[发明专利]一种基于联邦学习与注意力机制的生产线调度方法

权利要求书

1.一种基于联邦学习与注意力机制的生产线调度方法，其特征在于包括如下步骤：

S1.获取若干个零件厂家的历史生产零件数据；

S2.采用长短期记忆网络，生成各个零件厂家的生产零件数据模型；

S3.通过加密和纵向联邦学习，将各个零件厂家的生产零件数据模型进行协同训练，获得全局生产零件数据模型；

S4.将获得的全局生产零件数据模型作为原始输入序列，通过注意力机制求解作业车间调度问题，生成调度序列，并采用生成的结果进行生产线调度。

2.根据权利要求1所述的基于联邦学习与注意力机制的生产线调度方法，其特征在于所述的步骤S2，包括如下步骤：

A1.采用历史生产零件数据，对历史生产零件数据进行预处理；生成训练集和测试集；

A2.采用长短期记忆网络，建立初始生产零件数据模型，并初始化参数；包括将当前输入和前一个状态输出的门控拼接训练得到四个状态，对当前的输入有选择的进行记忆和忘记，并将选择的记忆和忘记合并输入，对输出进行选择后采用损失函数优化；

A3.采用步骤A1生成的训练集对初始生产零件数据模型进行训练，并校验结果是否满足预测精度要求；若校验结果不满足预测精度要求，则继续训练；若校验结果满足预测精度要求，则生成训练好的生产零件数据模型，采用测试集进行预测，同时根据正规化过程将数据转换为原值；参与的第三方传递训练参数和损失函数及其参数。

3.根据权利要求2所述的基于联邦学习与注意力机制的生产线调度方法，其特征在于所述的步骤A1，包括如下步骤：

B1.对历史生产零件数据进行预处理；预处理包括：对历史生产零件数据进行归一化处理，加速训练速度；将数据进行标准化处理；将历史生产零件数据设置为数据数列；设置时间步，并根据设置时间步的数据预测之后的数据；

B2.根据滑动窗口的大小构造训练集；具体包括根据滑动窗口的大小将历史零件数据依次输入长短期记忆网络模型的输入层。

4.根据权利要求3所述的基于联邦学习与注意力机制的生产线调度方法，其特征在于所述的步骤S3，包括如下步骤：

D1.将加密样本对齐，在系统层面进行加密样本对齐，将各个参与方在本地生成的生产零件数据模型进行加密，生成加密样本；对各个加密样本进行处理，使各个参与方的样本对齐；

D2.各个参与方分别在本地的生产零件数据模型进行训练对齐的加密样本；

D3.由第三方服务器创建加密对，向各个参与方发送公钥，用于加密需要传输的数据；

D4.各个参与方分别计算与其相关的特征中间结果，并加密交互，用于求得各个参与方的梯度和损失；

D5.各个参与方分别计算本身加密后的梯度并添加掩码发送给第三方服务器，同时有标签点数据的参与方计算加密后的损失发送给第三方服务器，计算目标函数，并加入正则项；标签数据持有方计算梯度损失，并在加密后回传；

D6.第三方服务器收集来自无标签数据持有方和标签数据持有方的加密梯度及损失后进行模型更新；对来自各个参与方的模型参数采用不同的权重比例对其进行整合，以获得服务器更新后的联邦模型；

D7.第三方服务器解密梯度和损失后回传给各个参与方，各个参与方去除掩码并更新生产零件数据模型，获取更新生产零件数据模型；对第三方服务器在聚合后增加一个逻辑判断，判断接收的各参与方本地计算结果质量，若计算结果质量好，则训练终止，联合建模结束，建立好的全局生产零件数据模型保留在第三方服务器中；否则继续迭代进行模型训练。

5.根据权利要求4所述的基于联邦学习与注意力机制的生产线调度方法，其特征在于步骤S4中，所述的作业车间调度问题包括一条加工流水线上有若干台机器，若干待加工作业；其中，作业包含若干工序数；设作业的总工序数为每个作业工序数之和；其中每个作业的各个工序的加工时间已确定，并且每个作业必须按照规定的工序的先后顺序进行加工；调度的任务是安排确定工件的加工顺序以及每阶段工件在机器上的分配情况，求解约束条件被满足的同时，使得最大完工时间极小化。