CN119201435B 一种ai模型智能机的动态负载均衡方法及系统 （苏州吉天信息技术有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119201435B(45)授权公告日2025.07.04

(21)申请号202411225368.8

(22)申请日2024.09.03

(65)同一申请的已公布的文献号申请公布号CN119201435A

(43)申请公布日2024.12.27

(73)专利权人苏州吉天信息技术有限公司

地址215000江苏省苏州市工业园区金鸡

湖大道88号人工智能产业园D4-016单元

(72)发明人郭兰兰刘家灵刘兴福

(74)专利代理机构苏州前哨站知识产权代理事务所(普通合伙)32858

专利代理师刘坤

(51)Int.CI.

GO6F9/50(2006.01)

GO6F18/213(2023.01)

GO6N3/044(2023.01)

GO6N3/0442(2023.01)

GO6N3/084(2023.01)

GO6N3/092(2023.01)

(56)对比文件

CN108170529A,2018.06.15CN109947567A,2019.06.28

审查员金媛

权利要求书4页说明书13页附图2页

(54)发明名称

一种AI模型智能机的动态负载均衡方法及系统

(57)摘要

CN119201435B本发明公开了一种AI模型智能机的动态负载均衡方法及系统，涉及计算机科学技术领域，包括，结合深度强化学习与多智能体系统MAS构建智能体行为策略模型；基于用户请求数据和资源数据构建智能调度模型，将数据输入模型，进行资源需求预测和任务特性分析，输出最优资源分配方案；基于最优资源分配方案构建动态负载均衡函数，当网络拓扑和负载模式发生变化时，自动调整动态负载均衡函数；收集用户反馈数据，对其进行深度分析，得到用户满意度评分和服务质量评分作为构建用户反馈评估函数的基础；基于智能调度模型、动态负载均衡函数和用户反馈评估函数构建资源调度优化模型，预测用

CN119201435B

CN119201435B权利要求书1/4页

2

1.一种AI模型智能机的动态负载均衡方法，其特征在于：包括，

结合深度强化学习与多智能体系统MAS构建智能体行为策略模型，将优化后的智能体行为策略模型集成到AI模型智能机的动态负载均衡系统中；

基于用户请求数据和资源数据构建智能调度模型，将数据输入模型，进行资源需求预测和任务特性分析，输出最优资源分配方案；

基于网络拓扑和负载模式的变化构建负载变化评估函数，评估网络拓扑和负载模式的变化对系统性能的影响，基于最优资源分配方案和负载变化评估函数构建动态负载均衡函数，当网络拓扑和负载模式发生变化时，自动调整动态负载均衡函数；

收集用户反馈数据，对其进行深度分析，得到用户满意度评分和服务质量评分作为构建用户反馈评估函数的基础；

基于智能调度模型、动态负载均衡函数和用户反馈评估函数构建资源调度优化模型，识别资源瓶颈和潜在优化点，将用户反馈数据中的响应时间、服务可用性和系统稳定性作为体验指标，基于体验指标构建预测用户体验函数，预测用户体验策略；

基于最优资源分配方案、预测用户体验函数值、用户反馈评估函数值和负载变化评估函数值构建策略调整函数，根据策略调整函数的输出，调整资源分配策略，实施新的资源分配方案，根据调整后的资源分配方案观察用户体验的变化，收集新的用户反馈数据，不断优化用户体验。

2.如权利要求1所述的AI模型智能机的动态负载均衡方法，其特征在于：结合深度强化学习模型与多智能体系统MAS构建智能体行为策略模型，具体步骤为：

基于多智能体系统MAS定义状态空间S,表示所有的系统状态s的集合；

基于多智能体系统MAS定义动作空间A,表示所有的动作a的集合；

基于深度强化学习模型设定网络参数为θ,经验回放缓冲区为B,用于存储的四元组为(s,a,r,s’),其中，s表示当前状态，a表示执行的动作，r表示奖励，s’表示下一状态；

结合深度强化学习模型与多智能体系统MAS设定智能体行为策略模型的更新规则，表达式为：

其中，△θ为智能体i的参数更新量，α表示学习率，γ表示折扣因子，r表示即时奖励，Q表示当前Q值，表示使用智能体i的当前策略网络参数θi计算的当前状态s下执行动作a的预期累积奖励，Q’为目标Q值，使用目标网络参