本技術(shù)涉及云計(jì)算，特別涉及一種基于數(shù)字員工的多任務(wù)協(xié)同處理方法及系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)的快速發(fā)展和廣泛應(yīng)用，智能化、自動化已成為社會發(fā)展的重要趨勢。在工業(yè)生產(chǎn)、金融、醫(yī)療、教育等眾多領(lǐng)域，人工智能正在發(fā)揮著越來越重要的作用，極大地提升了生產(chǎn)效率和服務(wù)質(zhì)量。作為人工智能的重要分支，數(shù)字員工技術(shù)近年來備受關(guān)注。數(shù)字員工是一種基于人工智能和機(jī)器學(xué)習(xí)技術(shù)，能夠自主執(zhí)行任務(wù)的軟件系統(tǒng)。通過對業(yè)務(wù)流程和任務(wù)的學(xué)習(xí)，數(shù)字員工可以代替人工完成重復(fù)性、規(guī)則性的工作，并在某些場景下表現(xiàn)出比人更高的效率和準(zhǔn)確性。

2、在實(shí)際應(yīng)用中，單個數(shù)字員工的處理能力有限，往往難以獨(dú)立完成復(fù)雜的業(yè)務(wù)流程。因此，多個數(shù)字員工協(xié)同處理任務(wù)的場景越來越普遍。通過多個數(shù)字員工的分工協(xié)作，可以充分發(fā)揮數(shù)字員工的并行處理能力，提高整體任務(wù)執(zhí)行效率。然而，在多任務(wù)協(xié)同處理過程中，如何合理分配任務(wù)、協(xié)調(diào)數(shù)字員工之間的協(xié)作，優(yōu)化任務(wù)執(zhí)行效率，是一個具有挑戰(zhàn)性的問題。

3、傳統(tǒng)的多任務(wù)調(diào)度方法，如先來先服務(wù)、輪詢調(diào)度等，通常采用靜態(tài)的調(diào)度策略，缺乏對任務(wù)特征和數(shù)字員工能力的考量，難以適應(yīng)動態(tài)變化的任務(wù)需求和負(fù)載情況。調(diào)度決策與實(shí)際任務(wù)執(zhí)行之間缺乏有效的反饋機(jī)制，無法根據(jù)實(shí)際執(zhí)行情況動態(tài)優(yōu)化調(diào)度方案。此外，現(xiàn)有的調(diào)度方法大多針對同構(gòu)系統(tǒng)，缺乏對異構(gòu)數(shù)字員工能力差異的考慮。這些問題導(dǎo)致數(shù)字員工的處理能力無法得到充分發(fā)揮，任務(wù)分配不均衡，任務(wù)執(zhí)行效率低下，難以滿足實(shí)際應(yīng)用需求。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的數(shù)字員工多任務(wù)協(xié)同中任務(wù)執(zhí)行效率低的問題，本技術(shù)提供了一種基于數(shù)字員工的多任務(wù)協(xié)同處理方法及系統(tǒng)，首先將用戶提交的任務(wù)分解為多個子任務(wù)，由數(shù)字員工執(zhí)行。然后采用蟻群算法結(jié)合任務(wù)復(fù)雜度評估和執(zhí)行時間預(yù)測，生成數(shù)字員工的初始任務(wù)調(diào)度方案。在數(shù)字員工執(zhí)行過程中，通過長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測未來一段時間的任務(wù)執(zhí)行情況和資源占用趨勢，并使用模型預(yù)測控制算法動態(tài)優(yōu)化調(diào)整任務(wù)分配，實(shí)現(xiàn)調(diào)度決策與實(shí)際執(zhí)行的實(shí)時反饋與調(diào)整，在滿足任務(wù)依賴約束的同時，動態(tài)優(yōu)化任務(wù)執(zhí)行效率和負(fù)載均衡性，從而提升多任務(wù)協(xié)同處理的執(zhí)行效率。

2、本技術(shù)的目的通過以下技術(shù)方案實(shí)現(xiàn)。

3、本技術(shù)的一個方面提供一種基于數(shù)字員工的多任務(wù)協(xié)同處理方法，包括：接收用戶提交的任務(wù)，將任務(wù)分解為多個子任務(wù)，生成初始任務(wù)集合，子任務(wù)由數(shù)字員工執(zhí)行；根據(jù)初始任務(wù)集合，評估每個子任務(wù)的計(jì)算資源需求，根據(jù)預(yù)設(shè)的任務(wù)復(fù)雜度與執(zhí)行時間映射關(guān)系，確定每個子任務(wù)的預(yù)估執(zhí)行時間；獲取當(dāng)前各數(shù)字員工的性能參數(shù)；基于計(jì)算資源需求、預(yù)估執(zhí)行時間和性能參數(shù)，采用蟻群算法生成數(shù)字員工的初始調(diào)度信息；初始調(diào)度信息包含每個數(shù)字員工在不同時間的任務(wù)分配方案；向各數(shù)字員工發(fā)送對應(yīng)的任務(wù)分配方案，觸發(fā)各數(shù)字員工根據(jù)任務(wù)分配方案執(zhí)行相應(yīng)的子任務(wù)；在數(shù)字員工執(zhí)行子任務(wù)的過程中，跟蹤每個子任務(wù)的執(zhí)行進(jìn)度，獲取數(shù)字員工的監(jiān)控?cái)?shù)據(jù)；監(jiān)控?cái)?shù)據(jù)包含cpu占用率、內(nèi)存占用率和網(wǎng)絡(luò)帶寬占用率；將監(jiān)控?cái)?shù)據(jù)輸入至預(yù)訓(xùn)練的長短期記憶神經(jīng)網(wǎng)絡(luò)，預(yù)測未來一段時間內(nèi)的任務(wù)執(zhí)行情況和資源占用趨勢；根據(jù)預(yù)測結(jié)果，使用模型預(yù)測控制算法求解未來一段時間內(nèi)的最優(yōu)調(diào)度策略；基于最優(yōu)調(diào)度策略，調(diào)整各數(shù)字員工在未來一段時間內(nèi)的任務(wù)分配方案，并將調(diào)整后的任務(wù)分配方案發(fā)送至相應(yīng)的數(shù)字員工；數(shù)字員工根據(jù)調(diào)整后的任務(wù)分配方案，執(zhí)行子任務(wù)的后續(xù)部分。

4、其中，數(shù)字員工(digital?employee)是一種基于人工智能技術(shù)和計(jì)算機(jī)系統(tǒng)，能夠自動執(zhí)行任務(wù)、提供服務(wù)的虛擬員工。在本技術(shù)中，數(shù)字員工是子任務(wù)的實(shí)際執(zhí)行者。當(dāng)一個大任務(wù)被分解為多個子任務(wù)后，每個子任務(wù)都會被分配給一個或多個數(shù)字員工去完成。數(shù)字員工通過自身的計(jì)算資源和算法能力，自主地執(zhí)行分配給它的子任務(wù)，并返回任務(wù)結(jié)果。每個數(shù)字員工都有一組性能參數(shù)，如cpu處理能力、內(nèi)存大小、網(wǎng)絡(luò)帶寬等。這些性能參數(shù)表征了數(shù)字員工的計(jì)算資源容量和處理能力，是任務(wù)調(diào)度決策的重要依據(jù)。調(diào)度算法需要綜合考慮各數(shù)字員工的性能參數(shù)，以及任務(wù)的資源需求，才能做出合理的任務(wù)分配方案。在任務(wù)執(zhí)行過程中，數(shù)字員工會持續(xù)產(chǎn)生監(jiān)控?cái)?shù)據(jù)，如cpu占用率、內(nèi)存占用率、網(wǎng)絡(luò)帶寬占用率等。這些監(jiān)控?cái)?shù)據(jù)反映了數(shù)字員工的實(shí)時工作狀態(tài)和資源使用情況，是預(yù)測未來執(zhí)行情況和優(yōu)化調(diào)度策略的關(guān)鍵輸入。通過分析數(shù)字員工的歷史和實(shí)時監(jiān)控?cái)?shù)據(jù)，可以準(zhǔn)確把握任務(wù)執(zhí)行進(jìn)度和瓶頸所在。數(shù)字員工既是任務(wù)分配的對象，也是動態(tài)調(diào)度的對象。初始調(diào)度信息和調(diào)整后的任務(wù)分配方案，都是以數(shù)字員工為單位下發(fā)的。每個數(shù)字員工根據(jù)接收到的任務(wù)分配方案，自主安排任務(wù)執(zhí)行計(jì)劃，并根據(jù)調(diào)度策略的動態(tài)調(diào)整，靈活地重新分配任務(wù)和資源。

5、進(jìn)一步的，采用蟻群算法生成數(shù)字員工的初始調(diào)度信息，包括：對于初始任務(wù)集合中的每個子任務(wù)，根據(jù)任務(wù)類型標(biāo)簽，從預(yù)設(shè)的任務(wù)復(fù)雜度知識庫中獲取對應(yīng)的計(jì)算資源需求向量；計(jì)算資源需求向量包含cpu需求、內(nèi)存需求和網(wǎng)絡(luò)帶寬需求；將子任務(wù)的計(jì)算需求向量輸入至預(yù)先構(gòu)建的任務(wù)復(fù)雜度與執(zhí)行時間映射關(guān)系模型中，獲得對應(yīng)子任務(wù)的預(yù)估執(zhí)行時間；其中，任務(wù)復(fù)雜度與執(zhí)行時間關(guān)系映射模型通過對歷史人物執(zhí)行數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練得到；獲取當(dāng)前各數(shù)字員工的性能參數(shù)，性能參數(shù)包含數(shù)字員工的計(jì)算能力、內(nèi)存容量和網(wǎng)絡(luò)帶寬；數(shù)字員工的計(jì)算能力根據(jù)cpu型號和核心數(shù)計(jì)算得到，數(shù)字員工的內(nèi)存容量和網(wǎng)絡(luò)帶寬根據(jù)硬件配置獲??；將子任務(wù)的計(jì)算資源需求、預(yù)估執(zhí)行時間和數(shù)字員工的性能參數(shù)作為輸入，采用蟻群算法為初始任務(wù)集合中的每個子任務(wù)分配執(zhí)行者和執(zhí)行時間，輸出結(jié)果作為數(shù)字員工的初始調(diào)度信息。

6、其中，任務(wù)復(fù)雜度知識庫是一個預(yù)先構(gòu)建的、用于存儲不同類型任務(wù)的計(jì)算資源需求向量的數(shù)據(jù)庫。它根據(jù)歷史經(jīng)驗(yàn)和專家知識，對不同類型的任務(wù)進(jìn)行了復(fù)雜度劃分和量化，形成了一個任務(wù)類型到計(jì)算資源需求映射的知識庫。在該知識庫中，每個任務(wù)類型對應(yīng)一個計(jì)算資源需求向量，該向量通常包含對cpu、內(nèi)存、網(wǎng)絡(luò)帶寬等資源的需求量化指標(biāo)。這些指標(biāo)可以是連續(xù)值，表示資源需求的相對大小；也可以是分類值，表示資源需求的級別(如低、中、高等)。任務(wù)復(fù)雜度知識庫的構(gòu)建通常需要對歷史任務(wù)執(zhí)行數(shù)據(jù)進(jìn)行分析挖掘，提取不同任務(wù)類型的資源消耗模式，并結(jié)合領(lǐng)域?qū)＜医?jīng)驗(yàn)進(jìn)行總結(jié)抽象，形成可復(fù)用的復(fù)雜度量化指標(biāo)。知識庫的質(zhì)量很大程度上決定了后續(xù)任務(wù)復(fù)雜度估計(jì)和執(zhí)行時間預(yù)測的準(zhǔn)確性。更具體的，在本技術(shù)中，任務(wù)復(fù)雜度知識庫主要用于根據(jù)子任務(wù)的類型標(biāo)簽快速獲取其計(jì)算資源需求向量，為后續(xù)的執(zhí)行時間預(yù)估提供輸入。對于初始任務(wù)集合中的每個子任務(wù)，首先提取其任務(wù)類型標(biāo)簽。任務(wù)類型標(biāo)簽是對任務(wù)功能、計(jì)算模式等特征的高度抽象和歸類，如數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練、結(jié)果評估等。根據(jù)子任務(wù)的類型標(biāo)簽，在預(yù)設(shè)的任務(wù)復(fù)雜度知識庫中檢索對應(yīng)的計(jì)算資源需求向量條目。由于知識庫已經(jīng)預(yù)先建立了任務(wù)類型到資源需求的映射關(guān)系，因此可以直接根據(jù)類型標(biāo)簽查表得到該任務(wù)類型的通用資源需求量化值。將知識庫中檢索到的資源需求向量作為該子任務(wù)的計(jì)算資源需求估計(jì)值。資源需求向量中包含了對cpu、內(nèi)存、網(wǎng)絡(luò)帶寬等資源的需求描述，形成了對任務(wù)復(fù)雜度的量化表示。任務(wù)的資源需求向量與其他信息一起，作為任務(wù)執(zhí)行時間預(yù)測模型的輸入，經(jīng)過計(jì)算后得到該任務(wù)的估計(jì)執(zhí)行時間。子任務(wù)的資源需求向量和估計(jì)執(zhí)行時間進(jìn)一步用于構(gòu)建調(diào)度圖模型，并在蟻群算法中用于估算節(jié)點(diǎn)間邊權(quán)重，指導(dǎo)任務(wù)調(diào)度方案的生成。通過引入任務(wù)復(fù)雜度知識庫，該方案可以顯著提高任務(wù)計(jì)算資源需求估計(jì)的效率和準(zhǔn)確性。知識庫相當(dāng)于總結(jié)了歷史經(jīng)驗(yàn)，對不同類型任務(wù)的資源需求進(jìn)行了抽象和量化，使得在面對新任務(wù)時可以直接復(fù)用這些經(jīng)驗(yàn)知識，無需對每個任務(wù)進(jìn)行單獨(dú)的需求分析，減少了時間開銷。同時，知識庫的構(gòu)建融合了歷史數(shù)據(jù)和專家經(jīng)驗(yàn)，相比簡單的估算方法，可以給出更加準(zhǔn)確、更具領(lǐng)域針對性的任務(wù)復(fù)雜度評判。

7、進(jìn)一步的，任務(wù)復(fù)雜度與執(zhí)行時間關(guān)系映射模型通過對歷史人物執(zhí)行數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練得到，包括：從歷史任務(wù)執(zhí)行記錄中提取每個歷史任務(wù)的計(jì)算資源需求向量和實(shí)際執(zhí)行時間，構(gòu)成訓(xùn)練數(shù)據(jù)集；實(shí)際執(zhí)行時間是歷史任務(wù)的執(zhí)行時長；以訓(xùn)練數(shù)據(jù)集中的計(jì)算資源需求向量為輸入特征，以實(shí)際執(zhí)行時間為目標(biāo)值，訓(xùn)練支持向量回歸算法模型，得到任務(wù)復(fù)雜度評估模型；以訓(xùn)練數(shù)據(jù)集中的計(jì)算資源需求向量為輸入特征，以實(shí)際執(zhí)行時間為目標(biāo)值，訓(xùn)練長短期記憶神經(jīng)網(wǎng)絡(luò)模型，得到執(zhí)行時間預(yù)測模型；將任務(wù)復(fù)雜度評估模型和執(zhí)行時間預(yù)測模型進(jìn)行組合，構(gòu)建任務(wù)復(fù)雜度與執(zhí)行時間的映射關(guān)系模型；其中，組合是指將任務(wù)復(fù)雜度評估模型的輸出復(fù)雜度定量值作為執(zhí)行時間預(yù)測模型的輸入，兩個模型級聯(lián)形成復(fù)雜度－執(zhí)行時間映射關(guān)系。

8、進(jìn)一步的，將任務(wù)復(fù)雜度評估模型和執(zhí)行時間預(yù)測模型進(jìn)行組合，構(gòu)建任務(wù)復(fù)雜度與執(zhí)行時間的映射關(guān)系模型，包括：使用訓(xùn)練數(shù)據(jù)集中的計(jì)算資源需求向量作為輸入，利用訓(xùn)練后的任務(wù)復(fù)雜度評估模型，預(yù)測每個歷史任務(wù)的復(fù)雜度定量值；使用訓(xùn)練數(shù)據(jù)集中的計(jì)算資源需求向量作為輸入，利用訓(xùn)練后的執(zhí)行時間預(yù)測模型，預(yù)測每個歷史任務(wù)的執(zhí)行時間預(yù)測值；將每個歷史任務(wù)的復(fù)雜度定量值和執(zhí)行時間預(yù)測值構(gòu)成訓(xùn)練數(shù)據(jù)集，采用多項(xiàng)式回歸算法訓(xùn)練復(fù)雜度定量值與執(zhí)行時間預(yù)測值之間的映射關(guān)系子模型；對于給定的子任務(wù)，首先將相應(yīng)的計(jì)算資源需求向量輸入至任務(wù)復(fù)雜度評估模型，得到對應(yīng)的復(fù)雜度定量值；然后將子任務(wù)的復(fù)雜度定量值輸入至映射關(guān)系子模型，得到相應(yīng)子任務(wù)的預(yù)估執(zhí)行時間；將任務(wù)復(fù)雜度評估模型、執(zhí)行時間預(yù)測模型和映射關(guān)系子模型級聯(lián)，形成任務(wù)復(fù)雜度與執(zhí)行時間的映射關(guān)系模型。

9、進(jìn)一步的，基于子任務(wù)的計(jì)算資源需求、預(yù)估執(zhí)行時間和數(shù)字員工的性能參數(shù)，采用蟻群算法生成初始任務(wù)集合中的每個子任務(wù)的執(zhí)行者和執(zhí)行時間，作為數(shù)字員工的初始調(diào)度信息，包括：將初始任務(wù)集合中的每個子任務(wù)的計(jì)算資源需求向量輸入至任務(wù)復(fù)雜度評估模型，得到對應(yīng)子任務(wù)的復(fù)雜度定量值；將復(fù)雜度定量值輸入至復(fù)雜度－執(zhí)行時間映射關(guān)系子模型，得到相應(yīng)子任務(wù)的預(yù)估執(zhí)行時間；獲取當(dāng)前各數(shù)字員工的計(jì)算能力、內(nèi)存容量和網(wǎng)絡(luò)帶寬；構(gòu)建數(shù)字員工多任務(wù)調(diào)度圖模型；初始化蟻群算法參數(shù)，包括螞蟻數(shù)量m、信息素重要程度因子α、路徑長度重要程度因子β、信息素蒸發(fā)系數(shù)ρ和迭代次數(shù)n；將m只螞蟻隨機(jī)放置到調(diào)度圖的n個任務(wù)節(jié)點(diǎn)上，形成螞蟻的初始分布；對于每只螞蟻，從當(dāng)前節(jié)點(diǎn)出發(fā)，根據(jù)節(jié)點(diǎn)間信息素濃度和啟發(fā)式因子，采用輪盤賭策略選擇下一節(jié)點(diǎn)，直至遍歷完所有任務(wù)節(jié)點(diǎn)，形成一條完整路徑；根據(jù)每只螞蟻的路徑，將路徑上的任務(wù)節(jié)點(diǎn)和員工節(jié)點(diǎn)兩兩匹配，形成一種任務(wù)調(diào)度方案，并計(jì)算調(diào)度方案的綜合效益估值；比較所有螞蟻的調(diào)度方案，選出綜合效益估值最優(yōu)的方案，作為本次迭代的最優(yōu)解；根據(jù)最優(yōu)解更新調(diào)度圖中各邊的信息素濃度，更新公式為：τ'(r,s)←(1-ρ)τ(r,s)+δτ(r,s)，其中，τ(r,s)表示邊(r，s)上的信息素濃度，其中r和s分別表示邊的起點(diǎn)和終點(diǎn)節(jié)點(diǎn)；ρ表示信息素蒸發(fā)系數(shù)，取值范圍為[0，1]；δτ(r,s)表示本次迭代中，螞蟻在邊(r，s)上新留下的信息素增量；重復(fù)信息素更新步驟，直至達(dá)到最大迭代次數(shù)，或最優(yōu)綜合效益估值連續(xù)多次迭代變化小于閾值，輸出對應(yīng)最優(yōu)解作為初始調(diào)度方案；提取調(diào)度方案中每個任務(wù)節(jié)點(diǎn)及其匹配的員工節(jié)點(diǎn)，將匹配結(jié)果作為相應(yīng)子任務(wù)的執(zhí)行者，并將子任務(wù)在最優(yōu)路徑中的順序作為該執(zhí)行者的執(zhí)行時間，形成數(shù)字員工的初始調(diào)度信息。

10、具體的，通過將每個子任務(wù)的計(jì)算資源需求向量輸入任務(wù)復(fù)雜度評估模型和執(zhí)行時間預(yù)測模型，得到每個子任務(wù)的復(fù)雜度定量值和預(yù)估執(zhí)行時間。同時獲取當(dāng)前各數(shù)字員工的性能參數(shù)，包括計(jì)算能力、內(nèi)存容量和網(wǎng)絡(luò)帶寬。這兩類信息是后續(xù)構(gòu)建調(diào)度圖模型和執(zhí)行蟻群算法的基礎(chǔ)輸入。利用上一步得到的子任務(wù)復(fù)雜度定量值、預(yù)估執(zhí)行時間以及數(shù)字員工性能參數(shù)，構(gòu)建數(shù)字員工多任務(wù)調(diào)度圖模型。調(diào)度圖中包含了代表子任務(wù)的任務(wù)節(jié)點(diǎn)和代表數(shù)字員工的員工節(jié)點(diǎn)，以及連接節(jié)點(diǎn)的有向邊。連接任務(wù)節(jié)點(diǎn)和員工節(jié)點(diǎn)的邊上權(quán)重表示員工執(zhí)行任務(wù)的效率估值，連接員工節(jié)點(diǎn)之間的邊上權(quán)重表示任務(wù)切換開銷。

11、進(jìn)一步的，構(gòu)建數(shù)字員工多任務(wù)調(diào)度圖模型，包括：以初始任務(wù)集合中的每個子任務(wù)為一個任務(wù)節(jié)點(diǎn)，記為ti，以當(dāng)前各數(shù)字員工為員工節(jié)點(diǎn)，記為sj；(i＝1，2，......，n)，(j＝1，2，......，m)；其中，n為子任務(wù)數(shù)量，m為數(shù)字員工數(shù)量；在任一任務(wù)節(jié)點(diǎn)ti和員工節(jié)點(diǎn)sj之間設(shè)置一條有向邊eij，表示員工sj執(zhí)行任務(wù)ti，邊的權(quán)重w(eij)為員工sj執(zhí)行任務(wù)ti的效率估值，計(jì)算公式為：

12、其中，ci表示任務(wù)ti的復(fù)雜度定量值，pj表示員工sj的綜合性能參數(shù)，α和β為平衡因子，滿足α+β＝1；pj計(jì)算公式為：其中，cmax、mmax和bmax分別表示所有員工中計(jì)算能力、內(nèi)存容量和網(wǎng)絡(luò)帶寬的最大值，用于對單項(xiàng)參數(shù)進(jìn)行歸一化；λ1、λ2、λ3為權(quán)重系數(shù)，滿足λ1+λ2+λ3＝1，反映了不同性能指標(biāo)對員工執(zhí)行任務(wù)效率的影響程度。在任一員工節(jié)點(diǎn)sj和員工節(jié)點(diǎn)sk之間設(shè)置一條有向邊f(xié)jk，表示員工sj與員工sk之間的任務(wù)切換開銷，邊的權(quán)重w(fjk)為切換開銷估值，計(jì)算公式為：w(fjk)＝γ(1-r(tj,tk))，其中，tj和tk分別表示與員工節(jié)點(diǎn)sj和sk相連的任務(wù)節(jié)點(diǎn)，r(tj,tk)表示任務(wù)tj和tk的相關(guān)度，γ為開銷系數(shù)；任務(wù)相關(guān)度r可通過如下幾種方式獲?。豪萌蝿?wù)屬性元數(shù)據(jù)(如任務(wù)類別、所需技能等)，計(jì)算任務(wù)間的相似度；統(tǒng)計(jì)員工執(zhí)行任務(wù)的歷史數(shù)據(jù)，計(jì)算任務(wù)間的關(guān)聯(lián)度；由任務(wù)專家或主管根據(jù)經(jīng)驗(yàn)進(jìn)行主觀賦值；將構(gòu)建得到的包含任務(wù)節(jié)點(diǎn)ti、員工節(jié)點(diǎn)sj以及連接邊eij和fjk的有向圖g作為數(shù)字員工多任務(wù)調(diào)度圖模型，記為：g＝(v,e)，其中v＝{ti}∪{sj}，e＝{eij}∪{fjk}。

13、進(jìn)一步的，根據(jù)每只螞蟻的路徑，將路徑上的任務(wù)節(jié)點(diǎn)和員工節(jié)點(diǎn)兩兩匹配，形成一種任務(wù)調(diào)度方案，并計(jì)算調(diào)度方案的綜合效益估值，包括：獲取每只螞蟻遍歷完所有任務(wù)節(jié)點(diǎn)形成的一條完整路徑，記為lk(k＝1，2，......，m)，其中m為螞蟻數(shù)量；對于每條路徑lk，提取對應(yīng)路徑上的所有任務(wù)節(jié)點(diǎn)ti以及每個任務(wù)節(jié)點(diǎn)后銜接的第一個員工節(jié)點(diǎn)sj，將ti與sj匹配形成一個任務(wù)-員工的調(diào)度結(jié)果，記為(ti,sj)；將路徑lk上的所有任務(wù)-員工匹配結(jié)果(ti,sj)按任務(wù)節(jié)點(diǎn)在路徑中的順序組合為一種任務(wù)調(diào)度方案，記為ak；對于每個調(diào)度方案ak，基于匹配結(jié)果(ti,sj)中任務(wù)節(jié)點(diǎn)ti與員工節(jié)點(diǎn)sj之間連接邊eij上的效率估值w(eij)，計(jì)算調(diào)度方案ak的執(zhí)行效率effk，計(jì)算公式為：

14、其中，n為任務(wù)節(jié)點(diǎn)總數(shù)；對于每個調(diào)度方案ak，基于匹配結(jié)果(ti,sj)中員工節(jié)點(diǎn)sj以及相應(yīng)匹配任務(wù)節(jié)點(diǎn)ti的復(fù)雜度定量值ci，計(jì)算調(diào)度方案ak的負(fù)載均衡性balk，計(jì)算公式為：其中，m為員工節(jié)點(diǎn)總數(shù)，為所有任務(wù)復(fù)雜度的平均值；對于每個調(diào)度方案ak，將其執(zhí)行效率effk和負(fù)載均衡性balk加權(quán)求和，得到調(diào)度方案ak的綜合效益估值objk，計(jì)算公式為：objk＝w1×effk+w2×balk，其中，w1和w2為權(quán)重系數(shù)，滿足w1+w2＝1，反映執(zhí)行效率和負(fù)載均衡在綜合效益中的相對重要程度，可根據(jù)實(shí)際需求靈活設(shè)置。

15、進(jìn)一步的，將監(jiān)控?cái)?shù)據(jù)輸入至預(yù)訓(xùn)練的長短期記憶神經(jīng)網(wǎng)絡(luò)，預(yù)測未來一段時間內(nèi)的任務(wù)執(zhí)行情況和資源占用趨勢，包括：獲取各數(shù)字員工執(zhí)行子任務(wù)過程中采集的監(jiān)控?cái)?shù)據(jù)，包括cpu占用率、內(nèi)存占用率和網(wǎng)絡(luò)帶寬占用率的時序數(shù)據(jù)；將監(jiān)控?cái)?shù)據(jù)按時間順序排列，構(gòu)成反映數(shù)字員工資源占用動態(tài)變化的時間序列數(shù)據(jù)；將時間序列數(shù)據(jù)按固定時間窗口進(jìn)行切分，每個時間窗口包含一段時間內(nèi)的監(jiān)控?cái)?shù)據(jù)子序列，作為lstm神經(jīng)網(wǎng)絡(luò)模型的輸入序列；將lstm模型的輸入序列通過嵌入層映射為稠密向量表示，通過lstm層提取輸入序列的時序特征，并在最后一個時間步通過全連接層輸出未來一段時間內(nèi)數(shù)字員工資源占用情況的預(yù)測值；其中，lstm模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)通過預(yù)訓(xùn)練得到。

16、進(jìn)一步的，根據(jù)預(yù)測結(jié)果，使用模型預(yù)測控制算法求解未來一段時間內(nèi)的最優(yōu)調(diào)度策略，包括：將lstm神經(jīng)網(wǎng)絡(luò)模型輸出的未來一段時間內(nèi)數(shù)字員工資源占用情況的預(yù)測值、獲取的員工性能參數(shù)作為模型預(yù)測控制mpc算法的輸入，將初始任務(wù)集合作為待調(diào)度的任務(wù)列表；將任務(wù)調(diào)度問題轉(zhuǎn)換為mpc算法的優(yōu)化控制問題，每個調(diào)度周期作為一個控制步長；在每個控制步長內(nèi)，mpc算法以最大化未來一段時間內(nèi)調(diào)度方案的任務(wù)執(zhí)行效率和負(fù)載均衡性的加權(quán)組合為優(yōu)化目標(biāo)，以數(shù)字員工的資源容量和任務(wù)依賴關(guān)系為約束條件，求解從當(dāng)前步長至未來若干步長的最優(yōu)調(diào)度決策序列；優(yōu)化目標(biāo)函數(shù)設(shè)置為：其中，t表示未來的預(yù)測步長，k表示第k個調(diào)度方案，effk(t)和balk(t)分別表示未來t時刻調(diào)度方案k的任務(wù)執(zhí)行效率和負(fù)載均衡性，w1和w2為平衡因子。

17、約束條件設(shè)置為：其中，ak(t)表示未來t時刻的調(diào)度方案k，cmax、mmax和bmax分別表示數(shù)字員工的cpu、內(nèi)存和網(wǎng)絡(luò)帶寬容量上限，d表示任務(wù)依賴關(guān)系集合，ti＜tl表示任務(wù)ti必須先于tl執(zhí)行；通過求解優(yōu)化控制問題，得到從當(dāng)前步長到未來若干步長的最優(yōu)調(diào)度決策序列，記為{a(t)|t＝1,2,......,t}；將最優(yōu)調(diào)度決策序列{a(t)}中的第一個決策a(1)輸出，作為當(dāng)前調(diào)度周期的任務(wù)分配方案，下發(fā)至數(shù)字員工執(zhí)行；將最優(yōu)調(diào)度決策序列{a(t)}中剩余的決策a(2)至a(t)暫存，作為后續(xù)調(diào)度周期的預(yù)測參考，不下發(fā)執(zhí)行。

18、其中，mpc(modelpredictivecontrol，模型預(yù)測控制)算法是一種基于模型的優(yōu)化控制方法，通過滾動優(yōu)化和反饋校正，在滿足約束條件的前提下，實(shí)現(xiàn)對動態(tài)系統(tǒng)的預(yù)測和控制。在本技術(shù)中，mpc算法被用于求解未來一段時間內(nèi)的最優(yōu)任務(wù)調(diào)度策略。mpc算法基于lstm神經(jīng)網(wǎng)絡(luò)模型對未來一段時間內(nèi)數(shù)字員工的資源占用情況進(jìn)行預(yù)測。通過分析歷史調(diào)度數(shù)據(jù)和員工性能參數(shù)，lstm模型學(xué)習(xí)任務(wù)執(zhí)行與資源消耗之間的關(guān)聯(lián)關(guān)系，預(yù)測不同調(diào)度決策下的資源占用趨勢，為mpc算法提供未來一段時間內(nèi)的系統(tǒng)狀態(tài)信息。mpc算法采用滾動優(yōu)化的策略，將整個調(diào)度過程劃分為多個調(diào)度周期，每個調(diào)度周期作為一個控制步長。在每個控制步長內(nèi)，mpc算法以當(dāng)前任務(wù)集合和員工狀態(tài)為初始條件，優(yōu)化未來一段時間(稱為預(yù)測時域)內(nèi)的調(diào)度決策序列，并將序列的第一個決策作為當(dāng)前步長的最優(yōu)調(diào)度方案執(zhí)行。mpc算法以最大化未來一段時間內(nèi)調(diào)度方案的綜合性能為優(yōu)化目標(biāo)。該性能指標(biāo)通常是任務(wù)執(zhí)行效率和負(fù)載均衡性的加權(quán)組合，表示在任務(wù)執(zhí)行速度和員工負(fù)載均衡之間取得平衡。通過設(shè)置不同的權(quán)重，可以靈活地調(diào)節(jié)調(diào)度方案的偏好。mpc算法在優(yōu)化過程中需要滿足一系列約束條件，以保證調(diào)度方案的可行性和合理性。常見的約束條件包括：數(shù)字員工的資源容量限制，如cpu、內(nèi)存、網(wǎng)絡(luò)帶寬等不能超過員工的最大容量；任務(wù)依賴關(guān)系，被調(diào)度的任務(wù)之間可能存在先后依賴關(guān)系，需要按照依賴順序執(zhí)行；任務(wù)執(zhí)行時間限制，一些任務(wù)可能有最晚完成時間的硬性要求。在每個控制步長結(jié)束后，mpc算法會將實(shí)際執(zhí)行結(jié)果與預(yù)測值進(jìn)行比較，并將偏差作為反饋信號，校正預(yù)測模型和優(yōu)化目標(biāo)。通過引入反饋機(jī)制，mpc算法可以自適應(yīng)地調(diào)整調(diào)度策略，應(yīng)對任務(wù)執(zhí)行過程中的不確定性和干擾。隨著時間的推移和新任務(wù)的到達(dá)，mpc算法會不斷滾動更新調(diào)度方案。在每個控制步長開始時，mpc算法會將當(dāng)前的任務(wù)集合和員工狀態(tài)作為新的初始條件，重新優(yōu)化未來一段時間內(nèi)的調(diào)度決策序列，并根據(jù)新的最優(yōu)決策調(diào)整任務(wù)分配和執(zhí)行計(jì)劃。

19、本技術(shù)的另一個方面還提供一種基于數(shù)字員工的多任務(wù)協(xié)同處理系統(tǒng)，用于執(zhí)行本技術(shù)的一種基于數(shù)字員工的多任務(wù)協(xié)同處理方法。

20、相比于現(xiàn)有技術(shù)，本技術(shù)的優(yōu)點(diǎn)在于：

21、本技術(shù)通過將用戶任務(wù)分解為多個子任務(wù)，并由數(shù)字員工并行執(zhí)行，可充分發(fā)揮數(shù)字員工的并行處理能力。同時，在初始調(diào)度和動態(tài)優(yōu)化調(diào)整中，綜合考慮了任務(wù)復(fù)雜度、員工性能和實(shí)時負(fù)載等因素，能夠動態(tài)匹配任務(wù)和員工，優(yōu)化任務(wù)執(zhí)行效率和員工負(fù)載均衡性，避免出現(xiàn)個別員工負(fù)載過重而其他員工閑置的情況，從而提高整體任務(wù)執(zhí)行效率和計(jì)算資源利用率。

22、傳統(tǒng)調(diào)度方法通常采用靜態(tài)調(diào)度策略，一旦制定調(diào)度方案后難以根據(jù)實(shí)際執(zhí)行情況進(jìn)行動態(tài)調(diào)整。本技術(shù)引入實(shí)時監(jiān)控反饋機(jī)制，通過長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測未來一段時間內(nèi)的任務(wù)執(zhí)行進(jìn)度和資源占用情況，使用模型預(yù)測控制算法動態(tài)優(yōu)化調(diào)整任務(wù)分配，實(shí)現(xiàn)了調(diào)度決策與實(shí)際執(zhí)行的實(shí)時閉環(huán)反饋優(yōu)化，提高了系統(tǒng)的適應(yīng)性和魯棒性。當(dāng)員工實(shí)際負(fù)載與預(yù)期不符時，系統(tǒng)可自動調(diào)整任務(wù)分配，確保任務(wù)高效執(zhí)行。

23、本技術(shù)采用蟻群算法生成初始調(diào)度方案，引入了任務(wù)復(fù)雜度評估模型和執(zhí)行時間預(yù)測模型，可智能評估任務(wù)特征，準(zhǔn)確預(yù)估任務(wù)執(zhí)行時間，生成接近最優(yōu)的調(diào)度方案，為后續(xù)優(yōu)化提供良好的初值。在動態(tài)調(diào)度優(yōu)化中，利用長短期記憶神經(jīng)網(wǎng)絡(luò)對未來負(fù)載趨勢進(jìn)行預(yù)測，結(jié)合模型預(yù)測控制算法進(jìn)行多步長滾動優(yōu)化，可提前感知未來變化并提前做出調(diào)整。

24、本技術(shù)構(gòu)建了數(shù)字員工多任務(wù)調(diào)度圖模型，將多任務(wù)調(diào)度問題建模為圖上的最優(yōu)路徑搜索問題，通過智能算法求解獲得最優(yōu)調(diào)度方案。該建模方法具有良好的通用性，可方便地?cái)U(kuò)展任務(wù)節(jié)點(diǎn)和員工節(jié)點(diǎn)，靈活適配不同規(guī)模和類型的任務(wù)協(xié)同場景。此外，系統(tǒng)架構(gòu)具有模塊化特征，各功能模塊可獨(dú)立升級優(yōu)化，易于集成新的優(yōu)化算法，具備良好的可擴(kuò)展性和可維護(hù)性。