一种特定目标网络多任务多资源匹配平台

技术领域

本发明涉及资源匹配技术领域，具体为一种特定目标网络多任务多资源匹配平台。

背景技术

目前，想要获取某一资源前，需要资源需求方自己提前去咨询和了解从哪些途径及资源供应方可以获取到这些资源信息，找到资源供应方还需要将自己的需求一一列明，反复沟通才能清楚的确认需求，资源获取的效率低，因此，有必要进行改进。

发明内容

本发明的目的在于提供一种特定目标网络多任务多资源匹配平台，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种特定目标网络多任务多资源匹配平台，包括处理器单元、资源数据采集单元、数据处理单元，所述资源数据采集单元输出端连接数据处理单元输入端，所述数据处理单元输出端连接图神经网络构建单元连接处理器单元，所述处理器单元连接图强化学习单元，所述图强化学习单元连接资源匹配单元。

优选的，本申请提供的一种特定目标网络多任务多资源匹配平台，其中，所述资源数据采集单元包括快速数据采集单元、高精度数据采集单元和数据传输单元，所述快速数据采集单元、高精度数据采集单元输入端分别连接多通道数据接口，所述快速数据采集单元、高精度数据采集单元输出端分别连接数据传输单元。

优选的，本申请提供的一种特定目标网络多任务多资源匹配平台，其中，所述数据处理单元包括资源数据处理请求模块、资源处理方式获取模块、资源状态信息判断模块和资源处理方式响应模块，所述资源数据处理请求模块连接资源处理方式获取模块，所述资源处理方式获取模块通过资源状态信息判断模块连接资源处理方式响应模块。

优选的，本申请提供的一种特定目标网络多任务多资源匹配平台，其中，所述图神经网络构建单元包括原始数据获取模块、图结构数据转换模块和神经网络模块构建模块，所述原始数据获取模块通过图结构数据转换模块连接神经网络模块构建模块。

优选的，本申请提供的一种特定目标网络多任务多资源匹配平台，其中，所述图强化学习单元构包括图神经网络和深度强化学习网络，图神经网络包括但不限于GCN(GraphConvolutional Network，简称GCN)、GAT(Graph AttentionNetwork，简称GAT)、GraphSAGE(Graph Sample and Aggregate Network，简称GraphSAGE)，深度强化学习网络包括但不限于DQN(Deep Q-Network，简称DQN)、A3C(AsynchronousAdvantage Actor-Critic，简称A3C)、PPO(Proximal Policy Optimization，简称PPO)、DDPG(Deep Deterministic PolicyGradient，简称DDPG)。

优选的，本申请提供的一种特定目标网络多任务多资源匹配平台，其中，其使用方法包括以下步骤：

A、首先资源数据采集单元采集原始资源数据并传输至数据处理单元对资源数据进行处理；

B、处理后的资源处理通过图神经网络构建单元构建深度图神经网络模型；

C、之后图强化学习单元对构建后的神经网络模型泛化到互联资源图中；

D、最后根据对应的标准协议将资源业务请求封装成资源业务需求并发布。

优选的，所述数据处理单元处理方法如下：

a、响应用户的资源数据处理请求，并获取与请求对应的各个资源处理方式，以及各个资源处理方式的当前资源状态信息；

b、判断各个资源处理方式的当前资源状态信息是否满足相应的预设条件，如果满足，则显示所述资源处理方式；

c、响应用户对资源处理方式的确定，并对资源数据进行处理。

优选的，所述图神经网络构建单元构建方法如下：

a、获取原始资源数据中具有相关性以及时序性的特征；

b、将获取的特征转化为图结构数据；

c、构建深度图神经网络模型。

与现有技术相比，本发明的有益效果是：本发明工作原理简单，智能化程度高，能够实现多目标任务进行快速的多资源匹配和资源重组，结合图神经网络的空间结构进行高效训练，在快速收敛的同时获取完成攻击目标任务最佳杀伤链和最小目标代价的可行方式，为任务决策提供重要的辅助信息；在实际环境多任务并行的应用中，根据不同决策意图选择不同逻辑的概率权重，从而决定分配不同作战资源以达成目标。

附图说明

图1为本发明工作原理框图；

图2为本发明资源数据采集单元原理框图；

图3为本发明数据处理单元原理框图；

图4为本发明图神经网络构建单元原理框图；

图5为本发明流程图；

图中：处理器单元1、资源数据采集单元2、数据处理单元3、图神经网络构建单元4、图强化学习单元5、资源匹配单元6、资源数据处理请求模块7、资源处理方式获取模块8、资源状态信息判断模块9、资源处理方式响应模块10、原始数据获取模块11、图结构数据转换模块12、神经网络模块构建模块13、快速数据采集单元14、高精度数据采集单元15、数据传输单元16、多通道数据接口17。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参阅图1-5，本发明提供一种技术方案：一种特定目标网络多任务多资源匹配平台，包括处理器单元1、资源数据采集单元2、数据处理单元3，所述资源数据采集单元2输出端连接数据处理单元3输入端，所述数据处理单元3输出端连接图神经网络构建单元4连接处理器单元1，所述处理器单元1连接图强化学习单元5，所述图强化学习单元5连接资源匹配单元6。

本发明中，资源数据采集单元2包括快速数据采集单元14、高精度数据采集单元15和数据传输单元16，所述快速数据采集单元14、高精度数据采集单元15输入端分别连接多通道数据接口17，所述快速数据采集单元14、高精度数据采集单元15输出端分别连接数据传输单元16。本发明采用的资源数据采集单元可以缩短了数据采集周期，提高了数据采集的实时性和数据交换速度。

本发明中，数据处理单元3包括资源数据处理请求模块7、资源处理方式获取模块8、资源状态信息判断模块9和资源处理方式响应模块10，所述资源数据处理请求模块7连接资源处理方式获取模块8，所述资源处理方式获取模块8通过资源状态信息判断模块9连接资源处理方式响应模块10。

本发明中，图神经网络构建单元4包括原始数据获取模块11、图结构数据转换模块12和神经网络模块构建模块13，所述原始数据获取模块11通过图结构数据转换模块12连接神经网络模块构建模块13。

本发明中，图强化学习单元构包括图神经网络和深度强化学习网络，图神经网络包括但不限于GCN(Graph Convolutional Network，简称GCN)、GAT(GraphAttentionNetwork，简称GAT)、GraphSAGE(Graph Sample and Aggregate Network，简称GraphSAGE)，深度强化学习网络包括但不限于DQN(Deep Q-Network，简称DQN)、A3C(AsynchronousAdvantage Actor-Critic，简称A3C)、PPO(Proximal PolicyOptimization，简称PPO)、DDPG(Deep Deterministic Policy Gradient，简称DDPG)。

工作原理：本发明的使用方法包括以下步骤：

A、首先资源数据采集单元采集原始资源数据并传输至数据处理单元对资源数据进行处理；

B、处理后的资源处理通过图神经网络构建单元构建深度图神经网络模型；

C、之后图强化学习单元对构建后的神经网络模型泛化到互联资源图中；

D、最后根据对应的标准协议将资源业务请求封装成资源业务需求并发布。

本发明中，数据处理单元处理方法如下：

a、响应用户的资源数据处理请求，并获取与请求对应的各个资源处理方式，以及各个资源处理方式的当前资源状态信息；

b、判断各个资源处理方式的当前资源状态信息是否满足相应的预设条件，如果满足，则显示所述资源处理方式；

c、响应用户对资源处理方式的确定，并对资源数据进行处理。

本发明中，图神经网络构建单元构建方法如下：

a、获取原始资源数据中具有相关性以及时序性的特征；

b、将获取的特征转化为图结构数据；

c、构建深度图神经网络模型。

综上所述，本发明工作原理简单，智能化程度高，能够实现多目标任务进行快速的多资源匹配和资源重组，结合图神经网络的空间结构进行高效训练，在快速收敛的同时获取完成攻击目标任务最佳杀伤链和最小目标代价的可行方式，为任务决策提供重要的辅助信息；在实际环境多任务并行的应用中，根据不同决策意图选择不同逻辑的概率权重，从而决定分配不同作战资源以达成目标。

需要说明的是，在本文中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。