欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021115640528
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于联邦学习的生产链协同调度方法,其特征在于包括如下步骤:S1.参与生产链的供应方和需求方对本地数据进行预处理,并设置训练集和验证集,并进行数据增强,获取增强数据集;

S2.供应方和需求方通过样本对齐获得中间样本;包括如下步骤:B1.使用RSA算法进行样本对齐,设供应方的样本集合为{hB2.供应方生产RSA获取RSA加密的公钥和秘钥,随机选择两个大的质数求积,根据欧拉函数,求得关于两质数的值命名为r;选择一个小于r并与r互质的整数,定义为e;并求得e关于r的模反元素,表示为d;秘钥(d,n)保留在供应方,公钥(e,n)下发到需求方端;n表示样本数;

B3.供应方生成一个全域哈希散列;

B4.需求方生成一个小于n且与n互质的随机数,n表示样本数;

B5.供应方计算样本对齐ID的最终签名;

B6.需求方针对要对齐的ID进行公钥加密处理,并采用步骤B4生成的随机数进行扰动,将加了随机数扰动的乘积传递给供应方;

B7.供应方接收到需求方传递的数据后,按照私钥对最终签名进行解密;

B8.供应方将初步计算到的签名传送给需求方,并采用欧拉定理进行解密,需求方计算后将初步计算后的签名发送到供应方进行样本对齐;

S3.采用增强数据集,通过长短期记忆网络对供应方和需求方分别建立本地数据模型,并通过增强数据集进行训练;

S4.将供应方、需求方和第三方服务器进行同态加密,并进行交互;

S5.对若干供应方或需求方的数据贡献度进行加权计算和偏差修正;

S6.第三方服务器收集修正后的计算结果并整合后将当前最终的供应量和最终的需求量的差值发送到供应方或需求方;

S7.构建供应方和需求方的图结构,并输出生产链序列,采用输出的生产链进行协同调度;包括如下步骤:F1.将评估得到的最终的供应量supply={αF2.构建供应和需求的位置关系图G(V,E),确定最终的需求量对应的位置关系和最终的供应量对应的位置关系;其中V={αF3.根据构建的供应和需求的位置关系图,采用二维数组对图进行存储,并采用0-1标记边关系;

F4.获取目标函数

F5.按照产线的零件顺序初始化随机供应序列,当每一零件选择的供应方的数目为F6.遍历R轮后,进行归一化:

其中,κ表示当前序列长度;W

F7.根据得到的满足供应和需求关系的最优序列与生产顺序输入零件类别γ

2.根据权利要求1所述的基于联邦学习的生产链协同调度方法,其特征在于所述的步骤S1,包括如下步骤:A1.参与方包括供应方和需求方,参与方各自获取历史供应量数据或历史需求量数据,并获取坐标数据,将时间点进行分组并进行数值化;

A2.设置时间步;

A3.对数据进行预处理,设置窗口长度;

A4.按照设置的窗口长度将本地数据分为训练集和验证集;

A5.将验证集分类,并采用ont-hot编码标签;

A6.评估参与方的历史供应量数据或历史需求量数据的数据量大小,利用本地数据增强,对数据量小于平均数据量的参与方的数据进行扩展。

3.根据权利要求2所述的基于联邦学习的生产链协同调度方法,其特征在于所述的步骤S3,包括如下步骤:C1.采用keras深度学习框架,在隐藏单元中,给定当前时间步的小批量输入和上一时间步的隐藏状态;

C2.计算输入门、遗忘门和输出门;

C3.使用tanh函数作为激活函数,计算在当前时间步的候选记忆细胞;

C4.计算当前时间步的记忆细胞,包括组合上一时间步的记忆细胞和当前时间步的候选记忆细胞的信息,并通过遗忘门和输入门控制信息的流动;

C5.通过输出门控制记忆细胞到当前时间步的隐藏状态的信息流动:当输出的当前时间步的隐藏状态为1时,记忆细胞信息将传递到隐藏状态供输出层使用;当输出的当前时间步的隐藏状态为0时,记忆细胞信息不进行传递,进行保留;

C6.输出训练结果,并计算初始损失函数;重复训练直到收敛,获得训练后的本地梯度参数。

4.根据权利要求3所述的基于联邦学习的生产链协同调度方法,其特征在于所述的步骤C1,包括采用keras深度学习框架,在h个隐藏单元中,给定当前时间步t的小批量输入X所述的步骤C2,包括计算输入门I

I

F

O

其中,σ(·)表示sigmod激活函数;X所述的步骤C3,包括使用值域在[-1,1]的tanh函数作为激活函数,计算在当前时间步t的候选记忆细胞其中,tanh(·)为值域在[-1,1]的tanh函数;X所述的步骤C4,包括计算当前时间步t的记忆细胞C其中,F

所述的步骤C5,包括通过输出门控制记忆细胞到当前时间步t的隐藏状态HH

其中,tanh(·)为值域在[-1,1]的tanh函数;当输出的当前时间步t的隐藏状态H所述的步骤C6,包括计算初始损失函数loss:其中,n表示样本数;y

5.根据权利要求4所述的基于联邦学习的生产链协同调度方法,其特征在于所述的步骤S4,包括如下步骤:D1.将需求方或供应方设为用户k,拥有数据n其中,θ

D2.第三方服务器生成公钥和私钥;

D3.供应方计算

D4.需求方计算加密后的损失函数[[L]]和供应方与需求方的梯度结果差集[[dD5.供应方和需求方根据供应方与需求方的梯度结果差集[[d

6.根据权利要求5所述的基于联邦学习的生产链协同调度方法,其特征在于所述的步骤S5,包括如下步骤:E1.第三方服务器采用私钥对传送的梯度进行解密,设置目标函数;目标函数用于对传输的贡献权重进行加权平均;目标函数为:随着迭代次数的增加,

E2.求出整合后的参数与企业传输的参数的差值,并作为贡献度纳入下一步计算;每运行设定次数则重置所有贡献权重,重新开始计算;根据接收到的整合梯度,需求方和供应方更新自身的梯度参数;

E3.重复步骤E1-E2,直到传输的贡献度收敛,并采用收敛时的传输的贡献权重。

7.根据权利要求6所述的基于联邦学习的生产链协同调度方法,其特征在于所述的步骤S6,包括:供应方和需求方将最终的供应量、最终的需求量、所需生产时间和对应的坐标距离发送给第三方服务器,第三方服务器计算最终的供应量和最终的需求量的差值;若最终的供应量和最终的需求量的差值大于等于0,则向供应方和需求方发送正常供应信号;若最终的供应量和最终的需求量的差值小于零,则将第三方服务器计算最终的供应量和最终的需求量的差值发送到供应方和需求方,并向供应方发送供应量不足提高产量的信号,向需求方发送供应量不足提高库存的信号;并在下一个时间步采用步骤S1-S6相同的处理方式,第三方服务器获取最终的供应量、最终的需求量、所需生产时间和对应的坐标距离,并将当前最终的供应量和最终的需求量的差值发送到供应方或需求方。