1.一种社交物联网中协作设备组构建方法，其特征在于，构建一个异构社交图、任务集、SIoT对象之间的社交关系以及每个SIoT对象和任务之间的关系；其中，SIoT表示社交物联网；

具体包括：给定异构图G＝(T,S,E,R)，其中，T是任务集合，即SIoT设备能够实现的任务的集合；S表示SIoT设备的集合；E表示设备之间的社会关系，(u,v)∈E表示设备u和设备v能够通信；R是任务精度边集，其中每个精度边缘r＝[t,v]连接一个任务顶点t∈T和一个设备顶点v∈S，即用v执行某个任务t的精度作为边缘权重；

给定异构图G和任务查询组 以及设备的数量p，拟解决的问题目标是找到恰好个数为p的目标设备组 来优化Y中所选任务的精度；约束p表示根据应用场景，计划控制或携带多少个设备；用Y中每个顶点的精度边权重之和来衡量查找出的设备组的解的质量，令IF(t)表示对于任务t∈Y的目标设备组F的任务精度边权重之和，即IF(t)＝∑v∈Fω[t,v]；用任务查询组Y到目标设备组F中所有任务t的事件权重之和来表示对应于任务查询组Y到目标设备组F的聚合质量，即目标函数定义为Ω(F)＝∑t∈YIF(t)；优化目标是最大化目标函数Ω(F)；此外，问题中包含一个精度约束τ，精度约束用于确保在最坏情况下目标设备组的性能；同时，根据不同的实际需求，对Y应用不同的约束，以减少通信损失或增加F中所选设备组的鲁棒性；

针对由于两个不同边集E和R的相互作用，即具有最大任务精度的设备组并不总是满足跳数的约束的问题，采用基于通信损失的选择方法。

2.根据权利要求1所述的社交物联网中协作设备组构建方法，其特征在于，构建基于减少通信损失的设备组选择方法，具体包括：除优化Y中所选任务的精度外，还考虑不同设备之间的通信损失，即为设备之间的跳跃距离设置一个上限约束；该约束是要求F中每对顶点之间的跳数最多为h，即 针对由于两个不同边集E和R的相互作用，即具有最大任务精度的设备组并不总是满足跳数的约束的问题，采用基于通信损失的选择方法，具体步骤如下：首先执行预处理步骤，以保证S中的每个设备的所有任务准确度边缘权重至少为τ；对于在目标设备组F中的设备v，任意设备u∈F必须满足 即要为每个设备v∈S构造候选设备集Sv，其中仅包含h跳内的顶点；对于设备u∈S，α(u)表示为从u链接到Y中的任务精度边权重的总和，即α(u)＝∑s∈Y w[u,s]；接着从v的候选集中选择p个具有最大α(u)的顶点，构造v的候选解，重复以上步骤，构造不同的候选解，返回Ω(F)最大的解作为目标设备组F；制定顶点访问排序和查找策略，以避免不必要的搜索。

3.根据权利要求2所述的社交物联网中协作设备组构建方法，其特征在于，所述顶点访问排序和查找策略具体包括：按照α(u)的降序访问每个设备即顶点v∈S，能够更好地评估每个候选组中的解质量，以避免冗余检查；为每个顶点v∈S关联一个列表Lv，该列表用于存储Sv中最大α(·)的top‑p个顶点；每次检查顶点v并按照α(v)的降序构造对应的Sv时，同时将v插入到每个顶点u的列表Lu中， |Lu|

4.根据权利要求1所述的社交物联网中协作设备组构建方法，其特征在于，构建基于增加鲁棒性的设备组选择方法，具体包括：除了优化Y中所选任务的精度外，还要求F中的每个设备至少有k个相邻的设备才能成功传输消息；每个设备即顶点也必须在F中至少有k个相邻顶点；根据子图 中的边集E将顶点v的内在度表示为 它是使得(u,v)∈E的顶点u∈H的个数；

为了质量和效率之间取得平衡，采用构建部分解Ssub的方式逐步构建出完全解，具体包括以下步骤：首先应用过滤策略从G中删除不满足精度约束和节点度数约束的设备u∈S；其次根据精度对候选节点排序，在将新节点加入候选解C时，先计算其鲁棒性是否满足条件，若不满足条件则该节点不纳入部分解Ssub；接着分别根据精度和鲁棒性进行剪枝；假设当前部分解中有m个节点，基于精度的剪枝策略是若m个节点的α(v)总和与(p‑m)个候选节点中α(u)最*大值之和仍小于当前候选的完全解的α(v)总和，即∑v∈Sα(v)+(p‑m)·maxu∈Cα(u)≤Ω(S)，*该部分解能删除，其中Ω(S)表示当前候选的完全解的α(v)总和；基于鲁棒性的剪枝策略是若剩余(p‑m)个候选节点与m个节点的最小节点度数之和仍小于k，或剩余(p‑m)个候选节点的节点度数之和小于k(p‑m)，则删除该部分解；选择合适的策略需要领域知识和耗时的试错过程，采用强化学习探索优化策略。

5.根据权利要求4所述的社交物联网中协作设备组构建方法，其特征在于，所述采用强化学习探索优化策略，具体包括：给定一个异构图G＝(T,S,E,R)、任务查询组Y∈T、度约束k、大小约束p和精度约束τ，目标是根据使用强化学习的学习函数H(ξ)提取目标设备组其中ξ是超参数集，使得：

1)|F|＝p；

2)

3)

4)目标值Ω(F)最大化；

在构建部分解时，强化学习根据候选设备判别特征即状态来进行评估；特征信息包含图结构的全局信息和局部信息，同时还考虑得到部分解如何满足约束形成可用的方案；由于解的质量与节点度高度相关，需要提取基于平均度数的特征：

1)部分解的平均度数；

2)部分解Ssub的归一化平均度，即总度数归一化的平均度数；

3)平均度数除以k，表示部分解的密集程度；

4)密度比，部分解的密度与整个图的密度比率，表示在当前输入图中形成密集子图的趋势；

5)最小度数比，即部分解中最小度数和整个图的最小度数比率，以此衡量相对最小度数；

6)最小密度比，部分解的密度与部分解的最小密度之比；将所有特征信息拼接成多维特征向量Fsub，并通过投影矩阵W1进行线性变换，即Vsub＝W1Fsub；Vsub中包含了部分解的子图信息和问题的约束信息；

在提取部分解的子图特征后，利用图卷积网络整合图结构的节点特征和子图特征；首先将增强的特征输入到具有学习参数Θ的节点评估函数Q中，评估将节点v添加到当前部分解Ssub中的性能，即Q(Ssub,v；Θ)；接着逐层聚合节点特征；令α(v)和xv分别表示v的任务精度边缘权重之和以及v是否处于部分解中；通过聚合α(v)、xv和来自前一层的相邻节点特征得出v在(l+1)层的节点特征，用 表示，即d d d×d

其中，W2∈R ,W3∈R ,W4∈R 是可学习的参数，ReLU是激活函数； 通过现有的图嵌入方法进行初始化；通过L层聚合特征后，得到每个节点v的嵌入，即评估函数Q评估顶点v的特征由v的增强特征 相邻节点池化总和 以及子图的

特征嵌入Vsub构成；即

d d d×d

其中，W6∈R ,W7∈R ,W5∈R 是可学习的参数；如果顶点v的目标值较高，则应优先将其添加到部分解中；如果已将顶点v添加到部分解中，则对其邻居节点N(v)的排序应高于其他顶点；

采用元学习的思想来探索能够快速适应新环境的模型。

6.根据权利要求5所述的社交物联网中协作设备组构建方法，其特征在于，所述采用元学习的思想来探索能够快速适应新环境的模型架构分为编码器‑解码器架构，其中：编码器Θe包含{W1,W2,W3,W4,W5}，解码器的参数Θd＝{W6,W7}；元学习的目标是使得编码器参数Θe可转移到新的图分布中；在训练时，根据梯度下降函数交替优化编码器参数和解码器参数；

在测试过程中，固定编码器参数Θe并优化解码器参数Θd。