本发明涉及云渲染，具体的涉及一种基于ai算法能力的高并行度渲染方法。
背景技术：
1、随着人工智能技术的广泛应用，云渲染与ai技术紧密结合，并深入到了云渲染的各个环节。例如，公开号为cn115373762b的中国专利公开了一种基于ai的实时云渲染中的工具资源动态加载方法，该方法包括以工具为核心，通过本体数据构建了一个开放的云渲染知识体系，通过迭代生成领域知识和应用规则，实现了工具资源的动态加载。又如，公开号为cn115460254a的中国专利申请公开了一种基于ai的实时云渲染中环境资源动态加载方法，包括以环境为重点，实现资源的动态加载。再如，公开号为cn115373761a的中国专利申请公开了一种基于ai的实时云渲染中场景资源动态加载方法，包括可自动识别渲染场景并动态加载所需的场景资源。这些专利技术通过ai技术在实时云渲染中实现了资源向业务的智能汇聚，最终达成了资源的自动推送。
2、然而，随着ai技术的迅速发展，渲染任务的复杂性和算力需求都有了显著的提升。这在资源动态加载方面带来了一系列新挑战，特别是对于渲染软件资源而言。不同的渲染软件在并行处理能力上存在差异，导致在云执行过程中存在性能表现参差不齐的问题。这种差异不仅影响了云渲染的整体效率和质量，也对资源调度提出了更高的要求。因此，如何有效解决这些由不同软件性能差异带来的执行效率和质量问题，成为当前云渲染技术发展中亟待攻克的难题之一。
技术实现思路
1、本发明的目的在于克服现有技术的缺陷，提供了一种基于ai算法能力的高并行度渲染方法，采用ai算法能力提高渲染软件的并行度，可以提升云渲染任务的执行效率和质量。
2、为了实现以上目的及其他目的，本发明是通过包括以下技术方案实现的：作为第一方面，本发明提出了一种基于ai算法能力的高并行度渲染方法，包括步骤：
3、s1、通过ai学习用户任务和渲染软件，按照拆分原则将所述用户任务拆分为多个子任务，同时按照所述用户任务的需求将所述渲染软件拆分为多个粒度；
4、s2、输入学习模型，通过ai预测各子任务的完成时间和资源需求，输出最小等待时间和最大资源利用率设定值，生成高效并行任务调度的执行预案；
5、s3、根据所述执行预案为每个所述子任务分配对应的多粒度软件，并根据所述子任务的依赖关系、优先级和资源需求确定并行渲染任务的执行顺序；
6、s4、收集执行数据作为反馈信息输入到所述学习模型中，进行所述学习模型的迭代优化。
7、在一实施例中，在所述步骤s3中建立运行保障机制，通过ai算法对关键节点进行监控。
8、在一实施例中，所述运行保障机制包括实时监督模块，异常监测模块和动态调整模块，所述实时监督模块用于持续跟踪任务执行状态和资源使用情况；所述异常监测模块用于通过ai算法实时监测异常情况；所述动态调整模块用于在监测到异常情况时，实现系统自动调整任务执行计划或资源分配。
9、在一实施例中，“通过ai算法对关键节点进行监控”具体为利用ai算法能力对所述子任务完成时的阶段性成果进行细致的分析和评估，同时通过学习历史数据和实时反馈信息，预测任务的发展趋势，并在必要时进行微调。
10、在一实施例中，在所述步骤s1中，所述拆分原则包括最小耦合度原则、素材非单享原则和子任务执行时间相同或成倍数原则。
11、在一实施例中，在所述步骤s1中，所述粒度包括功能模块、第三方插件和扩展功能。
12、在一实施例中，在所述步骤s2中“输入学习模型”包括采集历史数据和提取方案要素。
13、在一实施例中，所述历史数据包括子任务类型与复杂度、子任务执行时间、资源使用情况、子任务状态、子任务依赖关系，以及并发子任务数量和类型；所述方案要素包括子任务预计执行时间、实际完成时间、子任务等待时间、资源需求、不同粒度软件资源利用率、任务优先级和调度策略。
14、作为第二方面，本发明提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至所述处理器时实现第一方面任一项所述的方法。
15、作为第三方面，本发明提出了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第一方面任一项所述的方法。
16、本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
17、1、本发明通过ai强大的学习能力进行用户任务和渲染软件学习，并按特定拆分原则拆分用户任务，同时，根据子任务需求将不同软件进行粒度化，可以弱化不同渲染软件在并行处理能力上存在的差异，提高软件资源调度水平，最终可以提高并发任务数量和软件资源利用率；
18、2、本发明利用ai强大的算法能力，通过输入学习阶段的历史数据和方案要素以及训练阶段的反馈信息供ai不断优化和调整模型参数，可以提高未来任务的执行效率；
19、3、本发明利用ai强大的算法能力，建立运行保障机制对关键节点进行监控，可以实现任务和资源调度的智能监督和调控，确保任务按计划顺利进行，提高任务的完成质量。
1.一种基于ai算法能力的高并行度渲染方法，其特征在于，包括步骤：
2.根据权利要求1所述的方法，其特征在于，在所述步骤s3中建立运行保障机制，通过ai算法对关键节点进行监控。
3.根据权利要求2所述的方法，其特征在于，所述运行保障机制包括实时监督模块，异常监测模块和动态调整模块，所述实时监督模块用于持续跟踪任务执行状态和资源使用情况；所述异常监测模块用于通过ai算法实时监测异常情况；所述动态调整模块用于在监测到异常情况时，实现系统自动调整任务执行计划或资源分配。
4.根据权利要求2所述的方法，其特征在于，“通过ai算法对关键节点进行监控”具体为利用ai算法能力对所述子任务完成时的阶段性成果进行细致的分析和评估，同时通过学习历史数据和实时反馈信息，预测任务的发展趋势，并在必要时进行微调。
5.根据权利要求1所述的方法，其特征在于，在所述步骤s1中，所述拆分原则包括耦合度小原则、素材非单享原则和子任务执行时间相同或成倍数原则。
6.根据权利要求1所述的方法，其特征在于，在所述步骤s1中，所述粒度包括功能模块、第三方插件和扩展功能。
7.根据权利要求1所述的方法，其特征在于，在所述步骤s2中“输入学习模型”包括采集历史数据和提取方案要素。
8.根据权利要求7所述的方法，其特征在于，所述历史数据包括子任务类型与复杂度、子任务执行时间、资源使用情况、子任务状态、子任务依赖关系，以及并发子任务数量和类型；所述方案要素包括子任务预计执行时间、实际完成时间、子任务等待时间、资源需求、不同粒度软件资源利用率、任务优先级和调度策略。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至所述处理器时实现权利要求1～8任一项所述的方法。
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1～8任一项所述的方法。
