CN119294403A 面向组合优化自动建模的训练数据生成方法及系统 （中科南京人工智能创新研究院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119294403A(43)申请公布日2025.01.10

(21)申请号202411807081.6

(22)申请日2024.12.10

(71)申请人中科南京人工智能创新研究院

地址211135江苏省南京市江宁区创研路

266号麒麟人工智能产业园3号楼3楼申请人中国科学院自动化研究所

(72)发明人刘宇鸣张一帆

GO6F16/35(2025.01)

GO6F18/214(2023.01)

GO6F18/23(2023.01)

GO6F18/213(2023.01)

GO6N3/044(2023.01)

(74)专利代理机构北京中先生知识产权代理事

务所(普通合伙)16063专利代理师窦贤宇

(51)Int.CI.

GO6F40/30(2020.01)

GO6F16/36(2019.01)

GO6N5/04(2023.01)

GO6F16/334(2025.01)

权利要求书5页说明书18页附图3页

(54)发明名称

面向组合优化自动建模的训练数据生成方法及系统

(57)摘要

CN119294403A本发明公开了一种面向组合优化自动建模的训练数据生成方法及系统，该方法包括接收问题描述文本，通过语义分析和知识推理提取关键信息，构建结构化的优化问题表示；读取结构化表示，从二值标签矩阵提取目标函数组件，从约束关系邻接矩阵提取约束函数组件，从变量依赖矩阵提取变量定义组件，将组件整合形成模型组件集合；为变量生成取值区间参数，为约束矩阵生成系数参数，为目标函数生成权重参数，得到参数化模型实例；对场景元素、变量和约束描述应用相应模板生成问题描述文本。本发明通过系统化的信息提取和参数生成方法，实现了高质量

CN119294403A

步骤

步骤S1、获取供应链优化领域知识，构建三元组关系，得到领域本体图谱；读取原始供应链优化问题集合，基于原始供应链优化问题集合和领域本体图谱，提取语义特征，获得特征向量集合；将特征向量集合和领域本体图谱转换为结构化的优化问题表示集合；

步骤S2、将优化问题表示集合进行分解，得到模型组件集合；对模型组件集合进行标准化转换，生成标准化数学模型集合；基于标准化数学模型集合，提取模型模式，构建模型模板库；

步骤S3、基于标准化数学模型集合和模型模板库，生成参数化模型实例集；将参数化模型实例集转换为结构化描述元素集；对结构化描述元素集应用语言生成规则，形成问题描述集合；

步骤S4、对标准化数学模型集合进行结构变换，得到结构扰动模型集；对结构扰动模型集执行参数扰动，得到参数扰动模型集；将参数扰动模型集与问题描述集合匹配，生成扰动后的模型-

描述对集合；

步骤S5、基于扰动后的模型-描述对集合和领域本体图谱，计算得到语义相似度炬阵；基于扰动后的模型-描述对集合，构建结构相似度矩阵；结合语义相似度矩阵和结构相似度矩阵，生成训练数据集，

CN119294403A权利要求书1/5页

2

1.面向组合优化自动建模的训练数据生成方法，其特征在于，包括如下步骤：

S1、获取供应链优化领域知识，构建三元组关系，得到领域本体图谱；读取原始供应链优化问题集合，基于原始供应链优化问题集合和领域本体图谱，提取语义特征，获得特征向量集合；将特征向量集合和领域本体图谱转换为结构化的优化问题表示集合；

S2、将优化问题表示集合进行分解，得到模型组件集合；对模型组件集合进行标准化转换，生成标准化数学模型集合；基于标准化数学模型集合，提取模型模式，构建模型模板库；

S3、基于标准化数学模型集合和模型模板库，生成参数化模型实例集；将参数化模型实例集转换为结构化描述元素集；对结构化描述元素集应用语言生成规则，形成问题描述集合；

S4、对标准化数学模型集合进行结构变换，得到结构扰动模型集；对结构扰动模型集执行参数扰动，得到参数扰动模型集；将参数扰动模型集与问题描述集合匹配，生成扰动后的模型-描述对集合；

S5、基于扰动后的模型-描述对集合和领域本体图谱，计算得到语义相似度矩阵；基于扰动后的模型-描述对集合，构建结构相似度矩阵；结合语义相似度矩阵和结构相似度矩阵，生成训练数据集。

2.根据权利要求1所述的面向组合优化自动建模的训练数据生成方法，其特征在于，步骤S1进一步为：

S11、