一种基于双层异构图神经网络的企业协同制造决策方法与流程

1.本发明涉及制造决策的技术领域，尤其涉及到一种基于双层异构图神经网络模型的企业协同制造决策方法。


背景技术：

2.协同合作代表了中小企业之间日益增长的趋势，它被认为是一种有效的解决方案，可以实现发展战略，无论是改进生产流程，还是基于创新和质量提高竞争力。作为一个独立而又合作的网络伙伴，对中小企业来说是获得优势的成为可能。通过整合所有网络伙伴的技能，实现更复杂的产品是可能的；通过积累中小企业的能力，可以增加制造业的产量；通过共享劳动力和资源，可以降低市场需求波动的影响。
3.随着科技发展，人工智能技术将大数据智能、群体智能、工业自主智能系统紧密联系，并从基础理论、支撑体系、关键技术、创新应用等层面构筑知识群、技术群和产品群的生态环境。其中，针对工业系统中存在大量需要决策的环节，传统的制造决策技术已有了一些应用，然而其大多面向单一的工业领域，针对产业链协同的自适应决策技术在应用方面还存在不足。同时，仅考虑产业链协同决策粒度较粗，难以精准适用于企业生产。因此，考虑工业领域产业链中存在多样时变的情境、企业内部信息不完全等特性，本发明基于企业产业链模型和企业内部职能信息，研究企业协同制造决策与优化。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种适用范围广、能够自学习、决策更细粒度更高的基于双层异构图神经网络模型企业协同决策方法。
5.为实现上述目的，本发明所提供的技术方案为：
6.一种基于双层异构图神经网络的企业协同制造决策方法，包括以下步骤：
7.s1、企业间数据获取与处理，获取企业产业链数据和内部生产管理信息并对其进行处理；
8.s2、建立基于双层异构图神经网络模型的企业协同制造决策模型；
9.s3、训练模型，并基于模型生产决策，企业节点自学习，并通过决策反馈优化模型。
10.作为优选的，步骤s1的具体过程如下：
11.s1-1、获取企业间信息数据：
12.企业的基础信息和企业的动态信息共同支撑企业的决策行为，通过爬虫获取的大量企业静态和动态图谱数据；
13.s1-2、企业间信息数据处理：
14.将企业静态和动态图谱数据转换为图结构节点-节点类型的数据，公司特征主要包含两种类型的输入信息——数字信息(如公司注册资本和员工人数)和文字信息(如公司简介和详细的业务经营范围)，将数字信息和文字信息相结合，得到了企业特征的深度表征；
15.s1-3、根据异构输入为每个公司生成节点嵌入：
16.具体来说，对于每个企业文字描述则采用词序列wi＝{w1,w2，
…
,w
t
}，首先利用word2vec将序列中的每个单词w
t
转换为一个n维的预先训练的单词嵌入向量；考虑到企业文字描述有不同的长度，我们利用双向门控循环单元(bi-gru)保留了大部分企业文字信息的前后上下文信息；
17.形式上，给定企业的描述序列wi＝{w1,w2,
…
,w
t
}与序列长度t，将第一层的输入bi-gru定义为：
[0018][0019]
在时间步长t时，前向隐藏状态和后向隐藏状态为每一层i根据之前的隐藏状态和更新，两个方向分别为：
[0020][0021][0022]
其中，和分别表示要学习的前向和后向gru参数；
[0023]
为了提取企业描述中的深层上下文关系，引入具有bi-gru层的gru结构；将数字信息和文字信息相结合，得到了企业特征的深度表征；为得到最后一个时间步长的公司v描述序列表示，为获得结合了数字信息和文字信息的企业特征的深度表达向量xv，将与连接：
[0024][0025]
每个特征向量只能描述企业的信息，并没有考虑与其他企业的关系，所有企业之间的各种关系用企业关系图g＝(v,e,w)表示，其中v代表企业节点，e为企业间的关系，w代表企业之间的关系权重；
[0026]
所有企业的统一表示不仅要包含节点的特征，还要包含企业关系图g中的结构信息；因此，由于企业关系图g中的每个节点之间存在多重关系，我们采用关系图卷积网络(relational graph convolutional network,rgcn)对其生成嵌入；
[0027]
对于每个企业节点及其输入特性{fv}作为初始节点特征，通过i层其他节点传递的消息计算节点v的嵌入：
[0028][0029]
其中，σ为激活函数，为公司v关系为r的邻居，cv，r节点v和关系r的归一化常数，可以学习或提前选择，和是两个需要学习的权矩阵。
[0030]
作为优选的，步骤s2的具体过程如下：
[0031]
s2-1、构建基于双层异构协同图卷积网络的企业间协同制造决策方法：
[0032]
在有n个企业协同的制造决策问题中，考虑由多个企业作为节点组成的信息图谱，
其中企业之间的关系作为边，为了学习企业之间交互关系，一种适当的构建图结构的方法是非常重要的，采用邻接矩阵 自注意力机制的方式获取企业的图结构，利用企业的空间信息和特征信息获取企业的协同制造关系，然后使用图神经网络对企业之间信息进行耦合；
[0033]
s2-1-1、利用s1中所述企业关系图g，首先构建企业的邻接矩阵，然后计算其企业的相似度矩阵，使用邻接矩阵过滤掉企业之间没有关系的相似性值，最后计算企业关系图g的边权重；
[0034]
企业权重计算方法如下：
[0035][0036]
其中，q和p是与编码矩阵相同的查询矩阵和关键值矩阵，w是企业权重矩阵，其中d是一个归一化因子，对结果进行约束；
[0037]
通过企业关系图g获取到的企业节点的邻接矩阵m，并对企业权重矩阵进行过滤：
[0038][0039]
其中，为过滤后的权重矩阵；
[0040]
s2-1-2、企业关系图的信息耦合：
[0041]
将获取到的企业之间的交互关系作为邻接矩阵进行图神经网络学习以实现企业之间信息的耦合：
[0042][0043]
其中，xi和x
(i 1)
分别是卷积层i和i 1的特征矩阵，是单位矩阵，是过滤后的权重矩阵，wi是第i层的一个n
×
n维的可训练的矩阵，n是企业向量化维度大小，σ是非线性激活函数；
[0044]
s2-1-3、最终经过双层图卷积输出的信息为x
(2)
，为了不引入冗余信息，降低企业自身的影响，企业下一层决策网络输入的获取跟随了自学习的方法，实现企业之间的通信，并融合了与其交互的其他企业的信息，进而让企业获取初步粗粒度的决策方案；
[0045]
s2-2、构建基于双层异构图神经网络的企业内部协同制造决策模型：
[0046]
s2-2-1、根据企业内部职能将企业分为生产车间、仓储销售、财务年报、科研分析、领域趋势、市场环境6个模块；
[0047]
s2-2-2、其中s2-2-1中所述的市场环境，具体即为s2-1-3所述的企业获取的初步粗粒度的决策输出；
[0048]
s2-2-3、构建企业内部职能关系图谱：
[0049]
根据s1所述企业关系图g，采用k阶作为企业的邻居范围，将邻居企业分为包括上下游的合作企业和同行业的竞争企业，将企业的k阶邻居进行职能划分，构建企业职能部门间的关系图谱g
in
；
[0050]
利用所述双层图异构图卷积对所述企业职能部门间的关系图谱g
in
进行向量化，根据企业间的协同制造模型所述构建模型思想，建立企业内部协同决策模型，输出具有更高细粒度的决策方法；
[0051]
其中所述采用k阶邻居范围，具体为对于合作企业采用深度优先搜索企业关系图
g，k取值为最大搜索深度，对于竞争企业定义k取值为2以减少计算代价；
[0052]
s2-2-4、利用双层图卷积对所述企业职能部门间的关系图谱进行向量化；
[0053]
s2-2-5、基于双层异构图神经网络的企业职能部协同消息聚合：
[0054]
消息聚合处理企业之间的所有关系，它的输入是本企业的观察结果和来自每个邻居企业的信息传输；消息聚合模块中的第一步是使用f
input
函数压缩企业原始观测结果，聚合是一种有损操作，因此将数据转换为保留最重要信息的空间，具体地，f
input
即为学习哪些信息需要传递；
[0055]
s2-2-6、部门更新在接收到所需数据后处理所有本地计算，以聚合数据的每个k-hop邻域作为输入，并产生一个决策输出。
[0056]
作为优选的，步骤s3的具体过程如下：
[0057]
s3-1、训练模型，并基于模型生产决策：
[0058]
利用企业数据对所构建模型进行训练，其中包含由产业链各节点的生产数据等，将其按格式整理为图格式的输入数据集，将输入数据按传统流程处理过后的数据作为图神经网络对应的输出数据集；
[0059]
然后针对步骤s2中所做出的决策，采用强化学习智能体学习策略，对输出决策进行评价自学习，同时根据将决策结果不断反馈到模型，调整s2中的决策过程，形成对最终决策结果的反馈优化。
[0060]
与现有技术相比，本方案原理及优点如下：
[0061]
1.利用双层异构图神经网络的自学习方法对企业产业链建模，并利用工业数据进行训练，相较于传统的针对单一领域的工作流建模方法，可以获得应用范围更广，覆盖多个产业流程的工作流模型，自学习能够从企业环境获得数据后不断训练从而获得对环境的精确反应；
[0062]
2.仅考虑产业链协同决策粒度较粗，难以精准适用于企业生产，基于图神经网络的企业部门协同制造决策方法能够为企业提供更加细粒度的决策与优化；
[0063]
3.针对所做出的决策，将其输入决策评价系统进行分析，得到决策的综合质量评估，形成对最终决策结果的反馈优化。
附图说明
[0064]
图1为本发明的原理流程图。
具体实施方式
[0065]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0066]
下面结合具体实施例对本发明作进一步说明：
[0067]
如图1所示，本实施例所述的一种基于双层异构图神经网络的企业协同制造决策方法，包括以下步骤：
[0068]
s1、企业间数据获取与处理，获取企业产业链数据和内部生产管理信息并对其进
行处理；
[0069]
s2、建立基于双层异构图神经网络模型的企业协同制造决策模型；
[0070]
s3、训练模型，并基于模型生产决策，企业节点自学习，并通过决策反馈优化模型。
[0071]
进一步地，步骤s1的具体过程如下：
[0072]
s1-1、获取企业间信息数据：
[0073]
企业的基础信息和企业的动态信息共同支撑企业的决策行为，通过爬虫获取的大量企业静态和动态图谱数据；
[0074]
s1-2、企业间信息数据处理：
[0075]
将企业静态和动态图谱数据转换为图结构节点-节点类型的数据，公司特征主要包含两种类型的输入信息——数字信息(如公司注册资本和员工人数)和文字描述(如公司简介和详细的业务经营范围)，将数字信息和文字信息相结合，得到了企业特征的深度表征；
[0076]
s1-3、根据异构输入为每个公司生成节点嵌入：
[0077]
具体来说，对于每个企业文字描述则采用词序列wi＝{w1,w2，
…
,w
t
}，首先利用word2vec将序列中的每个单词w
t
转换为一个n维的预先训练的单词嵌入向量；考虑到企业文字描述有不同的长度，我们利用双向门控循环单元(bi-gru)保留了大部分企业文字信息的前后上下文信息；
[0078]
形式上，给定企业的描述序列wi＝{w1,w2,
…
,w
t
}与序列长度t，将第一层的输入bi-gru定义为：
[0079][0080]
在时间步长t时，前向隐藏状态和后向隐藏状态为每一层i根据之前的隐藏状态和更新，两个方向分别为：
[0081][0082][0083]
其中，和分别表示要学习的前向和后向gru参数；
[0084]
为了提取企业描述中的深层上下文关系，引入具有bi-gru层的gru结构；将数字信息和文字信息相结合，得到了企业特征的深度表征；为得到最后一个时间步长的公司v描述序列表示，为获得结合了数字信息和文字信息的企业特征的深度表达向量xv，将与连接：
[0085][0086]
每个特征向量只能描述企业的信息，并没有考虑与其他企业的关系，所有企业之间的各种关系用企业关系图g＝(v,e,w)表示，其中v代表企业节点，e为企业间的关系，w代表企业之间的关系权重；
[0087]
所有企业的统一表示不仅要包含节点的特征，还要包含企业关系图g中的结构信息；因此，由于企业关系图g中的每个节点之间存在多重关系，我们采用关系图卷积网络
(relational graph convolutional network,rgcn)对其生成嵌入；
[0088]
对于每个企业节点及其输入特性{fv}作为初始节点特征，通过i层其他节点传递的消息计算节点v的嵌入：
[0089][0090]
其中，σ为激活函数，为公司v关系为r的邻居，c
v,r
节点v和关系r的归一化常数，可以学习或提前选择，和是两个需要学习的权矩阵。
[0091]
进一步地，步骤s2的具体过程如下：
[0092]
s2-1、构建基于双层异构协同图卷积网络的企业间协同制造决策方法：
[0093]
在有n个企业协同的智能决策问题中，考虑由多个企业作为节点组成的信息图谱，其中，企业间的关系作为边；采用邻接矩阵 自注意力机制的方式获取企业的图结构，利用企业的空间信息和特征信息获取企业的协同关系，然后使用双层异构图神经网络对企业之间信息进行耦合；
[0094]
s2-1-1、利用s1中所述企业关系图g，首先构建企业的邻接矩阵，然后计算其企业的相似度矩阵，使用邻接矩阵过滤掉企业之间没有关系的相似性值，最后计算企业关系图g的边权重；
[0095]
企业权重计算方法如下：
[0096][0097]
其中，q和p是与编码矩阵相同的查询矩阵和关键值矩阵，w是企业权重矩阵，其中d是一个归一化因子，对结果进行约束；
[0098]
通过企业关系图g获取到的企业节点的邻接矩阵m，并对企业权重矩阵w进行过滤：
[0099][0100]
其中，为过滤后的权重矩阵；
[0101]
s2-1-2、企业关系图g的信息耦合：
[0102]
将获取到的企业之间的交互关系作为邻接矩阵进行图神经网络学习以实现企业之间信息的耦合：
[0103]
将获取到的企业之间的交互关系作为邻接矩阵进行图神经网络学习以实现企业之间信息的耦合：
[0104][0105]
其中，xi和x
(i 1)
分别是卷积层i和i 1的特征矩阵，是单位矩阵，是过滤后的权重矩阵，wi是第i层的一个n
×
n维的可训练的矩阵，n是企业向量化维度大小，σ是非线性激活函数。
[0106]
s2-1-3、最终经过双层图卷积输出的信息为x
(2)
，为了不引入冗余信息，降低企业自身的影响，企业下一层策略网络输入的获取跟随了残差的计算方法，实现企业之间的通信，这样企业就融合了与其交互的其他企业的信息，进而让企业获取初步粗粒度的决策方
案；
[0107]
s2-2、构建基于双层异构图神经网络的企业内部协同制造决策模型：
[0108]
s2-2-1、根据企业内部职能将企业分为生产车间、仓储销售、财务年报、科研分析、领域趋势、市场环境6个模块；
[0109]
s2-2-2、其中s2-2-1所述市场环境，具体即为s2-1-3所述的企业间粗粒度的决策输出；
[0110]
s2-2-3、构建企业内部职能关系图谱：
[0111]
根据s1所述企业关系图g，采用k阶作为企业的邻居范围，将邻居企业分为包括上下游的合作企业和同行业的竞争企业，将企业的k阶邻居进行职能划分，构建企业职能部门间的关系图谱g
in
；
[0112]
利用所述双层图异构图卷积对所述企业职能部门间的关系图谱g
in
进行向量化，根据企业间的协同制造模型所述构建模型思想，建立企业内部协同决策模型，输出具有更高细粒度的决策方法；
[0113]
其中所述采用k阶邻居范围，具体为对于合作企业采用深度优先搜索企业关系图g，k取值为最大搜索深度，对于竞争企业定义k取值为2以减少计算代价；
[0114]
s2-2-4、利用双层图卷积对所述企业职能部门间的关系图谱进行向量化；
[0115]
s2-2-5、基于双层异构图神经网络的企业职能部协同消息聚合，消息聚合处理企业之间的所有关系，它的输入是本企业的观察结果和来自每个邻居企业的信息传输；消息聚合模块中的第一步是使用f
input
函数压缩企业原始观测结果，聚合是一种有损操作，因此将数据转换为保留最重要信息的空间，具体地，f
input
即为学习哪些信息需要传递；
[0116]
s2-2-6、部门更新在接收到所需数据后处理所有本地计算，以聚合数据的每个k-hop邻域作为输入，并产生一个决策输出。
[0117]
进一步地，步骤s3的具体过程如下：
[0118]
s3-1、训练模型，并基于模型生产决策：
[0119]
利用企业数据对所构建模型进行训练，其中包含由产业链各节点的生产数据等，将其按格式整理为图格式的输入数据集，将输入数据按传统流程处理过后的数据作为图神经网络对应的输出数据集；
[0120]
然后针对步骤s2中所做出的决策，采用强化学习智能体学习策略，对输出决策进行评价自学习，同时根据将决策结果不断反馈到模型，调整步骤s2中的决策过程，形成对最终决策结果的反馈优化。
[0121]
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。