一种信息处理方法、信息处理装置和电子设备与流程

1.本技术涉及但不限于计算机技术领域，尤其涉及一种信息处理方法、信息处理装置和电子设备。


背景技术：

2.相关技术中，针对待求解线性问题采用的求解策略为：基于设定好的规则或者专家的实践经验组成的启发式策略。


技术实现要素：

3.本技术实施例期望提供一种信息处理方法、信息处理装置和电子设备。
4.本技术的技术方案是这样实现的：
5.第一方面，本技术实施例提供的一种信息处理方法，所述方法包括：
6.获得待求解线性问题的线性特征数据；
7.调用与所述待求解线性问题对应的神经网络模型，对所述线性特征数据进行处理，得到转轴操作策略；
8.基于所述转轴操作策略对所述待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到所述待求解线性问题的解。
9.第二方面，本技术实施例提供的一种信息处理装置，所述信息处理装置包括：
10.获取模块，用于获得待求解线性问题的线性特征数据；
11.处理模块，用于调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；
12.所述处理模块，用于基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解。
13.第三方面，本技术实施例提供的一种电子设备，所述电子设备包括：处理器、存储器和通信总线；
14.通信总线用于实现处理器和存储器之间的通信连接。
15.处理器用于执行存储器中存储的信息处理程序，以实现上述的信息处理方法的步骤。
16.第四方面，本技术实施例提供的一种存储有可执行指令的计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述的信息处理方法的步骤。
17.本技术实施例提供一种信息处理方法、信息处理装置和电子设备，获得待求解线性问题的线性特征数据；调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解；如此，针对待求解线性问题进行求解的过程中，调用与待求解线性问题对应的神经网络模型来处理，以得到最优
的转轴操作策略即求解策略求出待求解线性问题的解；相比基于设定好的规则或者专家的实践经验组成的启发式策略求解的过程，提出了一种新的人工智能求解方案。
附图说明
18.图1为本技术的实施例提供的信息处理方法的一个可选的流程示意图；
19.图2为本技术的实施例提供的信息处理方法的一个可选的流程示意图；
20.图3为本技术的实施例提供的转轴操作的示意图；
21.图4为本技术的实施例提供的信息处理方法的一个可选的流程示意图；
22.图5为本技术的实施例提供的信息处理方法的一个可选的流程示意图；
23.图6为本技术的实施例提供的信息处理方法的一个可选的流程示意图；
24.图7为本技术的实施例提供的信息处理装置的结构示意图；
25.图8为本技术的实施例提供的电子设备的结构示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
28.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
29.本技术的实施例提供一种信息处理方法，该信息处理方法应用于电子设备，参照图1所示，该方法包括以下步骤：
30.步骤101、获得待求解线性问题的线性特征数据。
31.本技术实施例中，待求解线性问题包括但不限于排产问题、物料分配问题、快递员路线选择问题、商铺选址问题、物流路径规划问题和金融风控问题。进一步的，本技术实施例中，利用运筹优化算法和决策模型求解方法，将待求解线性问题即业务问题转化为数学模型的求解问题，能够在多种复杂约束条件限制，例如人力、时效、容量等约束限制，以及海量数据的基础上获取全局最优方案，例如该方案能达成成本和时间的均衡，甚至达成成本最低、时间最短，助力业务实现从数据到决策的闭环。
32.可以理解地，决策变量数据表征针对待求解线性问题所涉及的各个场景因素进行决策组合而提出的决策数据；也就是说，决策变量数据是根据所求问题的影响因素确定出来的；决策约束数据表征由决策变量所受的限制条件确定出的决策变量所需要满足的约束
条件；这里，决策变量数据和决策约束数据，可以统称为待求解线性问题的线性特征数据。
33.在一个可实现的场景一中，以待求解线性问题包括工厂排产问题为例，人工智能的生产排产系统帮助人工计划员决定如何科学的进行生产排程的计划，待求解线性问题为：每天收到的产品订单需要按照一定顺序分配到可用的工厂及其产线上进行生产。决策变量数据表示为x
i,j,k,t
，其中i代表订单编号，j代表工厂编号，k代表产线编号，t代表时间编号。x
i,j,k,t
可以理解为在某个时间某个订单在某个工厂的某个产线生产的数量。采用本技术提供的人工智能的生产排产的方法，通过人工智能求解器可以在更快的速度找到最优解，及找到满足约束条件的最优x
i,j,k,t
取值，其中，i、j和k为正整数；t为正数。
34.在一个可实现的场景二中，以待求解线性问题包括物料分配问题为例，人工智能分货系统帮助人工计划员决定如何科学的进行物料分配的计划，待求解线性问题：每天收到的供应商的各种物料需要按照提前确定的需求分配到需要的工厂。决策变量数据表示为x
i,j
，其中i代表物料的类别编号，j代表工厂编号。x
i,j
可以理解为某个物料分配给某个工厂的数量。采用本技术提供的人工智能的物料分配方法，通过人工智能求解器可以在更快的速度找到最优解，及找到满足约束条件的最优x
i,j
取值，其中，i和j为正整数。
35.本技术实施例中，对各个场景因素、约束条件等不作具体限定，以实现针对待求解线性问题得到最优解为准。
36.步骤102、调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略。
37.本技术实施例中，深度学习(deep learning)是机器学习的一种，而机器学习是实现人工智能(artificial intelligence，ai)的必经路径，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。
38.本技术实施例中，待求解线性问题对应的神经网络模型包括但不限于训练好的神经网络模型中针对待求解线性问题的最优神经网络模型，示例性的，这里的最优神经网络模型指的是针对待求解线性问题进行求解时能够达成成本和时间的均衡的模型。进一步的，基于最优神经网络模型对线性特征数据进行处理，选择最优的转轴操作策略(pivot rule)。
39.本技术实施例中，转轴操作是单纯形法(simplex algorithm)中的核心操作，其作用是将一个基变量与一个非基变量进行互换，可以将转轴操作理解为从单纯形上的一个顶点走向另一个顶点。
40.步骤103、基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解。
41.本技术实施例中，将待求解线性问题先转化为标准形式的线性规划问题，再将标准形式的线性规划问题转化为松弛形式的线性规划问题。对于有n个变量、m个约束方程的标准型线性规划问题，取其m个变量。若这些变量在约束方程中的系数列向量线性无关，则这些变量组成一组基变量。确定了一组基变量后，其他n-m个变量成为非基变量。其中，n、m为正整数。
42.这里，转化为松弛形式的过程，包括在n个变量、m个约束的线性规划中加入m个新的变量，将不等式转化为等式x
n j
＝b
j-∑
1≤k≤naj
,k,xk。基于等式将x1、x2……
xn这些变量称
为基变量，构成的集合称为b。将x
n 1
、x
n 2
……
x
n m
这些变量称为非基变量，构成的集合称为n，其中，n和b是整数集合，非基变量能够由基变量唯一确定。a是约束条件方程组系数矩阵。
43.本技术实施例中，基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，将一个基变量与一个非基变量进行互换处理的过程，以得到待求解线性问题的解。
44.由上述可知，本技术中采用神经网络求解器将运筹学和ai相结合，突破业界运筹优化极限，可以针对线性模型寻找最优解，以通用形式描述问题，高效计算最优方案，助力企业量化决策和精细化运营，提升资源利用率和运转效率，增强决策水平和竞争力。
45.本技术实施例提供一种信息处理方法，获得待求解线性问题的线性特征数据；调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解；如此，针对待求解线性问题进行求解的过程中，调用与待求解线性问题对应的神经网络模型来处理，以得到最优的转轴操作策略即求解策略求出待求解线性问题的解；相比基于设定好的规则或者专家的实践经验组成的启发式策略求解的过程，提出了一种新的人工智能求解方案。
46.本技术的实施例提供一种信息处理方法，该信息处理方法应用于电子设备，参照图2所示，该方法包括以下步骤：
47.步骤201、获得待求解线性问题的线性特征数据。
48.步骤202、调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略。
49.步骤203、从约束条件方程组系数矩阵中选出一个基变量。
50.示例性的，仍旧以基变量集合b和非基变量集合n为例，假设xb属于基变量集合b，并且xb作为从约束条件方程组系数矩阵中选出的一个基变量。
51.步骤204、获得基变量对应的非基变量为零时约束条件方程组的可行解。
52.本技术实施例中，针对所选的基变量例如xb，当所选的基变量xb对应的非基变量取值均为零时且满足非负约束条件的解为可行解。
53.步骤205、执行迭代算法基于转轴操作策略将基变量与非基变量中的一个变量互换，得到与基变量不同的另一个基变量。
54.示例性的，仍旧以基变量集合b和非基变量集合n为例，假设xd属于非基变量集合n，并且xd作为从非基变量中选出的一个变量，在一次迭代的过程中，执行转轴操作pivot(b，d)之后，xb变为非基变量，相应的xd变为基变量，此时，xd便是与选出的基变量不同的另一个基变量，即针对待求解线性问题在一次迭代的过程中改变后的基变量。
55.步骤206、在每次迭代过程中获得另一个基变量对应的非基变量为零时约束条件方程组的可行解。
56.本技术实施例中，针对一次迭代后的基变量例如xd，当所选的基变量xd对应的非基变量取值均为零时且满足非负约束条件的解为可行解。
57.示例性的，执行迭代算法基于转轴操作策略将基变量与非基变量中的一个变量互换，得到与基变量不同的另一个基变量，可以参照图3所示，即换个角度，来确定从一个顶点走向另一个顶点的最优解。图3示出了从一个顶点走向另一个顶点的过程中，从两个不同的
角度来看，可以通过不同的路径实现。在此基础上，执行多次迭代，便可以从多个可行解中找到满足求解条件的解。
58.步骤207、从所有可行解中选择满足求解条件的解，作为待求解线性问题的解。
59.本技术实施例中，满足求解条件的解包括但不限于待求解线性问题的最优解或者达到求解限制时间的解。其中，待求解线性问题的最优解包括从多个可行解中选出的最优的解。
60.需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
61.本技术的实施例提供一种信息处理方法，该信息处理方法应用于电子设备，参照图4所示，该方法包括以下步骤：
62.步骤401、获得待求解线性问题的线性特征数据。
63.步骤402、将待求解线性问题输入经过训练的图卷积神经网络，得到与待求解线性问题对应的神经网络模型的指示信息。
64.其中，指示信息用于指示待求解线性问题与神经网络模型之间的对应关系。
65.本技术其他实施例中，电子设备可以通过如下图5所示的步骤501-步骤503完成神经网络模型的训练：
66.步骤501、获得线性问题训练样本对应的样本线性特征数据。
67.本技术实施例中，在混合整数规划(mixed integer program，mip)lib2017的240个问题上利用随机生成数在一定分布条件下，改变需求数据，供给数据等扩充训练数据，作为线性问题训练样本数据来训练有泛化性的转轴操作策略模型。
68.进一步的，将线性问题训练样本数据输入特征生成器，可以得到输出的样本线性特征数据。
69.步骤502、将样本线性特征数据输入线性规划求解器，得到线性问题训练样本的解对应的样本策略。
70.本技术实施例中，将样本线性特征数据输入线性规划求解器，不仅可以得到问题的解，还可以确定解对应的样本策略。可以理解地，电子设备为待求解线性问题调用的线性规划求解器，在求解的过程中使用特定的pivot rule策略如最不可行域方法(greatest infeasibility)或者最速下降边界(steepest-edge)求解，并且记录对这个问题即实例表现最好的pivot rule策略。
71.步骤503、基于线性问题训练样本和样本策略，训练神经网络模型。
72.本技术其他实施例中，步骤503基于线性问题训练样本和样本策略，训练神经网络模型，包括如下步骤：基于线性问题训练样本和线性问题训练样本的最优解对应的样本策略，采用监督学习训练神经网络模型；其中，线性问题训练样本的解包括线性问题训练样本的最优解。
73.本技术实施例中，训练神经网络模型的过程中，构建图卷积神经网络，把实例及对应最优pivot rule策略对应输入神经网络中训练，同时采用监督学习方式，训练神经网络线性规划求解器pivot rule策略模型，最小化损失函数值，直到损失函数方程收敛。这里，使用训练好的神经网络模型进行推理，相比于简单的策略具有更好的效果和类似的计算速度，相比于复杂策略有相似的效果和更少的计算时间。
74.步骤403、基于指示信息，调用与待求解线性问题对应的神经网络模型。
75.本技术实施例中，把训练好的pivot rule策略模型储存到储存器中方便推理过程的调用。在调用的过程中，基于指示信息，快速调用与待求解线性问题对应的神经网络模型，实现对各类问题调用最优的模型进而采用最优的pivot rule来实现最佳求解，达到对各类问题进行调优的效果。
76.需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
77.本技术的实施例提供一种信息处理方法，该信息处理方法应用于电子设备，参照图6所示，该方法包括以下步骤：
78.步骤601、获得待求解线性问题的线性特征数据。
79.步骤602、调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略。
80.步骤603、基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解。
81.步骤604、按照待求解线性问题的解，执行针对待求解线性问题的配置方案。
82.在一个可实现的场景中，待求解线性问题包括工厂排产线性问题，步骤604按照待求解线性问题的解，执行针对待求解线性问题的配置方案，可以通过如下步骤实现：在时间推进的过程中，按照工厂排产线性问题对应的解，在各个生产时间点上选择是否生产工单包含的每一产品。
83.本技术实施例中，在工厂排产问题上，采用神经网络线性规划求解器生成的待求解线性问题的解，把工厂收到的工单按合适的顺序分配到合适的产线上去。相比传统的基于设定好的规则或者专家的实践经验组成的启发式策略求解的方案，可以以更快的速度得到更为优质的解，从而指导工厂的每条产线上每个机器更好的排产。
84.结合上述排产场景的示例，这里仍旧以场景一中待求解线性问题包括工厂排产问题为例，假设最优x
i,j,k,t
取值中i代表订单编号1，j代表工厂编号2，k代表产线编号3，t代表时间编号9点，那么，按照最优x
i,j,k,t
取值，在9点将订单编号1的订单分配到工厂编号2的工厂的产线编号3的产线上生产最优x
i,j,k,t
取值对应的数量的产品。
85.在另一个可实现的场景中，待求解线性问题包括物料分配线性问题，步骤604按照待求解线性问题的解，执行针对待求解线性问题的配置方案，可以通过如下步骤实现：按照物料分配线性问题对应的解，将物料配备符合条件的物料分配至所需的工厂。
86.本技术实施例中，在物料分配问题上，采用神经网络线性规划求解器生成的物料分配问题的解，按照物料齐套原则把物料分配到需要的工厂中。相比传统的依靠人工经验决策，无法考虑到每种齐套的可能性，采用本技术提供的人工智能求解方案可以得到更为科学的齐套分配方案，提升每个工厂的齐套数量，从而提升整体的生产效率和物料利用率。
87.结合上述排产场景的示例，这里仍旧以场景四中待求解线性问题包括物料分配问题为例，假设最优x
i,j
取值中i代表物料的类别编号为第一类别，j代表工厂编号3，那么，按照最优x
i,j
取值，将最优x
i,j
取值对应的数量的第一类别的物料分配至工厂编号3的工厂。
88.本技术实施例中，在物料分配问题上，采用物料分配问题的解，按照物料齐套原则把物料分配到需要的工厂中。相比传统的依靠人工经验决策，无法考虑到每种齐套的可能
性，采用本技术提供的人工智能求解方案可以得到更为科学的齐套分配方案，提升每个工厂的齐套数量，从而提升整体的生产效率和物料利用率。
89.由上述可知，本技术提供的信息处理方法，提供了一种自适应学习优化的人工智能算法，融合前沿ai能力，可根据线性问题特征自适应进行参数优化和求解策略选取，实现求解效率提升。该构思适用于线性规划求解器，采用先进的人工智能技术训练最优的求解策略，如转轴操作策略等，相比传统的基于专家知识的启发式策略，可以在具体问题和场景上自动学习自动调整，从而达到最佳的求解效率。
90.需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
91.本技术的实施例提供一种信息处理装置，该信息处理装置可以应用于图1、图2、图4、图6对应的实施例提供的一种信息处理方法中，参照图7所示，该信息处理装置7包括：
92.获取模块701，用于获得待求解线性问题的线性特征数据；
93.处理模块702，用于调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；
94.处理模块702，用于基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解。
95.在本技术的其他实施例中，处理模块702，用于从约束条件方程组系数矩阵中选出一个基变量；获得基变量对应的非基变量为零时约束条件方程组的可行解；执行迭代算法基于转轴操作策略将基变量与非基变量中的一个变量互换，得到与基变量不同的另一个基变量；在每次迭代过程中获得另一个基变量对应的非基变量为零时约束条件方程组的可行解；从所有可行解中选择满足求解条件的解，作为待求解线性问题的解。
96.在本技术的其他实施例中，处理模块702，用于将待求解线性问题输入经过训练的图卷积神经网络，得到与待求解线性问题对应的神经网络模型的指示信息；其中，指示信息用于指示待求解线性问题与神经网络模型之间的对应关系；基于指示信息，调用与待求解线性问题对应的神经网络模型。
97.在本技术的其他实施例中，获取模块701，用于获得线性问题训练样本对应的样本线性特征数据；处理模块702，用于将样本线性特征数据输入线性规划求解器，得到线性问题训练样本的解对应的样本策略；基于线性问题训练样本和样本策略，训练神经网络模型。
98.在本技术的其他实施例中，处理模块702，用于基于线性问题训练样本和线性问题训练样本的最优解对应的样本策略，采用监督学习训练神经网络模型；其中，线性问题训练样本的解包括线性问题训练样本的最优解。
99.在本技术的其他实施例中，处理模块702，用于按照待求解线性问题的解，执行针对待求解线性问题的配置方案。
100.在本技术的其他实施例中，待求解线性问题包括工厂排产线性问题，处理模块702，用于在时间推进的过程中，按照工厂排产线性问题对应的解，在各个生产时间点上选择是否生产工单包含的每一产品。
101.在本技术的其他实施例中，待求解线性问题包括物料分配线性问题，处理模块702，用于按照物料分配线性问题对应的解，将物料配备符合条件的物料分配至所需的工厂。
102.本技术实施例提供一种信息处理装置，获得待求解线性问题的线性特征数据；调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解；如此，针对待求解线性问题进行求解的过程中，调用与待求解线性问题对应的神经网络模型来处理，以得到最优的转轴操作策略即求解策略求出待求解线性问题的解；相比基于设定好的规则或者专家的实践经验组成的启发式策略求解的过程，提出了一种新的人工智能求解方案。
103.需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1、图2、图4、图6对应的实施例提供的信息处理方法中的实现过程，此处不再赘述。
104.本技术的实施例提供一种电子设备，该电子设备可以应用于图1、图2、图4、图6对应的实施例提供的一种信息处理方法中，参照图8所示，该电子设备8(图8中的电子设备8与图7中的信息处理装置7对应)包括：处理器801、存储器802和通信总线803，其中：
105.通信总线803用于实现处理器801和存储器802之间的通信连接。
106.处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
107.获得待求解线性问题的线性特征数据；
108.调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；
109.基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解。
110.在本技术的其他实施例中，处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
111.从约束条件方程组系数矩阵中选出一个基变量；
112.获得基变量对应的非基变量为零时约束条件方程组的可行解；
113.执行迭代算法基于转轴操作策略将基变量与非基变量中的一个变量互换，得到与基变量不同的另一个基变量；
114.在每次迭代过程中获得另一个基变量对应的非基变量为零时约束条件方程组的可行解；
115.从所有可行解中选择满足求解条件的解，作为待求解线性问题的解。
116.在本技术的其他实施例中，处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
117.将待求解线性问题输入经过训练的图卷积神经网络，得到与待求解线性问题对应的神经网络模型的指示信息；其中，指示信息用于指示待求解线性问题与神经网络模型之间的对应关系；
118.基于指示信息，调用与待求解线性问题对应的神经网络模型。
119.在本技术的其他实施例中，处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
120.获得线性问题训练样本对应的样本线性特征数据；
121.将样本线性特征数据输入线性规划求解器，得到线性问题训练样本的解对应的样本策略；
122.基于线性问题训练样本和样本策略，训练神经网络模型。
123.在本技术的其他实施例中，处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
124.基于线性问题训练样本和线性问题训练样本的最优解对应的样本策略，采用监督学习训练神经网络模型；其中，线性问题训练样本的解包括线性问题训练样本的最优解。
125.在本技术的其他实施例中，处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
126.按照待求解线性问题的解，执行针对待求解线性问题的配置方案
127.在本技术的其他实施例中，待求解线性问题包括工厂排产线性问题，处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
128.在时间推进的过程中，按照工厂排产线性问题对应的解，在各个生产时间点上选择是否生产工单包含的每一产品。
129.在本技术的其他实施例中，待求解线性问题包括物料分配线性问题，处理器801用于执行存储器802中存储的信息处理程序，以实现以下步骤：
130.按照物料分配线性问题对应的解，将物料配备符合条件的物料分配至所需的工厂。
131.本技术实施例所提供的方法可以直接体现为由处理器801执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器802，处理器801读取存储器802中软件模块包括的可执行指令，结合必要的硬件完成本技术实施例提供的方法。
132.作为示例，处理器801可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
133.本技术实施例提供一种电子设备，获得待求解线性问题的线性特征数据；调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解；如此，针对待求解线性问题进行求解的过程中，调用与待求解线性问题对应的神经网络模型来处理，以得到最优的转轴操作策略即求解策略求出待求解线性问题的解；相比基于设定好的规则或者专家的实践经验组成的启发式策略求解的过程，提出了一种新的人工智能求解方案。
134.需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1、图2、图4、图6对应的实施例提供的信息处理方法中的实现过程，此处不再赘述。
135.本技术的实施例提供一种计算机可读存储介质，该存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
136.获得待求解线性问题的线性特征数据；
137.调用与待求解线性问题对应的神经网络模型，对线性特征数据进行处理，得到转轴操作策略；
138.基于转轴操作策略对待求解线性问题的约束条件方程组系数矩阵中的基变量和非基变量进行处理，以得到待求解线性问题的解。
139.在本技术的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：
140.从约束条件方程组系数矩阵中选出一个基变量；
141.获得基变量对应的非基变量为零时约束条件方程组的可行解；
142.执行迭代算法基于转轴操作策略将基变量与非基变量中的一个变量互换，得到与基变量不同的另一个基变量；
143.在每次迭代过程中获得另一个基变量对应的非基变量为零时约束条件方程组的可行解；
144.从所有可行解中选择满足求解条件的解，作为待求解线性问题的解。
145.在本技术的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：
146.将待求解线性问题输入经过训练的图卷积神经网络，得到与待求解线性问题对应的神经网络模型的指示信息；其中，指示信息用于指示待求解线性问题与神经网络模型之间的对应关系；
147.基于指示信息，调用与待求解线性问题对应的神经网络模型。
148.在本技术的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：
149.获得线性问题训练样本对应的样本线性特征数据；
150.将样本线性特征数据输入线性规划求解器，得到线性问题训练样本的解对应的样本策略；
151.基于线性问题训练样本和样本策略，训练神经网络模型。
152.在本技术的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：
153.基于线性问题训练样本和线性问题训练样本的最优解对应的样本策略，采用监督学习训练神经网络模型；其中，线性问题训练样本的解包括线性问题训练样本的最优解。
154.在本技术的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：
155.按照待求解线性问题的解，执行针对待求解线性问题的配置方案。
156.在本技术的其他实施例中，待求解线性问题包括工厂排产线性问题，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：
157.在时间推进的过程中，按照工厂排产线性问题对应的解，在各个生产时间点上选择是否生产工单包含的每一产品。
158.在本技术的其他实施例中，待求解线性问题包括物料分配线性问题，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：
159.按照物料分配线性问题对应的解，将物料配备符合条件的物料分配至所需的工厂。
160.需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1、图2、图4、图6对应的实施例提供的信息处理方法中的实现过程，此处不再赘述。
161.这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描
述是类似的，具有同方法实施例相似的有益效果。对于本技术存储介质和设备实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
162.上述计算机存储介质/存储器可以是只读存储器(read only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、磁性随机存取存储器(ferromagnetic random access memory，fram)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(compact disc read-only memory，cd-rom)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
163.应理解，说明书通篇中提到的“一个实施例”或“一实施例”或“本技术实施例”或“前述实施例”或“一些实施例”或“一些实施方式”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“本技术实施例”或“前述实施例”或“一些实施例”或“一些实施方式”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
164.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
165.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
166.另外，在本技术各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
167.本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
168.本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
169.本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
170.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在
执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
171.或者，本技术上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
172.值得注意的是，本技术实施例中的附图只是为了说明各个器件在终端设备上的示意位置，并不代表在终端设备中的真实位置，各器件或各个区域的真实位置可根据实际情况(例如，终端设备的结构)作出相应改变或偏移，并且，图中的终端设备中不同部分的比例并不代表真实的比例。
173.以上所述，仅为本技术的实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。