基于图神经网络的云制造服务推荐方法研究

针对云制造服务平台上的海量制造服务信息所带来的信息过载问题,提出一种基于图神经网络的云制造服务推荐方法,有效克服了传统推荐方法无法利用数据高维特征的局限性。提取平台上制造服务资源的特征,根据不同的相似度计算方法将制造服务资源构建为网络图;利用邻居采样图神经网络(graph sample and aggregate, GraphSAGE)进行网络的表示学习,并将学习到的网络特征带入链接预测函数进行模型训练;通过对资源节点间的链接概率进行预测,完成对用户的制造服务推荐。结果表明,基于图神经网络算法的链接预测模型,其预测性能要优于所对比的共同邻居(common neighbors, CN)、Adamic-adar (AA)与资源分配(resource allocation, RA)链接预测算法,从而取得较好的推荐效果,为解决云制造服务推荐问题提供理论依据,有助于提高用户的决策效率。

运用含复杂网络结构的多种群遗传算法求解FJSP

多种群是为了克服遗传算法易早熟收敛而提出的一种有效方法,但是传统的多种群遗传算法较少考虑子群结构对算法性能的影响,且算法子群数有限。因此,为了弥补以上不足,提出一种含复杂网络结构的多种群遗传算法(Multi-population Genetic Algorithms with Complex Network Structures,MGA-CNS),以求解柔性作业车间调度问题为例,研究子群大小、子群数、可控参数(α)、可控参数(β)以及初始网络规模对MGA-CNS寻优性能的影响。仿真表明:子群大小越大,MGA-CNS的性能越好;子群数不能取值过小,更不能取值过大;α的值不能太大,以不大于0.3为宜;β的取值也不能太大,以不大于0.8为宜;初始网络规模以不大于4为宜。将参数优化后的MGA-CNS用于求解更多的柔性作业车间调度问题并与多种其他算法比较,验证了其有效性。