根据《基于GIN-PPO算法求解资源受限项目调度问题研究》这篇论文的内容，状态设计编码主要涉及到以下几个方面： 1. **项目网络图构建**：项目网络图用来表征调度决策过程中的状态信息，从活动的调度特征、时间特征、工艺逻辑特征以及资源特征四个方面设计项目网络图的节点特征向量。 2. **节点特征向量设计**：每个节点的特征向量包含以下几个维度的信息： - **调度特征** (`Ui`)：活动在状态 `St` 是否已经被调度（1 表示已调度，0 表示未调度）。 - **时间特征** (`Wi`)：包含活动持续时间 `di` 和自由松弛时间 `FTi`。 - **工艺逻辑特征** (`Di`)：包含总紧后活动数量 `TSi`、总紧后活动持续时间 `TEi` 和总的紧后关键活动数量 `CSi`。 - **资源特征** (`Ei`)：包含最大资源需求量 `MRi`、资源需求类型 `KRi`、资源约束程度平均值 `ARi` 和资源约束程度标准差 `SRi`。 3. **特征向量的标准化**：为了确保不同特征在同一尺度上，需要对特征向量进行标准化处理。 以下是Python实现状态设计编码的一个简化版本。这个例子使用了`numpy`来进行数值计算，并假设我们有一个包含活动信息的DataFrame `df_activities`。这个例子仅涵盖基本的特征提取和标准化处理。 ### Python代码实现 #### 导入库 ```python import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler ``` #### 示例数据准备 假设我们有一个包含活动信息的DataFrame `df_activities`，列名为 `activity_id`, `start_time`, `end_time`, `duration`, `free_slack`, `num_successors`, `successor_duration_sum`, `critical_successors_count`, `max_resource_req`, `resource_type`, `avg_constraint_degree`, `std_constraint_degree`。 ```python # 示例数据 data = { 'activity_id': [1, 2, 3], 'start_time': [0, 0, 0], 'end_time': [0, 0, 0], 'duration': [5, 4, 6], 'free_slack': [2, 1, 3], 'num_successors': [2, 3, 1], 'successor_duration_sum': [9, 10, 6], 'critical_successors_count': [1, 2, 0], 'max_resource_req': [2, 3, 1], 'resource_type': [[1], [2], [1]], 'avg_constraint_degree': [0.8, 0.7, 0.9], 'std_constraint_degree': [0.1, 0.2, 0.15] } df_activities = pd.DataFrame(data) # 添加调度特征列，默认为0（未调度） df_activities['scheduled'] = 0 ``` #### 特征提取 ```python def extract_features(df_activities): # 创建特征矩阵 features = [] for index, row in df_activities.iterrows(): # 调度特征 scheduled_feature = [row['scheduled']] # 时间特征 time_feature = [row['duration'], row['free_slack']] # 工艺逻辑特征 logic_feature = [ row['num_successors'], row['successor_duration_sum'], row['critical_successors_count'] ] # 资源特征 resource_feature = [ row['max_resource_req'], sum(row['resource_type']), # 资源需求类型 row['avg_constraint_degree'], row['std_constraint_degree'] ] # 合并特征向量 feature_vector = scheduled_feature + time_feature + logic_feature + resource_feature features.append(feature_vector) return np.array(features) features_matrix = extract_features(df_activities) print("Feature Matrix:\n", features_matrix) ``` #### 特征标准化 ```python scaler = MinMaxScaler() # 标准化特征矩阵 normalized_features = scaler.fit_transform(features_matrix) print("Normalized Feature Matrix:\n", normalized_features) ``` #### 图同构网络 (GIN) 输入 GIN需要输入节点特征和图的邻接矩阵。这里我们假设已经有了邻接矩阵 `adj_matrix`。 ```python # 示例邻接矩阵（假设为稀疏矩阵） adj_matrix = np.array([ [0, 1, 0], [0, 0, 1], [0, 0, 0] ]) class GINInput: def __init__(self, node_features, adjacency_matrix): self.node_features = node_features self.adjacency_matrix = adjacency_matrix gin_input = GINInput(normalized_features, adj_matrix) print(gin_input.node_features) print(gin_input.adjacency_matrix) ``` ### 注意事项 - **邻接矩阵**：邻接矩阵可以根据活动之间的先后关系构建，具体实现取决于实际应用场景。 - **特征标准化**：使用`MinMaxScaler`是为了确保不同特征在同一尺度上，这对于神经网络的训练非常重要。 - **GIN实现**：GIN的实现可以使用现有的图神经网络库如PyTorch Geometric或Deep Graph Library (DGL)。如果需要完整的GIN实现，请参考这些库的官方文档。 这段代码展示了如何从活动数据中提取特征并向量化，以及如何标准化这些特征以便于后续的图神经网络处理。根据具体的项目需求，您可能需要进一步细化和扩展这个实现。