CN111080394A - 匹配方法、设备及存储介质 - Google Patents

匹配方法、设备及存储介质 Download PDF

Info

Publication number
CN111080394A
CN111080394A CN201911108636.7A CN201911108636A CN111080394A CN 111080394 A CN111080394 A CN 111080394A CN 201911108636 A CN201911108636 A CN 201911108636A CN 111080394 A CN111080394 A CN 111080394A
Authority
CN
China
Prior art keywords
data
production line
produced
obtaining
matching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911108636.7A
Other languages
English (en)
Other versions
CN111080394B (zh
Inventor
宋天恒
梁翼
孙赞
丑强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201911108636.7A priority Critical patent/CN111080394B/zh
Publication of CN111080394A publication Critical patent/CN111080394A/zh
Application granted granted Critical
Publication of CN111080394B publication Critical patent/CN111080394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本申请实施例公开了一种匹配方法、设备及存储介质，方法包括：获得第一数据，所述第一数据用于表征各待生产产品的第一属性，第一属性至少表征为各待生产产品所需的产量和/或时间信息；获得第二数据，第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；将第一数据、第二数据和第三数据输入至匹配模型的输入层，由匹配模型对输入层输入的数据进行处理，得到处理结果，处理结果表征为各待生产产品匹配出各自的目标生产线；获得处理结果以利用各目标生产线进行对应待生产产品的生产。

Description

匹配方法、设备及存储介质
技术领域
本申请涉及匹配技术，具体涉及一种匹配方法、设备及存储介质。
背景技术
相关领域中，在为需求方和供求方进行匹配的方案中，通常采用判断需求方的需求与生产线所能够提供的供应是否合适的手段。这种方案较为粗略，存在着无效的判断过程。例如，在多个生产线中为需求方A寻求一个合适的生产线的过程中，将需求方A的需求与各生产线提供的供应逐一进行匹配判断，可能判断到最后一个生产线才是需要的结果，这种情况下，对前几个生产线的匹配判断就是无效的判断，而无效的判断是必导致运算资源的浪费。且相关技术中的匹配结果的准确性还有待于进一步提高。可见，如何减少运算资源、提高匹配结果的准确性成为了亟待解决的技术问题。
发明内容
为解决现有存在的技术问题，本申请实施例提供一种匹配方法、设备及存储介质。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种匹配方法，包括：
获得第一数据，所述第一数据用于表征各待生产产品的第一属性，所述第一属性至少表征为各待生产产品所需的产量和/或时间信息；
获得第二数据，所述第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；
依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线；
获得所述处理结果以利用各目标生产线进行对应待生产产品的生产。
上述方案中，所述方法还包括：
依据所述第三数据，构建针对各个待生产产品的掩模因子；
依据所述掩模因子，得到掩模向量；
相应的，所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，包括：
将所述第一数据、第二数据和掩模向量输入至所述输入层。
上述方案中，所述依据所述第三数据，构建针对各个待生产产品的掩模因子，包括：
针对所述各生产线中第一生产线，所述第一生产线为所述各个生产线中的任意生产线，
至少获得各个待生产产品所需的产量与所述第一生产线的产量的第一匹配结果；以及获得各个待生产产品所需的时间信息与所述第一生产线的生产时间的第二匹配结果；
依据各个第一匹配结果和各个第二匹配结果，获得针对各个待生产产品的掩模因子；
相应的，所述依据所述掩模因子，得到掩模向量，包括：
集合针对各个待生产产品而得到的各个掩模因子，得到所述掩模向量。
上述方案中，所述获得第二数据，包括：
获得第一生产线的第二属性，所述第一生产线为所述各生产线中的任意生产线；
相应的，所述依据第一数据和第二数据，得到第三数据，包括：
依据第一数据和所述第一生产线的第二属性，得到针对第一生产线的第三子数据，第三子数据表征第一生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
相应的，所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，包括：
将第一数据、第一生产线的第二属性和针对第一生产线的第三子数据输入至所述输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到第一处理子结果，所述第一处理子结果表征为所述第一生产线是否可作为所述各待生产产品中的至少其中一种待生产产品的目标生产线。
上述方案中，所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，包括：
所述匹配模型至少对所述第一数据和第二数据进行处理，得到初步处理结果，所述初步处理结果表征为各待生产产品匹配出各自的目标生产线的初步结果；
依据所述初步处理结果和所述第三数据，得到所述处理结果。
上述方案中，所述方法还包括：
对所述第一数据和第二数据分别进行预处理；
至少将预处理后的第一数据和第二数据输入至所述输入层。
上述方案中，所述匹配模型由训练而得，所述训练所述匹配模型，包括：
获得第四数据，第四数据用于表征各待生产产品的第一属性和各生产线的第二属性；
获得第五数据，第五数据用于表征为各待生产产品分配相应生产线的分配结果；
依据第四数据和第五数据，进行训练数据的构建；
利用构建的训练数据进行所述匹配模型的训练。
本申请实施例提供一种匹配设备，包括：
第一获得单元，用于获得第一数据，所述第一数据用于表征各待生产产品的第一属性，所述第一属性至少表征为各待生产产品所需的产量和/或时间信息；
第二获得单元，用于获得第二数据，所述第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；
第三获得单元，用于依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
处理单元，用于将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线；
第四获得单元，用于获得所述处理结果以利用各目标生产线进行对应待生产产品的生产。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述方法的步骤。
本申请实施例提供一种匹配设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述方法的步骤。本申请实施例提供的匹配方法、设备及存储介质，其中，所述方法包括：获得第一数据，所述第一数据用于表征各待生产产品的第一属性，所述第一属性至少表征为各待生产产品所需的产量和/或时间信息；获得第二数据，所述第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线；获得所述处理结果以利用各目标生产线进行对应待生产产品的生产。
本申请实施例中，将各生产线的第二属性和各待生产产品的第一属性之间的匹配程度考虑在内进行目标生产线的匹配，可大大避免无效匹配的出现、进而避免运算资源的浪费。此外，利用匹配模型进行目标生产线的匹配，可保证匹配准确性高和匹配结果稳定。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例的匹配方法的实现流程示意图一；
图2为本申请实施例的匹配方法的实现流程示意图二；
图3为本申请实施例的匹配方法的实现流程示意图三；
图4为本申请实施例的在生产订单的应用场景中掩模因子和掩模向量的示意图；
图5为本申请实施例的A3C网络的训练过程示意图；
图6为本申请实施例的匹配设备的结构组成示意图；
图7为本申请实施例的匹配设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请提供一种匹配方法的第一实施例，如图1所示，所述方法包括:
步骤(S101)：获得第一数据，所述第一数据用于表征各待生产产品的第一属性，所述第一属性至少表征为各待生产产品所需的产量和/或时间信息；
这里，待生产产品可以是任何合理的能够使用生产线生产的产品，如使用生产流水线进行生产的终端产品、洗护产品等。第一属性至少表征为待生产产品的数量和/或待生产产品要求的完成时间。
S102：获得第二数据，所述第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；
这里，第二属性至少表征为每个生产线的产量和/或各个生产线的生产时间。
S103：依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
可以理解，由于第一属性和第二属性是从数量和/或时间等角度出发，对于生产线和待生产产品来说，可从生产线能够生产的数量和需要生产的待生产产品的数量，和/或生产线的生产时间和待生产产品要求的完成时间等角度出发，获得用于表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度的第三数据。
S104：将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线；
本步骤中，将获得的第一数据至第三数据作为匹配模型的输入，输入至匹配模型的输入层，利用匹配模型为各待生产产品匹配出各自的目标生产线。
S105：获得所述处理结果以利用各目标生产线进行对应待生产产品的生产。
本步骤中，获得为各待生产产品匹配出各自的目标生产线的处理结果，并利用各目标生产线进行对应待生产产品的生产。
前述方案中，在获得各待生产产品的第一属性和各生产线的第二属性的基础上，还需要根据第一属性和第二属性，得到各生产线的第二属性和各待生产产品的第一属性之间的匹配程度，将第一数据至第三数据作为匹配模型的输入，并经由匹配模型的处理得到各待生产产品匹配出各自的目标生产线的结果，获得该结果并利用各目标生产线进行对应待生产产品的生产。可见，本申请实施例中，将各生产线的第二属性和各待生产产品的第一属性之间的匹配程度考虑在内，与相关技术中的逐一匹配方案相比，将匹配程度考虑在内的方案，基于匹配程度进行目标生产线的匹配，可大大避免无效匹配的出现、进而避免运算资源的浪费。此外，利用匹配模型进行目标生产线的匹配，由于匹配模型具有很强的鲁棒性，不易受到外界的干扰，因而能够带来匹配准确性高和匹配结果稳定的有益效果。
如图2所示，所述方法还包括：
S1031：依据所述第三数据，构建针对各个待生产产品的掩模因子；
S1032：依据所述掩模因子，得到掩模向量；
S104：将所述第一数据、第二数据和掩模向量输入至所述输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线。
上述方案中，掩模向量为掩模因子的集合，表征为至少从数量(生产线的产量和待生产产品的需求量)和/或时间(生产线的生产时间或剩余生产时间和待生产产品要求完成的时间)等角度来看各个待生产产品和各生产线之间的匹配程度。从数量和/或时间等角度得到各生产线和各待生产产品之间的匹配程度，将这种匹配程度考虑在内的方案，至少可基于匹配程度进行目标生产线的匹配，可大大避免无效匹配的出现、进而避免运算资源的浪费。
在一个可选的实施例中，S1032：所述依据所述第三数据，构建针对各个待生产产品的掩模因子，可以为：针对所述各生产线中第一生产线，所述第一生产线为所述各个生产线中的任意生产线，至少获得各个待生产产品所需的产量与所述第一生产线的产量的第一匹配结果；以及获得各个待生产产品所需的时间信息与所述第一生产线的生产时间的第二匹配结果；依据各个第一匹配结果和各个第二匹配结果，获得针对各个待生产产品的掩模因子；相应的，所述依据所述掩模因子，得到掩模向量，包括：集合针对各个待生产产品而得到的各个掩模因子，得到所述掩模向量。
这里，依据各生产线的第二属性可以为至少两个如生产时间和产能，各待生产产品的第一属性也可以为至少两个如待生产量和完成待生产量需要的时间，依据二者的各个属性之间的匹配程度，得到一待生产产品与其中任意一个生产线的匹配程度，如果将每个待生产产品作为一个整体，将待生产产品与其中任意一个生产线的匹配程度可以用掩模因子来表示。多个待生产产品与其中任意一个生产线的匹配程度可以用掩模向量来表示，多个待生产产品与各个生产线的匹配程度也可以用掩模向量来表示。优选为，掩模向量表示为多个待生产产品中的各个待生产产品与所述其中任意一个生产线的匹配程度。这种利用掩模向量来表示待生产产品与生产线的匹配程度，将匹配程度考虑在内并利用匹配模型进行目标生产线的匹配的方案，可大大避免无效匹配的出现、进而避免运算资源的浪费。
在一个可选的实施例中，所述获得第二数据，包括：
获得第一生产线的第二属性，所述第一生产线为所述各生产线中的任意生产线；相应的，所述依据第一数据和第二数据，得到第三数据，包括：依据第一数据和所述第一生产线的第二属性，得到针对第一生产线的第三子数据，第三子数据表征第一生产线的第二属性和各待生产产品的第一属性之间的匹配程度；相应的，所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，包括：将第一数据、第一生产线的第二属性和针对第一生产线的第三子数据输入至所述输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到第一处理子结果，所述第一处理子结果表征为所述第一生产线是否可作为所述各待生产产品中的至少其中一种待生产产品的目标生产线。本可选方案中，以各个生产线为例，判断每个生产线是否能够作为待生产产品的生产线或者能够作为生产哪个待生产产品的产线的方案可以通过如下方式实现：至少获得该生产线的产能数据和/或生产时间，将该获得的信息与各待生产产品的第一属性进行匹配，依据匹配结果得到针对表征该生产线的第二属性和各待生产产品的第一属性之间的匹配程度的数据(第三子数据)，并将第三子数据作为其中一个输入，输入至匹配模型的输入层，由匹配模型来分析该生产线是否能够作为待生产产品的生产线，如果能够作为对待生产产品的生产线则可以作为生产哪个待生产产品的生产线。可见，将匹配程度考虑在内并利用匹配模型进行该生产线是否为目标生产线以及可作为哪个待生产产品的生产线的判断方案，可大大避免无效匹配情况的出现，保证判断准确性。
在一个可选的实施例中，如图3所示，S104：所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，可以为：
S1041:所述匹配模型至少对所述第一数据和第二数据进行处理，得到初步处理结果，所述初步处理结果表征为各待生产产品匹配出各自的目标生产线的初步结果；
S1042:依据所述初步处理结果和所述第三数据，得到所述处理结果。
在S1041和S1042中，第一数据和第二数据作为匹配模型的部分输入，匹配模型可以通过这两个数据的分析，得到为各待生产产品匹配出各自的目标生产线的初步处理结果。为避免初步处理结果中包含有不可行结果如错误的结果，如将无法生产出待生产产品A需求数量的生产线分配给待生产产品A使其生产待生产产品A。为避免这一情况的出现，依据第一数据的第一属性和第二数据的第二属性而得到的表征为各生产线的第二属性和各待生产产品的第一属性之间的匹配程度的数据(第三数据)对初步处理结果进行调整。相当于利用第三数据将初步处理结果中的不可行结果删除，保留下可行的结果，进而为各个待生产产品匹配出适宜的目标生产线，进而可保证匹配准确性。
在一个可选的方案中，所述方法还包括：对所述第一数据和第二数据分别进行预处理；至少将预处理后的第一数据和第二数据输入至所述输入层。
前述可选方案中，由于第一数据和第二数据表征的对象不同，一个表征着各待生产产品所需的产量和/或时间信息，一个表征着生产线的产量和/或生产时间，这两个数据的单位可能存在不统一的情况，如待生产产品的产量以千克为单位，生产线的产量用吨为单位，为了达到统一，至少对第一数据和第二数据分别进行量化、归一化等预处理操作，使得二者映射到相同的空间中以方便后续的处理。在输入匹配模型的过程中，需要将经过前述预处理操作后的第一数据和第二数据输入进去，可方便匹配模型对输入数据的处理。
作为一种可选方案，所述匹配模型由训练而得，所述训练所述匹配模型，包括：
获得第四数据，第四数据用于表征各待生产产品的第一属性和各生产线的第二属性；获得第五数据，第五数据用于表征为各待生产产品分配相应生产线的分配结果；依据第四数据和第五数据，进行训练数据的构建；利用构建的训练数据进行所述匹配模型的训练。在本申请实施例中，S104为对匹配模型的应用，在对匹配模型进行应用之前，还需要对匹配模型进行训练。训练方法是：利用已知待生产产品所需的数量和/或待生产产品要求的完成时间，以及这些已知待生产产品分配的每个生产线的产量和/或各个生产线的生产时间等信息，进行匹配模型的训练，得到训练好的匹配模型以方便后续对匹配模型的应用。通过训练得到的匹配模型具有很强的鲁棒性，可保证目标生产线的匹配成功，提高匹配准确性。
下面结合附图及应用场景对本申请实施例作进一步详细的说明。
生产线生产计划的排程(简称排产)是针对在产能、开工时间有限的生产线，经过某种决策过程为各个生产线分配合理有效的生产计划。优化排产，也即排产效率的提升，会为企业或单位带来生产效率提升、成本节约、效益改善等好处。可见，如何实现合理的排产成为了亟待解决的技术问题。下面以实现对订单的优化排产来说明本申请实施例的技术方案。
以待生产产品为订单，具体是针对产品1～产品5的共5个订单为例，每个订单至少包括有相应产品的数量和完成这些数量产品需要的时间。例如，订单A需要的产品1的数量为2万件，需要1天之内完成。参见如下方案，可合理的为各订单分配至各自的目标生产线，进而获得最大的排产效率、最大程度的节约成本。
本领域技术人员应该而知，深度强化学习方法因其数据依赖小、泛化性强、具有离线交互学习等特点，成为了排产过程的首选方法。深度强化学习方法经训练得到一个深度序列模型。使用深度序列模型可完成对排产问题的求解。本申请实施例中的深度序列模型具体为匹配模型，匹配模型可以具体为任何能够实现排产的模型如异步优势参与者评论员(Asynchronous Advantage Actor-Critic，A3C)模型。本领域技术人员应该而知，A3C模型包括策略网络(Policy Network)和价值网络(Value Network)。其中，策略网络用于输出排产结果即哪个历史订单被安排到哪个生产线上去，并计算出梯度函数；价值网络的梯度函数满足预设的规则如梯度函数可使损失函数取值最小则A3C模型被训练成功。如图5所示，在训练A3C过程中，读取历史订单数据(Real-word order data)，经过计算历史订单数据符合一定的分布规则(Distribution regression)如正态分布、指数分布。构建多个仿真环境(如图5中的Env01、02和Env03)。每个仿真环境中均包括前述的策略网络。将历史订单数据的属性、各生产线的属性作为各仿真环境的输入，将为各历史订单数据实际分配生产线的分配结果作为各仿真环境的输出，对各仿真环境进行训练，相当于对各仿真环境中的策略网络进行训练，各仿真环境的每次训练得到对应的梯度函数(图5中的Traj-01、Traj-02和Traj-03)，将各仿真环境的在同一次训练得到的各自的梯度函数进行bathing运算如求和、或者平均运算，作为价值网络的梯度函数并反馈回价值网络，在某次训练得到的价值网络的梯度函数满足一定规则如该梯度函数可使价值网络的损失最小的情况下，无需再对各仿真环境、也即策略网络进行训练，训练结束，A3C模型被训练成功。
前述方案中，以A3C的网络架构为基础，以有限数量的历史真实订单的属性和生产线的属性为依据，构造多个虚拟的仿真环境，从而实现了策略网络的交互训练，由于各仿真环境采用异步方式(Asynchronous)进行工作，对各仿真环境的训练为异步训练，可以基于有限的历史真实订单(小数据量)构建策略网络，不需要过多的训练样本。此外，本申请实施例在训练中考虑到生产参数的波动，将波动情况作为各仿真环境的输入以进行训练。其中，生产参数发生波动可以具体是生产线在不同的时间使得处于工作状态的生产线的数量不同如白天使用10台生产线进行生产、夜晚使用20台生产线进行生成等。订单数据的灵活性如加急订单的出现，仿真环境考虑到这些生产参数的波动，令仿真环境的模拟更接近实际应用，因此训练所得的模型可以在生产参数发生波动时依然可获得稳定解，从而实现了更好的鲁棒性。
本领域技术人员应该理解，匹配模型可以用函数y＝f(x)来表示，y表示输出、排产结果，也即将哪个订单排到哪个生产线去生产；x为输入、包括订单的属性(第一属性)和生产线的属性(第二属性)。训练过程是：获得实际应用中为几种已有的不同订单分配的生产线的分配结果，获得这几个订单需要的产品的数量及完成时间，获得这些生产线各自的产能和/或生产时间等数据，以上获得数据为已知的历史数据，将订单和生产线的属性作为输入数据x、将分配结果作为输出数据，输入至匹配模型y＝f(x)。训练过程相当于对输出与输入之间的映射关系即函数f进行求取的过程。本领域技术人员应该理解，，在训练过程中训练到使得价值网络的损失函数最小时函数f的表达式即为期望的表达式，训练过程结束，得到了匹配模型y＝f(x)输出与输入之间的映射关系f。其中，可以理解，订单的数量单位、时间单位可能和生产线的数量单位、时间单位不一致，这个情况下，还需要将订单的属性数据和生产线的属性数据做量化、归一化等预处理，使得二者映射到相同的数据空间中以方便后续的运算，然后将预处理后的如上数据输入至匹配模型y＝f(x)以训练。通过训练得到的匹配模型具有很强的鲁棒性，可保证目标生产线的匹配成功，提高匹配准确性。
在应用匹配模型进行排产的过程中(匹配模型的应用阶段)，对于企业或单位新接收到的N＝5个订单如生产产品1～产品5的5个订单，本企业或单位具有M个生产线，假定每个生产线均可生产产品1～5。读取每个订单需要的产品的数量、类型和完成时间等信息，读取每个生产线的产能数据和生产时间等数据。将如上输入至训练好的A3C模型中、具体是策略网络中。由策略网络来为各订单数据匹配出各自的目标生产线，然后利用匹配结果将各订单数据安排到各自的生产线中去生产以实现在实际生活中的运用。由策略网络来为各订单数据匹配出各自的目标生产线的方案可参见如下内容所示：
先来看生产线1是否可作为生产这批订单的生产线，如果可以作为则可以作为生产第几个订单的生产线。
将每个订单需要的产品的数量和时间信息和生产线1的产能数据和生产时间等数据作为匹配模型的输入，在输入至匹配模型之前，还需要进行量化、归一化等预处理，将预处理后的订单数据和生产线数据输入至匹配模型、具体是匹配模型的输入层。本领域技术人员应该理解，从主要结构上来看，匹配模型包括输入层、中间层和输出层。其中，匹配模型的输入层用于接收预处理后的订单和生产线的属性数据。匹配模型的中间层将输入层的输入数据作为y＝f(x)中的x，且在已知函数f基础上，计算y，输出层输出。其中，计算出的y可视为匹配模型判断生产线1可作为这5个订单中哪个订单的生产线，本应用场景中该匹配模型的判断结果为一种初步结果，为保证生产线的确定准确性。还需要结合5个订单的属性数据和生产线1的属性数据，得到5个订单中各个订单的掩模因子。具体的，第i个订单的掩模因子vi的取值由a1、a2和a3来决定。
1)a1代表着某个订单是否已经被安排到生产线。
这里，排除已经被分配有生产线的订单。针对当前考察的生产线，如果第i个订单已经被分配有生产线，则该订单的a1＝0，如果第i个订单还未被分配生产线，则a1＝1。
2)a2代表着从第i个订单要求完成的时间、当前考察的生产线的剩余产能和/或生产时间等角度来看，当前所考察的生产线是否能够胜任对第i个订单的生产。
如果从以上三个角度中的至少一个角度来看，当前考察的生产线不能满足第i个订单的需求如当前考察的生产线的剩余产能无法生产出满足第i个订单需要的产品数量、或者生产线的生产时间无法满足第i个订单的需求时间等，则取a2＝0。如果从三个角度来看，当前考察的生产线均能够满足第i各订单的需求，则取a2＝1。
3)a3代表着当前考察的生产线是否满足第i个订单的自适应时间约束；
假定，当前生产线剩余生产时间为Tr，计算各个未排订单如第i个订单在当前生产线上的生产时间Tp，并计算相应换线时间Ts。如果Tp+Ts>Tr则将该第i个订单a3＝0；否则a3＝1。
其中，每条生产线的生产时间可具体依据情况而灵活设定，如生产线1为白天进行生产的生产线，生产线2为夜间进行生产的生产线。
第i个订单的掩模因子vi＝a1&a2&a3。其中，&表示与运算。可以理解，在a1、a2和a3均取为1的情况下，vi＝1；在a1、a2和a3其中只要有1个取为0的情况下，vi＝0。由前述的方案，针对当前考察的生产线如生产线1，每个订单均可计算出自身的掩模因子vi。集合所有订单的掩模因子vi得到掩模向量v＝[v1,v2…vN]。该掩模向量可以是针对当前考察的生产线所有订单的掩模因子vi的集合。
可以理解，在实际应用中，存在有企业或单位接收到的订单的数量较多，生产线的数量较为有限，这种情况下可能存在有部分订单无法被安排到生产线中去。考虑到这种情况，在所有生产线之外，设置一条可生产任何产品的虚拟产线，将无法在真实生产线上被分配的订单安排在虚拟产线上。如果将这个因素考虑进去，将其视为a4，那么第i个订单的掩模因子vi的取值由a1、a2、a3和a4来决定，也即vi＝a1&a2&a3&a4。可以理解，通过匹配模型得到的被分配到虚拟产线的订单，应该标记其状态为未排产(也即该订单的a1＝1)，也即未被分配有实际生产线。为保证本方案的正常进行，通过选取a4＝1。
可以理解，生产线的剩余产能、生产时间、剩余生产时间等均可视为生产线的(第二)属性数据。第i个订单要求完成的时间、所需的产量、第i个订单在当前生产线上的生产时间Tp、换线时间等均可视为订单的(第一)属性数据。订单的属性和当前考察的生产线的属性之间的匹配程度可以通过前述的属性数据来实现，具体可通过a1、a2和a3的取值来体现。
本领域技术人员应该而知，针对当前考察的生产线如生产线1，存在有这样一种情况，当前考察的生产线对于N个订单来说，无法执行对任意一个订单的生产。考虑到实际应用中存在的这种情况，为掩模向量v增加一位掩模因子v0。其存在的意义是：v0＝1，意味着对于接收到的N个订单，当前考察的生产线均无法执行生产，需要切换到下一生产线去尝试。v0＝0，意味着对于接收到的N个订单中存在有至少一个订单可被当前考察的生产线生产。如此，掩模向量v＝[v0,v1,v2…vN]。
下面以vi＝a1&a2&a3为例，对生产线的排产进行说明。
在利用匹配模型判断当前考察的生产线如生产线1是否可作为进行订单生成的生产线之前，还需要设置掩模向量v的初始向量。如图4所示，每个纵列代表1个掩模向量v，每个纵列上的每个小格代表着掩模因子。本应用场景中，掩模向量v的初始向量(第1纵列)设置为v＝100000。其中，初始向量中的第1个掩模因子取值为1，其他取值掩模因子为0；代表着需要切换到下一生产线。也即切换到生产线1中去进行判断。
本应用场景中，匹配模型、具体是中间层根据生产线1的属性数据和5个订单的属性数据进行初步处理并经由输出层输出。对于该初步处理结果，在实际应用中该初步结果中可能包含有不可行的结果如错误的结果，如将无法生产出待生产产品1需求数量的生产线分配给待生产产品1使其生产待生产产品1。为避免这一情况的发生，需要结合由5个订单中的各个订单的掩模因子组成的掩模向量，进行初步处理结果的调整，删除初步结果中的不可行结果，给出最终的匹配结果。具体的，假定在判断当前考察的生产线如生产线1是否可作为进行订单生成的生产线的方案中，根据生产线1的属性数据和各个订单的属性数据，重新计算针对各个订单的掩模因子，集合各掩模因子为掩模向量。假定根据前述的三个方面，得到如图4所示的第2纵列或第3纵列的掩模向量v＝010001。相当于每考察一个生产线均需要对掩模向量进行一次更新。本应用场景中，相当于将掩模向量的初始向量100000更新成了010001。本领域技术人员应该理解，在掩模向量v＝010001中，第2个和第6个掩模因子为1，其余掩模因子为0，说明从前述的三个方面来看第1个订单(对应于第2个掩模因子)、第5个订单(对应于第6个掩模因子)与生产线1从产量、时间等属性上相匹配。如此，在判断当前考察的生产线如生产线1是否可作为进行订单生成的生产线的方案中，生产线1可作为第1个订单和第5个订单的目标生产线，也即第1个订单和第5个订单可安排在生产线1上进行生产。可见，本应用场景中，从前述的三个方面将当前考察的生产线和各订单的属性数据进行匹配程度的计算，根据计算出的结果删除初步处理结果中的不可行结果，这种考虑匹配程度的方案，可为各订单准确的确定出目标生产线，大大避免无效匹配的出现、避免运算资源的浪费。此外，利用匹配模型进行目标生产线的匹配，利用匹配模型具有的很强的鲁棒性，不易受到外界的干扰，还可带来匹配准确性高和匹配结果稳定的有益效果。
在确定出生产线1为第1个订单和第5个订单的目标生产线(第1订单和第5订单为已经被分配有生产线的订单)之后，判断生产线2是否可作为剩下订单的生产线，如果能作为生产线可作为哪个(些)订单的生产线。在这个过程中，需要将在判断生产线1是否为可用生产线时使用的掩模向量010001进行更新。其中，因为第1订单和第5订单已经被安排在生产线1上了，对于第1订单和第5订单的a1取值为0，这样对于第1订单和第5订单来说，在a1&a2&a3之后，第1订单和第5订单的掩模因子都为0。对于第2订单至第4订单，可根据前述的三个方面进行各自掩模因子的计算。如图4所示，假定掩模向量由010001更新为第4纵列或第5纵列所示的100000，其中，掩模向量的v0＝0说明生产线2无法安排任何订单的生产，需要切换到下一生产线即生产线3去尝试。
判断生产线2是否可作为剩余订单如第2～4订单的生产线，需要将在判断生产线2是否为可用生产线时使用的掩模向量100000进行更新。其中，因为第1订单和第5订单已经被安排在生产线1上了，对于第1订单和第5订单的a1取值为0，这样对于第1订单和第5订单来说，在这两个订单的a1&a2&a3之后，第1订单和第5订单的掩模因子都为0。对于第2订单至第4订单，可根据前述的三个方面进行各自掩模因子的计算，假定经计算第2订单的a1&a2&a3之后取值为1也即掩模因子为1，经计算第4订单的a1&a2&a3之后取值为1也即掩模因子为1。如图4所示，掩模向量由100000更新为第6纵列或第7纵列所示的001100。在掩模向量v＝001100中，第3个和第4个掩模因子为1，其余掩模因子为0，说明从前述的三个方面来看第2个订单(对应于第3个掩模因子)、第3个订单(对应于第4个掩模因子)与生产线3从产量、时间等属性上相匹配。如此，在判断当前考察的生产线如生产线3是否可作为进行订单生成的生产线的方案中，生产线3可作为第2个订单和第3个订单的目标生产线，也即第2个订单和第3个订单可安排在生产线3上进行生产。如此类推，直至将各个生产线都遍历到或者将所有订单都分配到对应的生产线上。
如图4所示，假定经前述方案得到的目标生产线的确定结果通过排产序列s来表示，如s＝[0,5,1,0,0,3,2,0,4,0]，则排产结果为：生产线1上可生产订单5和订单1；生产线3可生产订单3和订单2；生产线4可生产订单4；生产线3和生产线5不进行生产。s中假定从生产线0开始考察，其取值为0元素意味着当前考察的生产线不可用，需要切换到下一生产线上。本领域技术人员应该理解，在同一生产线生产两个或两个以上订单的情况下，在计算着两个订单的属性与该同一生产线的属性的匹配程度的过程中，可以依据订单的顺序依次计算，也可以对二者的匹配程度进行比较，将与该同一生产线匹配程度高的订单排在前面进行生产，将匹配程度低的排在后面进行生产。如此，针对前述的排产序列s，生产线1上可依次生产订单5和订单1；生产线3可依次生产订单3和订单2。
可以理解，掩模向量在本应用场景中的作用，一方面可体现当前考察的生产线与待排产的各订单的属性的匹配程度；另一方面，利用属性的匹配将匹配模型得到的初步处理(匹配)结果中的不可行结果删除或掩盖掉以得到可行的排产结果。可将掩模因子或掩模向量看成对初步处理结果的约束，可视为对初步处理结果的空间约束。如果匹配模型通过策略-价值(Actor-Critic)网络进而使得初步处理结果中仅包含符合实际情况的可行结果，不包含非可行结果。
综上所述，本应用场景中从产能、时间等角度来看各个订单和各生产线之间的匹配程度，并基于匹配程度进行目标生产线的匹配，可大大避免无效匹配的出现、进而避免运算资源的浪费。此外，利用具有很强鲁棒性的匹配模型进行目标生产线的确定，可保证目标生产线的确定或匹配成功，提高准确性。
前述的应用场景，利用订单和生产线的属性数据以及表示二者匹配程度的掩模因子或向量，实现订单的优化排产，这种优化排产方案可实现企业或单位的生产线的合理且高效的生产。
此外，对于企业或单位来说，本申请实施例可适应不同的业务需求，可根据车间内各条生产线产能和/或工作时间等情况，接收不同产品的订单，并实现对订单的有效排产。其中，在排产序列s中可实现生产线的更换，能够在每条生产线上自动选择尚未安排生产的订单。根据不同生产线的不同产能情况对初步排产情况(初步处理结果)进行约束，使得订单不会被分配到不具备相应产能的生产线中。根据生产线已排订单的属性如产品型号、所需的生产时长，以及生产线的属性如换线成本和剩余产能等信息，可使得目标生产线的确定更为准确，更加贴近实际情况。
此外，本应用场景基于A3C的网络架构来计算订单数据的排产情况，并在实际生产中，按照排产结果为各订单数据进行对应生产线的安排，如此便可实现企业或单位的高效生产。
本申请实施例提供一种匹配设备，如图6所示，包括：第一获得单元11、第二获得单元12、第三获得单元13、处理单元14以及第四获得单元15；其中，
第一获得单元11，用于获得第一数据，所述第一数据用于表征各待生产产品的第一属性，所述第一属性至少表征为各待生产产品所需的产量和/或时间信息；
第二获得单元12，用于获得第二数据，所述第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；
第三获得单元13，用于依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
处理单元14，用于将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线；
第四获得单元15，用于获得所述处理结果以利用各目标生产线进行对应待生产产品的生产。
在一个可选的方案中，所述第三获得单元13，用于依据所述第三数据，构建针对各个待生产产品的掩模因子；依据所述掩模因子，得到掩模向量；相应的，处理单元14，用于将所述第一数据、第二数据和掩模向量输入至所述输入层。
进一步的，所述第三获得单元13，用于针对所述各生产线中第一生产线，所述第一生产线为所述各个生产线中的任意生产线，至少获得各个待生产产品所需的产量与所述第一生产线的产量的第一匹配结果；以及获得各个待生产产品所需的时间信息与所述第一生产线的生产时间的第二匹配结果；依据各个第一匹配结果和各个第二匹配结果，获得针对各个待生产产品的掩模因子；集合针对各个待生产产品而得到的各个掩模因子，得到所述掩模向量。
在一个可选的方案中，第二获得单元12，用于获得第一生产线的第二属性，所述第一生产线为所述各生产线中的任意生产线；相应的，第三获得单元13，用于依据第一数据和所述第一生产线的第二属性，得到针对第一生产线的第三子数据，第三子数据表征第一生产线的第二属性和各待生产产品的第一属性之间的匹配程度；处理单元14，用于将第一数据、第一生产线的第二属性和针对第一生产线的第三子数据输入至所述输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到第一处理子结果，所述第一处理子结果表征为所述第一生产线是否可作为所述各待生产产品中的至少其中一种待生产产品的目标生产线。
在一个可选的方案中，处理单元14，利用所述匹配模型至少对所述第一数据和第二数据进行处理，得到初步处理结果，所述初步处理结果表征为各待生产产品匹配出各自的目标生产线的初步结果；依据所述初步处理结果和所述第三数据，得到所述处理结果。
在一个可选的方案中，处理单元14，用于对所述第一数据和第二数据分别进行预处理；至少将预处理后的第一数据和第二数据输入至所述输入层。
在一个可选的方案中，还包括：训练单元，用于获得第四数据，第四数据用于表征各待生产产品的第一属性和各生产线的第二属性；获得第五数据，第五数据用于表征为各待生产产品分配相应生产线的分配结果；依据第四数据和第五数据，进行训练数据的构建；利用构建的训练数据进行所述匹配模型的训练。
可以理解，所述设备中的第一获得单元11、第二获得单元12、第三获得单元13、处理单元14以及第四获得单元15在实际应用中均可由匹配设备的中央处理器(CPU，CentralProcessing Unit)、数字信号处理器(DSP，Digital Signal Processor)、微控制单元(MCU，Microcontroller Unit)或可编程门阵列(FPGA，Field－Programmable Gate Array)实现。
需要说明的是，本申请实施例的匹配设备，由于该匹配设备解决问题的原理与前述的匹配方法相似，因此，匹配设备的实施过程及实施原理均可以参见前述方法的实施过程及实施原理描述，重复之处不再赘述。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时至少用于执行图1至图5任一所示方法的步骤。所述计算机可读存储介质具体可以为存储器。所述存储器可以为如图7所示的存储器62。
本申请实施例还提供了一种终端。图7为本申请实施例的匹配设备的硬件结构示意图，如图7所示，匹配设备包括：用于进行数据传输的通信组件63、至少一个处理器61和用于存储能够在处理器61上运行的计算机程序的存储器62。终端中的各个组件通过总线系统64耦合在一起。可理解，总线系统64用于实现这些组件之间的连接通信。总线系统64除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统64。
其中，所述处理器61执行所述计算机程序时至少执行图1至图5任一所示方法的步骤。
可以理解，存储器62可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器62旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器61中，或者由处理器61实现。处理器61可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器61可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器61可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器62，处理器61读取存储器62中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，匹配设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、FPGA、通用处理器、控制器、MCU、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述的匹配方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种匹配方法，包括：
获得第一数据，所述第一数据用于表征各待生产产品的第一属性，所述第一属性至少表征为各待生产产品所需的产量和/或时间信息；
获得第二数据，所述第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；
依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线；
获得所述处理结果以利用各目标生产线进行对应待生产产品的生产。
2.根据权利要求1所述的方法，所述方法还包括：
依据所述第三数据，构建针对各个待生产产品的掩模因子；
依据所述掩模因子，得到掩模向量；
相应的，所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，包括：
将所述第一数据、第二数据和掩模向量输入至所述输入层。
3.根据权利要求2所述的方法，所述依据所述第三数据，构建针对各个待生产产品的掩模因子，包括：
针对所述各生产线中第一生产线，所述第一生产线为所述各个生产线中的任意生产线，
至少获得各个待生产产品所需的产量与所述第一生产线的产量的第一匹配结果；以及获得各个待生产产品所需的时间信息与所述第一生产线的生产时间的第二匹配结果；
依据各个第一匹配结果和各个第二匹配结果，获得针对各个待生产产品的掩模因子；
相应的，所述依据所述掩模因子，得到掩模向量，包括：
集合针对各个待生产产品而得到的各个掩模因子，得到所述掩模向量。
4.根据权利要求1所述的方法，所述获得第二数据，包括：
获得第一生产线的第二属性，所述第一生产线为所述各生产线中的任意生产线；
相应的，所述依据第一数据和第二数据，得到第三数据，包括：
依据第一数据和所述第一生产线的第二属性，得到针对第一生产线的第三子数据，第三子数据表征第一生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
相应的，所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，包括：
将第一数据、第一生产线的第二属性和针对第一生产线的第三子数据输入至所述输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到第一处理子结果，所述第一处理子结果表征为所述第一生产线是否可作为所述各待生产产品中的至少其中一种待生产产品的目标生产线。
5.根据权利要求1所述的方法，所述将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，包括：
所述匹配模型至少对所述第一数据和第二数据进行处理，得到初步处理结果，所述初步处理结果表征为各待生产产品匹配出各自的目标生产线的初步结果；
依据所述初步处理结果和所述第三数据，得到所述处理结果。
6.根据权利要求1所述的方法，所述方法还包括：
对所述第一数据和第二数据分别进行预处理；
至少将预处理后的第一数据和第二数据输入至所述输入层。
7.根据权利要求1至6任一项所述的方法，所述匹配模型由训练而得，所述训练所述匹配模型，包括：
获得第四数据，第四数据用于表征各待生产产品的第一属性和各生产线的第二属性；
获得第五数据，第五数据用于表征为各待生产产品分配相应生产线的分配结果；
依据第四数据和第五数据，进行训练数据的构建；
利用构建的训练数据进行所述匹配模型的训练。
8.一种匹配设备，包括：
第一获得单元，用于获得第一数据，所述第一数据用于表征各待生产产品的第一属性，所述第一属性至少表征为各待生产产品所需的产量和/或时间信息；
第二获得单元，用于获得第二数据，所述第二数据用于表征为各生产线的第二属性，所述第二属性至少表征为各生产线的产量和/或生产时间；
第三获得单元，用于依据第一数据和第二数据，得到第三数据，第三数据表征各生产线的第二属性和各待生产产品的第一属性之间的匹配程度；
处理单元，用于将第一数据、第二数据和第三数据输入至匹配模型的输入层，由所述匹配模型对所述输入层输入的数据进行处理，得到处理结果，所述处理结果表征为各待生产产品匹配出各自的目标生产线；
第四获得单元，用于获得所述处理结果以利用各目标生产线进行对应待生产产品的生产。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一所述方法的步骤。
10.一种匹配设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一所述方法的步骤。
CN201911108636.7A 2019-11-13 2019-11-13 匹配方法、设备及存储介质 Active CN111080394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911108636.7A CN111080394B (zh) 2019-11-13 2019-11-13 匹配方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911108636.7A CN111080394B (zh) 2019-11-13 2019-11-13 匹配方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111080394A true CN111080394A (zh) 2020-04-28
CN111080394B CN111080394B (zh) 2024-06-18

Family

ID=70310935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911108636.7A Active CN111080394B (zh) 2019-11-13 2019-11-13 匹配方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111080394B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798114A (zh) * 2020-06-28 2020-10-20 北京百度网讯科技有限公司 一种模型训练、订单处理方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655715A (zh) * 2009-09-25 2010-02-24 金蝶软件（中国）有限公司 一种自动分配生产线任务的方法和装置
CN105045243A (zh) * 2015-08-05 2015-11-11 同济大学 一种半导体生产线动态调度装置
CN108985617A (zh) * 2018-07-11 2018-12-11 广东人励智能工程有限公司 一种基于智能制造的产品生产流程调度方法及系统
US20190197356A1 (en) * 2017-12-25 2019-06-27 Omron Corporation Data generation apparatus, data generation method, and data generation program
CN110334919A (zh) * 2019-06-20 2019-10-15 西北工业大学 一种生产线资源匹配方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655715A (zh) * 2009-09-25 2010-02-24 金蝶软件（中国）有限公司 一种自动分配生产线任务的方法和装置
CN105045243A (zh) * 2015-08-05 2015-11-11 同济大学 一种半导体生产线动态调度装置
US20190197356A1 (en) * 2017-12-25 2019-06-27 Omron Corporation Data generation apparatus, data generation method, and data generation program
CN108985617A (zh) * 2018-07-11 2018-12-11 广东人励智能工程有限公司 一种基于智能制造的产品生产流程调度方法及系统
CN110334919A (zh) * 2019-06-20 2019-10-15 西北工业大学 一种生产线资源匹配方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798114A (zh) * 2020-06-28 2020-10-20 北京百度网讯科技有限公司 一种模型训练、订单处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111080394B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN111221726A (zh) 一种测试数据生成方法、装置、存储介质和智能设备
JP2020522774A (ja) サーバ、金融時系列データの処理方法及び記憶媒体
CN110503558A (zh) 一种基于区块链系统的处理方法及装置
CN107909330A (zh) 工作流数据处理方法、装置、存储介质和计算机设备
CN112837126B (zh) 基于区块链的工业园区分布式能源交易方法和系统
CN109829015A (zh) 基于HBase的金融数据存储方法、装置以及存储介质
CN102624865A (zh) 集群负载预测方法及分布式集群管理系统
CN112488745A (zh) 一种智能费控管理方法、装置、设备和存储介质
CN110852559A (zh) 资源的分配方法和装置、存储介质、电子装置
CN112102099B (zh) 保单数据处理方法、装置、电子设备及存储介质
CN107944640A (zh) 一种可再生能源项目投资组合优化技术方法及装置
CN111080394A (zh) 匹配方法、设备及存储介质
CN111626886A (zh) 基于多方协作的工程履约保证保险风险识别方法与平台
CN116187675A (zh) 任务分配方法、装置、设备及存储介质
CN111047306A (zh) 一种交易输入集合的并行交易处理方法及装置
CN111400399A (zh) 区块链系统的账本同步方法、装置及硬件设备
CN110377769A (zh) 基于图数据结构的建模平台系统、方法、服务器及介质
CN115016911A (zh) 面向大规模联邦学习的任务编排方法、装置、设备和介质
CN104933110A (zh) 一种基于MapReduce的数据预取方法
CN115358825A (zh) 一种基于区块链预言机的撮合交易方法及系统
CN114723239A (zh) 一种多方协同建模方法、装置、设备、介质及程序产品
CN115345298A (zh) 联合训练模型的方法及装置
CN114817288A (zh) 数据处理方法、装置、电子设备及存储介质
CN113159926A (zh) 贷款业务的还款日期确定方法及装置
CN116451960B (zh) 基于电力调度的碳排放权配额调度方法、装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant