基于知识图谱嵌入的多模型融合与多任务学习的工业软件组件推荐方法

随着物联网、云计算、工业互联网等的快速发展,工业软件系统逐渐向扁平化、松耦合、平台化、模块化与组件化的架构模式发展。工业软件组件已逐步演变为跨域、跨空间、跨平台的网络化协同新模式。然而,由于工业软件组件数量的不断的增加,为创建工业软件开发挑选合适的工业软件组件变得更加困难。为了解决这个问题,已经提出了各种方法来推荐工业软件组件以匹配子任务的需求。但目前的方法在特征融合与利用、文本需求理解、子任务与组件的类别等元数据信息利用等方面存在一些挑战。为了克服现有服务推荐模型推荐效率不高以及学习能力不强的问题,本文提出了一种新的基于知识图谱嵌入的多模型融合与多任务学习的工业软件组件推荐模型(KG-MTFM)。模型利用语义特征提取模块来提取子任务需求与工业软件组件描述文档的语义特征,获得语义特征向量。建立组件分类的知识图谱通过表示学习算法获得实体嵌入向量,将其与组件语义特征向量链接形成工业软件组件的特征向量后,引入特征交互模块来对子任务和工业软件组件之间的特征交互进行建模。实验结果表明,我们的方法优于目前流行的主要方法。

面向个性化定制需求的异构制造资源服务组合优化方法

工业制造任务日趋复杂,组件服务组合优化问题相关的指标日益增多,需要综合考虑各个评价指标,从备选服务中筛选出最优服务组合。本文针对工业制造的特点,从服务成本、服务时间等服务质量(QoS)指标构建了组件服务评价指标体系。为了处理高维多目标优化问题并针对非支配排序遗传算法(NSGA-Ⅱ)只能求得最优解集的特点,本文提出改进ε-约束策略融合Pareto支配改进NSGA-Ⅱ算法,并将NSGA-Ⅱ和模糊决策相结合,利用模糊决策从最优解集中寻找最优解。