基于深度学习的温室内空调调控方法、系统及电子设备

1.本技术涉及智慧农业技术领域，主要申请一种温室内空调调控方法、温室内空调智能调控系统、计算机存储介质和电子设备。


背景技术：

2.随着设施农业的迅速发展，温室作为设施农业生产的重要实现方式，其内部环境是典型的小气候环境，受内外环境的影响，具有强干扰，多耦合，大滞后等特点。
3.温度作为作物生长过程中重要的环境影响因素，直接决定作物的生长发育状况，不适宜的温度将导致作物大幅减产甚至绝收。然而不同作物要求的适宜温度不同，随着室外天气环境的急剧变化，温室仅通过风机、湿帘等普通设备很难实现室内温度的智能调控，与其他精准设备相结合成为温室环境智能调控的新趋势。在中小型温室中，利用空调设备调节温室内温度已经成为温室环境智能调控的一种有效手段。
4.然而当前温室内空调设备调控存在精度低、效果滞后和资源耗损严重等问题限制了它在农业生产中广泛地应用。因此，如何实现空调设备的精准动态调控成为温室精细化管理和设施生产节能降耗的关键问题。


技术实现要素：

5.有鉴于此，本技术提供一种温室内空调调控方法、系统、计算机存储介质及电子设备，能够解决现有技术中实现空调设备自动调控时引发的能源耗费大的技术问题。
6.为解决上述技术问题，一方面，本技术提供一种温室内空调调控方法，包括以下步骤：s1、采集预定时间段内的数据，所述数据包括温室内外环境因子数据、环境控制设备运行操作数据和作物生理生态数据；s2、根据所述数据构建温室内的空调设备的负荷量和作物叶片温度的组合预测模型；s3、将实时采集的所述数据输入所述组合预测模型，得到所述空调设备的负荷量和所述作物叶片的温度的实时预测值；s4、根据所述空调设备的数据信息以及所述空调设备的负荷量构建所述空调设备的数据集，选择所述实时预测值中满足作物生长适宜值范围并且所述空调设备的负荷量最小时的所述空调设备的数据信息的数据样本，形成空调设备最优节能调控策略。
7.根据本技术一个实施例，步骤s2中将所述数据进行清洗，将清洗后的所述数据根据温度调控类型进行全组合数据分类整合成升温数据集和降温数据集。
8.根据本技术一个实施例，步骤s2包括：s21、根据所述温度调控类型和空调使用场景将所述数据划分为所述升温数据集和所述降温数据集，将所述升温数据集和所述降温数据集分别划分为训练集和测试集；s22、根据所述训练集构建单一预测模型，根据所述单一预测模型获得所述空调设备的负荷量与所述作物叶片的温度的预测值；s23、生成所述单一预测模型在不同时刻的权重系数值，得到时变权重组合预测模型；s24、选择所述测试集，对所述时变权重组合预测模型进行测试，得到所述组合预测模型。
9.根据本技术一个实施例，步骤s22中，基于随机森林算法和门控循环单元神经网络
构建所述单一预测模型；步骤s23中，通过麻雀搜索算法生成所述单一预测模型在不同时刻的权重系数值。
10.根据本技术一个实施例，设定所述麻雀搜索算法的适应度函数为第时刻组合预测模型的均方误差：
[0011][0012]
其中，式(1)中t为时刻总数，i为时刻，y(i)为第i时刻实际值，y
rf
(i)为第i时刻随机森林模型输出值，y
gru
(i)为第i时刻门控循环单元神经网络模型输出值，w
rf
(i)为第i时刻rf模型的权重系数，w
gru
(i)为第i时刻门控循环单元神经网络模型的权重系数；
[0013]
所述步骤s23包括：
[0014]
s231、更新发现者位置，
[0015][0016][0017]
其中，式(2)中t为当前迭代次数；为麻雀位置；α为(0，1]之间的均匀随机数；q为随机数；l表示范围向量；r2为警戒值；st为安全值；
[0018]
式(3)中w
min
为权重的初始值，w
max
为权重的终值，t
max
为最大迭代次数；
[0019]
s232、更新跟随者位置，
[0020][0021]
其中，式(3)中q为随机数；i为第i个麻雀；l表示范围向量；表示第t次中麻雀最劣位置；表示第t次中麻雀最优位置；表示第t+1次中适应度最佳的麻雀位置；a表示矩阵；
[0022]
s233、更新警戒者位置，
[0023][0024]
其中，式(4)中表示第t次中麻雀最优位置；表示第t+1次中适应度最佳的麻雀位置；表示第t次中麻雀最劣位置；k为随机数，取值在-1和1之间；β为步长控制参数；ε为充分小的数，避免分母为0；fi、fw和fg分别为麻雀的适应度、最劣和最佳适应度值。
[0025]
根据本技术一个实施例，所述空调设备的数据信息包括所述空调设备的启停数量和摆放位置。
[0026]
第二方面，本技术实施例提供一种温室内空调智能调控系统，包括：数据监控模块，所述数据监控模块采集数据，所述数据包括温室内外环境因子数据、环境控制设备运行操作数据和作物生理生态数据；云平台服务模块，所述云平台服务模块对所述数据监控模
块采集的所述数据进行分析，生成最优空调节能调控策略；空调设备控制执行模块，所述空调设备控制执行模块根据所述最优空调节能调控策略对空调设备执行自动控制操作。
[0027]
根据本技术一个实施例，所述云平台服务模块包括：数据存储与清洗模块，所述数据存储与清洗模块能够对所述数据进行存储和清洗；数据分析与决策模块，所述数据分析与决策模块通过随机森林算法和门控循环单元神经网络构建所述空调设备的负荷量和作物叶片温度的组合预测模型，基于所述组合预测模和所述空调设备的数据信息生成空调设备最优节能调控策略。
[0028]
第三方面，本技术实施例提供一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现上述任一所述的方法。
[0029]
第四方面，本技术实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，所述处理器用于调用并执行所述一条或多条计算机指令，从而实现如上述任一所述的基于深度学习的温室内空调调控方法。
[0030]
本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0031]
为了更清楚地说明本技术的实施方式，下面将实施例中涉及到的图形做简单的介绍。
[0032]
图1是本技术的实施例的温室内空调设备智能调控系统结构示意图；
[0033]
图2是本技术的实施例的空调控制策略生成流程示意图；
[0034]
图3是本技术的实施例的改进算法流程图；
[0035]
图4是根据本技术实施例的电子设备的示意图。
[0036]
附图标记：
[0037]
电子设备300；
[0038]
存储器310；操作系统311；应用程序312；
[0039]
处理器320；网络接口330；输入设备340；硬盘350；显示设备360。
具体实施方式
[0040]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。
[0041]
在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0042]
在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相
连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
[0043]
下面首先结合附图描述根据本技术实施例的温室内空调智能调控方法。
[0044]
如图1至图3所示，根据本技术的温室内空调调控方法包括以下步骤：
[0045]
s1、采集预定时间段内的数据，所述数据包括温室内外环境因子数据、环境控制设备运行操作数据和作物生理生态数据。
[0046]
其中，步骤s1中的温室内外环境因子数据包括温室内环境因子数据和温室外环境因子数据。温室内环境因子数据可以包括空气温湿度、光照强度、光合有效辐射和二氧化碳浓度。温室外环境因子数据可以包含室外空气温湿度、光合有效辐射和风速。
[0047]
此外，设备运行操作数据可以包括设备操作方式和操作时间。作物生理生态数据可以包括叶片温度、茎粗和株高等作物长势数据。
[0048]
s2、根据所述数据构建温室内的空调设备的负荷量和作物叶片温度的组合预测模型，能够针对不同场景下温室状态预测温室内空调设备负荷量与作物叶片温度的未来动态变化值。
[0049]
s3、将实时采集的所述数据输入所述组合预测模型，得到所述空调设备的负荷量和所述作物叶片的温度的实时预测值。
[0050]
s4、根据所述空调设备的数据信息以及所述空调设备的负荷量构建所述空调设备的数据集，选择所述实时预测值中满足作物生长适宜值范围并且所述空调设备的负荷量最小时的所述空调设备的数据信息的数据样本，形成空调设备最优节能调控策略。例如，如图2所示，可以通过构建空调设备启停数量、位置的所有状态组合数据集，结合当前温室内外环境，环控设备运行状态(风机、湿帘、内外遮阳等)和作物生理生态数据作为模型输入参数值，经过模型预测得到对应的空调设备负荷量与作物叶片温度。比较作物叶片温度预测值是否满足作物生长要求，如满足则对应的空调设备启停数量、位置状态组合数据和空调负荷量预测值的数据样本成为空调调控的一种策略，根据此方法形成空调调控策略解集。基于空调调控策略解集寻找最小空调负荷量预测值，将其对应的空调设备启停数量、位置状态组合数据作为最优空调节能调控策略，利用最优空调节能调控策略控制空调精准运行。
[0051]
可见，本技术提供了一种如何生成温室内空调设备最优节能调控策略并智能调控空调，不仅能够调控温室内的温度，还能够有效节约能源。
[0052]
根据本技术的一个实施例，步骤s2中将所述数据进行清洗，将清洗后的所述数据根据温度调控类型进行全组合数据分类整合成升温数据集和降温数据集。也就是说，可以将数据根据温度调控类型进行全组合数据分类整合成升温数据集和降温数据集。
[0053]
在本技术的一些具体实施方式中，步骤s2包括：
[0054]
s21、根据所述温度调控类型和空调使用场景将所述数据划分为所述升温数据集和所述降温数据集，将所述升温数据集和所述降温数据集分别划分为训练集和测试集。s22、根据所述训练集构建单一预测模型，根据所述单一预测模型获得所述空调设备的负荷量与所述作物叶片的温度的预测值。s23、生成所述单一预测模型在不同时刻的权重系数值，得到时变权重组合预测模型。s24、选择所述测试集，对所述时变权重组合预测模型进行
测试，得到所述组合预测模型。
[0055]
根据本技术的一个实施例，如图3所示，步骤s22中，基于随机森林(random forest,rf)算法和门控循环单元(gated recurrent unit,gru)神经网络构建所述单一预测模型；步骤s23中，通过麻雀搜索算法生成所述单一预测模型在不同时刻的权重系数值。
[0056]
根据本技术的一个实施例，设定麻雀搜索算法的适应度函数为第i时刻组合预测模型的均方误差：
[0057][0058]
其中，式(1)中t为时刻总数，i为时刻，y(i)为第i时刻实际值，y
rf
(i)为第i时刻随机森林模型输出值，y
gru
(i)为第i时刻门控循环单元神经网络模型输出值，w
rf
(i)为第i时刻rf模型的权重系数，w
gru
(i)为第i时刻门控循环单元神经网络模型的权重系数；
[0059]
所述步骤s23包括：
[0060]
s231、更新发现者位置，
[0061][0062][0063]
其中，式(2)中t为当前迭代次数；为麻雀位置；α为(0，1]之间的均匀随机数；q为随机数；l表示范围向量；r2为警戒值；st为安全值；
[0064]
式(3)中w
min
为权重的初始值，w
max
为权重的终值，t
max
为最大迭代次数。
[0065]
需要说明的是，现有技术中在更新发现者位置采用的原始计算方式为原始的ssa在寻优过程中，存在全局搜索能力弱，易陷入局部最优等缺陷。而本技术提出动态自适应权重方法，使得算法搜索初期发现者有充分时间进行全局搜索，算法搜索后期发现者可以对某个局部区域展开深度搜索，加快算法收敛。即本技术中采用
[0066]066]
其中w
min
和w
max
分别为权重的初始值和终值；t
max
为最大迭代次数。
[0067]
s232、更新跟随者位置，
[0068][0069]
其中，式(3)中q为随机数；i为第i个麻雀；l表示范围向量；表示第t次中麻雀最劣位置；表示第t次中麻雀最优位置；表示第t+1次中适应度最佳的麻雀位置；a
表示矩阵；
[0070]
s233、更新警戒者位置，
[0071][0072]
其中，式(4)中表示第t次中麻雀最优位置；表示第t+1次中适应度最佳的麻雀位置；表示第t次中麻雀最劣位置；k为随机数，取值在-1和1之间；β为步长控制参数；ε为充分小的数，避免分母为0；fi、fw和fg分别为麻雀的适应度、最劣和最佳适应度值。
[0073]
也就是说，步骤s2中温室内空调负荷量与作物叶片温度的预测方法采用一种基于随机森林与门控循环单元神经网络的时变权重组合模型方法，算法流程图如图3所示，主要包括以下步骤：
[0074]
s1.根据温度调控类型和空调使用场景将样本数据集分成降温数据集和升温数据集两种类型，分别划分训练集和测试集。
[0075]
s2.根据训练集分别构建rf和gru神经网络预测模型，获得对应的空调设备负荷量与作物叶片温度未来值。
[0076]
s3.采用改进的麻雀搜索算法(ssa)获得时变权重系数，即单一模型在不同时刻具有不同的权重系数，达到组合预测模型误差逼近最小值。设定ssa的适应度函数为第i时刻组合预测模型的均方误差其中y(i)为第i时刻实际值，y
rf
(i)为第i时刻rf模型输出值，y
gru
(i)为第i时刻gru模型输出值，w
rf
(i)为第i时刻rf模型的权重系数，w
gru
(i)为第i时刻gru模型的权重系数。
[0077]
s4.根据改进ssa获得最优的时变权重系数生成组合模型预测值，表达式为y(i)
′
＝w
rf
(i)y
rf
(i)+w
gru
(i)y
gru
(i)，其中y(i)
′
为预测值。
[0078]
s5.实时采集温室内外环境因子数据、作物本体数据和设备运行状态数据，将实时数据输入最优时变权重的组合模型中预测空调设备负荷量和作物叶片温度的未来值。
[0079]
步骤s2中，所述门控循环单元神经网络(gru)是一种改进的长短期记忆网络(lstm)，通过优化门限的个数，在保持lstm时序预测精度的基础上通过简化模型结构，提高了模型训练的速度。它在结构设计中只包含两个“门”，分别是“更新门”和“重置门”。更新门用来控制信息输入和历史状态信息保留，计算公式为z
t
＝sigmoid(w
zht-1
+wzx
t
+bz)；重置门主要是用于决定遗忘先前信息的程度，计算公式为r
t
＝sigmoid(w
rht-1
+wrx
t
+br)；经过重置门处理后的输出候选值为当前输出信息为
[0080]
步骤s3所述的改进型ssa对rf和gru两个单一模型权重系数进行寻优，包含如下几个步骤：
[0081]
s31.更新发现者位置：
[0082]
由于现有技术中采用其中t为当前迭代次数；为麻雀位置；α为(0，1]之间的均匀随机数；q为随机数；l表示范围向量；r2为警戒值；st为安全值。由于原始的ssa在寻优过程中，存在全局搜索能力弱，易陷入局部最优等缺陷。
[0083]
而本技术提出动态自适应权重方法使得算法搜索初期发现者有充分时间进行全局搜索，算法搜索后期发现者可以对某个局部区域展开深度搜索，加快算法收敛。
[0084][0085][0086]
其中w
min
和w
max
分别为权重的初始值和终值；t
max
为最大迭代次数。
[0087]
s32.更新跟随者位置：
[0088][0089]
其中表示第t次中麻雀最劣位置；
[0090]
表示第t次中麻雀最优位置；表示第t+1次中适应度最佳的麻雀位置；a表示矩阵。
[0091]
s33.更新警戒者位置
[0092][0093]
其中k为随机数，取值在-1和1之间；β为步长控制参数；ε为充分小的数，避免分母为0；fi、fw和fg分别为麻雀的适应度、最劣和最佳适应度值。
[0094]
在本技术的一些具体实施方式中，所述空调设备的数据信息包括所述空调设备的启停数量和摆放位置，可以通过控制空调设备的上述数据信息实现在节能的基础上控制温室温度，使得温度满足作物生长需求。
[0095]
可见，本技术可以采用基于rf和gru神经网络融合的组合模型预测空调设备负荷量和作物叶片温度，利用改进的ssa算法获取不同时刻单一模型的权重参数，有效地融合了rf和gru神经网络模型的优点，提升了组合模型的预测精度。
[0096]
如图1所示，本技术还提供了一种温室内空调智能调控系统，包括：数据监控模块、云平台服务模块和空调设备控制执行模块。
[0097]
具体地，所述数据监控模块采集数据，所述数据包括温室内外环境因子数据、环境控制设备运行操作数据和作物生理生态数据，所述云平台服务模块对所述数据监控模块采集的所述数据进行分析，生成最优空调节能调控策略，所述空调设备控制执行模块根据所述最优空调节能调控策略对空调设备执行自动控制操作。
[0098]
也就是说，本技术还提供了一种温室内空调智能调控系统，系统结构示意图如图1所示，系统可以包括数据监测模块、云平台服务模块和空调设备控制执行模块。数据检测模块可以将采集的数据传输到云平台服务器中，进行错误数据剔除、数据补充和数据归一化等数据清洗。
[0099]
例如，数据监测模块采集温室内外环境因子数据、设备运行操作数据和作物生理生态数据。温室内环境因子数据包括空气温湿度、光照强度、光合有效辐射和二氧化碳浓度；温室外环境因子数据包含室外空气温湿度、光合有效辐射和风速设备运行操作数据包括设备操作方式和操作时间；作物生理生态数据包括叶片温度、茎粗和株高等作物长势数据。
[0100]
即数据监测模块主要采集温室内外环境因子数据、设备运行操作数据和作物生理生态数据。其中温室内外环境因子数据包含空气温湿度、光合有效辐射和风速等数据；设备运行操作数据包含环境控制设备的操作状态、操作时间等数据；作物生理生态数据包含作物叶片温度、株高等作物长势信息。云平台服务模块利用大数据技术对数据监测模块传输的海量数据进行准确存储和清洗，通过人工智能算法对数据进行有效分析，生成最优空调节能调控策略并发送给控制执行模块。控制执行模块根据最优空调节能调控策略对空调设备执行自动控制操作。
[0101]
在本技术的一些具体实施方式中，所述云平台服务模块包括数据存储与清洗模块和数据分析与决策模块。
[0102]
具体地，所述数据存储与清洗模块能够对所述数据进行存储和清洗，例如进行错误数据剔除、数据补充和数据归一化等数据清洗。所述数据分析与决策模块通过随机森林算法和门控循环单元神经网络构建所述空调设备的负荷量和作物叶片温度的组合预测模型，基于所述组合预测模和所述空调设备的数据信息生成空调设备最优节能调控策略。
[0103]
例如，在将采集的数据传输到云平台服务器中时，数据存储与清洗模块将采集的数据传输到云平台服务器中，进行错误数据剔除、数据补充和数据归一化等数据清洗。
[0104]
此外，再将已经清洗的数据根据温度调控类型进行全组合数据分类整合成升温数据集和降温数据集后，数据分析与决策模块可以根据分类数据集，针对不同场景下温室状态预测温室内空调设备负荷量与作物叶片温度的未来动态变化值。
[0105]
数据分析与决策模块能够构建空调设备启停数量、位置的所有状态组合数据集，结合当前温室内外环境，环控设备运行状态(风机、湿帘、内外遮阳等)和作物生理生态数据作为模型输入参数值，经过模型预测得到对应的空调设备负荷量与作物叶片温度。比较作物叶片温度预测值是否满足作物生长要求，如满足则对应的空调设备启停数量、位置状态组合数据和空调负荷量预测值的数据样本成为空调调控的一种策略，根据此方法形成空调调控策略解集。基于空调调控策略解集寻找最小空调负荷量预测值，将其对应的空调设备启停数量、位置状态组合数据作为最优空调节能调控策略。利用最优空调节能调控策略控制空调精准运行。
[0106]
数据分析与决策模块主要涉及空调设备负荷量、作物叶片温度预测模型和空调设备最优节能调控策略的生成。其中空调设备负荷量、作物叶温预测模型基于随机森林与门控循环单元神经网络的组合方法进行构建，空调设备最优节能调控策略基于组合模型的预测值和空调调控模板生成。
[0107]
下面结合具体实施例对本技术的方法和系统进行说明，方法的主要步骤如下：
[0108]
1)采集预定时间段内的温室内外环境因子数据、设备运行操作数据和作物生理生态数据。
[0109]
2)对上述所有数据进行清洗处理，将处理后样本集划分为训练集和测试集。
[0110]
3)在数据清洗基础上，分别基于rf算法和gru神经网络构建单一预测模型，获得各单一模型的分析预测结果。
[0111]
4)选用改进的麻雀搜索算法(sparrow search algorithm,ssa)生成单一预测模型在不同时刻的权重系数值(即时变权重系数)，进而推求组合模型获得温室内空调设备负荷量和作物叶片温度的组合预测值。
[0112]
5)选择测试样本集，对上述基于rf和gru的时变权重组合预测模型进行测试，得到预测精度高的组合预测模型。
[0113]
6)实时采集温室内外的环境因子数据、设备运行操作数据和作物生理生态数据，将实时数据输入组合预测模型以获得温室内空调设备负荷量和作物叶片温度未来值。
[0114]
7)基于温室内空调个数和摆放位置构建空调设备不同启停数量与位置的数据集模板，利用上述预测模型获得空调设备负荷量和作物叶片温度的实时预测值。选择作物叶片温度预测值中满足作物生长适宜值范围并且空调设备负荷量最小的空调设备启停数量与位置的数据样本，形成空调设备最优节能调控策略。
[0115]
总而言之，本技术提供了一种深度学习方法对温室内空调的负荷量和作物叶片温度进行精准动态变化预测，基于预测值生成空调节能调控策略，进而实现温室内空调设备的智能调控。本技术所描述的系统基于物联网全面地获取温室内外环境因子信息、作物生理生态信息和温室内调控设备(风机、湿帘、天窗和空调等)的运行操作信息，选用随机森林和门控循环单元神经网络相结合的组合模型预测空调负荷量和作物叶片温度未来动态变化。根据温度调控类型进行数据集分类以构建对应的预测模型，精准动态地预测空调负荷量和作物叶片温度。依据空调负荷量和作物叶片温度的未来预测值，实时调节控制空调启停数量和位置，以保持温室内空气温度处于作物生长的适宜值。
[0116]
另外，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现上述任一所述的方法。
[0117]
也就是说，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行上述任一所述的方法。
[0118]
如图4所示，本发明实施例提供了一种电子设备300，包括存储器310和处理器320，所述存储器310用于存储一条或多条计算机指令，所述处理器320用于调用并执行所述一条或多条计算机指令，从而实现上述任一所述的方法。
[0119]
也就是说，电子设备300包括：处理器320和存储器310，在所述存储器310中存储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器320执行上述任一所述的方法。
[0120]
进一步地，如图4所示，电子设备300还包括网络接口330、输入设备340、硬盘350、和显示设备360。
[0121]
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器320代表的一个或者多个中央处理器(cpu)，以及由
存储器310代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。
[0122]
所述网络接口330，可以连接至网络(如因特网、局域网等)，从网络中获取相关数据，并可以保存在硬盘350中。
[0123]
所述输入设备340，可以接收操作人员输入的各种指令，并发送给处理器320以供执行。所述输入设备340可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
[0124]
所述显示设备360，可以将处理器320执行指令获得的结果进行显示。
[0125]
所述存储器310，用于存储操作系统运行所必须的程序和数据，以及处理器320计算过程中的中间结果等数据。
[0126]
可以理解，本发明实施例中的存储器310可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)或闪存。易失性存储器可以是随机存取存储器(ram)，其用作外部高速缓存。本文描述的装置和方法的存储器310旨在包括但不限于这些和任意其它适合类型的存储器。
[0127]
在一些实施方式中，存储器310存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统311和应用程序312。
[0128]
其中，操作系统311，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序312，包含各种应用程序，例如浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序312中。
[0129]
上述处理器320，当调用并执行所述存储器310中所存储的应用程序和数据，具体的，可以是应用程序312中存储的程序或指令时，将第一集合和第二集合中的一者分散发送至所述第一集合和第二集合中的另一者所分布的节点，其中，所述另一者分散存储于至少两个节点；并根据所述第一集合的节点分布和所述第二集合的节点分布，分节点地进行交集处理。
[0130]
本发明上述实施例揭示的方法可以应用于处理器320中，或者由处理器320实现。处理器320可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器320中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器320可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器310，处理器320读取存储器310中的信息，结合其硬件完成上述方法的步骤。
[0131]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(asic)、数字信号处理器dsp)、数字信号处理设备(dspd)、可编程逻辑设备(pld)、现场可编程门阵列(fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0132]
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0133]
具体地，处理器320还用于读取所述计算机程序，执行上述任一所述的方法。
[0134]
在本技术所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0135]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0136]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。