种可选的实施方式中,所述人力资源预对比发现与历史数据库中ID为P0023的项目最为相似，可采用该项目的资源使用数据作为试人员数量预测值略微下调。[0065]在一种可选的实施方式中,基于所述人力资源预测数据和所述计算资源预测数得到；通过层次分析法确定所述资源利用率目标与所述项目延期风险目标的权重系数，的个体对应的资源分配方案作为最优资源调度首先,对人力资源和计算资源进行预测,获取人力资源预测数据和计算资源预测数据。人力资源预测数据包括各项目任务所需的人力数量,计算资源预测数据包括各[0067]然后,将人力资源预测数据编码为第一实数向量,该向量的维度等于项目任务数[0068]同时,将计算资源预测数据编码为第二实数向量,该向量的维度等于服务器节点[0069]接下来,构建双目标约束的适应度函数,包括资源利用率目标和项目延期风险目标。资源利用率目标基于人力资源工作饱和度指标和计算资源负载均衡度指标计算得到。人力资源工作饱和度指标可通过实际工作量与标准工作量的比值来衡量,计算资源负载均[0070]然后,采用遗传算法对人力资源分配方案度值选择优秀个体。交叉操作可采用算术交叉,对两个父代个体的对应基因进行线性组合[0072]在每一