(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211287488.1 (22)申请日 2022.10.20 (71)申请人 晞德软件 （北京） 有限公司 地址 100080 北京市海淀区海淀大街甲3 6 号5层5014室 (72)发明人 林锦坤　 (74)专利代理 机构 北京君尚知识产权代理有限 公司 11200 专利代理师 司立彬 (51)Int.Cl. G06F 8/30(2018.01) G06N 7/00(2006.01) G06N 20/00(2019.01) (54)发明名称 一种编译器自动调参方法 (57)摘要 本发明公开了一种编译器自动调参方法， 其 步骤包括： 1)选取待编译的目标程序并设定调参 时间t， 根据编译器的优化选项信息生成一初始 优化选项组集合Φinit； 2)编译器使用Φinit中的 每一优化选项组对目标程序进行编译运行得到 训练集S； 3)使用训练集S构建代理模型M； 4)利用 模型M根据编译器的优化选项信息生成候选优化 选项组集合Φcandidate， 预测每一候选优 化选项组 的性能； 5)选取一候选优化选项组作为所述编译 器的配置， 对目标程序进行编译并运行得到对应 的性能， 加入训练集S； 然后利用更新后的训练集 S训练模型M； 6)循环步骤 4)～5)直至达到调参时 间t， 然后输出最优性能对应的优化选项组作为 编译器的配 置。 权利要求书2页 说明书7页 附图1页 CN 115469851 A 2022.12.13 CN 115469851 A 1.一种编译器自动调参方法， 其 步骤包括： 1)选取待编译的目标程序并设定调参时间t， 根据编译器的优化选项信息生成一初始 优化选项组集合Φinit； 所述初始优化选项组集合Φinit＝{Θ1,…,Θb,…,ΘB}， Θb表示编 译器的第b个优化选项组； 每一优化选项组Θ＝{ θ1,…, θi,…, θd}， d表示编译器的可配置优 化选项总数， θi表示第i个优化选项是否 选中， 选中为1， 反 之为0； 2)编译器使用初 始优化组集合Φinit中的每一优 化选项组对所述目标程序进行编译， 运 行每次编译所得目标程序 源代码得到训练集S； 所述训练集S＝{(Θ1,o1),…,(Θb,ob),…, (ΘB,oB)}， (Θb,ob)表示使用优化选项组Θb编译目标程序并运 行所得源代码得到的性能指 标值为om； 3)使用训练集S 构建代理模型M； 4)利用所述代理模型M根据编译器的优化选项信息生成候选优化选项组集合 Φcandidate， 预测将候选优化选项组集合Φcandidat e中每一候选优化选项组作为所述编译器的 配置时， 对应候选优化选项组的性能； 5)根据各候选优化项组的性能选取一候选优化选项组Θselected作为所述编译器的配 置， 对所述目标程序进行编译并运行， 得到对应的性能oselected， 将(Θselected,oselected)加入 训练集S； 然后利用更新后的训练集S训练所述代理模型M； 6)循环步骤4)～5)直至达到调参时间t， 然后输出最优性能obest对应的优化选项组 Θbest作为所述编译器的配置， 用于对所述目标程序进行编译。 2.根据权利要求1所述的方法， 其特征在于， 使用训练集S训练混合预测模型得到代理 模型M； 所述代理模型M包括多个预测模型。 3.根据权利 要求2所述的方法， 其特征在于， 生成候选优化选项 组集合Φcandidate的方法 为： 使用所述代理模型M中的第一预测模型预测编译器的d个优化选项的影响度， 将影响度 前k的优化选项作为关键优化选项， 其他d ‑k个优化选项为 非关键优化选项； 然后使用k个关 键优化选项进行排列生成2k个关键优化选项组， 使用d ‑k个非关键优化选项随机 生成ci个非 关键优化选项组， 将二 者组合生成候选优化选项组集 合 4.根据权利要求3所述的方法， 其特征在 于， 优化选项θ 的影响度 其中随机森林算法基于训练集S生成Q棵决策树， G(di)为决策树中节点di的基尼系数； di为 第i棵决策树上使用优化选项θ对决策树进 行分割的节 点， u为使用优化选项θ对决策树进 行 分割的决策树总数。 5.根据权利要求3所述的方法， 其特征在于， 采用高斯衰减函数确定每轮迭代时非关键 优化选项组的采样数量。 6.根据权利要求1所述的方法， 其特征在于， 步骤5)中， 调参器选取ei值最大的候选优 化项组作为候选优化项组Θselected； 其中第c个候选优化项组Θc对应的ei值为eic＝(oc‑ oincumbent‑0.1)*cdf(zc)+stdc*pdf(zc)， oc为候选优化项组Θc的性能， stdc为候选优化项组Θc的性能与当前候选优化项组集合Φcandidate中其他候选优化项组的 性能的标准差， oincumbent为已获取的最优性能。 7.根据权利要求2所述的方法， 其特征在于， 所述混合预测模型由随机森林模型、权　利　要　求　书 1/2 页 2 CN 115469851 A 2Xgboost模型、 高斯过程模型和L ightgbm模型构成。 8.根据权利要求7所述的方法， 其特征在于， 使用训练集S训练混合预测模型中的每一 模型， 将各模型的预测结果进行加权平均 作为所述代理模型M的预测结果。 9.一种服务器， 其特征在于， 包括存储器和 处理器， 所述存储器存储计算机程序， 所述 计算机程序被配置为由所述处理器执行， 所述计算机程序包括用于执行权利要求1至8任一 所述方法中各步骤的指令 。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至8任一所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115469851 A 3