一种分布式数据驱动过程建模优化方法及系统

1.本发明涉及工业流程优化领域，更具体的说，涉及一种分布式数据驱动过程建模优化方法及系统。


背景技术：

2.随着移动边缘设备的迅速普及以及工业互联网和5g的快速发展，加速了流程工业大数据的爆发。流程工业大数据，包含过程状态数据、设备运维数据和安监环保图像信息等异构数据等。
3.数据驱动的过程建模及决策优化方法，因适合用于提取大数据中蕴含的知识，而在流程工业智能化尤其是流程工业建模和决策优化中获得了广泛的应用。
4.图1是典型的集中式数据驱动建模及决策优化流程示意图，如图1所示，典型的集中式数据驱动建模及决策优化流程，首先，由人工将碎片化的数据收集到数据中心并进行预处理，然后，使用处理后的数据进行过程建模，过程建模包括数据处理、模型选择、模型拟合和模型部署，最后，使用获得的模型进行过程决策，过程决策包括决策优化、激活部署模型、选择优化策略和决策优化。
5.目前，在集中式数据驱动建模及决策优化算法领域开展了大量工作，并在一些现实世界任务上取得了巨大成功，现实世界任务如危险气体溯源问题、飞行器造型优化问题等。然而，该算法需要从不同设备收集分散存储的节点数据，可能会影响数据安全、泄露用户隐私。


技术实现要素：

6.本发明的目的是提供一种分布式数据驱动过程建模优化方法及系统，解决现有的集中式数据驱动建模决策过程需要从不同设备收集节点数据造成的数据安全性的问题。
7.为了实现上述目的，本发明提供了一种分布式数据驱动过程建模优化方法，包括以下步骤：
8.步骤s1、根据任务要求和数据集尺寸，确定所用的机器学习模型，将模型配置文件下发至对应各节点，所述节点为分布式全流程设备或跨区域分工厂；
9.步骤s2、节点对本地离线数据集和在线数据集进行预处理，使用本地离线数据和在线数据作为训练集，进行数据驱动建模获得节点模型，将节点模型上传至参数服务器；
10.步骤s3、参数服务器对节点模型进行聚合获得全局模型，将全局模型下发至对应各节点；
11.步骤s4、选择参数服务器或节点作为决策优化的载体，确定优化目标数和优化策略；
12.步骤s5、在载体上使用全局模型和节点模型，结合优化策略进行进化优化，搜索获得可行解；
13.步骤s6、节点对可行解进行评估，更新在线数据集，以收到的全局模型为基础进行
增量更新，重复步骤s2-s5直至满足终止条件。
14.在一实施例中，所述机器学习模型为浅层机器学习网络或深度神经网络：
15.所述浅层机器学习网络包含bp神经网络和径向基神经网络；
16.所述深度神经网络包含卷积神经网络和循环神经网络。
17.在一实施例中，所述步骤s2中进行数据驱动建模，进一步包括：
18.采用梯度下降算法进行模型训练。
19.在一实施例中，所述步骤s2中，节点k的建模目标函数fk对应表达式为：
[0020][0021]
其中，nk为节点样本总数，l为节点损失函数，xi和yi为样本对，γ为结构风险损失函数，wk为节点k的本地模型。
[0022]
在一实施例中，所述步骤s3中，对节点模型进行聚合的目标函数为最小化全局目标函数，对应表达式为：
[0023][0024]
其中，k是节点总数，pk是节点k的聚合权重。
[0025]
在一实施例中，所述步骤s3中，对节点模型进行聚合，所述聚合方式为直接聚合；
[0026]
所述直接聚合方式为采用直接平均算法对节点模型进行聚合，对应表达式为：
[0027][0028]
其中，pk为节点k的聚合权重，w为全局模型，wk为节点k的本地模型。
[0029]
在一实施例中，所述步骤s3中，对节点模型进行聚合，所述聚合方式为排序聚合；
[0030]
所述排序聚合方式为采用排序平均算法对节点模型进行聚合，对应表达式为：
[0031][0032]
其中，为节点k的排序后模型，w为全局模型，k为节点总数。
[0033]
在一实施例中，所述节点k的排序后模型对应的计算方法如下：
[0034]
通过为本地模型wk的核心结构ck计算出模型排序的索引index，对应表达式为：
[0035][0036]
其中，d为核心结构的维度；
[0037]
通过索引index，获取排序后的模型，对应表达式为：
[0038][0039]
其中，wk为节点k的本地模型。
[0040]
在一实施例中，所述步骤s4中：
[0041]
优化目标数包含单目标和多目标；
[0042]
优化策略为智能算法，包含差分算法和粒子群算法。
[0043]
在一实施例中，所述步骤s4中，选择参数服务器或节点作为决策优化的载体，进一步包括：
[0044]
依据任务和隐私要求决定决策优化的载体；
[0045]
若决策为公用决策，则优化载体为参数服务器；
[0046]
若决策为节点私有任务，则优化载体为节点。
[0047]
在一实施例中，所述步骤s5中，搜索获得可行解，进一步包括：
[0048]
采用联邦下置信边界的采样策略在决策空间进行采样，对应可行解的联邦下置信边界表达式为：
[0049][0050]
其中，为可行解x
p
的估计适应度值；
[0051]
为可行解x
p
的不确定度；
[0052]
μ为超参数。
[0053]
在一实施例中，可行解x
p
的估计适应度值，通过以下方式获得：
[0054]
使用全局模型对任意可行解x
p
进行全局适应度评估；
[0055]
若参数服务器为优化载体，则使用所有收集的节点模型进行局部适应度评估；
[0056]
若节点为优化载体，则使用所述节点的节点模型进行局部适应度评估；
[0057]
将全局适应度评估值和局部适应度评估值取平均值，作为所述可行解的估计适应度值。
[0058]
在一实施例中，可行解x
p
的不确定度，通过以下方式获得：
[0059]
若参数服务器为优化载体，可行解的不确定度对应表达式为：
[0060][0061]
若节点为优化载体，可行解的不确定度对应表达式为：
[0062][0063]
其中，wk为节点k的本地模型，为可行解x
p
的估计适应度值，k为节点总数，为全局适应度评估值。
[0064]
为了实现上述目的，本发明提供了一种分布式数据驱动过程建模优化系统，包括：
[0065]
至少一个节点和至少一个参数服务器；
[0066]
所述节点至少包括第一存储器和第一处理器，第一存储器用于存储可由所述第一处理器执行的指令，第一处理器用于执行所述指令以实现如上述任一项所述的方法；
[0067]
所述参数服务器至少包括第二存储器和第二处理器，第一存储器用于存储可由所述第二处理器执行的指令，第二处理器用于执行所述指令以实现如上述任一项所述的方法。
[0068]
为了实现上述目的，本发明提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上述任一项所述的方法。
[0069]
本发明提供的一种分布式数据驱动过程建模优化方法及系统，基于联邦学习建模
方法，实现数据分布式存储时的隐私保护建模和决策优化，适应性较为广泛。
[0070]
本发明提供的一种分布式数据驱动过程建模优化方法及系统，具体具有以下有益效果：
[0071]
1)以分布式联邦学习为基础，无需上传节点隐私数据，规避隐私问题和数据安全问题，同时，无需收集数据至参数服务器，节省人力、存储成本；
[0072]
2)所使用的机器学习模型不固定，可根据任务需求进行定制，搭配直接平均或排序平均算法，可保证采用的深度模型或浅层模型具有鲁棒的性能表现；
[0073]
3)通过模型平均融合节点知识获得全局模型，灵活的架构使得优化过程既可以部署在服务器端，也可以部署在节点端；
[0074]
4)使用数据驱动建模辅助优化决策，由于模型输出可拓展，因此既可以适用于单目标任务，也可适用于多目标任务；
[0075]
5)决策阶段可以使用任意优化策略。
附图说明
[0076]
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
[0077]
图1揭示了典型的集中式数据驱动建模及决策优化流程示意图；
[0078]
图2揭示了根据本发明一实施例的分布式数据驱动过程建模优化方法流程图；
[0079]
图3揭示了根据本发明一实施例的分布式数据驱动过程建模优化流程示意图；
[0080]
图4揭示了根据本发明一实施例的简单实例示意图；
[0081]
图5揭示了根据本发明一实施例的分布式数据驱动过程建模优化系统的节点/参数服务器的原理框图。
具体实施方式
[0082]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
[0083]
联邦机器学习又名联邦学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为一种隐私保护的分布式机器学习框架，通过共享更新方向而不是私有数据保护用户隐私，具有广泛的应用前景。
[0084]
本发明提出了一种分布式数据驱动过程建模优化方法，基于联邦学习的分布式数据驱动建模及优化框架，无需收集数据即可提取全局知识进行分布式建模，保证了数据分散存储在多个设备上时的建模性能，而无需上传隐私数据，并在此基础上进一步提出联邦优化策略，利用所建模型进行分布式决策优化。
[0085]
图2揭示了根据本发明一实施例的分布式数据驱动过程建模优化方法流程示意图，图3揭示了根据本发明一实施例的分布式数据驱动过程建模优化流程示意图，如图2和图3所示，本发明提出的一种分布式数据驱动过程建模优化方法，其特征在于，包括以下步骤：
[0086]
步骤s1、根据任务要求和数据集尺寸，确定所用的机器学习模型，将模型配置文件下发至对应各节点，所述节点为分布式全流程设备或跨区域分工厂；
[0087]
步骤s2、节点对本地离线数据集和在线数据集进行预处理，使用本地离线数据和在线数据作为训练集，进行数据驱动建模获得节点模型，将节点模型上传至参数服务器；
[0088]
步骤s3、参数服务器对节点模型进行聚合获得全局模型，将全局模型下发至对应各节点；
[0089]
步骤s4、选择参数服务器或节点作为决策优化的载体，确定优化目标数和优化策略；
[0090]
步骤s5、在载体上使用全局模型和节点模型，结合优化策略进行进化优化，搜索获得可行解；
[0091]
步骤s6、节点对可行解进行评估，更新在线数据集，以收到的全局模型为基础进行增量更新，重复步骤s2-s5直至满足终止条件。
[0092]
本发明提出的一种分布式数据驱动过程建模优化方法，首先，各分布式节点使用本地离线数据和新评估的在线数据，建立数据驱动的初始本地模型并将其上传至参数服务器；
[0093]
参数服务器接收到满足要求的节点模型后，通过直接平均或排序平均算法进行模型聚合，获得全局模型并将其回传至各节点；
[0094]
最后，根据任务配置，服务器或节点使用全局模型和本地模型辅助单目标或多目标进化优化算法，在决策空间寻找(搜索)可行解，对决策变量进行优化，如优化各分工厂原料配方、操作温度等，为任务提供指导；
[0095]
搜索完成后，节点对可行解进行评估并将结果存入在线数据集，在全局模型的基础上进行下一轮次的增量更新。
[0096]
本发明提供一种分布式数据驱动过程建模优化方法，基于联邦学习，针对流程制造业分布式全流程建模，并结合智能进化优化算法用于过程决策优化，如可根据实际工况要求对原料、操作温度和工艺操作条件进行优化，选择最优操作点，用于对实际工业操作进行指导，可实现数据隐私保护，适用于物联网边缘设备，可部署于分布式全流程平台或跨区域分工厂。
[0097]
下文将对这些步骤进行详细描述。应理解，在本发明范围内，本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，相互关联，从而构成优选的技术方案。
[0098]
步骤s1、根据任务要求和数据集尺寸，确定所用的机器学习模型，将模型配置文件下发至对应各节点，所述节点为分布式全流程设备或跨区域分工厂。
[0099]
为了简便，以下各分布式全流程设备或跨区域分工厂称为节点。
[0100]
所述机器学习模型，可为浅层机器学习网络或深度神经网络。
[0101]
不同产业线、生产任务具有不同的时间尺度、节点边缘设备的个数型号不一，导致各节点在相同时间内收集到的样本个数有很大区别。选择合适的机器学习模型对数据驱动建模任务来说至关重要。
[0102]
针对细粒度、大数据任务，选择深度神经网络；
[0103]
针对粗粒度、普通任务，选择浅层机器学习网络。
[0104]
浅层机器学习网络包含多种传统机器学习算法，包含bp神经网络、径向基神经网络等，适用于数据量偏小的任务。
[0105]
深度神经网络包含卷积神经网络和循环神经网络等，模型容量较大，适合大数据任务。
[0106]
因此，本方法可适配于iots(internet of things)等边缘设备或高性能计算平台。
[0107]
步骤s2、节点对本地离线数据集和在线数据集进行预处理，使用本地离线数据和在线数据作为训练集，进行数据驱动建模获得节点模型，将节点模型上传至参数服务器。
[0108]
使用两类数据作为训练集，采样梯度下降等算法进行模型训练，即进行数据驱动建模。
[0109]
两类数据包括离线数据及在线数据。
[0110]
本实施例中，采用联邦学习理论在考虑建模过程中节点间无信息、数据交互，通过梯度反向传播方式进行模型训练。
[0111]
节点建模的主要目标是经验风险最小化和结构风险最小化，节点k的本地建模目标函数fk如下：
[0112][0113]
其中，nk为节点样本总数，l为节点损失函数，xi和yi为样本对，γ为结构风险损失函数，wk为节点k的本地模型。
[0114]
节点损失函数l包括但不限于平方误差等。
[0115]
建模完成后，节点将本地模型上传至参数服务器。
[0116]
为了便于表述，节点的本地模型也会简称为节点模型，不再作区分。
[0117]
由此可见，本地建模无需与其他节点通讯或上传本地数据，无数据泄露风险，保护节点隐私。
[0118]
步骤s3、参数服务器对节点模型进行聚合获得全局模型，将全局模型下发至对应各节点。
[0119]
参数服务器使用直接平均或排序平均算法对节点模型进行模型聚合，获得全局模型后下发至各节点。
[0120]
模型聚合为本发明方法中十分重要的一步，意在融合节点模型以提取全局知识，其目标函数为最小化全局目标函数f(w)，对应表达式为：
[0121][0122]
其中，k是节点总数，pk是节点k的聚合权重。
[0123]
节点k的聚合权重pk一般由其样本个数决定，且满足以下条件：
[0124][0125]
为最小化全局目标函数，本方法采用两种策略进行模型聚合，模型聚合方式为既
可以是直接聚合，也可以是排序聚合。
[0126]
直接聚合方式为采用直接平均算法对节点模型进行聚合，对应表达式为：
[0127][0128]
其中，pk为节点k的聚合权重，由服务器进行配置，w为步骤s3获得的全局模型，wk为节点k的本地模型。
[0129]
对应地，所述排序聚合方式为采用排序平均算法对节点模型进行聚合，对应表达式为：
[0130][0131]
其中，pk为节点k的聚合权重，由服务器进行配置，为节点k的排序后模型，k为节点总数，w为步骤s3获得的全局模型。
[0132]
节点k的排序后模型对应的计算方法如下：
[0133]
首先，通过为本地模型wk的核心结构ck计算出模型排序的索引index，即
[0134][0135]
其中，d为核心结构的维度；
[0136]
随后即可通过索引index获取排序后的模型，对应表达式为：
[0137][0138]
其中，wk为节点k的本地模型。
[0139]
步骤s4、选择参数服务器或节点作为决策优化的载体，确定优化目标数和优化策略。
[0140]
在本实施例中，决策优化载体包含但不限于参数服务器或节点。
[0141]
在步骤s3完成过程建模后，在本实施例中，利用所建模型进行决策优化。
[0142]
与集中式优化算法不同的，在本实施例中，在优化时考虑隐私问题，依据任务和隐私要求决定优化载体：
[0143]
若决策为公用决策，例如各节点处理相同任务，则此时优化载体为参数服务器，利用全局模型和所有上传的节点本地模型进行适应度评估；
[0144]
若决策为节点私有任务，则优化载体为节点，节点使用下载的全局模型和节点本地模型进行适应度评估。
[0145]
在本实施例中，优化目标数包含但不限于单目标和多目标；
[0146]
确定优化载体之后，根据任务确定优化目标和目标个数，由于本发明采用机器学习模型，模型输出个数可以为单输入也可以为多输入，因此。既可以用于处理单目标问题，也可用于处理多目标问题。
[0147]
在本实施例中，优化策略为智能算法，包含但不限于差分算法和粒子群算法。
[0148]
本发明对优化策略有着很强的适应性，原因是数据驱动的全局模型和本地模型可很好的嵌入各种优化算法之中，因此，可以根据任务选择合适的优化策略，如差分算法或粒子群算法等。
[0149]
步骤s5、在载体上使用全局模型和节点模型，结合优化策略进行进化优化，搜索获得可行解。
[0150]
在完成优化载体、优化目标和优化策略的选择后，使用本地模型和全局模型进行优化。
[0151]
在载体上使用全局模型和节点模型辅助优化策略进行进化优化，搜索可行解。
[0152]
步骤s5的关键在于确定需要在决策空间的何处采样，因此，需要合适的采样函数。
[0153]
针对此问题，本发明提出了联邦下置信边界(federated lower confidence bound,flcb)采样策略。
[0154]
对任意可行解x
p
，首先使用全局模型进行一次全局适应度评估，全局适应度评估值的表达式为：
[0155][0156]
其中，w为全局模型，以下标fed代表全局模型的预测。
[0157]
然后，若以参数服务器为优化载体，则将使用所有收集的节点模型(局部模型)进行局部适应度评估，局部适应度评估值的表达式为：
[0158][0159]
其中，wk为节点k的本地模型，pk为节点k的聚合权重。
[0160]
若以节点为优化载体，则仅使用该节点的本地模型进行局部适应度评估，局部适应度评估值的表达式为：
[0161][0162]
其中，wk为节点k的本地模型。
[0163]
最终，以全局适应度评估值和局部适应度评估值两者的平均值作为该可行解的估计适应度值对应表达式为：
[0164][0165]
此外，本实施例中，需计算可行解x
p
的不确定度，以增强算法在未知空间探索性能。
[0166]
可行解x
p
的不确定度，通过以下方式获得：
[0167]
若参数服务器为优化载体，可行解的不确定度对应表达式为：
[0168][0169]
若节点为优化载体，可行解的不确定度对应表达式为：
[0170][0171]
其中，wk为节点k的本地模型，为可行解x
p
的估计适应度值，k为节点总数，为全局适应度评估值。
[0172]
则该可行解x
p
的联邦下置信边界表达式为：
[0173][0174]
其中，为可行解x
p
的估计适应度值；
[0175]
为可行解x
p
的不确定度；
[0176]
μ为超参数，一般设置为2。
[0177]
本实施例中，通过最小化下置信边界可在决策空间采样到性质更好的解，下置信边界是一种平衡可行解的预测目标值和不确定性的一种采样策略。
[0178]
步骤s6、节点对可行解进行评估，更新在线数据集，以收到的全局模型为基础进行增量更新，重复步骤s2-s5直至满足终止条件。
[0179]
在获得全局模型和可行解后，由节点对可行解，即决策进行评估，评估完成后将决策和目标值组成的样本对存入在线数据集，并使用更新后的全局模型增量化更新本地模型。
[0180]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0181]
图4揭示了根据本发明一实施例的简单实例示意图，如图4所示，本发明提出的分布式数据驱动过程建模优化方法，在分布式过程建模决策优化的一个简单实例，其计算步骤如下：
[0182]
针对本示例的计算要求，系统要求为过程建模和决策优化。
[0183]
根据前述实施方式，在图4所示的情形下本发明的详细计算步骤为：
[0184]
根据具体任务，参数服务器确定模型配置和参与节点，如图4所示的情形中参与节点为节点401-节点404，所选模型为人工神经网络，配置完成后，各参与节点初始化本地模型w
1-w4；
[0185]
节点使用本地数据进行模型训练以更新本地模型，然后与参数服务器进行通讯将本地模型上传；
[0186]
参数服务器使用直接聚合或排序聚合方法将接收到的本地模型聚合得到更新后的全局模型，并将全局模型分发给各节点；
[0187]
根据任务选择优化载体，载体可以为参数服务器或各节点，如本示例中为节点404；
[0188]
选择优化策略，本示例中为粒子群算法(particle swarm optimization,pso)，使用节点404的本地模型w4和全局模型w辅助优化策略进行决策寻优，寻找到的最优解在节点进行评估作为在线数据加入到在线数据集中，以全局模型为起点进一步优化本地模型。
[0189]
基于以上步骤建立的模型和优化方法可应用于流程工业分布式过程建模以及操作条件优化，提高操作运行水平。
[0190]
本发明提出的一种分布式数据驱动过程建模优化系统，包括：
[0191]
至少一个节点和至少一个参数服务器；
[0192]
所述节点至少包括第一存储器和第一处理器，第一存储器用于存储可由所述第一
处理器执行的指令，第一处理器用于执行所述指令以实现如上述任一项所述的方法；
[0193]
所述参数服务器至少包括第二存储器和第二处理器，第一存储器用于存储可由所述第二处理器执行的指令，第二处理器用于执行所述指令以实现如上述任一项所述的方法。
[0194]
图5揭示了根据本发明一实施例的分布式数据驱动过程建模优化系统的节点/参数服务器的原理框图，以参数服务器为例，如图5所示的参数服务器可包括内部通信总线501、处理器(processor)502、只读存储器(rom)503、随机存取存储器(ram)504、通信端口505、以及硬盘507。内部通信总线501可以实现分布式数据驱动过程建模优化系统参数服务器组件间的数据通信。处理器502可以进行判断和发出提示。在一些实施例中，处理器502可以由一个或多个处理器组成。
[0195]
通信端口505可以实现分布式数据驱动过程建模优化系统参数服务器与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，分布式数据驱动过程建模优化系统参数服务器可以通过通信端口505从网络发送和接收信息及数据。在一些实施例中，分布式数据驱动过程建模优化系统参数服务器可以通过输入/输出端406以有线的形式与外部的输入/输出设备之间进行数据传输与通信。
[0196]
分布式数据驱动过程建模优化系统参数服务器还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘507，只读存储器(rom)503和随机存取存储器(ram)504，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器502所执行的可能的程序指令。处理器502执行这些指令以实现方法的主要部分。处理器502处理的结果通过通信端口505传给外部的输出设备，在输出设备的用户界面上显示。
[0197]
举例来说，上述的分布式数据驱动过程建模优化系统参数服务器的实施过程文件可以为计算机程序，保存在硬盘507中，并可记载到处理器502中执行，以实施本技术的方法。
[0198]
分布式数据驱动过程建模优化方法的实施过程文件为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(cd)、数字多功能盘(dvd))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(eprom)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
[0199]
本发明提供的一种分布式数据驱动过程建模优化方法及系统，具体具有以下有益效果：
[0200]
1)结构清晰：建模与优化相辅相成，通过联邦学习提取知识并构建性能鲁棒的全局模型，为进一步优化提供良好的模型基础；
[0201]
2)隐私安全：分布式建模无需上传节点数据，可保证节点数据安全，保护用户隐私，同时模型的选择空间较大，可根据数据集尺寸选择浅层模型或深度模型；
[0202]
3)理论完备：模型聚合方法具有完整理论体系，能够从建模机理上解释聚合操作，防止模型崩溃，决策阶段以包含整体信息的全局模型为载体，结合集成学习，实现决策优化；
[0203]
4)灵活性高：优化可采用任意进化优化算法和算子，可根据任务要求进行替换，同时，决策阶段可部署在服务器，也可部署在节点。
[0204]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0205]
本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
[0206]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0207]
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0208]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0209]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传
送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0210]
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。