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

1.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：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.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。
7.为了达到上述技术效果，本发明的技术方案如下：
8.一种任务分配中基于图神经网络进行动态图着色的方法，所述方法包括以下步骤：
9.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；
10.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；
11.s3.构建图着色模型，图着色模型包括gru和图神经网络gcn；
12.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：
13.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；
14.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；
15.s7.重复执行步骤s4～s6训练图着色模型，得到训练好的第一图着色模型和第二图着色模型；
16.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。
17.本技术方案针对于任务分配，考虑时间变化出现图的节点或者边消失增加的情况，提出基于参数演化的动态图着色手段，构造图数据集，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，在图着色模型中，应用两种图神经网络算法进行判断，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。
18.优选地，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。
19.优选地，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，以保证数据均衡。
[0020]
优选地，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。
[0021]
在此，由于任务为动态，所以会有一个变化的时间阶段，在每个时间点进行权重参数更新。
[0022]
优选地，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：
[0023]zt
＝summarize(h
t
,#col(w
t-1
))
[0024]rt
＝sigmoid(w
rht
urw
t-1
br)
[0025][0026][0027]
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，wr，br，wh，uh，bh，ur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；
[0028]
由于gru要求输入的列数必须与隐藏状态的列数匹配。设后一个数为k。我们的策略是将所有节点嵌入向量汇总为k个代表向量(每个作为列向量)。下面的伪代码给出了这种摘要的一种流行方法。按照惯例，它以多行矩阵xt作为输入，并产生只有k行的矩阵z
t
，z
t
是控制更新的门控
[0029]
公式z
t
＝summarize(h
t
,#col(w
t-1
))中的参数满足：
[0030][0031][0032][0033]
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：
[0034][0035]
优选地，在步骤s5中，第i 1个图样本的节点嵌入更新的公式满足：
[0036][0037]
优选地，利用图神经网络gcn的节点更新公式为：
[0038][0039][0040][0041]
其中，h
(l)
为第l层节点特征，a为图的邻接矩阵，in为单位矩阵；
[0042]
优选地，在s6中，利用sigmoid函数激活的结果在(0，1)之间，即为每个接受目标着色的概率，当概率值大于0.5时，图样本接受目标着色，否则，图像本不接受目标着色；
[0043]
在s7中，利用交叉熵损失函数计算图着色模型的总损失，通过梯度下降法，利用反向传播的方式训练图着色模型，在交叉熵损失函数收敛时，得到训练好的图着色模型。
[0044]
优选地，对训练好的动态图着色模型还包括采用f1—score、recall及准确率指标来衡量动态图着色模型的性能。
[0045]
一种任务分配中基于图神经网络进行动态图着色的系统，所述系统包括：
[0046]
图数据集构建模块，用于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；
[0047]
预处理信息转换模块，用于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；
[0048]
图着色模型构建模块，用于构建图着色模型，图着色模型包括gru和图神经网络gcn；
[0049]
权重参数更新模块，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：
[0050]
节点更新模块，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；
[0051]
对比训练模块，对每个图样本更新所得到的所有节点嵌入进行平均求和，再进行sigmoid函数激活，得到每个接收目标着色的概率，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，训练图着色模型，得到训练好的图着色模型；
[0052]
测试模块，将测试集输入训练好的图着色模型，得到任务分配着色结果。
[0053]
与现有技术相比，本发明技术方案的有益效果是：
[0054]
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，构造图数据集，基于图数据集在节点更新中，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，应用两种图神经网络算法进行判断，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。
附图说明
[0055]
图1表示本发明实施例1中提出的任务分配中基于图神经网络进行动态图着色的方法的流程示意图；
[0056]
图2表示正样本数据集中的一个正样本的示意图；
[0057]
图3表示利用图2所示的正样本得到负样本的示意图；
[0058]
图4表示本发明实施例2中提出的动态图着色的过程示意图；
[0059]
图5表示本发明实施例3中提出的任务分配中基于图神经网络进行动态图着色的系统结构图。
具体实施方式
[0060]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0061]
为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；
[0062]
对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。
[0063]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0064]
附图中描述位置关系的仅用于示例性说明，不能理解为对本专利的限制；
[0065]
实施例1
[0066]
如图1所示，本实施例提出一种一种任务分配中基于图神经网络进行动态图着色的方法，该方法包括以下步骤：
[0067]
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；
[0068]
在本实施例中，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。
[0069]
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；
[0070]
对于如图2所示的正样本，包含着若干条边和若干个任务节点，边和任务节点之间的连接明确，对正样本图数据集进行预处理时，将正样本图数据集中的正样本添加一条边，如图3“圆圈”所示，使得正样本图数据转换为负样本图数据，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％，一方面保证数据平衡，另一方面，便于后续进行数据对比。
[0071]
在生成图2所示的正样本时，给予的目标着色是x色，图3比图2多了一条边，多了这条边后，负样本的目标着色正常应该是x 1，但我们仍给予它x色，致使它最后模型的概率结果是小于0.5的，即该样本不接受目标着色(x色)。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。
[0072]
s3.构建图着色模型，图着色模型包括gru和图神经网络gcn；
[0073]
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：
[0074]
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；
[0075]
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；
[0076]
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；
[0077]
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。
[0078]
针对于任务分配，考虑时间变化出现图的节点或者边消失增加的情况，提出基于参数演化的动态图着色手段，整体过程框图参见图4，首先构造图数据集，，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，应用两种图神经网络算法(第一图着色模型和第二图着色模型)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。
[0079]
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。
[0080]
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：
[0081]zt
＝summarize(h
t
,#col(w
t-1
))
[0082]rt
＝sigmoid(w
rht
urw
t-1
br)
[0083][0084][0085]
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，wr，br，wh，uh，bh，ur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；
[0086]
公式z
t
＝summarize(h
t
,#col(w
t-1
))中的参数满足：
[0087][0088][0089][0090]
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：
[0091]
[0092]
优选地，在步骤s5中，第i 1个图样本的节点嵌入更新的公式满足：
[0093][0094]
优选地，利用图神经网络gcn的节点更新公式为：
[0095][0096][0097][0098]
其中，h
(l)
为第l层节点特征，表示任务属性，a为图的邻接矩阵，in为单位矩阵；
[0099]
在s6中，利用sigmoid函数激活的结果在(0，1)之间，即为每个接受目标着色的概率，当概率值大于0.5时，图样本接受目标着色，否则，图像本不接受目标着色；在s7中，利用交叉熵损失函数计算图着色模型的总损失，通过梯度下降法，利用反向传播的方式训练图着色模型，在交叉熵损失函数收敛时，得到训练好的图着色模型。
[0100]
对训练好的图着色模型还包括采用f1—score、recall及准确率指标来衡量动态图着色模型的性能。本实施例首次将神经网络算法应用到动态图着色中，权重参数更新模块跟节点更新模块结合起来，能够有效的应用在动态图着色上。利用权重参数更新来解决动态图问题，能够减少复杂度，提高效率和精度，且能更灵活的更新一个时间段内每个图样本的节点信息，进而得到图着色概率，判断样本能否接受目标着色。
[0101]
实施例3
[0102]
如图5所示，本实施例提出一种任务分配中基于图神经网络进行动态图着色的系统，所述系统包括：
[0103]
图数据集构建模块1，用于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；
[0104]
预处理信息转换模块2，用于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；
[0105]
图着色模型构建模块3，用于构建图着色模型，图着色模型包括gru和图神经网络gcn；
[0106]
权重参数更新模块4，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：
[0107]
节点更新模块5，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；
[0108]
对比训练模块6，对每个图样本更新所得到的所有节点嵌入进行平均求和，再进行sigmoid函数激活，得到每个接收目标着色的概率，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，训练图着色模型，得到训练好的图着色模型；
[0109]
测试模块7，将分别输入训练好的图着色模型，得到任务分配着色结果。
[0110]
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。