资源聚类智能分析方法、装置、电子设备及存储介质与流程

1.本发明涉及金融数据分析技术领域，尤其涉及一种资源聚类智能分析方法、装置、电子设备及存储介质。


背景技术：

2.在一些第三方管理平台中，为满足目标对象针对自身所持账户中，各项可调度资源提出的个性化管理需求，常常依据当前管理平台记录的各个资源配置方案各自的资源配置状况，为目标对象推荐高效、合理的资源调度方案。
3.例如，在一些定制化的资源调度场景中，管理平台可以采用无监督聚类的方式，依据目标对象选择的每个资源配置方案中，记录的相应资源调度数据，确定并分析出相应各个资源配置方案各自的资源配置状况，以根据目标对象提供的资源配置需求，为其确定并分析出适配的资源调度方案。
4.具体的，相关技术中，通常采用均值聚类的方式，依据目标对象需求的各个聚类类别，随机从指定数目的资源配置方案中，选定符合聚类类别数目的各个资源配置方案，分别作为对应各个聚类类别的初始聚类中心，并通过分析选定的各个初始聚类中心各自与其他资源配置方案之间存在的数据关联，将每个其他资源配置方案归属至其相应数据关联最强的初始聚类中心对应的聚类类别中，获得相应的初始聚类结果，进一步的，为确保获得的划分结果最优，分别确定得到的每个资源配置方案组合中，相应各个资源配置方案的方案均值，以根据每个资源配置方案组合的方案均值，重新确定作为相应聚类类别下的聚类中心，基于上述方式，通过选定的方案均值，不断调整各个聚类类别各自对应的聚类中心，从而在确保各个聚类类别下的聚类中心的选取较为稳定时，确定聚类结束并输出相应的目标聚类结果。
5.然而，由于实际状况下，每个资源配置方案组合的方案均值，往往是由当前聚类结果中，相应聚类类别对应的至少一个资源配置方案各自的资源配置状况确定的，因此，基于上述方式，常常会导致聚类过程中，重新选定的各个聚类中心，通常都会与当前聚类结果中，相应各个资源配置方案组合各自的聚类中心间存在密切关联，这一状况下，当选择的初始聚类中心不佳(例如，与其他资源配置方案的数据关联较弱)时，常常会引发后续获得的各个资源配置方案组合中，出现因局部收敛而导致的划分数目不均的问题，从而导致相关技术中，难以获得针对指定数目的资源配置方案的最优聚类结果，因此，相关技术中，通常存在着针对指定数目的资源配置方案，相应获得的目标聚类结果不够准确的问题，从而影响分析到的资源配置状况的准确性。


技术实现要素：

6.本技术实施例提供一种资源聚类智能分析方法、装置、电子设备及存储介质，用于提升针对资源配置方案的聚类结果的准确性。
7.第一方面，本技术实施例提供一种资源聚类智能分析方法，包括：
8.获取k个资源配置方案各自的资源调度数据，并基于预设的l个聚类类别，对资源调度数据进行分析，确定相应的l个初始聚类方案，其中，l、k为正整数，l＜k，每个资源调度数据表征：相应资源配置方案在设定时间范围内的资源调度状况。
9.将l个初始聚类方案作为聚类中心，分别对k个资源配置方案进行聚类，并基于聚类结果，确定l个聚类类别各自的类别适应度，其中，每个类别适应度表征：相应聚类类别与其关联的至少一个资源配置方案间的适应程度。
10.基于获得的l个类别适应度，从k个资源配置方案中，重新确定相应的l个聚类方案，并将l个聚类方案作为聚类中心，对k个资源配置方案进行再次聚类，获得相应的l个资源配置方案组合。
11.在确定l个资源配置方案组合满足预设的聚类条件时，确定l个资源配置方案组合，为k个资源配置方案的目标聚类结果。
12.第二方面，本技术实施例提供一种资源聚类智能分析装置，包括：
13.获取模块，用于获取k个资源配置方案各自的资源调度数据，并基于预设的l个聚类类别，对所述资源调度数据进行分析，确定相应的l个初始聚类方案，其中，l、k为正整数，l＜k，每个资源调度数据表征：相应资源配置方案在设定时间范围内的资源调度状况。
14.聚类模块，用于将l个初始聚类方案作为聚类中心，分别对k个资源配置方案进行聚类，并基于聚类结果，确定l个聚类类别各自的类别适应度，其中，每个类别适应度表征：相应聚类类别与其关联的至少一个资源配置方案间的适应程度。
15.中心选取模块，用于基于获得的l个类别适应度，从k个资源配置方案中，重新确定相应的l个聚类方案，并将l个聚类方案作为聚类中心，对k个资源配置方案进行再次聚类，获得相应的l个资源配置方案组合。
16.确定模块，用于在确定l个资源配置方案组合满足预设的聚类条件时，确定l个资源配置方案组合，为k个资源配置方案的目标聚类结果。
17.在一种可选的实施例中，将所述l个初始聚类方案作为聚类中心，分别对所述k个资源配置方案进行聚类时，聚类模块具体用于：
18.针对所述k个资源配置方案，分别执行以下操作：
19.对一个资源配置方案的资源调度数据进行分析，确定一个资源配置方案的聚类位置。
20.基于聚类位置，分别确定一个资源配置方案与l个初始聚类方案间的聚类距离。
21.从l个初始聚类方案中，确定相应的聚类距离符合预设距离条件的初始聚类方案，为一个资源配置方案对应的聚类中心，并将一个资源配置方案归属至聚类中心对应的聚类类别中。
22.在一种可选的实施例中，对一个资源配置方案的资源调度数据进行分析，确定一个资源配置方案的聚类位置时，聚类模块具体用于：
23.获取一个资源配置方案的资源波动率，其中，资源波动率表征：一个资源配置方案在设定时间范围内的资源波动数量。
24.基于预设的固定增长率，对一个资源配置方案的资源波动率进行分析，获得一个资源配置方案的相对增长率，其中，固定增长率表征：单位时间范围内，一个资源配置方案可增长的最小资源数量，相对增长率表征：一个资源配置方案所持资源在设定时间范围内
的相对增长数量。
25.基于资源波动率及相对增长率，对一个资源配置方案的资源调度数据进行分析，确定一个资源配置方案的聚类位置。
26.在一种可选的实施例中，基于聚类结果，确定所述l个聚类类别各自的类别适应度时，聚类模块具体用于：
27.针对l个聚类类别，分别执行以下操作：
28.基于一个聚类类别中，至少一个资源配置方案各自的聚类位置，分别确定至少一个资源配置方案各自的聚类适应度，其中，每个聚类适应度表征：相应资源配置方案与一个聚类类别间的适应程度。
29.从至少一个资源配置方案中，确定相应聚类适应度最大的资源配置方案，为一个聚类类别的聚类中心，并将聚类中心的聚类适应度，作为一个聚类类别的类别适应度。
30.在一种可选的实施例中，基于获得的l个类别适应度，从k个资源配置方案中，重新确定相应的l个聚类方案时，中心选取模块具体用于：
31.基于获得的l个类别适应度，对k个资源配置方案各自的聚类位置进行更新，其中，每个更新后的聚类位置，是基于相应资源配置方案的聚类适应度确定的。
32.基于更新后的k个聚类位置，对l个类别适应度进行更新，并基于更新结果，从k个资源配置方案中，重新确定相应的l个聚类方案。
33.在一种可选的实施例中，在确定l个资源配置方案组合满足预设的聚类条件时，确定l个资源配置方案组合，为k个资源配置方案的目标聚类结果，确定模块具体用于：
34.针对l个资源配置方案组合，分别执行以下操作：基于一个资源配置方案组合中，相应聚类中心各自与至少一个资源配置方案间的聚类距离，确定一个资源配置方案组合的聚合度，其中，聚合度表征：一个资源配置方案组合的聚类中心与其他至少一个资源配置方案间的聚合程度。
35.在确定l个资源配置方案组合的聚合度小于预设的聚合度阈值时，将l个资源配置方案组合，作为k个资源配置方案的目标聚类结果。
36.第三方面，本技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现上述第一方面中的任一种资源聚类智能分析方法。
37.第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面的资源聚类智能分析方法。
38.第五方面，本技术实施例还提供了一种计算机程序产品，所述计算机程序产品在被计算机调用时，使得所述计算机执行如第一方面所述的方法。
39.本技术实施例提供一种资源聚类智能分析方法、装置、电子设备及存储介质，通过随机选定的l个初始聚类方案，对k个资源配置方案进行聚类后，基于聚类结果，分别确定l个聚类类别各自的类别适应度，并通过计算到的l个类别适应度，分别从每个聚类类别对应的资源配置方案组合中，重新确定并选取一个新的资源配置方案，作为该聚类类别相应的聚类中心，则基于上述方式，重新选定相应适应程度最佳的l个资源配置方案，作为l个聚类类别各自相应的初始聚类中心，避免了因选定的初始聚类中心不佳，而导致的局部收敛的
问题，从而提升了获得的目标聚类结果的准确性。
40.进一步的，本技术实施例中，采用每次聚类过程中，获得的相应l个类别适应度，重新选取并调整上述聚类过程相应的l个聚类中心，从而大大提升了每个聚类中心的可搜索聚类范围，确保了待分析的每个资源配置方案，均能归属至其相应判定的最佳聚类类别，进一步提升了分析获得的目标聚类结果的准确性。
附图说明
41.图1为本技术实施例提供的一种相关技术示意图；
42.图2为本技术实施例提供的一种可能的应用场景示意图；
43.图3为本技术实施例提供的一种资源聚类智能分析方法的流程图；
44.图4为本技术实施例提供的聚类位置的投影示意图；
45.图5a，图5b为本技术实施例提供的一种聚类方法示意图；
46.图6为本技术实施例提供的一种确定聚类中心的方法示意图；
47.图7为本技术实施例提供的一种聚类位置更新的方法示意图；
48.图8为本技术实施例提供的一种目标聚类结果的获取流程示意图；
49.图9为本技术实施例提供的一种目标聚类结果的示意图；
50.图10为本技术实施例提供的一种资源聚类智能分析方法的逻辑示意图；
51.图11为本技术实施例提供的一种资源聚类智能分析装置示意图；
52.图12为本技术实施例提供的一种电子设备示意图。
具体实施方式
53.下面将结合本发明实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.本技术的设计思路如下：
55.相关技术中，通常采用均值聚类的方式，对待聚类分析的k个资源配置方案进行聚类划分，即采用指定的l个聚类类别，将上述资源配置方案划分为相应的l个资源配置方案组合，具体来讲，相关技术中，为确保聚类结果中，各个资源配置方案组合中的资源配置方案的数目相对均匀，将每个资源配置方案组合对应的方案均值，作为相应聚类类别下的聚类中心，以通过相应l个聚类中心各自与其对应的至少一个资源配置方案间的数据关联，迭代确定l个新资源配置方案组合，每确定一次，重新调整新的方案均值作为相应的下一次聚类中心，从而在确保l个聚类中心相对稳定时，确定聚类效果最佳并输出相应的目标聚类结果。
56.然而，在上述方式中，通过将每个资源配置方案组合的方案均值，作为相应聚类类别下的聚类中心，从而根据选定的新的聚类中心，获得相应的下一次聚类结果，实际状况下，由于每个资源配置方案组合的方案均值，往往是由当前聚类结果中，相应聚类类别对应的至少一个资源配置方案各自的资源配置状况确定的，因此，基于上述方式，常常会导致聚类过程中，重新选定的各个聚类中心，通常都会与当前聚类结果中，相应各个资源配置方案
组合各自的聚类中心间存在密切关联，例如，参阅图1所示，当选择的初始聚类中心不佳(例如，与其他资源配置方案的数据关联较弱)时，上述方式常常会引发后续获得的各个资源配置方案组合中，出现因局部收敛而导致的划分数目不均的问题，从而导致相关技术中，获得的目标聚类结果的准确性通常较低。
57.为提升目标聚类结果的准确性，本技术实施例提供一种资源聚类智能分析方法、装置、电子设备及存储介质，通过随机选定的l个初始聚类方案，对k个资源配置方案进行聚类后，基于聚类结果，分别确定l个聚类类别各自的类别适应度，并通过计算到的l个类别适应度，分别从每个聚类类别对应的资源配置方案组合中，重新确定并选取一个新的聚类方案，作为该聚类类别相应的聚类中心，其中，每个类别适应度，分别反映了相应聚类类别与其关联的至少一个资源配置方案间的适应程度。
58.本技术实施例中，通过确定的l个类别适应度，在对聚类中心进行调整之前，重新从k个资源配置方案中，选定相应适应程度最佳的l个资源配置方案，作为l个聚类类别各自的聚类中心，避免了因选定的初始聚类中心不佳，而导致的局部收敛问题，同时，基于上述方式，在后续每次聚类的过程中，基于相应的l个类别适应度，重新从所有资源配置方案中，确定并调整至相应的l个聚类中心，上述方式避免了每两次相邻聚类过程中，选取的相应两个聚类中心间存在的数据关联，大大提升了选取到的聚类中心的可拓展性，从而确保了每个资源配置方案均能归属到其相应数据关联最强的聚类类别，进一步提升了分析获得的目标聚类结果的准确性。
59.为便于理解，首先对本技术实施例进行描述的过程中出现的部分名词或术语作如下解释：
60.资源：指地区内所有物力、财力、人力的总称，具体的，可分为自然资源和社会资源两大类。其中，自然资源可包括阳光、空气、水、森林等物质资源；社会资源可包括人力资源、信息资源以及经过劳动创造的各种虚拟财富或物质财富。
61.例如，个人或企业所持的可调度资产，如，虚拟货币等。
62.资源配置方案：对相对稀缺的资源在指定用途上配置的调度方案，常用于实现可调度资源的相对增长，例如，实际场景中，可将管理平台中，用于实现指定类型的资源数目增长的可调度产品，视作相应的一个资源配置方案，如，债券、银行定期存款、信用卡、股票、保险理财、货币、债券、基金、房产等，用以满足目标对象的投资需求，本技术对此不作限制。
63.本技术实施例中，为便于描述，将上述实现资源数目增长的可调度产品，视作待分析的一个资源配置方案。
64.资源配置方案组合：根据目标对象的资源调度需求，选取的多种类型的资源配置方案以及多种资源配置方案的占比组合。
65.例如，本技术实施例中，可根据目标对象选定的期望收益率以及风险范围等，对多个资源配置方案(如，股票、基金等投资产品)进行分析，以根据分析到的多个资源配置方案各自的资源调度状况，为目标对象分析并确定出适配的资源配置方案组合。
66.资源波动率：一个资源配置方案在设定时间范围内的资源波动数量。
67.例如，本技术实施例中，为便于描述，可将设定时间范围内，管理平台所记录的某一基金或股票等投资产品呈现出的历史回报效率，作为相应资源配置方案下的资源波动率。
68.固定增长率：单位时间范围内，每个资源配置方案通常可以增长的最小资源数量，用以反映该资源配置方案在无风险状况下的资源增长情况。
69.例如，实际状况下，可将某一资源配置方案的年化无风险收益率，视为该资源配置方案的固定增长率，用以反映相关股票或基金等在无风险状况下的投资收益状况，本技术对此不作限制。
70.相对增长率：一个资源配置方案的所持资源在设定时间范围内的相对增长数量，用以反映某一资源配置方案针对可调度资源的相对增长状况。
71.例如，实际状况下，可通过一个资源配置方案对应的固定增长率与资源波动率的比值，获得该资源配置方案相应的相对增长率，又例如，在投资场景中，可将某一基金或股票等在设定时间范围内的夏普比率，作为其相应的相对增长率，在此不再赘述。
72.基于上述名词或术语解释，下面将结合附图对本技术实施例提供的资源聚类智能分析方法作出进一步详细说明。
73.参阅图2所示，为本技术实施例提供的一种可能的应用场景示意图，该应用场景中包括管理平台和目标终端。其中，管理平台与目标终端之间可通过无线通信方式或有线通信方式进行信息交互。
74.示例性的，管理平台可通过蜂窝移动通信技术接入网络，从而与目标终端进行通信，所述蜂窝移动通信技术，比如，包括第五代移动通信(5th generation mobile networks，5g)技术。
75.本技术实施例对管理平台以及上述目标终端的数量不做限制，为便于描述，图2仅以一个管理平台及一个目标终端为例。
76.进一步的，上述管理平台可以是一个或多个可用于进行资源聚类智能分析的电子设备，如，手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，mid)、服务器、服务器集群等具有信息记录、存储及分析管理功能的计算机终端或类似的运算设备，上述目标终端可以用于提供资源调度指令，该资源调度指令可以用于向管理平台指示目标对象的资源调度需求，如，指示目标对象所需求的资源调度风险或资源调度效益，也可用于指示实际待分析的k个资源配置方案，如，k个资源配置方案各自的方案标识，以便于管理平台依据接收到的资源调度指令，对其选定的k个资源配置方案进行聚类分析，并基于分析到的目标聚类结果，向目标对象确定并分析出适配的资源调度方案。
77.值得说明的是，上述方式仅为举例说明，在一种可选的实施例中，也可采用目标对象的对象画像等方式，对指定的k个资源配置方案进行分析，本技术对此不作限制。
78.基于上述应用场景，参阅图3所示，假设管理平台在接收目标终端发送的资源调度指令后，依据其指示的资源调度需求，对相应记录的k个资源配置方案进行分析，具体的，包括：
79.s301：获取k个资源配置方案各自的资源调度数据，并基于预设的l个聚类类别，对资源调度数据进行分析，确定相应的l个初始聚类方案。
80.具体的，为体现k个资源配置方案各自的资源调度状况，根据其选定的l个聚类类别，分析其相应资源调度数据的数据波动情况。
81.例如，在执行s301前，管理平台可以根据目标对象指示的资源调度需求，确定目标对象需要考虑资源配置方案的资源调度风险以及相应资源调度效益，则针对指定的k个资
源配置方案，管理平台可以设置用于体现不同风险等级或不同效益等级的l个聚类类别，本技术实施例中，为针对保证k个资源配置方案的分析效果，确定l＜k，则本技术实施例中，假设待分析的资源配置方案的数目为10，且根据各个资源配置方案各自的资源调度数据，确定相应的l个聚类类别如下表1所示：
82.表1
83.聚类类别效益低效益中效益高
84.进一步的，针对获得的每个资源调度数据，衡量其在设定时间范围内的聚类指标，从而利用采集到的每个聚类指标，反映其相应资源配置方案在设定时间范围内的资源调度状况。
85.例如，在一种可选的实施例中，根据目标对象指示的上述资源调度需求，确定目标对象需要考虑到资源配置方案的资源调度风险以及相应的资源调度效益，则在上述数据分析中，采用的相应聚类指标可以包括：
86.1)资源波动率。
87.具体的，由于每个资源配置方案在设定时间范围内的资源波动数量，往往体现出该资源配置方案在上述设定时间范围内的资源调度风险，因此，在一种可选的实施例中，可将各个资源调度数据各自的资源波动率，作为针对相应资源配置方案的一个聚类指标，以在聚类过程中，分别体现各个资源配置方案各自的风险状况。
88.例如，假设上述10个资源配置方案各自的资源波动率如下表2所示：
89.表2
90.资源配置方案资源波动率资源配置方案资源波动率资源配置方案1σ1资源配置方案6σ6资源配置方案2σ2资源配置方案7σ7资源配置方案3σ3资源配置方案8σ8资源配置方案4σ4资源配置方案9σ9资源配置方案5σ5资源配置方案10σ
10
91.基于上述方式，能够根据采集的各个资源波动率，分别确定上述10个资源配置方案各自在一年内的资源波动数量，从而根据获得的各个的资源波动数量，分别确定上述10个资源配置方案各自的风险状况。
92.2)相对增长率。
93.具体的，由于每个资源配置方案在设定时间范围内的相对增长数量，往往体现出该资源配置方案在上述设定时间范围内的风险回报情况，因此，在一种可选的实施例中，可将各个资源调度数据各自的相对增长率，作为针对相应资源配置方案的一个聚类指标，以在聚类过程中，分别体现各个资源配置方案各自的风险回报状况。
94.例如，假设上述10个资源配置方案各自的相对增长率如下表3所示：
95.表3
96.资源配置方案相对增长率资源配置方案相对增长率资源配置方案1s1资源配置方案6s6资源配置方案2s2资源配置方案7s7资源配置方案3s3资源配置方案8s8资源配置方案4s4资源配置方案9s9资源配置方案5s5资源配置方案10s
10
97.基于上述方式，能够根据采集的各个相对增长率，分别确定上述10个资源配置方案各自在一年内的相对增长数量，并根据获得的各个相对增长数量，进一步确定上述10个资源配置方案各自的风险回报状况。
98.可以理解的是，上述各个聚类指标仅为举例说明，本技术实施例中，为便于理解，将每个资源配置方案的资源波动率以及相对增长率，作为相应k个资源配置方案各自的聚类指标，具体的，将上述10个资源配置方案各自的资源调度数据记为x1～x10，并使其中的每个资源调度数据均包含相应资源配置方案的资源波动率以及相对增长率，从而根据采集到的k个资源调度数据，以聚类的方式，分析出上述10个资源配置方案各自在一年内的资源调度状况。
99.进一步的，为在无监督学习的过程中，体现每两个资源调度数据间存在的数据关联，采用位置聚类的方式，对上述k个资源配置方案各自的资源调度数据进行分析，具体来讲，通过待分析的k个资源配置方案各自在指定聚类指标下呈现出的数据分析结果，对各个资源配置方案进行映射并确定其在指定数据空间中对应的一个聚类位置，从而根据每两个聚类坐标相应聚类位置间的聚类距离，确定相应每两个资源配置方案间的相似度度量。
100.例如，参阅图4所述，为上述10个资源配置方案各自在指定数据空间(以xy平面为例)中各自投影至的聚类位置，其中，每个聚类位置，关联相应资源配置方案的资源波动率以及相对增长率的归一化结果。
101.进一步的，基于上述确定的各个聚类位置，从上述k个资源配置方案中，选定相应的l个资源配置方案，分别作为首次聚类下，对应一个聚类类别确定的初始聚类方案。例如，本技术实施例中，假设选定的3个初始聚类方案如下表4所示：
102.表4
103.初始聚类方案资源配置方案3资源配置方案8资源配置方案9
104.s302：将l个初始聚类方案作为聚类中心，分别对k个资源配置方案进行聚类，并基于聚类结果，确定l个聚类类别各自的类别适应度。
105.具体的，为保证同一聚类类别下的资源调度数据尽可能相似，而不同聚类类别间的资源调度数据的数据差异尽可能大，采用相似度最大的准则，将各个资源配置方案分别归属至其相应相似度最大的聚类中心中，可选的，采用距离聚类的方式，分别将上述选定的l个初始聚类方案，各自对其他未选定的k-l个资源配置方案间的聚类距离，分别作为相应资源配置方案与一个聚类中心间对应的相似度度量，则基于上述方式，通过衡量每个资源配置方案与上述选定的l个初始聚类方案间的聚类距离，将上述每个资源配置方案，分别归
属至相应聚类距离最近的初始聚类方案对应的聚类类别中，以获得相应的聚类结果。
106.例如，参阅图5a所示，通过将选定的3个初始聚类方案分别作为相应的聚类中心，并根据每个资源配置方案对应的聚类位置，分别确定各个资源配置方案各自与上述聚类中心间的聚类距离，其中，为便于描述，本技术实施例将每个两个资源配置方案间的欧几里得距离，视作相应两个聚类位置间的聚类距离，并基于距离最近的准则，将各个资源配置方案分别分类到其相应最近的聚类中心中，则其相应的聚类结果如图5b所示。
107.进一步的，为保证选定的初始聚类中心对其他资源配置方案的聚类效果，避免因初始聚类中心的选取不佳而导致的局部收敛问题，本技术实施例基于萤火虫算法，从上述获得的聚类结果中，分别确定每个资源配置方案相应的聚类适应度，并根据评价得到的各个聚类适应度，对选定的k个资源配置方案的原始聚类位置进行更新，以根据每个资源配置方案个体间的数据协作，避免每相邻两次聚类过程中，对应的聚类中心间存在较强的数据关联，从而保证每个资源配置方案在聚类的过程中找到相应的全局最优，提升最终获得的目标聚类结果的准确性。
108.在一种可选的实施例中，上述各个资源配置方案各自的聚类适应度，可以采用以下方式获得：
[0109][0110]
其中，x表征相应资源配置方案的资源波动率以及相对增长率的归一化结果。
[0111]
例如，基于上述设定的griewank函数，假设上述10个资源配置方案各自的聚类适应度如下表5所示：
[0112]
表5
[0113]
资源配置方案聚类适应度资源配置方案聚类适应度资源配置方案1f(1)资源配置方案6f(6)资源配置方案2f(2)资源配置方案7f(7)资源配置方案3f(3)资源配置方案8f(8)资源配置方案4f(4)资源配置方案9f(9)资源配置方案5f(5)资源配置方案10f(10)
[0114]
则进一步的，参阅图6所示，基于上述10个资源配置方案各自的聚类适应度，分别将每个聚类类别中，相应聚类适应度最大的资源配置方案，作为相应聚类类别的聚类中心，并将每个聚类中心对应的聚类适应度，作为相应聚类类别对应的类别适应度。
[0115]
s303：基于获得的l个类别适应度，从k个资源配置方案中，重新确定相应的l个聚类方案，并将l个聚类方案作为聚类中心，对k个资源配置方案进行再次聚类，获得相应的l个资源配置方案组合。
[0116]
进一步的，基于上述确定的各个类别适应度，以及k个资源配置方案各自的聚类适应度，可以基于预设的萤火虫算法，分别对k个资源配置方案各自的聚类位置进行更新，具体来讲，分别将每个资源配置方案的聚类适应度，作为该资源配置方案相应的最大吸引度，从而根据萤火虫算法中的更新距离，对各个资源配置方案各自的聚类位置进行更新，具体的，如下式所示：
[0117][0118]
其中，β
′
表征相应一个资源配置方案对其他资源配置方案的吸引度，α
′
表征相应一个资源配置方案在当前聚类过程中确定的适应步长，具体的，每个资源配置方案的吸引度可由下式获得：
[0119][0120]
其中，β0表征相应一个资源配置方案对其他资源配置方案的最大吸引度，β
min
表征相应一个资源配置方案对其他资源配置方案的最小吸引度，γ表征预设的光强吸收系数，r
ij
表征相应两个资源配置方案间的聚类距离。
[0121]
进一步的，每个资源配置方案的适应步长可如下式所示：
[0122][0123]
其中，d(ci)
t+1
表征聚类位置更新后，相应聚类类别下的资源配置方案组合的聚合度，如下式所示：
[0124][0125]
其中，ci表征相应聚类类别下的聚类中心，则通过上述方式，将相应聚类类别下的至少一个资源配置方案与其聚类中心间的聚类距离总和，作为该聚类类别下的资源配置方案组合的聚合度，以分别体现当前聚类结果中的聚类划分效果。
[0126]
例如，参阅图7所示，由于每个聚类类别中，重新选定的聚类中心表征为其相应聚类适应度最大的资源配置方案，则采用上述方式，令每个聚类类别中的其他资源配置方案向其相对吸引度最大的聚类中心进行移动(图中仅以一个资源配置方案为例)，以实现各个资源配置方案的聚类位置的更新，可选的，针对选定的各个聚类中心，也可根据设定的扰动函数值，对其相应的聚类位置进行随机扰动，以进一步避免聚类结果中出现局部最优。
[0127]
基于上述方式，通过每次聚类迭代的过程中，计算相应聚类结果所对应的各个聚类适应度，以根据萤火虫算法定义的吸引原则，更新每个资源配置方案的聚类位置，其中，每个资源配置方案的更新距离，是由该资源配置方案相应的聚类适应度以及设定的适应步长确定的，从而使每个资源配置方案的更新距离依赖于其当前确定的相应吸引度以及适应步长，此种方式基于利用萤火虫算法全局搜索能力强的优点，重新定位各个聚类类别下的初始聚类中心，同时，致使各资源配置方案基于每次聚类过程中对应的适应步长，在进行较大范围内的聚类寻优后，适应性调整各资源配置方案的更新位置，从而进一步提高了获得的目标聚类结果的准确度以及相应的获取速度。
[0128]
s304：在确定l个资源配置方案组合满足预设的聚类条件时，确定l个资源配置方案组合，为k个资源配置方案的目标聚类结果。
[0129]
具体的，在上述步骤s303中，通过l个资源配置方案组合各自的聚类适应度，对k个资源配置方案各自的聚类位置进行更新，从而改进了每个资源配置方案到其相应聚类中心间的聚类距离，使得不同聚类类别间相应资源调度数据的数据差异更加明显，以便于后续
进行更准确的聚类划分，进一步的，为确保获得的聚类效果最佳，基于每个资源配置方案组合中，相应聚类中心到其他至少一个资源配置方案间的聚类距离，确定获得的上述l个资源配置方案组合的聚合度，以根据指定的聚合度阈值，迭代获得最优的聚类效果，可选的，参阅图8所示，采用以下方式，获得最优的目标聚类结果，包括：
[0130]
s3041：确定聚类结果中，k个资源配置方案各自的聚类适应度。
[0131]
s3042：根据聚类适应度，对k个资源配置方案各自的聚类位置进行更新。
[0132]
s3043：根据聚类位置更新后的l个聚类中心，分别确定其相应l个资源配置方案组合的聚合度。
[0133]
s3044：确定l个资源配置方案组合的聚合度是否小于预设的聚合度阈值，若是，则执行s3045，否则，执行s3041。
[0134]
s3045：确定l个资源配置方案组合为k个资源配置方案的目标聚类结果。
[0135]
可以理解的是，基于上述方式，采用每次迭代过程中，获得的相应聚类结果的聚合度，判断当前聚类结果的聚类效果，在一种可选的实施例中，也可基于指定的聚类迭代次数，输出相应的目标聚类结果，本技术对此不作限制。
[0136]
例如，参阅图9所示，基于上述方式，重新从k个资源配置方案中，选定相应适应程度最佳的l个资源配置方案，作为l个聚类类别分别对应的聚类中心，在保证同一聚类类别下的资源调度数据尽可能相似的同时，确保了不同聚类类别间的资源调度数据存在更明显的数据差异，从而得到了更优效的聚类效果。
[0137]
进一步的，参阅图10所示，为本技术提到的资源聚类智能分析方法的逻辑示意图，则管理平台基于采集到的100个资源配置方案的资源调度数据，从中随机选中相应的3个初始聚类方案，并在将3个初始聚类方案作为聚类中心进行聚类后，基于聚类结果体现出的3个类别适应度，重新选取适应的l个聚类中心，以根据上述重新选定的聚类中心，获得相应的3个资源配置方案组合，采用上述方式，能够避免选取到数据关联不佳的资源配置方案作为相应初始聚类中心，从而有效的保证了资源配置方案的聚类效果，提升了对各资源配置方案各自分析结果的准确性，从而在获取到指定的目标对象的资源调度指令时，为其分析并确定出更适配的资源配置方案组合，从而保障了目标对象对可调度资源的高效利用。
[0138]
显然，上述所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0139]
参阅图11所示，本技术实施例提供一种资源聚类智能分析装置，包括获取模块1101，聚类模块1102，中心选取模块1103以及确定模块1104，其中：
[0140]
获取模块1101，用于获取k个资源配置方案各自的资源调度数据，并基于预设的l个聚类类别，对所述资源调度数据进行分析，确定相应的l个初始聚类方案，其中，l、k为正整数，l＜k，每个资源调度数据表征：相应资源配置方案在设定时间范围内的资源调度状况。
[0141]
聚类模块1102，用于将l个初始聚类方案作为聚类中心，分别对k个资源配置方案进行聚类，并基于聚类结果，确定l个聚类类别各自的类别适应度，其中，每个类别适应度表征：相应聚类类别与其关联的至少一个资源配置方案间的适应程度。
[0142]
中心选取模块1103，用于基于获得的l个类别适应度，从k个资源配置方案中，重新
确定相应的l个聚类方案，并将l个聚类方案作为聚类中心，对k个资源配置方案进行再次聚类，获得相应的l个资源配置方案组合。
[0143]
确定模块1104，用于在确定l个资源配置方案组合满足预设的聚类条件时，确定l个资源配置方案组合，为k个资源配置方案的目标聚类结果。
[0144]
在一种可选的实施例中，将所述l个初始聚类方案作为聚类中心，分别对所述k个资源配置方案进行聚类时，聚类模块1102具体用于：
[0145]
针对所述k个资源配置方案，分别执行以下操作：
[0146]
对一个资源配置方案的资源调度数据进行分析，确定一个资源配置方案的聚类位置。
[0147]
基于聚类位置，分别确定一个资源配置方案与l个初始聚类方案间的聚类距离。
[0148]
从l个初始聚类方案中，确定相应的聚类距离符合预设距离条件的初始聚类方案，为一个资源配置方案对应的聚类中心，并将一个资源配置方案归属至聚类中心对应的聚类类别中。
[0149]
在一种可选的实施例中，对一个资源配置方案的资源调度数据进行分析，确定一个资源配置方案的聚类位置时，聚类模块1102具体用于：
[0150]
获取一个资源配置方案的资源波动率，其中，资源波动率表征：一个资源配置方案在设定时间范围内的资源波动数量。
[0151]
基于预设的固定增长率，对一个资源配置方案的资源波动率进行分析，获得一个资源配置方案的相对增长率，其中，固定增长率表征：单位时间范围内，一个资源配置方案可增长的最小资源数量，相对增长率表征：一个资源配置方案所持资源在设定时间范围内的相对增长数量。
[0152]
基于资源波动率及相对增长率，对一个资源配置方案的资源调度数据进行分析，确定一个资源配置方案的聚类位置。
[0153]
在一种可选的实施例中，基于聚类结果，确定所述l个聚类类别各自的类别适应度时，聚类模块1102具体用于：
[0154]
针对l个聚类类别，分别执行以下操作：
[0155]
基于一个聚类类别中，至少一个资源配置方案各自的聚类位置，分别确定至少一个资源配置方案各自的聚类适应度，其中，每个聚类适应度表征：相应资源配置方案与一个聚类类别间的适应程度。
[0156]
从至少一个资源配置方案中，确定相应聚类适应度最大的资源配置方案，为一个聚类类别的聚类中心，并将聚类中心的聚类适应度，作为一个聚类类别的类别适应度。
[0157]
在一种可选的实施例中，基于获得的l个类别适应度，从k个资源配置方案中，重新确定相应的l个聚类方案时，中心选取模块1103具体用于：
[0158]
基于获得的l个类别适应度，对k个资源配置方案各自的聚类位置进行更新，其中，每个更新后的聚类位置，是基于相应资源配置方案的聚类适应度确定的。
[0159]
基于更新后的k个聚类位置，对l个类别适应度进行更新，并基于更新结果，从k个资源配置方案中，重新确定相应的l个聚类方案。
[0160]
在一种可选的实施例中，在确定l个资源配置方案组合满足预设的聚类条件时，确定l个资源配置方案组合，为k个资源配置方案的目标聚类结果，确定模块1104具体用于：
[0161]
针对l个资源配置方案组合，分别执行以下操作：基于一个资源配置方案组合中，相应聚类中心各自与至少一个资源配置方案间的聚类距离，确定一个资源配置方案组合的聚合度，其中，聚合度表征：一个资源配置方案组合的聚类中心与其他至少一个资源配置方案间的聚合程度。
[0162]
在确定l个资源配置方案组合的聚合度小于预设的聚合度阈值时，将l个资源配置方案组合，作为k个资源配置方案的目标聚类结果。
[0163]
与上述申请实施例基于同一发明构思，本技术实施例中还提供了一种电子设备，该电子设备可以用于资源聚类智能分析。在一种实施例中，该电子设备可以是服务器，也可以是终端设备或其他电子设备。在该实施例中，电子设备的结构可以如图12所示，包括存储器1201，通讯接口1203以及一个或多个处理器1202。
[0164]
存储器1201，用于存储处理器1202执行的计算机程序。存储器1201可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。
[0165]
存储器1201可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器1201也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)、或者存储器1201是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1201可以是上述存储器的组合。
[0166]
处理器1202，可以包括一个或多个中央处理单元(central processing unit，cpu)或者为数字处理单元等。处理器1202，用于调用存储器1201中存储的计算机程序时实现上述资源聚类智能分析方法。
[0167]
通讯接口1203用于与终端设备和其他服务器进行通信。
[0168]
本技术实施例中不限定上述存储器1201、通讯接口1203和处理器1202之间的具体连接介质。本技术实施例在图12中以存储器1201和处理器1202之间通过总线1204连接，总线1204在图12中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1204可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0169]
根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中的任一种资源聚类智能分析方法。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0170]
根据本技术的一个方面，本技术还提供了一种计算机程序产品，所述计算机程序
产品在被计算机调用时，使得所述计算机执行如第一方面所述的方法。
[0171]
本技术实施例提供一种资源聚类智能分析方法、装置、电子设备及存储介质，通过随机选定的l个初始聚类方案，对k个资源配置方案进行聚类后，基于聚类结果，分别确定l个聚类类别各自的类别适应度，并通过计算到的l个类别适应度，分别从每个聚类类别对应的资源配置方案组合中，重新确定并选取一个新的资源配置方案，作为该聚类类别相应的聚类中心，则基于上述方式，重新选定相应适应程度最佳的l个资源配置方案，作为l个聚类类别各自相应的初始聚类中心，避免了因选定的初始聚类中心不佳，而导致的局部收敛，从而提升了获得的目标聚类结果的准确性。
[0172]
进一步的，本技术实施例中，采用每次聚类过程中，获得的相应l个类别适应度，重新选取并调整上述聚类过程相应的l个聚类中心，从而大大提升了每个聚类中心的可搜索聚类范围，确保了待分析的每个资源配置方案，均能归属至其相应判定的最佳聚类类别，进一步提升了分析获得的目标聚类结果的准确性。
[0173]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0174]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0175]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0176]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。