【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种排单信息的生成方法、装置、计算机设备及存储介质。
技术介绍
1、传统的生产排单方法因依赖于人工操作和简单的排程算法，常常无法快速适应生产线状态变化、订单需求的多样性和设备性能波动等因素，从而影响生产效率和订单交付的时效性。
2、鉴于此，目前需要一种更加智能、高效的排单方法。
技术实现思路
1、本申请提供一种排单信息的生成方法、装置、计算机设备及存储介质，其解决了传统的生产排单方法效率、时效性较低的技术问题，达到了实现更加智能、高效的排单方法的技术效果。
2、为了达到上述目的，本申请采用的主要技术方案包括：
3、第一方面，本申请实施例提供一种排单信息的生成方法，所述方法包括：获取当前的订单集合和适配于所述订单集合的生产资源，所述订单集合中包括未分配的一个或者多个订单，所述生产资源用于表征生产线状态信息、生产设备信息、物料信息中的至少一种资源信息；根据所述订单集合中未分配的订单和所述生产资源表征的资源信息，生成参考组合特征，并基于所述参考组合特征，预测所述订单集合中待处理的目标订单；获取当前已分配但未处理的订单序列，提取所述订单序列的序列特征，并将所述目标订单的订单特征作为所述序列特征的嵌入特征，生成融合了嵌入特征的改进序列特征；将所述目标订单加入所述订单序列，并根据所述改进序列特征，对加入了目标订单的订单序列中的各个订单重新排序，得到更新后的排单信息。
4、本申请实施例提出的排单信息的生成方法，针对未分配
5、在一个实施方式中，所述参考组合特征基于特征提取模型生成，所述特征提取模型按照以下方式进行迭代训练：
6、获取当前迭代轮次中的波源初始化数据和所述特征提取模型的初始模型参数，其中，所述波源初始化数据至少用于限定波源的初始强度；
7、基于所述初始模型参数生成前向传播的初始损失信息，并根据所述初始损失信息对所述波源的初始强度进行更新；
8、基于更新后的波源强度生成所述特征提取模型的更新后的模型参数；
9、根据所述更新后的模型参数，调整波源的配置系数，并基于调整后的配置系数进入下一迭代轮次的训练，其中，所述配置系统用于表征波源的衰减系数和增幅系数。
10、本申请实施例提供的技术方案，通过模拟波动的传播和能量分布特性来迭代特征提取模型中的模型参数，使得模型参数的迭代过程更加平滑且自适应，有效避免了传统梯度下降法中的震荡和局部最小值问题。
11、在一个实施方式中，根据所述损失信息对所述波源的初始强度进行更新包括：
12、根据所述初始损失信息计算所述初始模型参数的梯度信息，所述梯度信息包括梯度方向和梯度大小；
13、确定所述梯度信息表征的目标位置，在所述目标位置处生成波源，并根据所述梯度信息和波源当前的配置系数，对生成的波源的初始强度进行更新。
14、本申请实施例提供的技术方案，基于梯度信息对波源的初始强度进行更新，可以得到更加准确的波源强度，进而提高了模型参数的迭代准确率。
15、在一个实施方式中，基于更新后的波源强度生成所述特征提取模型的更新后的模型参数包括：
16、根据当前网络层的梯度范数，计算所述当前网络层的层敏感度，并基于所述层敏感度生成波动阈值；
17、根据所述波动阈值确定激活系数，并基于更新后的波源强度，计算各个波源在参数空间的波动叠加结果；
18、根据所述激活系数和所述波动叠加结果，生成所述特征提取模型的更新后的模型参数。
19、本申请实施例提供的技术方案，通过确定激活系数和波动叠加结果，可以使得更新后的模型参数更加准确。
20、在一个实施方式中，根据所述更新后的模型参数，调整波源的配置系数包括：
21、计算更新后的模型参数对应的前向传播的第二损失信息；
22、确定所述第二损失信息和所述初始损失信息之间的损失变化量，并根据所述损失变化量对波源当前的配置系数进行更新，得到调整后的配置系数。
23、本申请实施例提供的技术方案，根据损失变化量对波源的配置系数进行更新，有效地提高了配置系数的调整准确率，进而保证了模型参数的迭代准确率。
24、在一个实施方式中，所述特征提取模型的样本训练集合按照以下方式生成；
25、获取初始训练样本集合，所述初始训练样本集合中包括按照结构化的数据存储格式存储的样本属性数据，所述样本属性数据包括订单样本的第一属性数据和适配于所述订单样本的生产资源样本的第二属性数据；
26、提取各个所述样本属性数据的属性特征，并基于各个所述属性特征之间的关联度，将各个所述属性特征划分至一个或者多个特征关联组中；
27、在最小化重构误差的约束下，调整所述特征关联组中的属性特征，形成由调整后的属性特征表征的相似样本组；
28、针对所述相似样本组中的任一相似样本对，生成所述相似样本对的差异数据，并根据所述差异数据生成新样本；
29、将生成的新样本与所述初始训练样本集合的整体作为所述特征提取模型的样本训练集合。
30、本申请实施例提供的技术方案，在最小化重构误差的约束下，可以根据相似样本组中的相似样本对，扩展出有效的新样本，进而丰富了样本训练集合的数量和质量，为特征提取模型的训练提供了样本基础。
31、在一个实施方式中，在将各个所述属性特征划分至一个或者多个特征关联组中之后，所述方法还包括：
32、针对所述特征关联组中的任一目标属性特征，识别所述目标属性特征的主成分矩阵，并基于所述主成分矩阵对所述目标属性特征进行转换，得到所述目标属性特征对应的简化属性特征；
33、构建由所述简化属性特征构成的特征关联组，并利用构建得到的特征关联组替换简化之前的特征关联组。
34、本申请实施例提供的技术方案，通过主成分矩阵对目标属性特征进行简化处理，可以得到数据量更小的特征关联组，极大地提高了样本扩充的效率。
35、在一个实施方式中，基于所述参考组合特征，预测所述订单集合中待处理的目标订单包括：
36、对所述参考组合特征进行降维处理，得到参考降维特征；
37、基于所述参考降维特征，识别所述当前的订单集合中优先级最高的订单，并将所述优先级最高的订单确定为预测得到的本文档来自技高网...
【技术保护点】
1.一种排单信息的生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述参考组合特征基于特征提取模型生成，所述特征提取模型按照以下方式进行迭代训练：
3.根据权利要求2所述的方法，其特征在于，根据所述损失信息对所述波源的初始强度进行更新包括：
4.根据权利要求2或3所述的方法，其特征在于，基于更新后的波源强度生成所述特征提取模型的更新后的模型参数包括：
5.根据权利要求2所述的方法，其特征在于，根据所述更新后的模型参数，调整波源的配置系数包括：
6.根据权利要求2所述的方法，其特征在于，所述特征提取模型的样本训练集合按照以下方式生成；
7.根据权利要求6所述的方法，其特征在于，在将各个所述属性特征划分至一个或者多个特征关联组中之后，所述方法还包括：
8.根据权利要求1所述的方法，其特征在于，基于所述参考组合特征，预测所述订单集合中待处理的目标订单包括：
9.根据权利要求8所述的方法，其特征在于，所述参考降维特征基于特征降维模型生成，所述特征降维模型中包括编
10.根据权利要求1或8所述的方法，其特征在于，所述目标订单通过分类模型预测得到，所述分类模型在训练过程中的权重按照以下方式更新：
11.根据权利要求10所述的方法，其特征在于，所述分类模型在训练过程中的偏置按照以下方式更新：
12.根据权利要求1所述的方法，其特征在于，根据所述改进序列特征，对加入了目标订单的订单序列中的各个订单重新排序包括：
13.一种排单信息的生成装置，其特征在于，所述装置包括：
14.一种计算机设备，其特征在于，包括：
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至12中任一项所述的排单信息的生成方法。
...【技术特征摘要】
1.一种排单信息的生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述参考组合特征基于特征提取模型生成，所述特征提取模型按照以下方式进行迭代训练：
3.根据权利要求2所述的方法，其特征在于，根据所述损失信息对所述波源的初始强度进行更新包括：
4.根据权利要求2或3所述的方法，其特征在于，基于更新后的波源强度生成所述特征提取模型的更新后的模型参数包括：
5.根据权利要求2所述的方法，其特征在于，根据所述更新后的模型参数，调整波源的配置系数包括：
6.根据权利要求2所述的方法，其特征在于，所述特征提取模型的样本训练集合按照以下方式生成；
7.根据权利要求6所述的方法，其特征在于，在将各个所述属性特征划分至一个或者多个特征关联组中之后，所述方法还包括：
8.根据权利要求1所述的方法，其特征在于，基于所述参考组合特征，预测所述订单集合中待处理的目标...
【专利技术属性】
技术研发人员：周金静，刘翠莉，李安玉，秦华胜，
申请(专利权)人：杭州智源电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。