运筹优化方法、运筹优化装置、电子设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种运筹优化方法、运筹优化装置、电子设备及存储介质。


背景技术：

2.相关技术中，常常通过专家经验对文本数据分析来进行运筹优化建模，但是这种人工建模方式往往需要较为专业的运筹建模知识，会导致运筹优化模型的建模门槛较高，使得建模得到的运筹优化模型的运筹优化准确性较差，因此，如何提高运筹优化模型的运筹优化准确性，成为了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种运筹优化方法、运筹优化装置、电子设备及存储介质，旨在降低运筹优化模型的建模门槛，提高运筹优化模型的运筹优化准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种运筹优化方法，所述方法包括：
5.获取场景文本集；其中，所述场景文本集包括多个场景文本；
6.根据预设的分词词库对每一所述场景文本进行分词处理，得到候选语义特征；
7.基于所述候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹配度；
8.选取特征匹配度最高的所述基准语义特征作为目标语义特征；
9.将所述目标语义特征输入至预设的神经网络模型进行语法生成，得到所述目标语义特征的运筹规则语言；
10.对所述运筹规则语言进行语法转换处理，得到所述运筹规则语言的运筹优化程序；
11.运行所述运筹优化程序，得到所述场景文本的运筹结果。
12.在一些实施例，所述基于所述候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹配度，包括：
13.对所述候选语义特征与所述基准语义特征进行特征相似评分，得到余弦相似度；
14.计算所述候选语义特征在所述场景文本集中的逆文本频率；
15.根据所述余弦相似度和所述逆文本频率进行匹配度计算，得到所述特征匹配度。
16.在一些实施例，所述计算所述候选语义特征在所述场景文本集中的逆文本频率，包括：
17.获取所述场景文本的文本总数量；
18.获取所述候选语义特征在所述场景文本集中出现的文本数量；
19.根据所述文本总数量和所述文本数量进行频率计算，得到所述逆文本频率。
20.在一些实施例，所述运行所述运筹优化程序，得到所述场景文本的运筹结果，包括：
21.根据所述运筹规则语言，从预设的映射表中查找出所述运筹规则语言的数学表达式；
22.根据所述数学表达式对所述运筹优化程序进行验证，得到验证结果；
23.根据所述验证结果运行所述运筹优化程序，得到所述运筹结果。
24.在一些实施例，所述映射表包括多个基准运筹规则语言表达式和每一所述基准运筹规则语言表达式对应的数学表达式，所述根据所述运筹规则语言，从预设的映射表中查找出所述运筹规则语言的数学表达式，包括：
25.将所述运筹规则语言与所述映射表中的基准运筹规则语言表达式进行语言匹配，得到语言匹配度；
26.若所述语言匹配度大于预设的匹配度阈值，则将所述基准运筹规则语言表达式作为目标语言表达式；
27.从所述映射表中查找出所述目标语言表达式的所述数学表达式。
28.在一些实施例，所述根据所述数学表达式对所述运筹优化程序进行验证，得到验证结果，包括：
29.根据所述数学表达式确定初始函数；
30.对所述初始函数进行值域评估，得到所述初始函数的值域；
31.根据所述值域和所述数学表达式对所述运筹优化程序进行验证，得到所述验证结果。
32.在一些实施例，所述验证结果包括第一结果和第二结果，所述根据所述值域和所述数学表达式对所述运筹优化程序进行验证，得到所述验证结果，包括：
33.若所述值域满足所述数学表达式，则对所述运筹优化程序进行验证，得到所述第一结果，所述第一结果用于表示所述运筹优化程序验证通过；
34.若所述值域不满足所述数学表达式，则对所述运筹优化程序进行验证，得到所述第二结果，所述第二结果用于表示所述运筹优化程序验证不通过。
35.为实现上述目的，本技术实施例的第二方面提出了一种运筹优化装置，所述装置包括：
36.获取模块，用于获取场景文本集，所述场景文本集包括多个场景文本；
37.分词模块，用于根据预设的分词词库对每一所述场景文本进行分词处理，得到候选语义特征；
38.匹配模块，用于基于所述候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹配度；
39.判别模块，用于选取特征匹配度最高的所述基准语义特征作为目标语义特征；
40.语法生成模块，用于将所述目标语义特征输入至预设的神经网络模型进行语法生成，得到所述目标语义特征的运筹规则语言；
41.语法转换模块，用于对所述运筹规则语言进行语法转换处理，得到所述运筹规则语言的运筹优化程序；
42.运筹优化模块，用于运行所述运筹优化程序，得到所述场景文本的运筹结果。
43.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时
实现上述第一方面所述的方法。
44.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
45.本技术提出的运筹优化方法、运筹优化装置、电子设备及计算机可读存储介质,其通过获取场景文本集，其中，场景文本集包括多个场景文本，根据预设的分词词库对每一场景文本进行分词处理，得到候选语义特征，通过对场景文本进行分词能够得到场景文本中的语义信息，而不需要通过专家经验对场景文本进行文本分析，提高了运筹优化模型的建模效率。进一步地，基于候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹配度，选取特征匹配度最高的基准语义特征作为目标语义特征，将目标语义特征输入至预设的神经网络模型进行语法生成，得到目标语义特征的运筹规则语言，能够建立符合场景文本语义信息的运筹优化模型，降低了运筹优化模型的建模门槛。对运筹规则语言进行语法转换处理，得到运筹规则语言的运筹优化程序，运行运筹优化程序，得到场景文本的运筹结果，通过运筹优化程序求解运筹优化模型的运筹结果，能够实现运筹优化模型的建模、求解自动化，提高运筹优化模型的运筹优化准确性。
附图说明
46.图1是本技术实施例提供的运筹优化方法的流程图；
47.图2是图1中的步骤s130的流程图；
48.图3是图2中的步骤s220的流程图；
49.图4是图1中的步骤s170的流程图；
50.图5是图4中的步骤s410的流程图；
51.图6是图4中的步骤s420的流程图；
52.图7是图6中的步骤s630的流程图；
53.图8是本技术实施例提供的运筹优化装置的结构示意图；
54.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
56.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
57.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
58.首先，对本技术中涉及的若干名词进行解析：
59.余弦相似度：又称余弦相似性，是通过计算两个向量的夹角余弦值来评估两个个体之间的相似度，余弦值接近1，夹角趋于0度，说明两个个体越相似，余弦值接近0，夹角趋于90度，说明两个个体越不相似。
60.逆文本频率(inverse document frequency，idf)：用于度量词语或者短语的重要性，若某个词语或者短语在一篇文章中出现的频率很高，并在其他文章中很少出现，则该词语或者短语具有很好的类别区分能力，适合用于分类。
61.二义性：如果文法中的某个句子存在两个或者两个以上的语法树，则该句子是二义性的，即某个句子在同一语境下出现两种含义。
62.运筹优化场景涉及计算机技术、数学和运筹学多学科的交叉应用，需要专业的运筹优化建模知识才能对相关运筹优化场景进行建模。相关技术中，常常通过专家经验对文本数据分析来进行运筹优化建模，但是这种人工建模方式往往需要较为专业的运筹建模知识，会导致运筹优化模型的建模门槛较高，使得建模得到的运筹优化模型的运筹优化准确性较差，因此，如何提高运筹优化模型的运筹优化准确性，成为了亟待解决的技术问题。
63.基于此，本技术实施例提供了一种运筹优化方法、运筹优化装置、电子设备及计算机可读存储介质，旨在降低运筹优化模型的建模门槛，提高运筹优化模型的运筹优化准确性。
64.本技术实施例提供的运筹优化方法、运筹优化装置、电子设备及计算机可读存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的运筹优化方法。
65.本技术实施例提供的运筹优化方法，涉及计算机技术领域。本技术实施例提供的运筹优化方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现运筹优化方法的应用等，但并不局限于以上形式。
66.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
67.图1是本技术实施例提供的运筹优化方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s110至步骤s170。
68.步骤s110，获取场景文本集；其中，场景文本集包括多个场景文本；
69.步骤s120，根据预设的分词词库对每一场景文本进行分词处理，得到候选语义特征；
70.步骤s130，基于候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹
配度；
71.步骤s140，选取特征匹配度最高的基准语义特征作为目标语义特征；
72.步骤s150，将目标语义特征输入至预设的神经网络模型进行语法生成，得到目标语义特征的运筹规则语言；
73.步骤s160，对运筹规则语言进行语法转换处理，得到运筹规则语言的运筹优化程序；
74.步骤s170，运行运筹优化程序，得到场景文本的运筹结果。
75.本技术实施例所示意的步骤s110至步骤s170，通过获取场景文本集，其中，场景文本集包括多个场景文本，根据预设的分词词库对每一场景文本进行分词处理，得到候选语义特征，通过对场景文本进行分词能够得到场景文本中的语义信息，而不需要通过专家经验对场景文本进行文本分析，提高了运筹优化模型的建模效率。进一步地，基于候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹配度，选取特征匹配度最高的基准语义特征作为目标语义特征，将目标语义特征输入至预设的神经网络模型进行语法生成，得到目标语义特征的运筹规则语言，能够建立符合场景文本语义信息的运筹优化模型，降低了运筹优化模型的建模门槛。对运筹规则语言进行语法转换处理，得到运筹规则语言的运筹优化程序，运行运筹优化程序，得到场景文本的运筹结果，通过运筹优化程序求解运筹优化模型的运筹结果，能够实现运筹优化模型的建模、求解自动化，使不具备专业运筹优化建模知识的人员也可以快速完成运筹优化建模，提高了运筹优化模型的运筹优化准确性。
76.在一些实施例的步骤s110中，获取场景文本集，场景文本集包括多个场景文本，其中场景文本是以场景为中心，由各类约束变量、约束条件和约束目标等要素构成的场景规则描述文字，可以是物流计划场景文本、生产计划场景文本、销售计划场景文本和仓储优化场景文本等。以物流计划场景中的工厂原材料运输场景为例，场景文本的内容可以为：
77.条件约束1：为同一个合同下所有原材料加工工厂的可用原材料总量小于等于与其配套的原材料生产厂家的最大可配送量。
78.条件约束2：原料生产厂家与原材料加工厂之间的配送量小于等于原料生产厂家所有合同的合同总量。
79.条件约束3：运输车量的载重量应大于等于最大可配送量。
80.约束目标：配送过程优化,在满足原料配送要求情况下，配送时长最短。
81.其中，可用原材料总量、配送量、载重量和配送时长均属于约束变量，条件约束1、条件约束2和条件约束3为约束条件，条件约束1为合同约束，条件约束2为配送量约束，条件3为运输载重约束，约束目标为运筹优化的优化目标。
82.具体地，用户在运筹优化装置的场景描述页面输入场景规则描述文字，将场景规则描述文字与场景模板文字进行对比，若场景规则描述文字不符合场景模板文字的结构，即场景规则描述文字不包括场景约束条件或者场景约束目标，则在场景描述页面输出需要用户重新输入的提示。若场景规则描述文字符合场景模板文字的结构，则对场景规则描述文字进行验证，并将验证通过的场景规则描述文字存储至语料库，通过对场景规则描述文字进行验证，能够避免场景规则描述文字出现二义性问题。
83.在一些实施例的步骤s120中，根据jieba词库或者与场景文本对应的场景分词词库对每一场景文本进行分词处理，得到候选语义特征，其中候选语义特征包括场景文本中
的分词词语和分词词语的词汇类别。具体地，将所述场景文本中的候选场景词语与场景分词词库中的基准场景词语进行匹配，若候选场景词语与基准场景词语相同，或者，候选场景词语与基准场景词语的相似度最大时，则将候选场景词语从场景文本中切分，得到分词词语，将基准场景词语的词汇类别作为分词词语的词汇类别。以物流计划场景中的工厂原材料运输场景为例，若场景文本的内容为某个工厂在同一个合同下所有原材料加工工厂的可用原材料总量小于等于与其配套的原材料生产厂家的最大可配送量，即场景文本的内容为条件约束1，根据运输场景分词词库对条件约束1进行分词，得到条件约束1的分词结果为度量词汇：原材料加工工厂、可用原材料总量、原材料生产厂家和最大可配送量；维度词汇：小于等于、同一个合同。条件约束2、条件约束3和约束目标的分词方法相同，此处不再赘述。
84.请参阅图2，在一些实施例中，步骤s130可以包括但不限于包括步骤s210至步骤s230：
85.步骤s210，对候选语义特征与基准语义特征进行特征相似评分，得到余弦相似度；
86.步骤s220，计算候选语义特征在场景文本集中的逆文本频率；
87.步骤s230，根据余弦相似度和逆文本频率进行匹配度计算，得到特征匹配度。
88.在一些实施例的步骤s210中，对候选语义特征与基准语义特征进行特征相似度评分，得到余弦相似度，其中基准语义特征为场景模板文字的语义特征。若候选语义特征与基准语义特征均为n维特征向量，则余弦相似度的计算方法如公式(1)所示。
[0089][0090]
其中，θ为两个特征向量之间的夹角，i为特征向量的第i个维度，xi为候选语义特征的第i维语义特征，yi为基准语义特征的第i维语义特征。
[0091]
在一些实施例的步骤s220中，获取场景文本的文本总数量，获取候选语义特征在场景文本集中出现的文本数量，根据文本总数量和文本数量进行频率计算，得到逆文本频率。
[0092]
在一些实施例的步骤s230中，将余弦相似度和逆文本频率进行相乘，以进行匹配度计算，得到特征匹配度，其中特征匹配度用于表征候选语义特征与基准语义特征的相似度。特征匹配度的计算方法如公式(2)所示：
[0093][0094]
其中，m为候选语义特征的数量，cos(θ)为第i个候选语义特征与基准语义特征的相似度，idf(wi)为第i个候选语义特征的逆文本频率，s为场景文本句子中候选语义特征与基准语义特征的特征匹配度。
[0095]
上述步骤s210至步骤s230，逆文本频率能够定量评估候选语义特征在场景文本中的重要程度，通过将余弦相似度和逆文本频率相结合进行匹配度计算，能够得到更精确的特征匹配度，从而得到更准确的运筹优化模型。
[0096]
请参阅图3，在一些实施例中，步骤s220可以包括但不限于包括步骤s310至步骤s330：
[0097]
步骤s310，获取场景文本的文本总数量；
[0098]
步骤s320，获取候选语义特征在场景文本集中出现的文本数量；
[0099]
步骤s330，根据文本总数量和文本数量进行频率计算，得到逆文本频率。
[0100]
在一些实施例的步骤s310中，获取语料库中场景文本的文本总数量；
[0101]
在一些实施例的步骤s320中，在语料库的场景文本集中，多个场景文本均可能出现候选语义特征，计算出现候选语义特征的场景文本数量。
[0102]
在一些实施例的步骤s330中，将文本总数量和文本数量进行相除，得到初始频率，对初始频率进行对数变换得到逆文本频率idf，其中逆文本频率的计算方法如公式(3)所示。
[0103][0104]
其中，d为文本总数量，dw为文本数量，w为候选语义特征。
[0105]
当候选语义特征在场景文本集中出现的文本数量较少时，逆文本频率较大，说明候选语义特征能够很好区分当前场景文本与其他场景文本。
[0106]
上述步骤s310至步骤s330，通过计算逆文本频率能够定量评估候选语义特征在场景文本中的重要程度，以区分不同的场景文本，提高特征匹配的准确度。
[0107]
在一些实施例的步骤s140中，计算候选语义特征与每一基准语义特征的特征匹配度，选取特征匹配度最高的基准语义特征作为目标语义特征。
[0108]
在一些实施例的步骤s150中，预设的神经网络模型可以是bp神经网络，将目标语义特征输入至bp神经网络，基于bp神经网络对目标语义特征进行运筹规则语言预测，得到目标语义特征的运筹规则语言，并将运筹规则语言通过可视化页面进行展示，其中运筹规则语言包括求解器、约束变量、约束条件、上下界、统计维度和目标函数，约束变量包括变量个数以及变量名称等。
[0109]
需要说明的是，上述的bp神经网络指的是back propagation神经网络，是一种按照误差逆向传播算法训练的多层前馈神经网络。
[0110]
将条件约束1对应的目标语义特征输入bp神经网络，工厂原材料运输场景中条件约束1的运筹规则语言为：
[0111]
约束变量：
[0112]
variable name1∈{i＝任意一原材料加工工厂}
[0113]
variable name2∈{j＝任意一原材料生产厂家}
[0114]
upper bound1＝最大可配送量
[0115]
lower bound2＝可用原材料总量
[0116]
约束条件：
[0117]
upper bound1《＝variable name《＝lower bound2
[0118]
variable name∈{name1∪name2}
[0119]
将条件约束2对应的目标语义特征输入bp神经网络，工厂原材料运输场景中条件约束2的运筹规则语言为：
[0120]
约束变量：
[0121]
variable name3∈{i-》j配送量x}
[0122]
upper bound4＝合同总量
[0123]
约束条件：
[0124]
variable name3《＝upper bound4
[0125]
将条件约束3对应的目标语义特征输入bp神经网络，得到条件约束3的运筹规则语言为：
[0126]
约束变量：
[0127]
variable name4∈{配送量x＝0,1,2,3
…
}
[0128]
variable name5∈{车辆载重y＝0,1,2,3
…
}
[0129]
约束条件：
[0130]
name5》＝max(name4)
[0131]
将约束目标对应的目标语义特征输入bp神经网络，得到约束目标的运筹规则语言为：
[0132]
target_condition＝配送时长
[0133]
min(target_condition)
[0134]
运筹规则语言可提前通过可视化配置页面进行定义，然后通过bp神经网络进行运筹规则语言预测。以原材料运输场景为例，运筹规则语言即olr语言的定义如下所示：
[0135]
定义求解器，可以根据场景文本定义求解器，例如原材料运输场景使用整数线性求解器。
[0136]
定义约束变量，采用variable number定义约束变量的个数，若场景文本包括4个可变量，则采用variable number定义变量的个数为variable 4。variable name定义约束变量的变量名称，则变量名称表示为variable name1、name2、upper bound1、lower bound2。
[0137]
定义约束条件，约束条件为upper bound《＝variable name《＝lower bound，例如可用原材料总量《＝variable name《最大可配送量。
[0138]
定义上下界，以得到上界以及下界的具体数值，例如upper bound in(number1～number n)能够得到上界的具体数值，lower bound in(number 1～number n)能够得到下界的具体数值。需要说明的是，upper bound in()和lower bound in()本质是一种函数或者方法，目的是为了得到变量的上下界，number 1～number n是求解上下界所用到的值。
[0139]
定义统计维度,例如采用i标识任意一家原材料加工厂，当有n家原材料加工厂时，i《＝n，得到统计维度为i in any process factory。
[0140]
定义目标函数,得到对应的优化目标。例如variable target_condition＝配送时长和min(target_condition)，set target＝variable name1
×
variable name～n，set项用于设定目标函数的数学表达式。
[0141]
在一些实施例的步骤s160中，根据语法转译器对运筹规则语言进行关键词对齐、标识符对齐和常量对齐等语法转换处理，得到运筹规则语言的运筹优化程序，该运筹优化程序可以是c语言代码、python语言代码或者python语言代码。不同的计算机语义之间遵循关键词共用的原则，将运筹规则语言与语法关系映射表中的程序代码进行语义比对，将语义比对度最大的程序代码作为运筹优化程序，其中语义比对度越大，说明运筹优化语言与运筹优化程序的语义越接近。
[0142]
请参阅图4，在一些实施例中，步骤s170可以包括但不限于包括步骤s410至步骤
s430：
[0143]
步骤s410，根据运筹规则语言，从预设的映射表中查找出运筹规则语言的数学表达式；
[0144]
步骤s420，根据数学表达式对运筹优化程序进行验证，得到验证结果；
[0145]
步骤s430，根据验证结果运行运筹优化程序，得到运筹结果。
[0146]
在一些实施例的步骤s410中，通过映射表映射关系元数据，将运筹规则语言翻译为数学表达式。具体地，将运筹规则语言与映射表中的基准运筹规则语言表达式进行语言匹配，得到语言匹配度，若语言匹配度大于预设的匹配度阈值，则将基准运筹规则语言表达式作为目标语言表达式，从映射表中查找出目标语言表达式的数学表达式，可以理解的是，通过场景文本得到的一系列数学表达式为运筹优化模型。本技术实施例通过将运筹规则语言转换成数学表达式，与人工建模需要手动列出数学表达式的方式相比，能够实现运筹优化建模的自动化，提高运筹优化建模的效率。
[0147]
在一些实施例的步骤s420中，为了保证数学表达式与运筹优化程序匹配，根据数学表达式对运筹优化程序进行验证，具体地，根据数学表达式确定初始函数，对初始函数进行值域评估，得到初始函数的值域，根据值域和数学表达式对运筹优化程序进行验证，得到验证结果，以确保数学表达式在运筹优化程序中得到完全匹配的表达。
[0148]
在一些实施例的步骤s430中，若验证结果为验证通过，则运行运筹优化程序，以对运筹优化模型进行求解，得到运筹结果。
[0149]
上述步骤s410至s430，能够将运筹规则语言自动转化为数学表达式，以根据数学表达式建立运筹优化模型，与人工建模方式相比，能够提高运筹优化建模的效率。通过数学表达式对运筹优化程序进行验证，能够保证运筹优化程序的正确性，以提高对运筹优化模型求解的正确性。
[0150]
请参阅图5，在一些实施例中，映射表包括多个基准运筹规则语言表达式和每一基准运筹规则语言表达式对应的数学表达式，步骤s410可以包括但不限于包括步骤s510至步骤s530：
[0151]
步骤s510，将运筹规则语言与映射表中的基准运筹规则语言表达式进行语言匹配，得到语言匹配度；
[0152]
步骤s520，若语言匹配度大于预设的匹配度阈值，则将基准运筹规则语言表达式作为目标语言表达式；
[0153]
步骤s530，从映射表中查找出目标语言表达式的数学表达式。
[0154]
在一些实施例的步骤s510中，比对运筹规则语言的统计维度与映射表中的统计维度，若二者统计维度相同，则将变量名、约束条件与映射表中的基准运筹规则语言表达式进行语言匹配，得到语言匹配度，其中语言匹配度可以采用余弦相似度、欧式距离或者相同的关键字符数量来度量，其值大于等于0或者小于等于1。若统计维度不同，则继续遍历映射表，直至二者统计维度相同。
[0155]
在一些实施例的步骤s520中，若某一基准运筹规则语言表达式与运筹规则语言之间的语言匹配度大于匹配度阈值，则将这一基准运筹规则语言表达式作为目标语言表达式，若所有的基准运筹规则语言表达式与运筹规则语言之间的语言匹配度均小于或者等于匹配度阈值，则重新生成运筹规则语言，并再次确定该运筹规则语言的数学表达式。具体
地，匹配度阈值可以为0.8，若某一基准运筹规则语言表达式与运筹规则语言之间的语言匹配度大于0.8，则将该基准运筹规则语言表达式作为目标语言表达式，若所有的基准运筹规则语言表达式与运筹规则语言之间的语言匹配度均小于或者等于0.8，则重新确定运筹规则语言和数学表达式。
[0156]
在一些实施例的步骤s530中，从映射表中查找出目标语言表达式的数学表达式，并记录映射时间。
[0157]
上述步骤s510至步骤s530，能够将运筹规则语言自动转换为数学表达式，提高运筹优化模型的建模效率，同时使不具备专业运筹优化知识的人员也可以完成运筹优化建模，提高运筹优化建模的准确性。
[0158]
请参阅图6，在一些实施例中，步骤s420可以包括但不限于包括步骤s610至步骤s630：
[0159]
步骤s610，根据数学表达式确定初始函数；
[0160]
步骤s620，对初始函数进行值域评估，得到初始函数的值域；
[0161]
步骤s630，根据值域和数学表达式对运筹优化程序进行验证，得到验证结果。
[0162]
在一些实施例的步骤s610中，将约束目标的数学表达式作为初始函数，即set项设置的数学表达式作为初始函数。
[0163]
在一些实施例的步骤s620中，对初始函数进行求导，以对初始函数进行值域评估，得到初始函数的值域。
[0164]
在一些实施例的步骤s630中，若值域满足数学表达式，则对运筹优化程序进行验证，得到第一结果，第一结果用于表示运筹优化程序验证通过，若值域不满足数学表达式，则对运筹优化程序进行验证，得到第二结果，第二结果用于表示运筹优化程序验证不通过。
[0165]
上述步骤s610至步骤s630，通过对运筹优化程序进行验证，能够提高运筹优化程序的准确性。
[0166]
请参阅图7，在一些实施例中，验证结果包括第一结果和第二结果，步骤s630可以包括但不限于包括步骤s710或者步骤s720：
[0167]
步骤s710，若值域满足数学表达式，则对运筹优化程序进行验证，得到第一结果，第一结果用于表示运筹优化程序验证通过；
[0168]
步骤s720，若值域不满足数学表达式，则对运筹优化程序进行验证，得到第二结果，第二结果用于表示运筹优化程序验证不通过。
[0169]
在一些实施例的步骤s710中，若值域满足条件约束对应的数学表达式，则验证结果为运筹优化程序验证通过。即值域所表征的数据范围完全包含于或者等于数学表达式的数据范围，则验证结果为运筹优化程序验证通过。
[0170]
在一些实施例的步骤s720中，若值域不满足约束条件对应的数学表达式，则验证结果为运筹优化程序验证不通过。即值域所表征的数据范围部分包含于或者不包含于数学表达式的数据范围，则验证结果为运筹优化程序验证通过。
[0171]
上述步骤s710至步骤s720，通过值域和数学表达式对运筹优化程序进行验证，能够确保数学表达式与运筹优化程序匹配，得到符合条件约束的运筹结果。
[0172]
请参阅图8，本技术实施例还提供一种运筹优化装置，该运筹优化装置可以实现上述运筹优化方法，该装置包括：
[0173]
获取模块810，用于获取场景文本集，场景文本集包括多个场景文本；
[0174]
分词模块820，用于根据预设的分词词库对每一场景文本进行分词处理，得到候选语义特征；
[0175]
匹配模块830，用于基于候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹配度；
[0176]
判别模块840，用于选取特征匹配度最高的基准语义特征作为目标语义特征；
[0177]
语法生成模块850，用于将目标语义特征输入至预设的神经网络模型进行语法生成，得到目标语义特征的运筹规则语言；
[0178]
语法转换模块860，用于对运筹规则语言进行语法转换处理，得到运筹规则语言的运筹优化程序；
[0179]
运筹优化模块870，用于运行运筹优化程序，得到场景文本的运筹结果。
[0180]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0181]
处理器910，可以采用通用的cpu(central processingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0182]
存储器920，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器920可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器920中，并由处理器910来调用执行本技术实施例的运筹优化方法；
[0183]
输入/输出接口930，用于实现信息输入及输出；
[0184]
通信接口940，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0185]
总线950，在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息；
[0186]
其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。
[0187]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述运筹优化方法。
[0188]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0189]
本技术实施例提供的运筹优化方法、运筹优化装置、电子设备及计算机可读存储介质，其通过获取场景文本集，其中，场景文本集包括多个场景文本，根据预设的分词词库对每一场景文本进行分词处理，得到候选语义特征，通过对场景文本进行分词能够得到场景文本中的语义信息，而不需要通过专家经验对场景文本进行文本分析，提高了运筹优化
模型的建模效率。进一步地，基于候选语义特征与预设的基准语义特征进行特征匹配，得到特征匹配度，选取特征匹配度最高的基准语义特征作为目标语义特征，将目标语义特征输入至预设的神经网络模型进行语法生成，得到目标语义特征的运筹规则语言，能够建立符合场景文本语义信息的运筹优化模型，降低了运筹优化模型的建模门槛。对运筹规则语言进行语法转换处理，得到运筹规则语言的运筹优化程序，运行运筹优化程序，得到场景文本的运筹结果，通过运筹优化程序求解运筹优化模型的运筹结果，能够实现运筹优化模型的建模、求解自动化，使不具备专业运筹优化建模知识的人员也可以快速完成运筹优化建模，提高了运筹优化模型的运筹优化准确性。
[0190]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0191]
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0192]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。
[0193]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0194]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0195]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0196]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0197]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
[0198]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
[0199]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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，包括多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的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0200]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。