[发明专利]供需优化匹配方法及框架

说明书

本发明提供了一种供需优化匹配方法及框架，包括供需实例结构化层，用于定义供需数据，并转换任务数据，以及转换服务数据；任务分治层，通过将供需实例分类后并采样，重组适配域，用于任务的分治；供需匹配与优化层，通过强化学习，在匹配的供需基础上找到更好的供需组合，并在不同的分治优化任务中分享训练参数，以加速整个优化的进程。本发明从更加宏观的角度去考虑服务和任务间的内在联系，而且能够为任务的分治提供基础，从而实现大规模的供需匹配与优化，能够更方便的进行并行匹配和优化，极大地增加了匹配和优化的效率。

技术领域

本发明涉及一种供需优化匹配方法及框架，属于智慧制造领域。

背景技术

制造资源与制造能力的供需匹配与优化配置一直是各类先进制造系统(AdvancedManufacturing Systems,AMSs)需要解决的关键问题。当今的智慧云制造产业存在着制造资源分散、资源种类繁杂、缺乏统一描述架构等问题。这些问题极大的阻碍了智慧云制造的发展，限制了有效的供需匹配和优化方法的实施。

而现有技术难以对大规模的供需匹配场景做适配，且效率低下，并且只进行了简单的供需匹配，并没有对匹配效果进行评估。因此，在当前社会竞争与协作的环境下，迫切需要解决的是如何高效、低成本地将各种分布式制造资源和能力以制造服务的形式整合在一起，以及如何在整合的基础上实现大规模的供需匹配与优化。

有鉴于此，确有必要提出一种供需优化匹配方法及框架，以解决上述问题。

发明内容

本发明的目的在于提供一种供需优化匹配方法及框架，依托机器学习和深度学习的相关技术和算法，构建一个面向智慧制造领域的供需优化适配框架，该框架不仅能够有效解决大规模供需对象匹配问题，而且对匹配结果进行优化，使供需之间能够达成最优适配。

为实现上述目的，本发明提供了一种供需优化匹配方法，包括以下步骤：

步骤1、使用供需实例结构化层中的供需数据结构转化模块，将原始供需实例池中的原始供需数据转化为图结构的供需数据，并存放在结构化供需数据实例池中；

步骤2、使用任务分治层中的供需实例分类模块，将结构化供需数据实例池中的结构化供需数据进行分类；

步骤3、使用任务分治层中的供需实例采样模块，将分类好的供需数据采样形成众多小的子适配域；

步骤4、通过供需匹配模块和供需匹配优化模块对各子适配域进行并行匹配和优化，并通过迁移学习模块在各优化进程间分享参数，提升优化速度。

可选的，所述原始供需实例池中的非结构化或者半结构化的供需数据，经过所述供需数据结构转化模块转换后，存入所述结构化供需数据实例池，其中，所述供需数据结构转化模块包括将任务数据和服务数据转化为图结构数据的两种转换方式。

可选的，所述任务数据的转化方法为：

TaskNetwork＝T,E，

E＝{e_ij}，W＝{w_ij}，i,j＝1,2,…,m，

其中，任务图TaskNetwork由任务节点T和边E组成，e_ij表示第i个原始任务和第j个原始任务之间的边的类型，w_ij表示其边的权重，T_primitive表示原始任务。

可选的，所述服务数据的转化方法为：

ServiceNetwork＝S,E，

E＝{e_ij}，

其中，S_primitive表示原始服务。