基于GCNN的装配线平衡问题：分组构建与模型优化技术问询

问题背景 #

我正在采用图卷积神经网络（GCNN）解决以最小化工作站数量为目标的装配线平衡调度问题，具体定义如下：
存在装配产品图$\text{G(V, A)}$，顶点对应加工工序，弧代表工序间的优先约束关系。当前节点特征仅包含加工时间，后续可扩展，已构建如下张量定义edge_index与node_features：

num_nodes = 6
edge_index = torch.tensor([[0, 1, 2, 2, 3, 4], [2, 2, 3, 4, 5, 5]], dtype=torch.long)
node_features = torch.tensor([[3], [2], [3], [4], [1], [5]], dtype=torch.float)

其中edge_index对应工序间的优先关系，node_features为各工序的加工时间，同时构建PyTorch Geometric几何数据对象：

data = Data(x=node_features, edge_index=edge_index, y=node_group)

这里的y即node_group是基于预定义工作站时间上限（如数值5）的合理分组，必须满足两个核心约束：

1. 组内所有工序的加工时间总和不超过时间上限
2. 严格符合工序间的优先约束
   示例可行分组如下：

node_group = torch.tensor([0, 0, 1, 2, 2, 3], dtype=torch.long)

训练GCNN后输出结果符合预期，但目前面临核心挑战：初始分组的定义。随机生成的分组几乎都是不可行解，而通过预求解方式定义分组则失去了GCNN的应用价值。由于没有公开知名数据集用于构建几何数据，我提出以下三个疑问：

核心疑问 #

• 是否存在合理定义初始分组/模式的方法？
• 能否以随机分组为输入调整GCNN，使其最终输出可行的节点分组模式？
• 在GCNN中嵌入辅助算法生成合理分组作为y输入，是否会限制模型的训练灵活性？若我的判断有误请予以纠正。

补充说明 #

实际测试采用12节点的线性优先图（工序顺序为1→2→…→12），基于预定义时间上限20设置4个工作站，要求每组加工时间总和不超过20。目前考虑在GCNN中设计启发式算法来生成y。

内容的提问来源于stack exchange，提问作者A.Omidi