En el aprendizaje automático, el procesamiento de conjuntos de datos es un tema inevitable. Un enfoque importante para resolver este problema es diseñar algunos algoritmos correspondientes para que eventualmente converjan a la solución óptima del problema de optimización. La mayoría de los algoritmos de aceleración existentes muestran convergencia asintótica. Con el fin de garantizar que el problema de optimización converja a la solución óptima dentro del tiempo prescrito, se presenta en este artículo un nuevo algoritmo de aceleración de convergencia de tiempo prescrito con reescalado de tiempo. Se construyen dos algoritmos de aceleración de tiempo prescrito mediante la introducción de reescalado de tiempo, y los algoritmos de aceleración se utilizan para resolver problemas de optimización sin restricciones y problemas de optimización que contienen restricciones de ecuaciones. Se presentan algunos teoremas importantes, y la convergencia de los algoritmos de aceleración se demuestra utilizando el método de la función de Lyapunov. Finalmente, proporcionamos simulaciones numéricas para verificar la efectividad y racionalidad de nuestros resultados teóricos.