作文自动评分是通过机器学习和深度神经网络模型等多种方法对作文中的多种特征进行提取,然后综合进行评分,并给出评分结果和评论,更进一步的给出修改建议。作文中的特征提取包括作文主题思想、排比句、比喻句、拟人句、诗词引用、情感分析、语言流畅等等,不同的特征提取方法和模型也不完全一样,都在不断的迭代和改进算法中提高识别的准确度。由于在这些特征提取的算法改进工作中投入主要的精力,而在作文评分用户体验部分在关注度上略显不足。用户体验包括但不限于特征提取的速度、作文评分的等待时间、评分结果的展示方式、评分后给出的建议、作文评分系统并发服务量等。本文从高并发的角度,分析了当前智慧写作平台中作文评分模块的资源使用类型、业务模型、作文处理时间,并通过并发测试的方式测试对系统中并发量小、作文处理等待时间长等性能瓶颈问题进行量化分析。并针对瓶颈问题,使用Flask、Celery、Rabbit MQ和Zabbix等软件搭建了具备高并发能力的分布式作文自动评分系统。经过压力测试,测试数据表明使用高并发的作文评分系统的作文处理速度有了显著提升,每篇作文的处理时间明显缩短,作文处理任务等待时间明显减少,使用户体验明显改善。为了更好的控制并发量,达到削峰平谷的目的,本文在原始鲸鱼优化算法（WOA）基础上引入帕累托法则（Pareto Principe）对算法进行改进。通过23个标准测试函数的测试和验证,改进后的鲸鱼优化算法,简称WOA-PP算法,继承了跳出局部最优解的优秀品质,同时也使寻优的精度得到显著提升,并且能够以更快的速度、更少的迭代次数向理论最优解收敛。经实际测试验证,当作文评分任务积压时,WOA-PP算法能够寻优得到当前最优的并发服务数量,进行横向扩容,使系统资源充分利用,缩短作文整体处理时间。同时在作文处理任务数较少时,自动寻优最小并发服务数量,进行横向缩容降低服务并发数量,在保证作文任务处理不受阻的前提下节省系统资源。