[发明专利]一种基于联邦学习的生产链协同调度方法

说明书

本发明公开了一种基于联邦学习的生产链协同调度方法，包括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；供应方和需求方通过样本对齐获得中间样本；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；将供应方、需求方和第三方服务器进行同态加密交互；第三方服务器收集修正后的加权计算数据并整合后将差值发送到供应方或需求方；构建供应方和需求方的图结构，并输出生产链序列，进行协同调度。本发明在加密的情况下进行，极大地保护了参与双方的数据安全。本方法通过双方共同的评估结果，协同地选择出最优供应链，实现随产随供，降低了运营成本，提高了利润。

技术领域

本发明属于生产链调度领域，具体涉及一种基于联邦学习的生产链协同调度方法。

背景技术

21世纪以来，深度学习在计算机视觉、自然语言处理等众多领域得到了广泛应用，但随着计算技术、存储技术与通信技术的蓬勃发展，无论是在企业的应用中，还是人们的日常生活中，使用计算机技术的门槛越来越低，庞大的数据每天都在人们的各种应用中产生。因此，计算机技术不仅需要面对大数据量的挑战，还需要处理因使用者的地域不同、设备各异等原因产生的各种问题。在此发展的基础上，仅仅是数据集规模的增加与网络结构复杂度的提升，就使得深度学习的训练面临了巨大挑战。它不仅需要面对大规模的存储资源消耗，还需要应对大量的计算能力供给问题。对于常用的单机训练模式来说，它提供的算力与存储能力十分有限，会产生训练时间过长，运行内存不足等棘手问题。以ImageNet数据集来说，若只是用一块NVIDIAGPU进行训练，完成90个完整的训练周期就需要花费近14天的时间。这样的长久耗时就十分明显地对深度学习网络结构的调试与研究产生了很大的阻碍。为了解决算力不足、存储不便等问题，在深度学习领域，研究者提出了分布式学习这一计算加速方法。该种方法往往会使用多个GPU节点来进行计算，将庞大的训练任务进行分割并按能力分配，使用中央调度整合与分支独立计算的方法打破了原有的算力壁垒，让较短时间内完成大规模的深度学习训练成为可能。当分布式的概念应用到社会生产中，往往会让企业间的合作效率大幅度提升。它会将复杂问题一般化，将专业的任务交给专业的企业节点进行操作，打破集群效应与信息壁垒，使得加入这一合作链的各类型企业使用更低的成本获得更高的收益。但与此同时，在计算机领域，多个节点进行通信均需要考虑通信成本，并且需要面对通信时的可信度危机。

而随着当代数据价值的提升与人们保密意识的提高，在应用层面，企业之间的协作也面对着相同的问题。它们数据常因每个企业内部的不同保密设定几乎无法实现完全共享。在无保密措施的情况下，企业间可共享的数据往往都较为表面，价值不高，从而在企业间产生有效数据的数据孤岛。因此，为解决这一问题，企业间的分布式学习方法则需要添加加密传输的手段。基于上述背景，联邦学习应运而生。它本质上是一种分布式学习，但与分布式学习的最大区别是特别添加了加密传输算法。这种方法在保证企业数据安全的前提下，只向服务端提供本地训练后的梯度与参数，由服务端使用加权平均或单纯求和等方法对多个客户端提供的梯度与参数进行整合，然后再使用整合之后的数据对模型再次进行训练，将结果进行优化，最后将服务端训练后的参数与梯度再传回各个客户端进行再次训练。以上面三步反复迭代直到产生期待的结果为止。

在汽车制造生产链的供应链中，供应方与需求方间因数据隐私问题往往会产生信息不对称的现象。这一现象会导致在供需链中出现供给不及时或库存积压问题。在供应链两端的企业无法较为准确地预知本企业的生产情况且无法了解是否能及时满足对应企业的供应标准或需求。除此之外，运输成本与时效都是在一条供应链中需要重点考虑的优化目标。故选择供应链时就需要基于利益最大化的原则，利用从模型中得到的预估的未来一段时间的企业产量以及企业间的距离来进行供应链选择。

发明内容

本发明的目的在于提供一种基于联邦学习的生产链协同调度方法，能够准确求解当前最佳生产链，同时对供应方生产和需求方库存进行协同调度。

本发明提供的这种基于联邦学习的生产链协同调度方法，包括如下步骤：