一种产线配置结构图的识别匹配方法

1.本发明涉及供需匹配的技术领域，尤其涉及到一种产线配置结构图的识别匹配方法。


背景技术：

2.当需求方在寻找一套能够实现自己的个性化需求的产线时，其功能需求的描述在初期往往都是模糊的或者存在多种可能性的，这导致了可供选择的产线设计历史案例数据的数量非常多，而如何从这些海量的数据中选择出符合所需功能的一系列产线设备供应商(并且要求这些供应商之间具备合作关系)，以及筛除掉大部分不符合要求的供应商无疑是一个问题。
3.目前，大多数制造企业寻找产线设备供应商时还遵循着传统的供需匹配思路，即按产线功能需求离散地寻找单个产线设备供应商，然后再将所有的供应商组合在一起，搭建自己的个性化产线。长期采取这种传统的供需匹配方案，对于产线需求数量少且产线功能结构简单的小企业来说无可厚非，但对于产线需求数量庞大且产线功能结构复杂的大企业来说，决策的工作量无疑是倍增的，会明显降低产线搭建效率，增加企业研发成本。同时这种离散型供需匹配也会导致对产线的全局考虑不周，对设计人员经验依赖性强等问题。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种产线配置结构图的识别匹配方法，用以解决针对制造企业为搭建个性化产线寻找产线设备供应商这一问题。
5.为实现上述目的，本发明所提供的技术方案为：
6.一种产线配置结构图的识别匹配方法，包括：
7.将需求方提出的查询需求转化为查询子图，该查询子图表示企业需要搭建的产线；
8.将查询子图表示为因子图；
9.构建企业产线与产线设备供应商之间的匹配模型；
10.利用因子图和置信传播算法求解匹配模型，从而从包含企业现有的产线设备供应商数据库的数据网络中找出匹配结果，即匹配子图；
11.将匹配子图转化为以文字描述的查询结果。
12.进一步地，将查询子图表示为因子图，包括：
13.将查询子图表示为q＝(vq,eq,vtq,etq)，将数据网络表示为d＝(vd,ed,vtd,etd)；一个匹配表示一组从查询子图到数据网络的节点及边的映射，将此映射定义为一个向量x＝[xm]，其中每个查询节点m∈vq都在数据网络d中有一个映射节点xm∈xd，每个查询边e＝(m,n)∈eq都映射到数据网络中的边xm、xn)∈ed；
[0014]
其中，vq表示查询子图q中的节点集合，vd表示数据网络d中的节点集合；eq表示查询子图q中的边集合，ed表示数据网络d中的边集合；vtq表示查询子图q中节点的属性向量集
合，vtd表示数据网络d中节点的属性向量集合；etq表示查询子图q中边的属性向量集合，etd表示数据网络d中边的属性向量集合；xd表示数据网络d中所有映射节点的集合；ed表示数据网络d中所有映射边的集合；
[0015]
将查询子图表示为因子图；一个因子图包含两种类型的节点：一种代表查询子图中的边e＝(m,n)∈eq的因子节点，一种代表查询子图中的节点m∈vq的变量节点。
[0016]
进一步地，构建企业产线与产线设备供应商之间的匹配模型，包括：
[0017]
通过最大化边缘概率bm(i)＝p(xm＝i|d)来找到映射；lbp算法可发现边缘概率以实现映射的联合概率分布的最大化：
[0018][0019]
式中：
[0020]
表示联合概率分布最大化时的映射向量x；x表示映射向量，即数据网络d中与查询子图q中节点m相对应的节点子集；p(x|d)表示以数据网络d为条件的映射的联合概率分布；d表示数据网络；
[0021]
其中，联合概率分布p(x|d)，即匹配目标函数表示为：
[0022][0023]
式中：
[0024]
表示标准化因子；x＝[xm,m∈q]表示映射向量，即数据网络d中与查询子图q中节点m相对应的节点子集；xm表示映射向量x中的一个元素；xm表示节点xm的变量取值；xn表示数据网络d中与xm相邻的节点xn的变量取值；表示个体匹配相似性关系函数；表示节点间的双向依赖关系函数；
[0025]
由于映射变量的结构差异，目标函数不能直接应用于lbp算法的消息传递，为此将离散映射向量x替换为0-1映射矩阵t＝[t
mi
]；如果xm＝i，则t
mi
＝1；否则，t
mi
＝0；
[0026]
匹配目标函数进一步转化得：
[0027][0028]
式中：
[0029]
表示标准化因子；vtq(m)表示查询子图q中节点m的属性向量；vtd(i)表示数据网络d中的节点i的属性向量；etq(e
mn
)表示查询子图q中边e
mn
的属性向量；etd(e
ij
)表示数据网络d中边e
ij
的属性向量；p(vtd(i)|vtq(m))表示在查询节点m的条件下数据节点i出现的条件概率分布；p(etd(e
ij
)|etq(e
mn
))表示在查询边e
mn
的条件下映射边e
ij
出现的条件概率分布；t表示映射矩阵；t
mi
/t
nj
表示映射矩阵t中的一个元素；m、n表示查询子图q中的任意一个节点；i、j表示数据网络d中的任意一个节点；
[0030]
数据网络d中边的属性表示语义关系、时间和空间依赖性、交互和影响关系，而节点的属性代表元数据、状态和语义信息；
[0031]
为了将式中对数域的积操作转化为和操作以简化计算，把匹配目标函数p(t|d,q)取对数，将其转化为o(t)：
[0032][0033]mmi
＝log[p(vtd(i)|vtq(m))]
ꢀꢀꢀꢀꢀ
(1-5)
[0034]mmnij
＝log[p(etd(e
ij
)|etq(e
mn
))]
ꢀꢀꢀꢀꢀ
(1-6)
[0035]
式中：
[0036]
o(t)表示匹配度函数；m
mi
表示查询节点m与数据节点i之间的语义相似性函数；m
mnij
表示查询边e
mn
与数据边e
ij
之间的语义相似性函数；e
mn
表示查询子图q中的任意一条边；e
ij
表示数据网络d中的任意一条边。
[0037]
进一步地，利用因子图和置信传播算法求解匹配模型，从而从包含企业现有的产线设备供应商数据库的数据网络中找出匹配结果，包括：通过在因子节点和变量节点之间传递查询节点/边和数据节点/边的映射概率的信念消息来找到最佳匹配，最终得到查询节点的边缘概率分布bm(i)用于生成映射向量x。
[0038]
进一步地，通过在因子节点和变量节点之间传递查询节点/边和数据节点/边的映射概率的信念消息来找到最佳匹配，最终得到查询节点的边缘概率分布bm(i)用于生成映射向量x，包括：
[0039]
a1、初始化因子图，根据因子图中的属性特征构造初始势函数，即个体匹配相似性关系函数和节点间的双向依赖关系函数初始化所有节点的信念值；
[0040]
a2、进行第1次至第n次迭代，即消息传递循环，遍历所有的因子节点和变量节点，从因子节点m向变量节点i传递消息，从变量节点i向所有邻接的因子节点传递消息；
[0041]
其中，置信传播算法通过最大化求和操作来更新各个节点的信念值，其传递和更新包括两个方向：
[0042]
(1)由变量节点m向因子节点i传递消息；
[0043]
(2)由因子节点i向其相连的变量节点传递消息；
[0044]
简化置信度传播算法的消息传递为两个步骤：
[0045]
第一步，更新从每个因子节点传递到相连变量节点的两个消息：
[0046]fmn
(j)
∝
maxi(m
mnij
+μm(i)-r
mn
(i))
ꢀꢀꢀꢀ
(1-7)
[0047]fmn(i)∝
maxj(m
mnij
+μn(j)-r
mn
(j))
ꢀꢀꢀꢀꢀꢀꢀ
(1-8)
[0048]
式中：
[0049]fmn
(j)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
结束于节点j；r
mn
(i)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
开始于节点i；r
mn
(j)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
开始于节点j；f
mn
(i)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
结束于节点i；μm(i)表示查询节点m映射到数据节点i的边缘对数概率；μn(j)表示查询节点n映射到数据节点j的边缘对数概率；m
mnij
表示查询边e
mn
与数据边e
ij
之间的语义相似性函数；
[0050]
如果一个查询边对应于一个空的数据边，即无映射，则将m
mnij
值替换为预先确定的m
null
值；
[0051]
第二步，使用变量节点收到的消息来更新因子节点的信念值：
[0052][0053]
式中：
[0054]
μm(i)表示查询节点m映射到数据节点i的边缘对数概率；f
lm
(i)表示查询边e
lm
映射到数据边的边缘对数概率，数据边结束于节点i；r
lm
(i)表示查询边e
lm
映射到数据边的边缘对数概率，数据边开始于节点i；eq表示查询子图中的边的集合；l表示查询子图q中与节点m相邻的一个节点；e
lm
表示查询子图q中与节点m、l相连的一条边；
[0055]
a3、每次迭代都对所有节点的信念值进行判断，判断条件为：对于所有节点是否有|v
(t)-v
(t-1)
|《δ
con
，即最近两轮迭代的信念值的差值是否小于所设定的阈值，从而可以近似看作无变化；如果满足说明各节点信念值趋于稳定，则由得到边缘概率分布，计算最大边缘概率argmax bm(i)，即可得到与查询节点m对应的数据网络中的映射节点xm；如果不满足判断条件则继续进行迭代，直至满足；
[0056]
其中，v
(t)
表示每轮迭代的信念值；δ
con
表示收敛阈值；表示将查询节点m的信念值μm(i)重新取指数得到的查询节点m映射到数据节点i的边缘概率分布；
[0057]
以此类推，便可求得查询子图中所有查询节点的映射节点，从而构成匹配子图。
[0058]
进一步地，当置信度传播算法开始消息传递时，有：
[0059][0060]
进一步地，为了进一步提高算法的性能并在每次传递迭代中获取更大的消息变化，将原始的消息更新方式改为增量的方式：
[0061]
v＝v
(t-1)
+α(v
(t)-v
(t-1)
)
ꢀꢀꢀ
(1-11)
[0062]
式中：
[0063]v(t)
表示信念值，即μm(i)、f
mn
(i)和r
mn
(i)；α表示避免概率陷入局部最佳状态的收敛速度控制系数；v
(t-1)
表示上一次迭代的信念值。
[0064]
与现有技术相比，本方案原理及优点如下：
[0065]
本方案中，企业在进行产线设备供应商的选择决策时，将企业所要搭建的个性化产线以及相应的功能通过产线配置结构图(即查询子图)的方式呈现出来。且出于生产运输便利性的原因，图中相连的各个产线设备供应商节点需具备合作关系，如此一来便能构建出一个功能清晰，供需关系明确的产线配置结构图。然后将此产线配置结构图与制造企业社群现有的产线设备供应商数据库进行识别匹配，从而得到多个可能的结果匹配子图，供企业进行下一步精确决策，如此可以排除大部分决策干扰因素，提高决策效率。
附图说明
[0066]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。
[0067]
图1为本发明一种产线配置结构图的识别匹配方法的原理流程图；
[0068]
图2为网络子图匹配示意图；
[0069]
图3为查询子图及其对应的因子图；
[0070]
图4为匹配目标函数中的元素及其关系示意图；
[0071]
图5为因子图中的消息传播示意图。
具体实施方式
[0072]
针对制造企业为搭建个性化产线寻找产线设备供应商这一问题，本发明提出一种产线配置结构图的识别匹配方法作为企业进行设备选型辅助决策工具，从大规模的产线设备供应商网络数据中先识别粗略的解空间，然后再考虑对具体候选产线设备供应商的评估与协调。换句话说，针对产线设备供应商网络数据的海量性，“需求-能力”的匹配新思路是先进行网络层次的模糊供需匹配，而不是直接在初始网络中进行单个节点层次的精确供需匹配，这样做不仅可以减少企业决策时间，提高决策效率，还可以通过计算机减少甚至排除人为决策主观因素的影响，由算法匹配出来的结果更加客观以及更具参考价值。
[0073]
本发明方法以制造企业社群现有的产线设备供应商数据库为基础，利用计算机及机器学习算法作为辅助决策工具帮助制造企业为搭建个性化产线寻找产线设备供应商，其策略是将企业所要搭建的个性化产线以及相应的功能通过产线配置结构图的方式呈现出来，再将此图与制造企业社群现有的产线设备供应商数据库进行识别匹配，得到多个可能的结果匹配子图，供企业进行下一步精确决策。这有利于减少企业人员的决策工作量和提高决策效率，尤其是在决策需求量庞大的大型企业，无疑大幅降低了企业的研发成本。同时这种方法一定程度上抛开了决策人员的主观干扰，由计算机提取出来的匹配更加客观以及具有较好的稳定性。
[0074]
下面结合具体实施例对本发明作进一步说明：
[0075]
如图1所示，本实施例所述的一种产线配置结构图的识别匹配方法，包括以下步骤：
[0076]
s1、当企业为搭建个性化产线寻找产线设备供应商时，需要将其查询目标转化为一个查询子图，该查询子图可以表示一个企业群体能够搭建的产线功能，然后在数据网络(制造企业社群现有的产线设备供应商数据库)中进行匹配。例如图2展示了一个网络层次的模糊供需匹配过程，需求方需要找一个组装产线和一个零件产线的组合。如图2左半部分所示，需求方的查询目标为：一个能加工手机《mobile phone》的组装产线《assembly line》，且其生产状态《production state》处于盈余状态《surplus state》，及一个可以向组装产线生产供应芯片《chip》的零件产线《parts production line》。图2右半部分所示的数据网络是制造企业社群现有的产线设备供应商数据库。
[0077]
s2、将查询子图表示为因子图：
[0078]
将查询子图表示为q＝(vq,eq,vtq,etq)，将数据网络表示为d＝(vd,ed,vtd,etd)；一个匹配表示一组从查询子图到数据网络的节点及边的映射，将此映射定义为一个向量x＝[xm]，其中每个查询节点m∈vq都在数据网络d中有一个映射节点xm∈xd，每个查询边e＝(m,n)∈eq都映射到数据网络中的边(xm,xn)∈ed；
[0079]
其中，vq表示查询子图q中的节点集合，vd表示数据网络d中的节点集合；eq表示查询子图q中的边集合，ed表示数据网络d中的边集合；vtq表示查询子图q中节点的属性向量集合，vtd表示数据网络d中节点的属性向量集合；etq表示查询子图q中边的属性向量集合，etd表示数据网络d中边的属性向量集合；xd表示数据网络d中所有映射节点的集合；ed表示数据网络d中所有映射边的集合；
[0080]
将查询子图表示为因子图；如图3所示，一个因子图包含两种类型的节点：一种代表查询子图中的边e＝(m,n)∈eq的因子节点，一种代表查询子图中的节点m∈vq的变量节点。
[0081]
s3、构建企业产线与产线设备供应商之间的匹配模型，具体包括：
[0082]
通过最大化边缘概率bm(i)＝p(xm＝i|d)来找到映射；lbp算法可发现边缘概率以实现映射的联合概率分布的最大化：
[0083][0084]
式中：
[0085]
表示联合概率分布最大化时的映射向量x；x表示映射向量，即数据网络d中与查询子图q中节点m相对应的节点子集；p(x|d)表示以数据网络d为条件的映射的联合概率分布；d表示数据网络；
[0086]
其中，联合概率分布p(x|d)，即匹配目标函数表示为：
[0087][0088]
式中：
[0089]
表示标准化因子；x＝[xm,m∈q]表示映射向量，即数据网络d中与查询子图q中节点m相对应的节点子集；xm表示映射向量x中的一个元素；xm表示节点xm的变量取值；xn表示数据网络d中与xm相邻的节点xn的变量取值；表示个体匹配相似性关系函数；表示节点间的双向依赖关系函数；
[0090]
由于映射变量的结构差异，目标函数不能直接应用于lbp算法的消息传递，为此，如图4所示，将离散映射向量x替换为0-1映射矩阵t＝[t
mi
]；如果xm＝i，则t
mi
＝1；否则，t
mi
＝0；
[0091]
匹配目标函数进一步转化得：
[0092][0093]
式中：
[0094]
表示标准化因子；vtq(m)表示查询子图q中节点m的属性向量；vtd(i)表示数据网络d中的节点i的属性向量；etq(e
mn
)表示查询子图q中边e
mn
的属性向量；etd(e
ij
)表示数据网络d中边e
ij
的属性向
量；p(vtd(i)|vtq(m))表示在查询节点m的条件下数据节点i出现的条件概率分布；p(etd(e
ij
)|etq(e
mn
))表示在查询边e
mn
的条件下映射边e
ij
出现的条件概率分布；t表示映射矩阵；t
mi
/t
nj
表示映射矩阵t中的一个元素；m、n表示查询子图q中的任意一个节点；i、j表示数据网络d中的任意一个节点；
[0095]
本发明的概率计算是基于查询节点(边)和数据节点(边)之间的相似性。数据网络d中边的属性可以表示语义关系、时间和空间依赖性、交互和影响关系，而节点的属性可以代表元数据、状态和语义信息。因此使用这些语义相似性来初始化节点和边的匹配概率。
[0096]
为了将式中对数域的积操作转化为和操作以简化计算，把匹配目标函数p(t|d,q)取对数，将其转化为o(t)：
[0097][0098]mmi
＝log[p(vtd(i)|vtq(m))]
ꢀꢀꢀꢀꢀꢀ
(1-5)
[0099]mmnij
＝log[p(etd(e
ij
)|etq(e
mn
))]
ꢀꢀꢀꢀ
(1-6)
[0100]
式中：
[0101]
o(t)表示匹配度函数；m
mi
表示查询节点m与数据节点i之间的语义相似性函数；m
mnij
表示查询边e
mn
与数据边e
ij
之间的语义相似性函数；e
mn
表示查询子图q中的任意一条边；e
ij
表示数据网络d中的任意一条边。
[0102]
o(t)定义了查询子图与对应的数据网络的节点及边之间的匹配度，o(t)越大说明所得到的数据网络的节点及边越准确。可见，匹配目标函数从最初的求最大化联合概率分布p(x|d)，转化成了求最大化匹配度函数o(t)，但其最终目的都是一样的，即在数据网络中找到与查询子图最吻合、最匹配的结果。
[0103]
最终，可以将最大o(t)值中的映射矩阵作为查询子图和数据网络之间的匹配结果，即最大o(t)值的映射矩阵t表示的就是所需要求的匹配子图。另外，映射矩阵t同样可以转化回映射向量x的形式。
[0104]
s4、利用因子图和置信传播算法求解匹配模型，从而从包含企业现有的产线设备供应商数据库的数据网络中找出匹配结果，即匹配子图；
[0105]
本步骤中，从包含企业现有的产线设备供应商数据库的数据网络中找出匹配结果，包括：通过在因子节点和变量节点之间传递查询节点/边和数据节点/边的映射概率的信念消息来找到最佳匹配，最终得到查询节点的边缘概率分布bm(i)用于生成映射向量x，具体过程如下：
[0106]
a1、初始化因子图，根据因子图中的属性特征构造初始势函数，即个体匹配相似性关系函数和节点间的双向依赖关系函数初始化所有节点的信念值；
[0107]
a2、进行第1次至第n次迭代，即消息传递循环，遍历所有的因子节点和变量节点，从因子节点m向变量节点i传递消息，从变量节点i向所有邻接的因子节点传递消息；
[0108]
其中，置信传播算法通过最大化求和操作来更新各个节点的信念值，其传递和更新包括两个方向，如图5所示：
[0109]
(1)由变量节点m向因子节点i传递消息；
[0110]
(2)由因子节点i向其相连的变量节点传递消息；
[0111]
简化置信度传播算法的消息传递为两个步骤：
[0112]
第一步，更新从每个因子节点传递到相连变量节点的两个消息：
[0113]fmn
(j)
∝
maxi(m
mnij
+μm(i)-r
mn
(i))
ꢀꢀꢀ
(1-7)
[0114]fmn(i)∝
maxj(m
mnij
+μn(j)-r
mn
(j))
ꢀꢀꢀꢀ
(1-8)
[0115]
式中：
[0116]fmn
(j)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
结束于节点j；r
mn
(i)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
开始于节点i；r
mn
(j)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
开始于节点j；f
mn
(i)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
结束于节点i；μm(i)表示查询节点m映射到数据节点i的边缘对数概率；μn(j)表示查询节点n映射到数据节点j的边缘对数概率；m
mnij
表示查询边e
mn
与数据边e
ij
之间的语义相似性函数；
[0117]
如果一个查询边对应于一个空的数据边，即无映射，则将m
mnij
值替换为预先确定的m
null
值；
[0118]
第二步，如图5下半部分所示，使用变量节点收到的消息来更新因子节点的信念值：
[0119][0120]
式中：
[0121]
μm(i)表示查询节点m映射到数据节点i的边缘对数概率；f
lm
(i)表示查询边e
lm
映射到数据边的边缘对数概率，数据边结束于节点i；r
lm
(i)表示查询边e
lm
映射到数据边的边缘对数概率，数据边开始于节点i；eq表示查询子图中的边的集合；l表示查询子图q中与节点m相邻的一个节点；e
lm
表示查询子图q中与节点m、l相连的一条边；
[0122]
需要注意的是，当置信度传播算法开始消息传递时，需要规范化传递的消息，以保证相应的概率之和为1：
[0123][0124]
为了进一步提高算法的性能并在每次传递迭代中获取更大的消息变化，将原始的消息更新方式改为增量的方式：
[0125]
v＝v
(t-1)
+α(v
(t)-v
(t-1)
)
ꢀꢀꢀꢀꢀꢀꢀ
(1-11)
[0126]
式中：
[0127]v(t)
表示信念值，即μm(i)、f
mn
(i)和r
mn
(i)；α表示避免概率陷入局部最佳状态的收敛速度控制系数；v
(t-1)
表示上一次迭代的信念值。
[0128]
a3、每次迭代都对所有节点的信念值进行判断，判断条件为：对于所有节点是否有|v
(t)-v
(t-1)
|《δ
con
，即最近两轮迭代的信念值的差值是否小于所设定的阈值，从而可以近似看作无变化；如果满足说明各节点信念值趋于稳定，则由得到边缘概率分布，计算最大边缘概率argmax bm(i)，即可得到与查询节点m对应的数据网络中的映射节点xm；如果不满足判断条件则继续进行迭代，直至满足；
[0129]
其中，v
(t)
表示每轮迭代的信念值；δ
con
表示收敛阈值；表示将查询节点m的信念值μm(i)重新取指数得到的查询节点m映射到数据节点i的边缘概率分布；
[0130]
以此类推，便可求得查询子图中所有查询节点的映射节点，从而构成匹配子图。
[0131]
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

技术特征：
1.一种产线配置结构图的识别匹配方法，其特征在于，包括：将需求方提出的查询需求转化为查询子图，该查询子图表示企业需要搭建的产线；将查询子图表示为因子图；构建企业产线与产线设备供应商之间的匹配模型；利用因子图和置信传播算法求解匹配模型，从而从包含企业现有的产线设备供应商数据库的数据网络中找出匹配结果，即匹配子图；将匹配子图转化为以文字描述的查询结果。2.根据权利要求1所述的一种产线配置结构图的识别匹配方法，其特征在于，将查询子图表示为因子图，包括：将查询子图表示为q＝(v
q
,e
q
,vt
q
,et
q
)，将数据网络表示为d＝(v
d
,e
d
,vt
d
,et
d
)；一个匹配表示一组从查询子图到数据网络的节点及边的映射，将此映射定义为一个向量x＝[x
m
]，其中每个查询节点m∈v
q
都在数据网络d中有一个映射节点x
m
∈x
d
，每个查询边e＝(m,n)∈e
q
都映射到数据网络中的边(x
m
,x
n
)∈e
d
；其中，v
q
表示查询子图q中的节点集合，v
d
表示数据网络d中的节点集合；e
q
表示查询子图q中的边集合，e
d
表示数据网络d中的边集合；vt
q
表示查询子图q中节点的属性向量集合，vt
d
表示数据网络d中节点的属性向量集合；et
q
表示查询子图q中边的属性向量集合，et
d
表示数据网络d中边的属性向量集合；x
d
表示数据网络d中所有映射节点的集合；e
d
表示数据网络d中所有映射边的集合；将查询子图表示为因子图；一个因子图包含两种类型的节点：一种代表查询子图中的边e＝(m,n)∈e
q
的因子节点，一种代表查询子图中的节点m∈v
q
的变量节点。3.根据权利要求2所述的一种产线配置结构图的识别匹配方法，其特征在于，构建企业产线与产线设备供应商之间的匹配模型，包括：通过最大化边缘概率b
m
(i)＝p(x
m
＝i|d)来找到映射；lbp算法可发现边缘概率以实现映射的联合概率分布的最大化：式中：表示联合概率分布最大化时的映射向量x；x表示映射向量，即数据网络d中与查询子图q中节点m相对应的节点子集；p(x|d)表示以数据网络d为条件的映射的联合概率分布；d表示数据网络；其中，联合概率分布p(x|d)，即匹配目标函数表示为：式中：表示标准化因子；x＝[x
m
,m∈q]表示映射向量，即数据网络d中与查询子图q中节点m相对应的节点子集；x
m
表示映射向量x中的一个元素；x
m
表示节点x
m
的变量取值；x
n
表示数据网络d中与x
m
相邻的节点x
n
的变量取值；
表示个体匹配相似性关系函数；表示节点间的双向依赖关系函数；由于映射变量的结构差异，目标函数不能直接应用于lbp算法的消息传递，为此将离散映射向量x替换为0-1映射矩阵t＝[t
mi
]；如果x
m
＝i，则t
mi
＝1；否则，t
mi
＝0；匹配目标函数进一步转化得：式中：表示标准化因子；vt
q
(m)表示查询子图q中节点m的属性向量；vt
d
(i)表示数据网络d中的节点i的属性向量；et
q
(e
mn
)表示查询子图q中边e
mn
的属性向量；et
d
(e
ij
)表示数据网络d中边e
ij
的属性向量；p(vt
d
(i)|vt
q
(m))表示在查询节点m的条件下数据节点i出现的条件概率分布；p(et
d
(e
ij
)|et
q
(e
mn
))表示在查询边e
mn
的条件下映射边e
ij
出现的条件概率分布；t表示映射矩阵；t
mi
/t
nj
表示映射矩阵t中的一个元素；m、n表示查询子图q中的任意一个节点；i、j表示数据网络d中的任意一个节点；数据网络d中边的属性表示语义关系、时间和空间依赖性、交互和影响关系，而节点的属性代表元数据、状态和语义信息；为了将式中对数域的积操作转化为和操作以简化计算，把匹配目标函数p(t|d,q)取对数，将其转化为o(t)：m
mi
＝log[p(vt
d
(i)|vt
q
(m))]
ꢀꢀꢀꢀ
(1-5)m
mnij
＝log[p(et
d
(e
ij
)|et
q
(e
mn
))]
ꢀꢀꢀꢀ
(1-6)式中：o(t)表示匹配度函数；m
mi
表示查询节点m与数据节点i之间的语义相似性函数；m
mnij
表示查询边e
mn
与数据边e
ij
之间的语义相似性函数；e
mn
表示查询子图q中的任意一条边；e
ij
表示数据网络d中的任意一条边。4.根据权利要求3所述的一种产线配置结构图的识别匹配方法，其特征在于，利用因子图和置信传播算法求解匹配模型，从而从包含企业现有的产线设备供应商数据库的数据网络中找出匹配结果，包括：通过在因子节点和变量节点之间传递查询节点/边和数据节点/边的映射概率的信念消息来找到最佳匹配，最终得到查询节点的边缘概率分布b
m
(i)用于生成映射向量x。5.根据权利要求4所述的一种产线配置结构图的识别匹配方法，其特征在于，通过在因子节点和变量节点之间传递查询节点/边和数据节点/边的映射概率的信念消息来找到最佳匹配，最终得到查询节点的边缘概率分布b
m
(i)用于生成映射向量x，包括：a1、初始化因子图，根据因子图中的属性特征构造初始势函数，即个体匹配相似性关系
函数和节点间的双向依赖关系函数初始化所有节点的信念值；a2、进行第1次至第n次迭代，即消息传递循环，遍历所有的因子节点和变量节点，从因子节点m向变量节点i传递消息，从变量节点i向所有邻接的因子节点传递消息；其中，置信传播算法通过最大化求和操作来更新各个节点的信念值，其传递和更新包括两个方向：(1)由变量节点m向因子节点i传递消息；(2)由因子节点i向其相连的变量节点传递消息；简化置信度传播算法的消息传递为两个步骤：第一步，更新从每个因子节点传递到相连变量节点的两个消息：f
mn
(j)
∝
max
i
(m
mnij
+μ
m
(i)-r
mn
(i))
ꢀꢀꢀꢀ
(1-7)f
mn
(i)
∝
max
j
(m
mnij
+μ
n
(j)-r
mn
(j))
ꢀꢀꢀꢀꢀꢀ
(1-8)式中：f
mn
(j)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
结束于节点j；r
mn
(i)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
开始于节点i；r
mn
(j)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
开始于节点i；f
mn
(i)表示查询边e
mn
映射到数据边e
ij
的边缘对数概率，数据边e
ij
结束于节点i；μ
m
(i)表示查询节点m映射到数据节点i的边缘对数概率；μ
n
(j)表示查询节点n映射到数据节点j的边缘对数概率；m
mnij
表示查询边e
mn
与数据边e
ij
之间的语义相似性函数；如果一个查询边对应于一个空的数据边，即无映射，则将m
mnij
值替换为预先确定的m
null
值；第二步，使用变量节点收到的消息来更新因子节点的信念值：式中：μ
m
(i)表示查询节点m映射到数据节点i的边缘对数概率；f
lm
(i)表示查询边e
lm
映射到数据边的边缘对数概率，数据边结束于节点i；r
lm
(i)表示查询边e
lm
映射到数据边的边缘对数概率，数据边开始于节点i；e
q
表示查询子图中的边的集合；l表示查询子图q中与节点m相邻的一个节点；e
lm
表示查询子图q中与节点m、l相连的一条边；a3、每次迭代都对所有节点的信念值进行判断，判断条件为：对于所有节点是否有|v
(t)-v
(t-1)
|<δ
con
，即最近两轮迭代的信念值的差值是否小于所设定的阈值，从而可以近似看作无变化；如果满足说明各节点信念值趋于稳定，则由得到边缘概率分布，计算最大边缘概率arg max b
m
(i)，即可得到与查询节点m对应的数据网络中的映射节点x
m
；如果不满足判断条件则继续进行迭代，直至满足；其中，v
(t)
表示每轮迭代的信念值；δ
con
表示收敛阈值；表示将查询节点m的信念值μ
m
(i)重新取指数得到的查询节点m映射到数据节点i的边缘概率分布；以此类推，便可求得查询子图中所有查询节点的映射节点，从而构成匹配子图。6.根据权利要求5所述的一种产线配置结构图的识别匹配方法，其特征在于，当置信度传播算法开始消息传递时，有：
7.根据权利要求5所述的一种产线配置结构图的识别匹配方法，其特征在于，为了进一步提高算法的性能并在每次传递迭代中获取更大的消息变化，将原始的消息更新方式改为增量的方式：v＝v
(t-1)
+α(v
(t)-v
(t-1)
)
ꢀꢀꢀꢀꢀ
(1-11)式中：v
(t)
表示信念值，即μ
m
(i)、f
mn
(i)和r
mn
(i)；α表示避免概率陷入局部最佳状态的收敛速度控制系数；v
(t-1)
表示上一次迭代的信念值。

技术总结
本发明公开了一种产线配置结构图的识别匹配方法，包括：企业在进行产线设备供应商的选择决策时，将企业所要搭建的个性化产线以及相应的功能通过产线配置结构图(即查询子图)的方式呈现出来。且出于生产运输便利性的原因，图中相连的各个产线设备供应商节点需具备合作关系，如此一来便能构建出一个功能清晰，供需关系明确的产线配置结构图。然后将此产线配置结构图与制造企业社群现有的产线设备供应商数据库进行识别匹配，从而得到多个可能的结果匹配子图，供企业进行下一步精确决策，如此可以排除大部分决策干扰因素，提高决策效率。率。率。


技术研发人员：郭继蔚 冷杰武 朱晓峰 徐才宇 苏泓晔 刘强
受保护的技术使用者：广东工业大学
技术研发日：2023.04.18
技术公布日：2023/7/25