【技术实现步骤摘要】
本申请涉及云计算，特别涉及一种基于数字员工的多任务协同处理方法及系统。
技术介绍
1、随着人工智能技术的快速发展和广泛应用，智能化、自动化已成为社会发展的重要趋势。在工业生产、金融、医疗、教育等众多领域，人工智能正在发挥着越来越重要的作用，极大地提升了生产效率和服务质量。作为人工智能的重要分支，数字员工技术近年来备受关注。数字员工是一种基于人工智能和机器学习技术，能够自主执行任务的软件系统。通过对业务流程和任务的学习，数字员工可以代替人工完成重复性、规则性的工作，并在某些场景下表现出比人更高的效率和准确性。
2、在实际应用中，单个数字员工的处理能力有限，往往难以独立完成复杂的业务流程。因此，多个数字员工协同处理任务的场景越来越普遍。通过多个数字员工的分工协作，可以充分发挥数字员工的并行处理能力，提高整体任务执行效率。然而，在多任务协同处理过程中，如何合理分配任务、协调数字员工之间的协作，优化任务执行效率，是一个具有挑战性的问题。
3、传统的多任务调度方法，如先来先服务、轮询调度等，通常采用静态的调度策略，缺乏对任务特征和数字员工能力的考量，难以适应动态变化的任务需求和负载情况。调度决策与实际任务执行之间缺乏有效的反馈机制，无法根据实际执行情况动态优化调度方案。此外，现有的调度方法大多针对同构系统，缺乏对异构数字员工能力差异的考虑。这些问题导致数字员工的处理能力无法得到充分发挥，任务分配不均衡，任务执行效率低下，难以满足实际应用需求。
技术实现思路
1、针对现
2、本申请的目的通过以下技术方案实现。
3、本申请的一个方面提供一种基于数字员工的多任务协同处理方法，包括：接收用户提交的任务，将任务分解为多个子任务，生成初始任务集合，子任务由数字员工执行；根据初始任务集合，评估每个子任务的计算资源需求，根据预设的任务复杂度与执行时间映射关系，确定每个子任务的预估执行时间；获取当前各数字员工的性能参数；基于计算资源需求、预估执行时间和性能参数，采用蚁群算法生成数字员工的初始调度信息；初始调度信息包含每个数字员工在不同时间的任务分配方案；向各数字员工发送对应的任务分配方案，触发各数字员工根据任务分配方案执行相应的子任务；在数字员工执行子任务的过程中，跟踪每个子任务的执行进度，获取数字员工的监控数据；监控数据包含cpu占用率、内存占用率和网络带宽占用率；将监控数据输入至预训练的长短期记忆神经网络，预测未来一段时间内的任务执行情况和资源占用趋势；根据预测结果，使用模型预测控制算法求解未来一段时间内的最优调度策略；基于最优调度策略，调整各数字员工在未来一段时间内的任务分配方案，并将调整后的任务分配方案发送至相应的数字员工；数字员工根据调整后的任务分配方案，执行子任务的后续部分。
4、其中，数字员工(digital employee)是一种基于人工智能技术和计算机系统，能够自动执行任务、提供服务的虚拟员工。在本申请中，数字员工是子任务的实际执行者。当一个大任务被分解为多个子任务后，每个子任务都会被分配给一个或多个数字员工去完成。数字员工通过自身的计算资源和算法能力，自主地执行分配给它的子任务，并返回任务结果。每个数字员工都有一组性能参数，如cpu处理能力、内存大小、网络带宽等。这些性能参数表征了数字员工的计算资源容量和处理能力，是任务调度决策的重要依据。调度算法需要综合考虑各数字员工的性能参数，以及任务的资源需求，才能做出合理的任务分配方案。在任务执行过程中，数字员工会持续产生监控数据，如cpu占用率、内存占用率、网络带宽占用率等。这些监控数据反映了数字员工的实时工作状态和资源使用情况，是预测未来执行情况和优化调度策略的关键输入。通过分析数字员工的历史和实时监控数据，可以准确把握任务执行进度和瓶颈所在。数字员工既是任务分配的对象，也是动态调度的对象。初始调度信息和调整后的任务分配方案，都是以数字员工为单位下发的。每个数字员工根据接收到的任务分配方案，自主安排任务执行计划，并根据调度策略的动态调整，灵活地重新分配任务和资源。
5、进一步的，采用蚁群算法生成数字员工的初始调度信息，包括：对于初始任务集合中的每个子任务，根据任务类型标签，从预设的任务复杂度知识库中获取对应的计算资源需求向量；计算资源需求向量包含cpu需求、内存需求和网络带宽需求；将子任务的计算需求向量输入至预先构建的任务复杂度与执行时间映射关系模型中，获得对应子任务的预估执行时间；其中，任务复杂度与执行时间关系映射模型通过对历史人物执行数据进行机器学习训练得到；获取当前各数字员工的性能参数，性能参数包含数字员工的计算能力、内存容量和网络带宽；数字员工的计算能力根据cpu型号和核心数计算得到，数字员工的内存容量和网络带宽根据硬件配置获取；将子任务的计算资源需求、预估执行时间和数字员工的性能参数作为输入，采用蚁群算法为初始任务集合中的每个子任务分配执行者和执行时间，输出结果作为数字员工的初始调度信息。
6、其中，任务复杂度知识库是一个预先构建的、用于存储不同类型任务的计算资源需求向量的数据库。它根据历史经验和专家知识，对不同类型的任务进行了复杂度划分和量化，形成了一个任务类型到计算资源需求映射的知识库。在该知识库中，每个任务类型对应一个计算资源需求向量，该向量通常包含对cpu、内存、网络带宽等资源的需求量化指标。这些指标可以是连续值，表示资源需求的相对大小；也可以是分类值，表示资源需求的级别(如低、中、高等)。任务复杂度知识库的构建通常需要对历史任务执行数据进行分析挖掘，提取不同任务类型的资源消耗模式，并结合领域专家经验进行总结抽象，形成可复用的复杂度量化指标。知识库的质量很大程度上决定了后续任务复杂度估计和执行时间预测的准确性。更具体的，在本申请中，任务复杂度知识库主要用于根据子任务的类型标签快速获取其计算资源需求向量，为后续的执行时间预估提供输入。对于初始任务集合中的每个子任务，首先提取其任务类型标签。任务类型标签是对任务功能、计算模式等特征的高度抽象和归类，如数据预处理、特征提取、模型训练、结果评估等。根据子任务的类型标签，在预设的任务复杂度知识库中检索对应的计算资源需求向量条目。由于知识库已经预先建立了任务类型到资源需求的映射关系，因此可以直接根据类型标签查表得到该任务类型的通用资源需求量化值。将知识库中检索到的资源需求向量作为该子任务的计算资源需求估计值。资源需求向量中包含本文档来自技高网...
【技术保护点】
1.一种基于数字员工的多任务协同处理方法，包括：
2.根据权利要求1所述的基于数字员工的多任务协同处理方法，其特征在于：
3.根据权利要求2所述的基于数字员工的多任务协同处理方法，其特征在于：
4.根据权利要求3所述的基于数字员工的多任务协同处理方法，其特征在于：
5.根据权利要求3所述的基于数字员工的多任务协同处理方法，其特征在于：
6.根据权利要求5所述的基于数字员工的多任务协同处理方法，其特征在于：
7.根据权利要求6所述的基于数字员工的多任务协同处理方法，其特征在于：
8.根据权利要求7所述的基于数字员工的多任务协同处理方法，其特征在于：
9.根据权利要求8所述的基于数字员工的多任务协同处理方法，其特征在于：
10.一种基于数字员工的多任务协同处理系统，其特征在于，
【技术特征摘要】
1.一种基于数字员工的多任务协同处理方法，包括：
2.根据权利要求1所述的基于数字员工的多任务协同处理方法，其特征在于：
3.根据权利要求2所述的基于数字员工的多任务协同处理方法，其特征在于：
4.根据权利要求3所述的基于数字员工的多任务协同处理方法，其特征在于：
5.根据权利要求3所述的基于数字员工的多任务协同处理方法，其特征在于：
【专利技术属性】
技术研发人员：张煇，赵建峰，罗超玲，
申请(专利权)人：北京长河数智科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。