[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

说明书

本发明提出一种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，涉及任务分配图着色处理的技术领域，首先构造图数据集，然后确定初始颜色嵌入和节点嵌入，进行节点更新，在节点更新中，融合权重更新，有效地应用在动态图着色上，在一批图样本中，利用上一个图样本所更新的权重结合到节点更新模型中更新节点嵌入，得到图可着色的概率，图着色模型中，应用多种图神经网络算法进行对比判断，考虑图样本中每个节点的特征信息，避免信息更新不充分，复杂度低，时间消耗少，提高效率和精度，得到的结果更为精准。

技术领域

本发明涉及任务分配图着色处理的技术领域，更具体地，涉及一种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。

背景技术

在物流等领域中，调度任务分配是指将稀缺资源分配为需要在一定时间内完成的多件任务，从而完成整体要求的一个或多个优化目标，然而资源和优化任务的类型通常可以被表示为多种形式，并且各自之间的关系也纷繁复杂，因此，这为调度决策的制定过程带来了很大的难度，而基于图论、图着色为其解决带来了极大的便利。

在任务分配的应用中，我们将所分配的任务看作是一个图的节点，备选被分配任务的人看作是颜色，需要在同一时间完成的不同任务(即不同的节点)两两相互连接。那么规定，需要在同一时间完成的不同任务不能被分配到同一个人(即同一种颜色)，即相互连接的两个节点的颜色不能相同，这就转化成了图着色问题。

图论理论本身是一个特殊的代数系统，通常不具备传统意义上的几何特征，一个简单的图结构G＝(V，E)包括顶点集合V和边集合E，顶点集合描述了与研究问题相关的对象集合，边集合E描述了对象之间的特定关系集合，图着色问题即为将V分为k个颜色组，每个组形成一个独立集，每一个独立集中没有相邻的顶点，即图着色主要是指对图结构中的顶点进行标记和分组的一类图论模型，通过对图结构当中的顶点赋予一个唯一的颜色值，并且使得有边相邻接的两个顶点对应的颜色值是不同的。基于以上理论，现有技术中也提出了一种基于图着色的事务调度方法，首先建立事务处理模型，按照图中边的设定关系，将出现冲突的节点使用不同的颜色标记出来，设定预计给节点着色的总数目，使用不同颜色进行标记，即对于出现冲突的节点，每一个点对应一种不同的颜色，以颜色代表冲突节点，最后为建立的事务模型得到的无向图进行着色，本方案通过使用对图中冲突节点着色得到解决冲突事务的调度方案，能自动、快捷地排定优化的事务时间表，但预测着色数目值与真实值匹配率较低，并且传统的方法不足以应对日益增长的各式各样复杂的图像数据集，例如不能很好的预测动态图着色问题。

近年来，基于图神经网络(GNN)的方法在计算机视觉界上引起了相当大的关注，特别是在调度任务分配的组合优化上，因为GNN可以实现图数据的端对端学习方式，将学习过程直接架构于图数据之上，而不会将图中的结构信息丢失。基于GNN的图着色方法主要有图循环神经网络(RNN，其中包括GRU(门控循环神经网络)和LSTM(长短期记忆人工神经网络)等)，图卷积神经网络(GCN)，图注意力神经网络(GAT)。这几种在最小顶点覆盖问题(MVC),巡回售货员问题(GTSP)等图组合优化问题中都取得显著的成功。但是这些方法大多是基于静态图数据的图着色算法。然而，在现实生活中事物会随着时间发生一系列的改变，即当边或者节点随着时间出现或者消失的时候，随着时间的变化，所分配的任务也会因为各种现实原因而发生改变，即图的节点和边会在一个时间段内随着时间变化而相应变化。若仅利用解决静态图着色的模型来解决动态图问题，会增加复杂度和更多的时间消耗，为了解决图动态发展时的情况，目前的技术是针对节点嵌入，通过递归神经网络(RNN)来调节嵌入和学习时间动态。但这些方法比较复杂，需要在整个时间跨度内了解一个节点(包括训练和测试)，并且不太适用于节点集的频繁变化。在某些极端情况下，不同时间步长下的节点集可能完全不同。

发明内容

为解决在面对调度任务分配时，传统进行动态图着色的方式不适用于调度任务节点集频繁变化的问题，本发明提出一种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，利用参数演化图神经网络，实现自适应，更好的判断每个时间点任务分配所需要的颜色数目(任务人数)是否能满足分配目标需求，时间消耗少，能较好地完成调度分配任务。