一种稀疏矩阵求解过程中进行排序算法调度的方法及系统

本发明涉及科学计算和工程计算领域，具体涉及一种稀疏矩阵求解过程中进行排序算法调度的方法及系统。

背景技术：

1、在科学计算和工程计算领域，稀疏矩阵被广泛应用于各种实际问题的求解中。稀疏矩阵的简单定义是当非零元素个数占整个矩阵的比例小于某个特定值时，当值为5%时，可以认为这个矩阵是稀疏的。这类矩阵比较常见于有限元分析、流体力学、图像处理、量子物理、纳米材料计算等多个领域。在这些领域的应用中，对稀疏矩阵进行有效存储和快速求解是至关重要的，而稀疏矩阵求解问题的高效解决比较依赖于适当的矩阵排序算法。稀疏矩阵排序通俗来讲就是对矩阵中的非零元素位置进行交换以提高数据局部性，主要目的是减少因式分解所造成的填充。不同排序算法的选择对稀疏矩阵的存储、计算效率和内存使用有直接影响。然而在实际应用中选择合适的稀疏矩阵排序算法仍面临诸多挑战，目前已有多种稀疏矩阵排序算法，常见稀疏矩阵排序算法选择方法都是基于静态分析和预设参数进行的，然而由于稀疏矩阵的特性，不同的矩阵结构所适应的排序算法也不尽相同。因此如果在面对大规模稀疏矩阵求解时，如果预设排序算法参数，并非最优排序算法，将会导致极大的时间浪费，因此如何根据不同稀疏矩阵的结构自适应的选择最优的排序算法，是一个值得研究的问题。

技术实现思路

1、本发明要解决的技术问题：针对现有技术的上述问题，提供一种稀疏矩阵求解过程中进行排序算法调度的方法及系统，本发明旨在通过对稀疏矩阵的特征分析结合机器学习模型自动化、智能化地选择最适合的稀疏矩阵排序算法，提高稀疏矩阵求解效率，提升科学计算和工程计算中的效率和性能。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种稀疏矩阵求解过程中进行排序算法调度的方法，包括下述步骤：

4、s101，在运算模块进行稀疏矩阵求解时提取输入的稀疏矩阵的矩阵特征；

5、s102，将提取出来的矩阵特征输入到预先训练好的机器学习模型中以在预设的排序算法集合中获得最优排序算法，所述机器学习模型被预先训练建立了输入的稀疏矩阵的矩阵特征与排序算法集合中的最优排序算法之间的映射关系；所述最优排序算法是指排序时间最短的排序算法或者排序时间最短且内存使用最少的排序算法；

6、s103，通过运算模块执行所述最优排序算法对输入的稀疏矩阵进行排序。

7、可选地，步骤s101中提取输入的稀疏矩阵的矩阵特征时，所提取的矩阵特征包括标准化处理后的稀疏矩阵维度、稀疏矩阵非零元个数、稀疏矩阵非零元占比、稀疏矩阵行非零元个数的最大值、稀疏矩阵行非零元个数的最小值、稀疏矩阵每行非零元个数的平均值、稀疏矩阵每行非零元个数的标准差、稀疏矩阵节点度的最大值、稀疏矩阵节点度的最小值、稀疏矩阵节点度的平均值、稀疏矩阵的带宽、稀疏矩阵的轮廓中的部分或者全部。

8、可选地，步骤s102之前还包括训练机器学习模型的步骤：

9、s201，获取稀疏矩阵样本；

10、s202，提取稀疏矩阵样本的矩阵特征，并获取各个稀疏矩阵样本在预设的排序算法集合中各个排序算法下的预设排序指标，并根据预设排序指标找到对应的最优排序算法构建最优排序算法标签；将各个稀疏矩阵样本矩阵特征及其最优排序算法标签构建数据集，并将数据集划分为训练集和测试集；

11、s203，构建多种机器学习模型，将训练集送入各种机器学习模型进行训练并在训练时优化各种机器学习模型的网络参数；

12、s204，选定准确率作为机器学习模型的评价指标，然后将测试集送入各种机器学习模型中进行测试获取各种机器学习模型的准确率，选取机器学习模型中准确率最高的机器学习模型作为最终训练好的机器学习模型。

13、可选地，步骤s203中构建多种机器学习模型时，构建了多种机器学习模型，包括随机森林算法模型、决策树算法模型、逻辑回归算法模型、贝叶斯算法模型、支持向量机、多层感知机以及k近邻算法模型中的部分或全部。

14、可选地，步骤s203中将训练集送入不同的机器学习模型进行训练并在训练时优化机器学习模型的网络参数时包括采用网格搜索法优化各种机器学习模型的网络参数，包括：针对每一种机器学习模型，确定该机器学习模型的所有网络参数及其可能的取值，然后将根据所有网络参数的可能的取值枚举生成不同的参数网格组合，然后按照顺序依次遍历参数网格组合的方式，采用交叉验证的方式来对机器学习模型的进行训练以优化机器学习模型的网络参数。

15、可选地，步骤s101中在运算模块进行稀疏矩阵求解时提取输入的稀疏矩阵的矩阵特征时，还包括对输入的稀疏矩阵进行识别，且只有输入的稀疏矩阵为对称的稀疏矩阵或者非对称矩阵中的方阵时才提取输入的稀疏矩阵的矩阵特征并跳转步骤s102；否则结束并退出。

16、此外，本发明还提供一种稀疏矩阵求解过程中进行排序算法调度的系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述稀疏矩阵求解过程中进行排序算法调度的方法。

17、此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被编程或配置以通过处理器执行所述稀疏矩阵求解过程中进行排序算法调度的方法。

18、此外，本发明还提供一种计算机程序产品，包括计算机程序，该计算机程序被编程或配置以通过处理器执行所述稀疏矩阵求解过程中进行排序算法调度的方法。

19、和现有技术相比，本发明主要具有下述优点：本发明包括在运算模块进行稀疏矩阵求解时提取输入的稀疏矩阵的矩阵特征，将矩阵特征输入预先训练好的机器学习模型以在预设的排序算法集合中获得最优排序算法，通过运算模块执行所述最优排序算法对输入的稀疏矩阵进行排序，在稀疏矩阵求解过程的排序算法选择阶段能够根据输入矩阵统计特征取值，预测该矩阵最适合的排序算法，减少了人为干预和选择过程中的主观性。同时机器学习模型能够通过训练样本，机器学习模型能够准确预测不同稀疏矩阵结构的最优排序算法，从而大大提高稀疏矩阵求解效率，除此之外机器学习方法可以不断学习和改进，随着更多数据的积累和模型的优化，其排序选择能力和效果也会不断提升，具有一定的扩展性。相关实验结果表明，与目前一直采用固定选择比较常用的amd排序算法的传统方法相比，本发明采用的机器学习模型预测方法能够大幅减少稀疏矩阵的求解时间，而模型的预测时间几乎可以忽略不计，因此能够有效提高稀疏矩阵求解效率，提升科学计算和工程计算中的效率和性能。本发明稀疏矩阵求解过程中进行排序算法调度的方法是利用机器学习进行稀疏矩阵排序算法选择，能够准确预测不同稀疏矩阵结构的最优排序算法，具有自动化、智能化等优点。

技术特征：

1.一种稀疏矩阵求解过程中进行排序算法调度的方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的稀疏矩阵求解过程中进行排序算法调度的方法，其特征在于，步骤s101中提取输入的稀疏矩阵的矩阵特征时，所提取的矩阵特征包括标准化处理后的稀疏矩阵维度、稀疏矩阵非零元个数、稀疏矩阵非零元占比、稀疏矩阵行非零元个数的最大值、稀疏矩阵行非零元个数的最小值、稀疏矩阵每行非零元个数的平均值、稀疏矩阵每行非零元个数的标准差、稀疏矩阵节点度的最大值、稀疏矩阵节点度的最小值、稀疏矩阵节点度的平均值、稀疏矩阵的带宽、稀疏矩阵的轮廓中的部分或者全部。

3.根据权利要求1所述的稀疏矩阵求解过程中进行排序算法调度的方法，其特征在于，步骤s102之前还包括训练机器学习模型的步骤：

4.根据权利要求3所述的稀疏矩阵求解过程中进行排序算法调度的方法，其特征在于，步骤s203中构建多种机器学习模型时，构建了多种机器学习模型，包括随机森林算法模型、决策树算法模型、逻辑回归算法模型、贝叶斯算法模型、支持向量机、多层感知机以及k近邻算法模型中的部分或全部。

5.根据权利要求3所述的稀疏矩阵求解过程中进行排序算法调度的方法，其特征在于，步骤s203中将训练集送入不同的机器学习模型进行训练并在训练时优化机器学习模型的网络参数时包括采用网格搜索法优化各种机器学习模型的网络参数，包括：针对每一种机器学习模型，确定该机器学习模型的所有网络参数及其可能的取值，然后将根据所有网络参数的可能的取值枚举生成不同的参数网格组合，然后按照顺序依次遍历参数网格组合的方式，采用交叉验证的方式来对机器学习模型的进行训练以优化机器学习模型的网络参数。

6.根据权利要求1所述的稀疏矩阵求解过程中进行排序算法调度的方法，其特征在于，步骤s101中在运算模块进行稀疏矩阵求解时提取输入的稀疏矩阵的矩阵特征时，还包括对输入的稀疏矩阵进行识别，且只有输入的稀疏矩阵为对称的稀疏矩阵或者非对称矩阵中的方阵时才提取输入的稀疏矩阵的矩阵特征并跳转步骤s102；否则结束并退出。

7.一种稀疏矩阵求解过程中进行排序算法调度的系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～6中任意一项所述稀疏矩阵求解过程中进行排序算法调度的方法。

8.一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其特征在于，该计算机程序被编程或配置以通过处理器执行权利要求1～6中任意一项所述稀疏矩阵求解过程中进行排序算法调度的方法。

9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被编程或配置以通过处理器执行权利要求1～6中任意一项所述稀疏矩阵求解过程中进行排序算法调度的方法。

技术总结本发明公开了一种稀疏矩阵求解过程中进行排序算法调度的方法及系统，本发明方法包括下述步骤：在运算模块进行稀疏矩阵求解时提取输入的稀疏矩阵的矩阵特征；将矩阵特征输入预先训练好的机器学习模型以在预设的排序算法集合中获得最优排序算法，所述机器学习模型被预先训练建立了输入的稀疏矩阵的矩阵特征与排序算法集合中的最优排序算法之间的映射关系；通过运算模块执行所述最优排序算法对输入的稀疏矩阵进行排序。本发明旨在通过对预定义稀疏矩阵特征的提取和分析，并结合机器学习模型，实现自动化、智能化地选择最适合的稀疏矩阵排序算法，提高稀疏矩阵求解效率，提升科学计算和工程计算中的效率和性能。技术研发人员：唐滔,蒋囿富,崔英博,方建滨,姜浩,于恒彪,彭林,黄春受保护的技术使用者：中国人民解放军国防科技大学技术研发日：技术公布日：2024/7/25