【论文复现】插秧机的任务规划

偏执的太偏执、 2023-01-13 08:34 120阅读 0赞

### 文章目录 ###

*  导读
 *  广告
 *  数据集
 *  开始实验
 *  开始实验V2.0
 *  最短路径
 *  参考文献

# 导读 #

在进行任务规划的时候，可以使用图论进行规划。每一个节点作为任务过程中的一个状态。而节点之间的连线既可以表示状态转移顺序，又可以用来表示活动名称。通过最大生成子图，我们可以求出状态之间的最短路径或者是最大流等问题。

那么，是不是知识图谱也能够构建这样一张图？同样是将状态作为节点，同样是将状态转变顺序作为节点间关系，同样是使用图论方法求解点与点之间的最短路径，同样是需要求解实际中的最大流问题。听起来一点问题都没有。

那么来试试？

# 广告 #

微信公众号上也有同步更新哦，快来看看吧！

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L29yZGluYXJ5X2Jyb255_size_16_color_FFFFFF_t_70_pic_center]

现在扫码关注，以后你就是老粉啦！

# 数据集 #

为了更快地访问速度，我把数据和代码全部放在这里了：[点击这里传送][Link 1]

# 开始实验 #

首先明确，我们要构建知识图谱的话就需要一个三元组，其中需要包括：

*  主体
 *  客体
 *  关系

看起来很简单，试试看吧。

说到知识图谱的话，那一定就是py2neo了；说到csv文件读取的话，那一定就是pandas了。既然这样，我们就先来确定一下最基本的配置项：

import os
    import pandas as pd
    from py2neo import Node, Graph, Relationship, NodeMatcher
    # 配置类
    class CONFIG(enumerate):
      # Neo4j地址
      URL = 'http://172.17.0.1:1074'
      # 用户名
      USERNAME = 'neo4j'
      # 密码
      PASSWORD = 'password'
      # csv文件路径
      CSV = os.getcwd() + '/task_architect.csv'
      pass

然后我们再确认一下图的连接：

graph = Graph(
      CONFIG.URL,
      username=CONFIG.USERNAME,
      password=CONFIG.PASSWORD
    )

如果Graph里的任何一个参数不正确，都会报连接失败的错。没有报错就是正确的。

为了更好地处理数据，我们把数据拉出来：

dictionary = pd.DataFrame({ 
      'subject': list(self.raw_data['subject']),
      'object': list(self.raw_data['object']),
      'relation': list(self.raw_data['relation'])
    })

然后创建节点：

for key in dictionary['subject']:
      self.graph.create(Node('subject', name=key))
      pass
    for key in dictionary['object']:
      self.graph.create(Node('object', name=key))
      pass

最后创建关系：

for item in range(0, len(self.dictionary)):
      matcher = NodeMatcher(graph)
      try:
        graph.create(
          Relationship(
            matcher.match('subject').where(f"_.name='{self.dictionary['subject'][item]}'").first(),
            dictionary['relation'][item],
            matcher.match('object').where("_.name='" + self.dictionary['object'][item] + "'").first()
          )
        )
        pass
      except AttributeError as ae:
        print(item, ae)
        pass
      pass
    pass

在这里，where函数在官方文档里面的介绍应当是这样：

where('_.name="%s"' % string)

或者在Python3里面可以这样：

where(f'_.name="{ string }"')

但是实际上，也是可以直接加入参数：

where(name=string)

有了这些之后，我们最后来执行一下看看成果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L29yZGluYXJ5X2Jyb255_size_16_color_FFFFFF_t_70_pic_center 1]

离谱！这建立的是个什么玩意儿！这和说好的任务状态网完全不一样啊！

那么，聪明的你，会在哪里看到蹊跷呢？

没错，节点的颜色不一样。

既然都是同一张网上的同类任务，那就一定是同样的类型、同样的颜色。

所以，在创建节点的时候，应当使用同样的类别。

# 开始实验V2.0 #

于是我们修改一下创建节点部分：

for key in set(
      dataImporter.raw_data['subject'])
      .union(set(
        dataImporter.raw_data['object']
      )):
          self.graph.create(Node('subject', name=key))
          pass

于是，所有的集合全部放在了一起，并且去掉了重复的内容。

既然节点改了，创建关系的部分也就需要修改一下：

for item in range(0, len(self.dictionary)):
      try:
        self.graph.create(
          Relationship(
            self.matcher.match('subject').where(f"_.name='{self.dictionary['subject'][item]}'").first(),
            self.dictionary['relation'][item],
            # 将标签从object改成subject
            self.matcher.match('subject').where(f"_.name='{self.dictionary['object'][item]}'").first()
          )
        )
        pass
      except AttributeError as ae:
        print(item, ae)
        pass
      pass
    pass

可以看到，注释的地方和上面确实有所不同。

我们重新试试：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L29yZGluYXJ5X2Jyb255_size_16_color_FFFFFF_t_70_pic_center 2]

现在才看起来像一张网嘛。

# 最短路径 #

既然有了这样一张错综复杂的图，我们就能够使用图论进行分析了。不过，知识图谱也给我们封装好了一些求解最短路径的查询接口。

在`Neo4j`中我们使用语句：

MATCH (r:subject{ name:'副变速手柄切入“田间作业档”或“路上行驶档”'}),
          (s:subject{ name:'推动主变速手柄'}),
          p=shortestpath((r)-[*..10]-(s))
    RETURN p

意思就是：

1.  确认起点 r r r
2.  确认终点 s s s
3.  查出 r r r到 s s s的最短路径 p p p
4.  使用`shortestpath`查询语句。其中， r r r和 s s s之间的中括号表示查询条件，这里是指度最大为 10 10 10
5.  返回路径 p p p

于是`Neo4j`中也返回了结果：

![在这里插入图片描述][2021041619485262.png_pic_center]

相当完美不是吗？

是不是有点能理解了呢？

# 参考文献 #

[\[1\]汪鑫禹. 基于知识图谱的自主作业插秧机任务规划研究\[D\].安徽农业大学,2020.][1_. _D_._2020.]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L29yZGluYXJ5X2Jyb255_size_16_color_FFFFFF_t_70_pic_center]: /images/20221022/c57ce9128c074ac1aed052fce675f873.png
[Link 1]: https://gitee.com/sakebow/architect_planning
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L29yZGluYXJ5X2Jyb255_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221022/394d63bc386f40d99a2d93230b291607.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L29yZGluYXJ5X2Jyb255_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221022/89891866d71943ba8516ffccec210a80.png
[2021041619485262.png_pic_center]: /images/20221022/7886d81a5273463190c639078a948f39.png
[1_. _D_._2020.]: https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CMFD&dbname=CMFD202101&filename=1020093740.nh&v=zgGrcUdWUeKtsDITOIJrFRkzvpioKrJOoOQPmYa4VeZxy2xOdniXDvom3x%25mmd2FIIgxS