一种基于知识自演化的人工智能跨平台模型智能计算引擎构建方法

本发明涉及计算机数据科学，尤其是一种基于知识自演化的人工智能跨平台模型智能计算引擎构建方法。

背景技术：

1、在经济全球化的背景下，随着科学技术的进步和人民需求的提高，离散制造业的发生了翻天覆地的变化，插单销单、个性化定制、设备故障、物料统筹等突发事件使得生产过程复杂多变。而目前的离散制造系统在复杂动态场景中难以运用，往往需要人工干预。这些在特定静态场景下训练的系统模型难以应对实际生产过程中制造信息的频繁变动。由于车间实际运行工况和内外部条件的改变，导致车间系统动态参数或系统模型结构经常发生变化。所以迫切需要一种知识自演化的技术，能使离散制造模型随时间自行演化，适应目前的动态场景，实现真正的智能化动态离散制造系统。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种基于知识自演化的人工智能跨平台模型智能计算引擎构建方法，能够减少模型参数的收敛时间，对于实际生产中随时间扰动的动态离散制造模型的训练具有重大的应用价值。

2、为解决上述技术问题，本发明提供一种基于知识自演化的人工智能跨平台模型智能计算引擎构建方法，包括如下步骤：

3、步骤1、确认源时刻和目标时刻；基于人工经验，按照一定的划分规则对这两个不同时间段的离散制造系统数据集进行划分；

4、步骤2、初始化动态离散制造系统模型；

5、步骤3、对数据进行预处理，构建任务池；一部分数据用于训练源模型，另一部分用于训练目标神经网络；

6、步骤4、构建一个元学习框架，分为训练元学习模型和快速调整目标神经网络，实现多任务之间的快速迁移；

7、步骤5、更换目标时刻，利用元学习框架将训练好的神经网络快速迁移到新的任务；

8、步骤6、迭代步骤5直到动态离散制造系统模型收敛，收敛后保存模型参数；

9、步骤7、将动态离散制造系统模型用于新环境任务，测试其性能。

10、优选的，步骤1中，确认源时刻和目标时刻；基于人工经验，按照一定的划分规则对这两个不同时间段的离散制造系统数据集进行划分具体为：

11、步骤11、选择源时刻s和目标时刻t，输入这两个时间段的离散制造数据；

12、步骤12、按照等分、生产成本或产品数量等规则，基于人工经验，分别将这两个时间段的数据集划分为最优的ns和nt个静态离散制造数据集。

13、优选的，步骤2中，初始化动态离散制造系统模型具体为：

14、步骤21、基于深度强化学习算法，选择合适的深度强化学习神经网络q，对动态离散制造系统模型的参数θ进行初始化；

15、步骤22、定义元学习算法的两个超参数α和β，具体取值需多次实验。

16、优选的，步骤3中，对数据进行预处理，构建任务池；一部分数据用于训练源模型，另一部分用于训练目标神经网络具体包括如下步骤：

17、步骤31、依据步骤12划分的数据，源时刻具有的ns个类别称为meta-trainclasses，用于训练元学习模型qs，表示适用于当前时刻和工况的静态模型；目标时刻具有的nt个类别称为meta-test classes，用于训练目标模型qt，其表示动态参数调整后适用于新时刻新工况的离散制造系统模型；

18、步骤32、task抽取方法设置为m way-k shot，构建用于训练元学习模型的数据集；从meta-train cla es中随机选取ms个类别，每个类别随机选取ls个样本(ls＞ks)，组成一个task ts，其中每个类别中随机选取ks个样本作为当前task的训练集，称为支持集supportset，剩余ms*(ls-ks)个样本作为当前task的测试集，称为查询集query set，从meta-trainclasses中如此反复随机抽取task，构成由若干个t构成的task池，其分布定义为p(ts)；

19、步骤33、构建用于训练目标模型的数据集，从meta-test classes中随机选取mt个类别，每个类别随机选取lt个样本(lt＞kt)，组成一个task tt，其中每个类别中随机选取kt个样本作为当前task的训练集，称为support set，剩余mt*(lt-kt)个样本作为当前task的测试集，称为query set，从meta-test classes中反复随机抽取task，构成由若干个t构成的task池，其分布定义为p(tt)。

20、优选的，步骤4中，构建一个元学习框架，分为训练元学习模型和快速调整目标神经网络，实现多任务之间的快速迁移具体包括如下步骤：

21、步骤41、训练元学习模型qs，具体包括如下步骤：

22、(a)随机初始化qs的模型参数θs；

23、(b)随机从task池中采样ns个task t，形成一个batch，其中每一个task ti(i＝1，2，3...，ns)满足分布ti～p(ts)；

24、(c)利用batch中的某一个task ti中的support set，计算模型参数θs的梯度模型参数θs的更新公式如下：

25、

26、上式中，θ′si为基于ti更新后的模型qs的参数，为基于ti计算出θs的损失梯度函数；

27、(d)基于batch中的每一个task重复步骤(c)，执行次数为na，如此完成第一次梯度的更新，获得更新后的参数θs；

28、(e)第二次梯度的更新：利用batch中的每一个task ti中的query set，计算θs的损失梯度，进而计算batch的损失总和，利用该损失总和对梯度进行更新，其更新公式如下：

29、

30、如此便完成第二次梯度的更新，结束模型在该batch上的训练；

31、(f)返回步骤(b)，重新采样下一个batch；

32、步骤42、训练结束后获得神经网络qs的初始化参数θs，根据目标时刻的数据集动态调整模型参数使其适应新的内外部生产环境，训练目标模型qt具体包括如下步骤：

33、(g)初始化qt的模型参数，将qs的模型参数赋值qt，即θt＝θs；

34、(h)随机从task池中采样nt个task t，其中每一个task ti(i＝1，2，3...，n)满足分布ti～p(tt)；

35、(i)利用随机抽取的某一个task ti中的support set，更新模型参数θt的梯度模型参数θt的更新公式如下：

36、

37、上式中，θ′ti为基于ti更新后的模型qt的参数；

38、(j)基于步(h)中随机抽取的每一个task，分别对步骤(g)中初始化的参数θb运用步骤(i)的更新算法，获得nt个更新后的参数θ′ti，对其取平均获得最终的模型参数，其公式如下：

39、

40、以上便是目标模型qt的训练过程，最终获得适用于目标时刻t的神经网络模型qt，实现参数的动态调整和系统模型的快速迁移。

41、优选的，步骤5中，更换目标时刻，利用元学习框架将训练好的神经网络快速迁移到新的任务具体包括如下步骤：

42、步骤51、将训练好的目标神经网络模型qt作为源模型，下一时刻t+1作为新的目标时刻，接下来的任务是将神经网络模型从时刻t快速迁移到时刻t+1；

43、步骤52、根据步骤3进行数据预处理，构建任务池；

44、步骤53、根据步骤4，获得新的目标神经网络qt+1的参数θt+1。

45、优选的，步骤6中，迭代步骤5直到动态离散制造系统模型收敛，收敛后保存模型参数具体包括如下步骤：

46、步骤61、迭代步骤5，不断获取下一时刻的神经网络模型qt、qt+1、qt+2...，直到模型参数收敛，表示该系统模型已经能很好的适应于不同时间段不同工况的生产环境，无论内外部条件如何变化，都能稳定的输出最优决策；

47、步骤62、模型收敛后，保存模型参数，获得最终的动态离散制造系统模型。

48、优选的，步骤7中，将动态离散制造系统模型用于新环境任务，测试其性能具体为：如果系统模型在新环境下能很好的输出调度策略，比原系统具有更高的效率，则结果符合预期，训练完成；如果结果不符合预期，则重新回到步骤1，重新训练。

49、本发明的有益效果为：本发明计算量小，泛化性能好，通过少量不同类型的样本组成的训练集，利用元学习框架实现对多个类别共同特征的学习，提高动态离散制造模型的泛化性能；模型参数收敛速度快，可迁移性强，通过在新任务中加载元学习训练的优化参数作为初始化参数，仅仅需训练几步即可完成离散制造模型在新时刻的模型参数，快速完成任务迁移，与原任务越相似的新任务所需的时间越少，相比随机初始化参数或加载已有的网络模型参数，通过这种算法能实现对神经网络的快速微调，减少模型参数的收敛时间，对于实际生产中随时间扰动的动态离散制造模型的训练具有重大的应用价值。