买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种特征和知识驱动的最优并行度预测方法、系统及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121597376B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610123402.3，技术领域涉及：G06F9/48；该发明授权一种特征和知识驱动的最优并行度预测方法、系统及介质是由陈娟;谭政源;倪绍雄;徐涛;马兆阳;冯绍骏;邓荣宇;张孜涵;曹奥林设计研发完成，并于2026-01-29向国家知识产权局提交的专利申请。

本一种特征和知识驱动的最优并行度预测方法、系统及介质在说明书摘要公布了：本发明公开了一种特征和知识驱动的最优并行度预测方法、系统及介质，本发明方法包括获取目标并行程序的多元运行时特征并嵌入编码得到多元融合特征；将多元融合特征输入预先训练好的加速比预测模型以预测得到目标并行程序在给定的多个并行度下的加速比，所述加速比预测模型为神经网络预测模型，且被预先利用并行程序样本的多元融合特征和不同并行度下的加速比先验知识构建的训练样本训练建立了并行程序的多元融合特征与给定的多个并行度下的加速比之间的映射关系；选择加速比最大的并行度作为预测得到的最优并行度。本发明旨在实现程序最优并行度的高效、精准、可信预测，提升计算效率并降低系统资源消耗，降低程序的执行时间。

本发明授权一种特征和知识驱动的最优并行度预测方法、系统及介质在权利要求书中公布了：1.一种特征和知识驱动的最优并行度预测方法，其特征在于，包括下述步骤： S101，获取目标并行程序的多元运行时特征并嵌入编码得到多元融合特征； S102，将多元融合特征输入预先训练好的加速比预测模型以预测得到目标并行程序在给定的多个并行度下的加速比，所述加速比预测模型为神经网络预测模型，且被预先利用并行程序样本的多元融合特征和不同并行度下的加速比先验知识构建的训练样本训练建立了并行程序的多元融合特征与给定的多个并行度下的加速比之间的映射关系； S103，选择加速比最大的并行度作为预测得到的最优并行度； 所述加速比预测模型的训练包括： S201，获取批量的并行程序样本在给定的并行度范围内的多种并行度运行时的多元运行时特征并嵌入编码得到多元融合特征； S202，针对每一个并行程序样本，根据在给定的并行度范围内的多种并行度运行时的多元融合特征生成个并行度窗口组合，表示从个不同元素中选出个元素的组合数，其中为给定的并行度范围内的并行度数量，为并行度窗口大小，从而获得每一个并行度窗口大小个并行度下多元融合特征构成一组训练集，并给出长度同样为的给定的并行度范围内的种并行度构建训练样本； S203，构建神经网络预测模型作为加速比预测模型，所述神经网络预测模型的输入为并行程序的多元融合特征，输出为不同并行度下的加速比； S204，利用训练样本、预设的损失函数和贝叶斯超参数优化算法优化神经网络预测模型的模型参数，从而得到训练好的加速比预测模型； 所述预设的损失函数为下式所示的添加阿姆达尔定律约束后的损失函数： ； 其中，为并行程序样本添加阿姆达尔定律约束后的损失函数，为并行程序样本的均方误差损失，为正则化误差项的系数，为阿姆达尔定律中表征程序可并行部分比例的参考量，为取最大值，为并行程序样本以给定的并行度范围内第j个并行度，为下的相对加速比的倒数； 所述并行程序样本的均方误差损失的计算函数表达式为： ； 其中，为并行程序样本的均方误差损失，为给定的并行度范围内的并行度数量，为给定的并行度范围内并行度下真实的相对加速比的倒数；为加速比预测模型对给定的并行度范围内并行度下预测的相对加速比的倒数；所述相对加速比的计算函数表达式为： ； 其中，为并行程序样本在给定的并行度范围内第j个并行度运行时的加速性能，为并行程序样本在给定的并行度范围内最小的并行度运行时的加速性能。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。