[发明专利]任务分配中基于图神经网络进行动态图着色的方法及系统

权利要求书

1.一种任务分配中基于图神经网络进行动态图着色的方法，其特征在于，所述方法包括以下步骤：

S1.设定任务节点数量和目标着色数量，基于任务节点数量和目标着色数量，生成用于图着色的正样本图数据集；

S2.对正样本图数据集进行预处理，得负样本图数据集，形成预处理后的图样本数据集，同时在正样本数据集和负样本数据集中提取任务节点嵌入和颜色嵌入，将正样本中的任务节点嵌入和颜色嵌入、负样本中的任务节点嵌入和颜色嵌入分别结合起来，得到任务分配中的所有决策组合；

S3.构建图着色模型，图着色模型包括GRU和图神经网络GCN；

S4.将预处理后的图样本数据集划分为训练集和测试集，将训练集分别输入图着色模型，根据时间轴，基于GRU对第i个图样本的图神经网络GCN不同时间节点的权重参数更新：

S5.基于更新的的权重参数，利用图神经网络GCN，进行第i+1个图样本的节点嵌入更新，i表示图样本次序；

S6.对每个图样本更新所得到的所有节点嵌入进行平均求和，再利用sigmoid函数激活，得到每个接受目标着色的概率，根据概率判断图样本是否接受目标着色，并将着色结果与真实情况进行对比；

S7.重复执行步骤S4～S6训练图着色模型，得到训练好的图着色模型；

S8.将测试集分别输入训练好的图着色模型，得到任务分配着色结果。

2.根据权利要求1所述的任务分配中基于图神经网络进行动态图着色的方法，其特征在于，在步骤S1中，基于任务节点数量和目标着色数量，利用核心边缘模型cp_model算法生成用于图着色的图样本数据集，图样本数据集中的每一个图样本均由任务节点和边组成，将所分配的任务看作是每一个图样本的节点，备选被分配任务的人看作是颜色。

3.根据权利要求2所述的任务分配中基于图神经网络进行动态图着色的方法，其特征在于，在步骤S2中，对正样本图数据集进行预处理时，将正样本图数据集中的每一个正样本添加一条边，使得该正样本转换为负样本，最终正样本图数据集和负样本图数据集在预处理后的图样本数据集中各占比50％；对正样本和负样本中的每种颜色赋予符合C[i]～U(0，1)的随机初始颜色嵌入，对正样本和负样本中的每个节点均生成符合正态分布的初始节点嵌入。

4.根据权利要求3所述的任务分配中基于图神经网络进行动态图着色的方法，其特征在于，在步骤S4中，首先选定一定时间段的图样本的特征维度，所述的特征维度包括任务节点嵌入维度和颜色节点嵌入维度，初始化图神经网络GCN的权重参数，然后根据时间轴，更新不同时间节点的权重参数，根据训练集的节点数和特征维度，调整参数。

5.根据权利要求4所述的任务分配中基于图神经网络进行动态图着色的方法，其特征在于，根据时间轴，更新不同时间节点的权重参数的过程满足公式：

Z_t＝summarize(H_t，#col(W_t-1))

R_t＝sigmoid(W_RH_t+U_RW_t-1+B_R)

其中，Z_t表示控制更新的门控，summarize表示汇总，t表示t时刻，H为输入的节点特征，表示任务固有属性，R_t表示控制重置的门控，W_t为图神经网络GCN和图注意力网络GCN的权重参数，表示输入数据和重置后数据作用得到的数据，为过渡中间值，W_R，B_R，W_H，U_H，B_H，U_R为共享参数；#col代表矩阵的列数，T代表矩阵转置；表示Hadamard Product操作，即对操作对象中对应的元素相乘；

公式Z_t＝summarize(H_t，#col(W_t-1))中的参数满足：

其中，其中p为一个独立于t的向量参数，则权重更新公式为：