CN119398715A 一种基于生成对抗网络的项目管理系统及方法 （信通院(河北)科技创新研究院有限公司）

一种基于生成对抗网络的项目管理系统及本发明公开了一种基于生成对抗网络的项2所述特征提取单元，与所述数据采集单元连接，用于从所采集数据中提所述进度预测单元包括生成对抗网络引擎，所述生成对抗网络引擎所述方案生成单元，与所述进度预测单元的输出端连接，用于基于项目进度预测候选记忆iv和当前记忆ct的表达式为：W分别表示相应门控单元的权重矩阵,bo,bc分别表示相应门控单元cijk表示第k个注意力头下节点j对节点i的注意力权重，表示第k个注意力头的变换矩阵，表示第k个注意力头的注意力向量，LeakyRelu表示带泄漏的整流线性单元激活函数，cijk为注意力系数的中间计算结果，它表示3成对抗网络引擎采用多层感知机MLP进行项目进度序列预测，生成对抗网络引擎中包含有P=G(zlc)=MLP(concat(hr,h⃞))，其中，权重初始化采用He初始化：La=BCE(D(X),1)+BCE(D(G(a)),0)+1·LC，约束违反惩罚项的计算为：表示二元交叉熵损失函数，D(x)表示判别器对真实数据x的判别结果，D(G(z))表示判关键路径分析模块计算关键任务序列：CP=(TEsi+Di=LS⃞,其方案整合模块将上述优化结果整合形成最终的进度6.一种基于生成对抗网络的项目管理方法，所述项目管理方法基于权利要求1_5任一步骤S2，从所采集数据中提取时序特征和空间特征步骤S3，通过生成对抗网络引擎基于所述时序特征和空间特征生成项目进度预测序4步骤S4，基于项目进度预测序列生成进度调整序特征hr的提取采用长短时记忆网络LSTM候选记忆iv和当前记忆ct的表达式为：W分别表示相应门控单元的权重矩阵,bo,bc分别表示相应门控单元cijk表示第k个注意力头下节点j对节点i的注意力权重，表示第k个注意力头的变换矩阵，表示第k个注意力头的注意力向量，LeakyRelu表示带泄漏的整流线性单元激活函数，cijk为注意力系数的中间计算结果，它表示在第k个注意力头下，节点j对节点i的成对抗网络引擎采用多层感知机MLP进行项目进度序列预测，生成对抗网络引擎中包含有P=G(zlc)=MLP(concat(hr,h⃞))，其中，权重初始化采用He初始化：La=BCE(D(X),1)+BCE(D(G(a)),0)+1·LC，约束违反惩罚项的计算为：5表示二元交叉熵损失函数，D(x)表示判别器对真实数据x的判别结果，D(G(z))表示判关键路径分析模块计算关键任务序列：CP=(TEsi+Di=LS⃞,其中，Ti代表第i个任方案整合模块将上述优化结果整合形成最终的进度6[0002]传统的项目管理系统和方法在处理大规模、高度不确定性的项目时往往不尽人(PERT)等确定性方法进行项目进度管理，这些方法通常基于经验估计任务持续时间,并通[0003]在实际项目执行过程中,现有项目管理系统难以[0004]这些问题制约了项目管理的效率和效果,在面对复杂多变的项目环境时,现有系7[0014]it=o(wi·[ht-1,xe]+b;)，f=o(w;·[hr-1,xe]+bp)，;[0016]iz=tanh(w·[he-1,x]+b)hr=orotanh(cr)；[0020]eyr=LeakyRelu(af[wr·hzlIwt·hy1)Ni表示节点i的邻域集[0022]cijk表示第k个注意力头下节点j对节点i的注意力权重，表示第k个注意力头的变换矩阵，表示第k个注意力头的注意力向量，LeakyRelu表示带泄漏的整流线性单[0025]P=G(zlc)=MLP(concat(hr,h⃞))，其中，权重初始化采用He初始化：8[0029]关键路径分析模块计算关键任务序列：CP=(TEsi+Di=LS⃞,其中，Ti代表第i;[0043]it=o(wi·[ht-1,xe]+b;)，f=o(w;·[hr-1,xe]+bp)，;[0045]iz=tanh(w·[he-1,x]+b)hr=orotanh(cr)；9[0049]eyr=LeakyRelu(af[wr·hzlIwt·hy1)点i的邻域集合，[0051]cijk表示第k个注意力头下节点j对节点i的注意力权重，表示第k个注意力头的变换矩阵，表示第k个注意力头的注意力向量，LeakyRelu表示带泄漏的整流线性单[0054]P=G(zlc)=MLP(concat(hr,h⃞))，其中，权重初始化采用He初始化：判别器对生成数据的判别结果；λ表示约束违反惩罚项的权重[0058]关键路径分析模块计算关键任务序列：CP=(TEsi+Di=LS⃞,其中，Ti代表第i[0066]本发明通过采用长短时记忆网络LSTM和多头图注意力网络分别提取时序特征和[0074]数据采集支持多种格式：项目进度数据支持导入MicrosoftProject、Oracle[0076]数据采集单元在采集不同类型数据时采用特定的预处理策略：对于项目进度数[0084]it=o(wi·[ht-1,xe]+b;)，f=o(w;·[hr-1,xe]+bp)，;[0086]iz=tanh(w·[he-1,x]+b)hr=orotanh(cr)；[0089]LSTM网络的优化策略包括：采用Adam优化器进行参数更新，初始学习率设为[0090]空间特征提取子单元采用多头图注意力网络进行任务依[0092]eyr=LeakyRelu(af[wr·hzlIwt·hy1)Ni表示节点i的邻域集[0094]cijk表示第k个注意力头下节点j对节点i的注意力权重，表示第k个注意力头的变换矩阵，表示第k个注意力头的注意力向量，LeakyRelu表示带泄漏的整流线性单gx=sigmoid(wg[hilIhyhy=aoh+(1-a)oh；[0103]生成对抗网络引擎采用多层感知机MLP进行项目进度序列预测，生成对抗网络引[0104]P=G(zlc)=MLP(concat(hr,h⃞))，其中，权重初始化采用He初始化：结构，每层的神经元数量依次为[512,256,128,64,32]，除最后一层外均使用判别器对生成数据的判别结果；λ表示约束违反惩罚项的权重[0109]关键路径分析模块计算关键任务序列：CP=(TEsi+Di=LS⃞,其中，Ti代表第i确定性度量σ_i通过分析该任务在多次预测中的完成时间方差计算得出，并结合项目经理[0128]资源调度采用多目标优化方法：(1)资源平滑化：通过最小化资源使用方差;[0131]it=o(wi·[ht-1,xe]+b;)，f=o(w;·[hr-1,xe]+bp)，;[0133]iz=tanh(w·[he-1,x]+b)hr=orotanh(cr)；[0137]eyr=LeakyRelu(af[wr·hzlIwt·hy1)点i的邻域集合，[0139]cijk表示第k个注意力头下节点j对节点i的注意力权重，表示第k个注意力头的变换矩阵，表示第k个注意力头的注意力向量，LeakyRelu表示带泄漏的整流线性单[0141]所述生成对抗网络引擎采用多层感知机MLP进行项目进度序列预测，生成对抗网[0142]P=G(zlc)=MLP(concat(hr,h⃞))，其中，权重初始化采用He初始化：判别器对生成数据的判别结果；λ表示约束违反惩罚项的权重[0146]关键路径分析模块计算关键任务序列：CP=(TEsi+Di=LS⃞,其中，Ti代表第i[