一种基于多智能体架构的算子优化方法和装置与流程

摘要: 本发明涉及人工智能,尤其涉及一种基于多智能体架构的算子优化方法和装置。背景技术:1、随着人工智能的快速发展,目前已有基于多智能体协同架构进行算子高效优化的技术方...
一种基于多智能体架构的算子优化方法和装置与流程

本发明涉及人工智能,尤其涉及一种基于多智能体架构的算子优化方法和装置。

背景技术:

1、随着人工智能的快速发展,目前已有基于多智能体协同架构进行算子高效优化的技术方案。具体来说,需要将已存在的与算子优化相关的通用资料与待优化算子共同输入到智能体中,以利用智能体的思考和推理能力,从通用资料中获取探索优化方向,从而实现算子的智能优化过程。

2、但是,对于智能体来说,通用资料往往是一些经验文本,智能体在获取通用资料后,难以将其转化为代码优化中具有明确适用范围以及验证证据的经验知识,且智能体难以分辨哪些通用资料是真实有用的,而哪些通用资料是偶发情况,使得算子的优化结果往往不尽如人意,优化效率仍然较低。

技术实现思路

1、本发明提供一种基于多智能体架构的算子优化方法,用以解决现有技术中智能体无法从通用资料中高效获取经验知识以造成的优化效率低的问题。

2、本发明提供一种基于多智能体架构的算子优化方法,包括如下步骤:获取目标算子优化任务;所述目标算子优化任务包括待优化算子以及与所述待优化算子对应的目标任务信息;利用算子优化智能体从预设知识库中确定出与所述目标任务信息匹配的目标经验知识;其中,所述预设知识库中存储有至少一条经验知识,每条所述经验知识包括一个优化机制、与所述优化机制对应的机制证据、以及所述优化机制所对应的适用范围;根据所述目标经验知识所包括的目标优化机制、目标适用范围以及目标机制证据对所述待优化算子进行算子优化,生成目标算子。

3、可选地,在所述获取目标算子优化任务之前,还包括:获取多个历史待优化算子的历史优化轨迹;利用知识库构建智能体对各个所述历史优化轨迹进行分析,得到至少一条经验知识;基于至少一条所述经验知识构建得到预设知识库。

4、可选地,所述利用知识库构建智能体对各个所述历史优化轨迹进行分析,得到至少一条经验知识,包括:基于各个所述历史优化轨迹中的优化流程进行归纳总结,得到至少一个优化机制;针对每个所述优化机制:基于各个所述历史优化轨迹分别包括的第一性能评估结果,确定与所述优化机制对应的适用范围以及与机制证据。

5、可选地,所述利用算子优化智能体从预设知识库中确定出与所述目标任务信息匹配的目标经验知识,包括:利用算子优化智能体对所述目标任务信息进行识别,得到所述目标算子优化任务对应的目标标签;获取每条所述经验知识分别对应的知识标签;其中,所述知识标签是从所述优化机制、所述适用范围以及所述机制证据提取得到的;基于所述目标标签与各个所述知识标签之间的匹配程度,从所述预设知识库中确定出与所述目标任务信息匹配的目标经验知识。

6、可选地,所述算子优化智能体为多个,且各个所述算子优化智能体对应不同的探索优化方向;所述根据所述目标经验知识所包括的目标优化机制、目标适用范围以及目标机制证据对所述待优化算子进行算子优化,生成目标算子,包括:将所述目标经验知识以及所述待优化算子同步输入至各个所述算子优化智能体,以利用各个所述算子优化智能体输出基于不同探索优化方向得到的第一候选算子;利用性能评测智能体对多个所述第一候选算子进行性能测试,并根据各个所述第一候选算子分别对应的性能评测结果从多个所述第一候选算子中确定出第二候选算子;将所述第二候选算子作为新的待优化算子,重复执行将所述目标经验知识以及所述待优化算子同步输入至各个所述算子优化智能体的步骤;响应于达到预设停止策略,以最后生成的第二候选算子作为所述目标算子。

7、可选地,所述利用性能评测智能体对多个所述第一候选算子进行性能测试,包括:根据所述目标任务信息确定目标问题;基于所述目标问题确定对应的性能分析深度;根据所述性能分析深度对多个所述第一候选算子分别进行性能测试。

8、可选地,该方法还包括:针对基于同一所述目标经验知识生成的多个第一候选算子:根据各个所述第一候选算子分别对应的性能测评结果生成关于所述目标优化机制对应的多个候选机制证据;基于多个所述候选机制证据进行差异分析;根据差异分析结果对所述目标经验知识中的目标机制证据进行更新。

9、可选地,在所述利用性能评测智能体对多个所述第一候选算子进行性能测试之后,该方法还包括:针对每个所述第一候选算子:获取所述第一候选算子对应的推理过程;根据所述推理过程以及所述第一候选算子对应的性能评测结果,对所述目标经验知识中的目标适用范围进行更新。

10、可选地,所述根据所述推理过程以及所述第一候选算子对应的性能评测结果,对所述目标经验知识中的目标适用范围进行更新,包括:根据所述推理过程确定是否在优化过程中读取并采纳了所述目标经验知识;如果是,根据所述性能测评结果调整所述目标经验知识中的目标适用范围。

11、可选地,所述适用范围包括以下至少一项:算子类型、硬件环境、输入规模、计算场景。

12、本发明还提供一种基于多智能体架构的算子优化装置,包括如下模块:

13、获取模块,用于获取目标算子优化任务;所述目标算子优化任务包括待优化算子以及与所述待优化算子对应的目标任务信息;

14、知识匹配模块,用于利用算子优化智能体从预设知识库中确定出与所述目标任务信息匹配的目标经验知识;其中,所述预设知识库中存储有至少一条经验知识,每条所述经验知识包括一个优化机制、与所述优化机制对应的机制证据、以及所述优化机制所对应的适用范围;

15、算子优化模块,用于根据所述目标经验知识所包括的目标优化机制、目标适用范围以及目标机制证据对所述待优化算子进行算子优化,生成目标算子。

16、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述的基于多智能体架构的算子优化方法。

17、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于多智能体架构的算子优化方法。

18、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的基于多智能体架构的算子优化方法。

19、本发明提供的一种基于多智能体架构的算子优化方法和装置,通过设计包括有优化机制、与优化机制对应的机制证据、以及优化机制所对应的适用范围的结构化的经验知识,能够将现有技术中杂乱的通用资料转化为具有明确作用机制、明确适用范围以及明确验证依据的可复用知识,使得在算子优化过程中,智能体能够基于结构化的经验知识明确优化方向以及优化过程,由此提高了算子的优化效率。

1.一种基于多智能体架构的算子优化方法,其特征在于,包括:

2.根据权利要求1所述的算子优化方法,其特征在于,在所述获取目标算子优化任务之前,还包括:

3.根据权利要求2所述的算子优化方法,其特征在于,所述利用知识库构建智能体对各个所述历史优化轨迹进行分析,得到至少一条经验知识,包括:

4.根据权利要求1-3中任一所述的算子优化方法,其特征在于,所述利用算子优化智能体从预设知识库中确定出与所述目标任务信息匹配的目标经验知识,包括:

5.根据权利要求1所述的算子优化方法,其特征在于,所述算子优化智能体为多个,且各个所述算子优化智能体对应不同的探索优化方向;所述利用算子优化智能体从预设知识库中确定出与所述目标任务信息匹配的目标经验知识,并根据所述目标经验知识所包括的目标优化机制、目标适用范围以及目标机制证据对所述待优化算子进行算子优化,生成目标算子,包括:

6.根据权利要求5所述的算子优化方法,其特征在于,所述利用性能评测智能体对多个所述第一候选算子进行性能测试,包括:

7.根据权利要求5所述的算子优化方法,其特征在于,该方法还包括:

8.根据权利要求5所述的算子优化方法,其特征在于,在所述利用性能评测智能体对多个所述第一候选算子进行性能测试之后,该方法还包括:

9.根据权利要求8所述的算子优化方法,其特征在于,所述根据所述推理过程以及所述第一候选算子对应的性能评测结果,对所述目标经验知识中的目标适用范围进行更新,包括:

10.根据权利要求1-9中任一所述的算子优化方法,其特征在于,所述适用范围包括以下至少一项:算子类型、硬件环境、输入规模、计算场景。

11.一种基于多智能体架构的算子优化装置,其特征在于,包括:

12.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至10任一项所述的基于多智能体架构的算子优化方法。

13.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的基于多智能体架构的算子优化方法。

14.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的基于多智能体架构的算子优化方法。