CN112149990B - 一种基于预测的模糊供需匹配方法 - Google Patents

Abstract

本发明提出了一种基于预测的模糊供需匹配方法，包括以下步骤：步骤一：初始化供需环境；步骤二：供需层次聚类；步骤三：预测模型训练、供需变化预测；步骤四：消除供需偏移惯性；步骤五：供需簇配对；步骤六：供需簇对匹配；步骤七：判断供需单元规模；步骤八：供需优先匹配；步骤九：剩余单元匹配；步骤十：优先级提升，本发明利用长短期记忆网络的预测能力、模糊数学的描述能力、层次聚类的任务简化能力、强化学习的寻优能力以及基于优先级排序的插队机制，解决供需匹配不确定性高、供需匹配变化过程惯性大、供需匹配效率低、供需匹配无序等问题。

Description

一种基于预测的模糊供需匹配方法

技术领域

本发明涉及一种匹配方法，具体的说是一种供需匹配方法，属于技术领域。

背景技术

随着人类生活水平的不断提升，生产资料的不断丰富，资本和物质的流动加速，各个领域中的供需匹配也变得更加频繁。供应和需求总是在不断地相互适应，然而，供需是动态的，其不可能一直保持不变，因此总是能出现供过于求或是供不应求的现实情况。当出现供需不匹配时，其将造成一定的损失，因此如何尽量维持供需平衡以及如何高效准确地实现供需匹配是供需匹配过程中所需要解决的重要问题。

现实世界中，供需是动态变化甚至模糊不清的，常见供需匹配形式有资源调度、任务分配等。但目前的工作涉及的多是确定性环境下的供需匹配，而供需双方与现实环境却是不确定的，因此，此类确定环境下的定量供需匹配是不适应现实需求的。同时，当前使用的匹配方法多是基于计划或基于实时的，其对供需变化惯性的处理能力有限，从而导致供需不匹配时纠偏难度大。另一方面，当前采用的供需匹配方法在海量供需匹配条件下存在搜索空间大的问题，其将降低供需匹配效率。最后，供需匹配意愿的紧急性也应当被考虑在供需匹配中。因此，面向现实不确定环境的供需匹配方法有待提升。

发明内容

本发明的目的是提供一种基于预测的模糊供需匹配方法，利用长短期记忆网络的预测能力、模糊数学的描述能力、层次聚类的任务简化能力、强化学习的寻优能力以及基于优先级排序的插队机制，解决供需匹配不确定性高、供需匹配变化过程惯性大、供需匹配效率低、供需匹配无序等问题。

本发明的目的是这样实现的：一种基于预测的模糊供需匹配方法，包括以下步骤：

步骤一：初始化供需环境，将供需双方涉及到的属性采用模糊数进行描述，得到模糊属性的供需单元组合，将供需单元的组合描述为供应簇和需求簇，合称供需簇，将供需单元的匹配对描述为供需单元对，将供需簇的匹配对描述为供需簇对；

步骤二：对步骤一中得到的具有模糊属性的供需单元组合分别进行层次聚类操作，由此得到层次聚类树，并对供需层次聚类树中的主要供需簇进行标识；

步骤三：对步骤二中的主要供需簇变化规律进行建模学习，实时更新模型并获取模糊区间预测结果，并由此得到供需偏移趋势以及预测可信度；

步骤四：消除供需偏移惯性，在预测可信的条件下，依据步骤三得到的供需偏移趋势，做出相应程度的惯性消除决策，采取包括提升或降低供或需的数量、加快或减缓供与需的匹配速率措施；

步骤五：对步骤二中得到的层次聚类树中的供需簇进行配对；

步骤六：对步骤一中得到的供需簇对内的供需单元进行匹配；

步骤七：判断步骤五释放的供需单元以及步骤六释放的供需单元规模，若规模超出设定阈值，则对其重复步骤一至步骤六的过程，进行再次聚类与再次匹配，若不超过则进入步骤八；

步骤八：将步骤五释放的供需单元以及步骤六释放的供需单元进行整合，将其中高优先级的供需单元提出，遍历剩余供需单元，满足尽可能多的高优先级供需单元匹配意向，以达到高优先级供需单元插队匹配的功能；

步骤九：将步骤八处理剩余的供需单元进行匹配，实现此轮匹配中可匹配意愿的全匹配，并将不满足供需匹配条件的供需单元释放；

步骤十：将步骤九中释放的供需单元以及供需过程中受各种因素影响而中断的供需单元重新匹配，提升此轮匹配中未匹配以及失败的供需单元优先级，将其加入新一轮供需匹配中，根据新的供需单元由步骤一开始新一轮供需匹配。

作为本发明的改进，步骤一使用三角模糊数描述模糊属性，具体包括：

模糊供需属性可用三角模糊数描述为(a1,a2,a3)，表明该属性值隶属于a1至a3这个集合内，采用模糊隶属度得到值对此模糊集合的隶属度，隶属度越高，则表明此值隶属于此集合的真实程度越高，三角模糊数隶属度可由公式一计算得到：

其中，a2对应的模糊隶属度最高为1，a1至a3区间内的模糊隶属度取值不一，区间外的模糊隶属度则为0；当描述确定值时a1、a2、a3相等，此时模糊隶属度只有0、1两种取值。

作为本发明的改进，步骤二具体包括：对供需双方进行聚类操作，分别选取供需单元合适的模糊属性，采用豪斯多夫距离作为层次聚类中的模糊数的距离度量，由此得到供需双方的层次聚类结果；层次聚类得到的结果称为层次聚类树，对层次聚类树中的主要供需簇设置标识。

作为本发明的改进，步骤三具体包括：对供需双方的动态变化规律进行实时学习与预测，针对供需双方主要类别的供需簇建立长短期记忆网络模型，使用在线学习方法对连续不断的供需变化数据进行学习，实时更新供需簇的预测模型，实时获取供需簇的模糊区间预测结果，并由此判定整体供需匹配的偏移趋势，设定预测可信阈值，基于供需实时预测模块的供需预测结果，根据模型近期供需预测结果准确度计算供需预测可信度。

作为本发明的改进，步骤五配对时根据供需匹配规模，设置层次聚类树配对起始层次，具体为：

设供应聚类层数为m，需求聚类层数为n，1＞k、l＞0为规模系数，规模越大则k、l越小，以从供应层次聚类树自上往下数第m*k层开始匹配，节点数目少的方向为上；k、l定义如下：

其中，s为供应层次聚类树中的供应单元总数，d为需求层次聚类树中的需求单元总数；

供应层次聚类树中的第m*k层中的供应簇集合将从需求层次聚类树中的第n*l层中的需求簇集合开始匹配，一直匹配到需求层次聚类树中的第n-n*l层，期间，计算簇内关键匹配属性均值，当供应簇关键属性均值a与需求簇关键属性均值b差值满足|a-b|＜c*max{a,b},1＞c＞0时，则视为满足匹配要求，其中c为簇匹配系数，可灵活设置；若匹配过程中某供应簇与某需求簇之间满足匹配要求，也即形成了供需簇对，则将层次聚类树中满足匹配要求的供需簇根系移出，后续过程不再遍历已配对的供需簇及其根系；

当供应层次聚类树中的第m*k层中的供应簇集合从需求层次聚类树中的第n*l层一直匹配到需求层次聚类树中的第n-n*l层时，再从供应层次聚类树中的第m*k+1层开始匹配需求层次聚类树中的第n*l层到第n-n*l层，直至供应层次聚类树遍历至第m-m*k层；对遍历后未成功配对的簇按照层次聚类树根节点进行释放。

作为本发明的改进，步骤九具体为：将剩余的供需单元进行整合，生成一个强化学习智能体，以当前供需单元为环境，随机选择一供需单元匹配初始解，并以调整初始解为动作，对计算智能体在此环境下每个动作的奖励，由此得到供需单元的最优供需匹配结果，并将不满足供需匹配条件的供需单元释放。

作为本发明的改进，奖励计算具体为：

设目标数为z，供需匹配解为x，使用启发式方法在当前供需匹配环境下对单目标最优化函数S_y(x)求解h次，将在h次中的平均值

作为理想解值，则可得到理想解集

并设

为优化h次中的最大值，将得到的理想解集映射到模糊集合中，由公式一即可得到模糊理想解集为

其中μ_A(S_y)为S_y对应的模糊隶属度，当模糊隶属度越接近1则说明解越理想，越接近0则相反；

此时，由强化学习智能体选择的每一个决策形成的可行解x，同样可由公式二得到当前模糊解集B:{＜S₁(x),μ_B(S₁)＞,...,＜S_y,μ_B(S_y)＞,...,<S_z,μ_B(S_z)＞}，使用模糊关系熵计算当前解集B和理想解集A的距离，模糊关系熵越小则两个集合越接近，即可由每一次决策后的模糊关系熵变化量决定当前供需匹配动作的奖励，使解集B不断接近理想解集A，最终形成多目标最优解；模糊关系熵的计算可参见公式三：

其中：

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)该发明针对不确定条件下的供需匹配这一问题，一方面采用模糊数统一、真实地描述了供需匹配中各单元的基本属性，拓宽了其应用场景；另一方面采用在线学习的方式训练长短期记忆网络学习动态供需变化规律，用以预测不确定条件下的供需动态变化，通过把握供需规律降低了供需变化的不确定性；

(2)该发明针对供需变化惯性大的这一问题，提出了超前校正机制，基于可信的供需预测结果，提前做出相应措施以降低供需变化惯性，减小了由供需惯性过大造成的供需不匹配所带来的损失；

(3)该发明针对海量供需匹配条件下供需匹配效率低这一问题，提出了两阶段式方法，首先采用层次聚类的方式实现供需簇的匹配，进一步再采用强化学习的方式求解供需单元间的匹配，将匹配问题分成两个阶段，减小了强化学习的搜索空间，在保证匹配质量的同时提升了供需匹配效率；

(4)该发明针对供需匹配失败这一问题，设计了插队机制，通过提升未成功匹配的供需单元优先级，将高优先级的供需匹配意愿优先满足，为紧急供需匹配意愿开辟了绿色通道。

附图说明

图1为本发明的流程图。

图2为本发明中供需层次聚类树中供需簇与单元匹配原理图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本实施例提出了一种基于预测的模糊供需匹配方法，包括以下步骤：

步骤一：初始化供需环境，将供需双方涉及到的属性采用模糊数进行描述，得到模糊属性的供需单元组合，将供需单元的组合描述为供应簇和需求簇，合称供需簇，将供需单元的匹配对描述为供需单元对，将供需簇的匹配对描述为供需簇对，步骤一使用三角模糊数描述模糊属性，具体包括：

模糊供需属性可用三角模糊数描述为(a1,a2,a3)，表明该属性值隶属于a1至a3这个集合内，采用模糊隶属度得到值对此模糊集合的隶属度，隶属度越高，则表明此值隶属于此集合的真实程度越高，三角模糊数隶属度可由公式一计算得到：

其中，a2对应的模糊隶属度最高为1，a1至a3区间内的模糊隶属度取值不一，区间外的模糊隶属度则为0；当描述确定值时a1、a2、a3相等，此时模糊隶属度只有0、1两种取值；

步骤二：对步骤一中得到的具有模糊属性的供需单元组合分别进行层次聚类操作，分别选取供需单元合适的模糊属性，采用豪斯多夫距离作为层次聚类中的模糊数的距离度量，由此得到供需双方的层次聚类结果，由此得到层次聚类树，并对供需层次聚类树中的主要供需簇进行标识；主要供需簇标识为：供需簇内供需单元数量占总供需单元数量百分之五(此标准也可调整)以上的供需簇，方可认定为主要簇，主要簇的数量可调整，如有12个满足要求的主要簇，此时可按照簇的规模大小从大而小选取1-12个簇作为主要簇。

步骤三：对步骤二中的主要供需簇动态变化规律进行建模学习，针对供需双方主要类别的供需簇建立长短期记忆网络模型，使用在线学习方法对连续不断的供需变化数据进行学习，实时更新供需簇的预测模型，实时获取供需簇的模糊区间预测结果，并由此判定整体供需匹配的偏移趋势，设定预测可信阈值，基于供需实时预测模块的供需预测结果，根据模型近期供需预测结果准确度计算供需预测可信度；

步骤四：消除供需偏移惯性，在预测可信的条件下，依据步骤三得到的供需偏移趋势，做出相应程度的惯性消除决策，采取包括提升或降低供或需的数量、加快或减缓供与需的匹配速率措施；

步骤五：对步骤二中得到的层次聚类树中的供需簇进行配对，配对时根据供需匹配规模，设置层次聚类树配对起始层次，具体为：

设供应聚类层数为m，需求聚类层数为n，1＞k、l＞0为规模系数，规模越大则k、l越小，以从供应层次聚类树自上往下数第m*k层开始匹配，节点数目少的方向为上；

供应层次聚类树中的第m*k层中的供应簇集合将从需求层次聚类树中的第n*l层中的需求簇集合开始匹配，一直匹配到需求层次聚类树中的第n-n*l层，期间，计算簇内关键匹配属性均值，当供应簇关键属性均值a与需求簇关键属性均值b差值满足|a-b|＜c*max{a,b},1＞c＞0时，则视为满足匹配要求，其中c为簇匹配系数，可灵活设置；若匹配过程中某供应簇与某需求簇之间满足匹配要求，也即形成了供需簇对，则将层次聚类树中满足匹配要求的供需簇根系移出，后续过程不再遍历已配对的供需簇及其根系；

当供应层次聚类树中的第m*k层中的供应簇集合从需求层次聚类树中的第n*l层一直匹配到需求层次聚类树中的第n-n*l层时，再从供应层次聚类树中的第m*k+1层开始匹配需求层次聚类树中的第n*l层到第n-n*l层，直至供应层次聚类树遍历至第m-m*k层；对遍历后未成功配对的簇按照层次聚类树根节点进行释放；

步骤六：对步骤一中得到的供需簇对内的供需单元进行匹配；

步骤七：判断步骤五释放的供需单元以及步骤六释放的供需单元规模，若规模超出设定阈值，则对其重复步骤一至步骤六的过程，进行再次聚类与再次匹配，若不超过则进入步骤八；

步骤八：将步骤五释放的供需单元以及步骤六释放的供需单元进行整合，将其中高优先级的供需单元提出，遍历剩余供需单元，满足尽可能多的高优先级供需单元匹配意向，以达到高优先级供需单元插队匹配的功能；

步骤九：将步骤八处理剩余的供需单元进行匹配、整合，生成一个强化学习智能体，以当前供需单元为环境，随机选择一供需单元匹配初始解，并以调整初始解为动作，对计算智能体在此环境下每个动作的奖励，由此得到供需单元的最优供需匹配结果，并将不满足供需匹配条件的供需单元释放；奖励计算具体为：

设目标数为z，供需匹配解为x，使用启发式方法在当前供需匹配环境下对单目标最优化函数S_y(x)求解h次，将在h次中的平均值

作为理想解值，则可得到理想解集

并设

为优化h次中的最大值，将得到的理想解集映射到模糊集合中，由公式一即可得到模糊理想解集为

其中μ_A(S_y)为S_y对应的模糊隶属度，当模糊隶属度越接近1则说明解越理想，越接近0则相反；

此时，由强化学习智能体选择的每一个决策形成的可行解x，同样可由公式二得到当前模糊解集B:{＜S₁(x),μ_B(S₁)＞,...,＜S_y,μ_B(S_y)＞,...,<S_z,μ_B(S_z)＞}，使用模糊关系熵计算当前解集B和理想解集A的距离，模糊关系熵越小则两个集合越接近，即可由每一次决策后的模糊关系熵变化量决定当前供需匹配动作的奖励，使解集B不断接近理想解集A，最终形成多目标最优解；模糊关系熵的计算可参见公式三：

其中：

步骤十：将步骤九中释放的供需单元以及供需过程中受各种因素影响而中断的供需单元重新匹配，提升此轮匹配中未匹配以及失败的供需单元优先级，将其加入新一轮供需匹配中，根据新的供需单元由步骤一开始新一轮供需匹配。

下面结合具体实例对本发明做进一步说明。

以云计算中工作流计算任务与IAAS平台中的虚拟计算单元匹配为例，设各工作流在第一个匹配轮次中有一千个计算任务，其任务量、优先级别等属性不一，设IAAS平台在第一个匹配轮次中有五百个虚拟计算单元，其计算性能、失败率等属性不一。

以用三角模糊数描述模糊属性为例，某计算任务量可用三角模糊数描述为(75,80,95)，同样地，对应的虚拟计算单元计算能力属性可描述为(100,120,125)，而描述非模糊属性时，如计算任务的优先级为1，也可用三角模糊数描述为(1,1,1)；由此即可对计算任务及计算单元的各属性进行初始化描述。

进一步地，即可基于计算任务与计算单元的各种属性进行层次聚类操作，假设计算任务聚类后得到一个五层的聚类树，每层节点数量分别为1、15、100、300、1000，计算单元聚类后得到一个四层的聚类树，每层节点数量分别为1、8、100、500。由此即可对主要簇进行标识，设计算任务中的主要簇为第二层中的十个簇及第三层中的两个簇，设计算单元中的主要簇为第二层中的七个簇及第三层中的一个簇。以各簇的若干关键属性平均值作为簇的标识，由此即可在若干轮计算任务与计算单元匹配过程中观察簇内单元的变化，由此在线训练若干长短期记忆网络模型，用以实时预测簇内单元变化。

当预测模型近若干匹配轮次的预测结果与真实值差距在一定范围内，即可由此差距值得到预测结果的可信度，并根据可信度与预测到的供需偏移幅度做出相应程度的校正措施，如提前增加若干计算单元以满足计算任务的惯性增长，以满足计算任务的时效约束，或提前削减计算单元数量，以控制在应对计算任务惯性衰减情况下的计算维护成本。

同时针对聚类后的计算任务与计算单元聚类树，可从计算任务第2层开始，根据簇内关键属性平均值，如计算任务量，搜索计算单元聚类树中簇内关键属性平均值如计算能力值与计算任务量在同一水平的簇，从计算单元聚类树第2层搜索至第3层，由此得到若干匹配簇对。计算任务聚类树第2层匹配完之后，再从计算任务聚类树第三层开始搜索计算单元聚类树2至3层进行簇匹配，依次模式，再将计算任务聚类数第3层进行匹配。

假设计算任务簇中有60个簇与计算单元簇中的60个簇匹配成功，则可对匹配成功的簇对进行簇对内单元匹配，也即建立60个强化学习智能体，分别对每个簇对进行单元级别匹配，设最优化目标为成本最小、任务计算时间最小、资源利用率最大，由此即可形成多目标优化问题。首先用单目标优化算法得到若干次优化下的最优解集，再将强化学习智能体选择的解与最优解分别映射到模糊集合中，由此即可利用模糊相对熵计算两个解之间的距离，由距离的变化度作为强化学习的解集调整动作的奖励，距离减小则获得奖励，增加则获得惩罚，由此实现簇对内单元级别的匹配。

假设匹配完成之后剩下簇对内未成功匹配的100个计算任务与50个计算单元以及簇对外的50个计算任务与25个计算单元，也就是说剩余150个计算任务与75个计算单元未匹配，并且其规模不大，因此决定不进行二次聚类与二次簇匹配操作。接下来找到计算任务和计算单元优先级最高的一批(也可以根据数量灵活扩大选择优先级次高的一批)，假设当前计算任务最高优先级为4(优先级最低为0)，共有5个计算任务，计算单元当前最高优先级为2，共有3个计算单元，由此即可进行一维搜索对高优先级的计算任务和单元进行匹配，设最后剩下一个计算任务未匹配成功。接下来则对剩余非最高优先级的计算任务和单元进行匹配，同样采用强化学习的方式，假设最后剩下80个计算任务与5个计算单元未能匹配成功，则将这部分单元优先级提升一个层次，接下来即可将此部分计算任务与单元投入到下一轮供需匹配中去。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种基于预测的模糊供需匹配方法，其特征在于，包括以下步骤：

步骤一：初始化供需环境，将供需双方涉及到的属性采用模糊数进行描述，得到模糊属性的供需单元组合，将供需单元的组合描述为供应簇和需求簇，合称供需簇，将供需单元的匹配对描述为供需单元对，将供需簇的匹配对描述为供需簇对；

步骤二：对步骤一中得到的具有模糊属性的供需单元组合分别进行层次聚类操作，由此得到层次聚类树，并对供需层次聚类树中的主要供需簇进行标识；

步骤三：对步骤二中的主要供需簇变化规律进行建模学习，实时更新模型并获取模糊区间预测结果，并由此得到供需偏移趋势以及预测可信度；

步骤四：消除供需偏移惯性，在预测可信的条件下，依据步骤三得到的供需偏移趋势，做出相应程度的惯性消除决策，采取包括提升或降低供或需的数量、加快或减缓供与需的匹配速率措施；

步骤五：对步骤二中得到的层次聚类树中的供需簇进行配对；

步骤六：对步骤一中得到的供需簇对内的供需单元进行匹配；

步骤七：判断步骤五释放的供需单元以及步骤六释放的供需单元规模，若规模超出设定阈值，则对其重复步骤一至步骤六的过程，进行再次聚类与再次匹配，若不超过则进入步骤八；

步骤八：将步骤五释放的供需单元以及步骤六释放的供需单元进行整合，将其中高优先级的供需单元提出，遍历剩余供需单元，满足高优先级供需单元匹配意向，以达到高优先级供需单元插队匹配的功能；

步骤九：将步骤八处理剩余的供需单元进行匹配，实现此轮匹配中可匹配意愿的全匹配，并将不满足供需匹配条件的供需单元释放；

步骤十：将步骤九中释放的供需单元以及供需过程中受各种因素影响而中断的供需单元重新匹配，提升此轮匹配中未匹配以及失败的供需单元优先级，将其加入新一轮供需匹配中，根据新的供需单元由步骤一开始新一轮供需匹配。

2.根据权利要求1所述的一种基于预测的模糊供需匹配方法，其特征在于，步骤一使用三角模糊数描述模糊属性，具体包括：

模糊供需属性可用三角模糊数描述为(a1,a2,a3)，表明该属性值隶属于a1至a3这个集合内，采用模糊隶属度得到值对此模糊集合的隶属度，隶属度越高，则表明此值隶属于此集合的真实程度越高，三角模糊数隶属度可由公式一计算得到：

其中，a2对应的模糊隶属度最高为1，a1至a3区间内的模糊隶属度取值不一，区间外的模糊隶属度则为0；当描述确定值时a1、a2、a3相等，此时模糊隶属度只有0、1两种取值。

3.根据权利要求2所述的一种基于预测的模糊供需匹配方法，其特征在于，步骤二具体包括：对供需双方进行聚类操作，分别选取供需单元模糊属性，采用豪斯多夫距离作为层次聚类中的模糊数的距离度量，由此得到供需双方的层次聚类结果；层次聚类得到的结果称为层次聚类树，对层次聚类树中的主要供需簇设置标识。

4.根据权利要求3所述的一种基于预测的模糊供需匹配方法，其特征在于，步骤三具体包括：对供需双方的动态变化规律进行实时学习与预测，针对供需双方主要类别的供需簇建立长短期记忆网络模型，使用在线学习方法对连续不断的供需变化数据进行学习，实时更新供需簇的预测模型，实时获取供需簇的模糊区间预测结果，并由此判定整体供需匹配的偏移趋势，设定预测可信阈值，基于供需实时预测模块的供需预测结果，根据模型近期供需预测结果准确度计算供需预测可信度。

5.根据权利要求4所述的一种基于预测的模糊供需匹配方法，其特征在于，步骤五配对时根据供需匹配规模，设置层次聚类树配对起始层次，具体为：

设供应聚类层数为m，需求聚类层数为n，1＞k、l＞0为规模系数，规模越大则k、l越小，以从供应层次聚类树自上往下数第m*k层开始匹配，节点数目少的方向为上；k、l定义如下：

其中，s为供应层次聚类树中的供应单元总数，d为需求层次聚类树中的需求单元总数；

供应层次聚类树中的第m*k层中的供应簇集合将从需求层次聚类树中的第n*l层中的需求簇集合开始匹配，一直匹配到需求层次聚类树中的第n-n*l层，期间，计算簇内关键匹配属性均值，当供应簇关键属性均值a与需求簇关键属性均值b差值满足|a-b|＜c*max{a,b},1＞c＞0时，则视为满足匹配要求，其中c为簇匹配系数，可灵活设置；若匹配过程中某供应簇与某需求簇之间满足匹配要求，也即形成了供需簇对，则将层次聚类树中满足匹配要求的供需簇根系移出，后续过程不再遍历已配对的供需簇及其根系；

当供应层次聚类树中的第m*k层中的供应簇集合从需求层次聚类树中的第n*l层一直匹配到需求层次聚类树中的第n-n*l层时，再从供应层次聚类树中的第m*k+1层开始匹配需求层次聚类树中的第n*l层到第n-n*l层，直至供应层次聚类树遍历至第m-m*k层；对遍历后未成功配对的簇按照层次聚类树根节点进行释放。

6.根据权利要求5所述的一种基于预测的模糊供需匹配方法，其特征在于，步骤九具体为：将剩余的供需单元进行整合，生成一个强化学习智能体，以当前供需单元为环境，随机选择一供需单元匹配初始解，并以调整初始解为动作，对计算智能体在此环境下每个动作的奖励，由此得到供需单元的最优供需匹配结果，并将不满足供需匹配条件的供需单元释放。

7.根据权利要求6所述的一种基于预测的模糊供需匹配方法，其特征在于，奖励计算具体为：

设目标数为z，供需匹配解为x，使用启发式方法在当前供需匹配环境下对单目标最优化函数S_y(x)求解h次，将在h次中的平均值

作为理想解值，则可得到理想解集

并设

为优化h次中的最大值，将得到的理想解集映射到模糊集合中，由公式一即可得到模糊理想解集为

其中μ_A(S_y)为S_y对应的模糊隶属度，当模糊隶属度越接近1则说明解越理想，越接近0则相反；

此时，由强化学习智能体选择的每一个决策形成的可行解x，同样可由公式二得到当前模糊解集B:}<S₁(x),μ_B(S₁)>,…,<S_y,μ_B(S_y)>,…,<S_z,μ_B(S_z)>}，使用模糊关系熵计算当前解集B和理想解集A的距离，模糊关系熵越小则两个集合越接近，即可由每一次决策后的模糊关系熵变化量决定当前供需匹配动作的奖励，使解集B不断接近理想解集A，最终形成多目标最优解；模糊关系熵的计算可参见公式三：

其中：

Images