CN108122048B - 一种运输路径调度方法及其系统 - Google Patents
一种运输路径调度方法及其系统 Download PDFInfo
- Publication number
- CN108122048B CN108122048B CN201711182384.3A CN201711182384A CN108122048B CN 108122048 B CN108122048 B CN 108122048B CN 201711182384 A CN201711182384 A CN 201711182384A CN 108122048 B CN108122048 B CN 108122048B
- Authority
- CN
- China
- Prior art keywords
- neural network
- sample
- training
- layer
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种运输路径调度方法及其系统。所述方法包括:采集初始训练样本;根据运输路径的状态,将所述初始训练样本聚类为若干个样本分组;每个样本分组具有对应的模糊规则;使用L‑M优化算法,训练用于计算模糊规则隶属度的第一神经网络;使用对应的样本分组训练其余的若干个第二神经网络;通过训练完毕的第一神经网络和第二神经网络,获得以选中节点表示的最优解;根据所述最优解确定运输路径调度方案。
Description
技术领域
本发明涉及运输调度技术领域,尤其涉及一种运输路径调度方法及其系统。
背景技术
面对交通拥挤的现状,如何使车辆在制定的行车路径中尽可能的避免外界干扰,井然有序地经过指定的装货点和卸货点,是车辆调度领域研究的重要课题。传统的车辆调度模型很难实现路程最短、费用最小、耗时最少的有效调度模型,大大降低了调度的效率。
降低物流成本的一个很重要的方面就是降低运输所带来的各种花销。安排指挥车辆的调度在物流中心和第三方企业中的货物配送起着十分关键的作用,只有合理的调度才能充分增强车辆的运输的效率,真正实现经济效益,不管是从运输成本上面,还是从运输时间上面,都真正实现合理性。
人工神经网络(Artificial Neural Network,即ANN)是模拟人脑中的神经元网络。其具有自学习能力和联系存储能力,人工干预较少,精度较高,但缺点是它不能处理模糊信息,不能利用已有的知识经验,因此很难应用在数据复杂性和模糊程度较高的物流运输调度领域,模型构建效果不佳。
因此,现有技术还有待发展。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种运输路径调度方法及其系统,旨在解决现有技术中物流运输调度效率不高,难以实现最优调度的问题。
为了达到上述目的,本发明采取了以下技术方案:
一种运输路径调度方法,其中,包括:
采集初始训练样本;
根据运输路径的状态,将所述初始训练样本聚类为若干个样本分组;每个样本分组具有对应的模糊规则;
使用L-M优化算法,训练用于计算模糊规则隶属度的第一神经网络;
使用对应的样本分组训练其余的若干个第二神经网络;
通过训练完毕的第一神经网络和第二神经网络,获得以选中节点表示的最优解;
根据所述最优解确定运输路径调度方案。
所述的方法,其中,所述采集初始训练样本具体包括:设定一个有向连通图G=(N,L,D)(N*N);其中,N为神经网络的节点数量,代表车辆的源点;L为神经网络的边数,代表两个节点的车辆之间的路径;D为两个节点之间的相关数量,代表两个节点之间的路径的成本;当两个节点之间不存在路径时,令相应的矩阵元素的值为∞
所述的方法,其中,所述根据运输路径的状态,将所述训练样本聚类为若干个样本分组,具体包括:
根据运输路径的状态,使用用k-均值聚类算法,将所述训练样本聚类为m个样本分组;每个样本分组与一条模糊规则对应。
所述的方法,其中,所述使用L-M优化算法,训练用于计算模糊规则隶属度的第一神经网络,具体包括:
A、将训练样本归一化;
B、给出训练误差的允许值ε、β、μ0及初始化权值和阈值向量,令k=0,μ=μ0;其中,β为常量,μ0为μ的初始值,k为迭代次数,μ为比例系数;
C、计算网络输出及误差指标函数E(x(k));
D、根据如下算式计算雅克比矩阵:
E、根据如下算式进行计算:Δx=-[JT(x)J(x)+μI]-1J(x)e(x);其中,I为单位矩阵;Δx是第K次迭代和第(k+1)次迭代的权重和阈值所组成的向量;JT(x)是J(x)矩阵的转置;e(x)是指以自然常数e为底的指数函数;
F、以x(k+1)为权值和阈值计算E(x(k+1));
G、判断是否有E(x(k+1))<E(x(k));若是,更新权值和阈值并返回步骤C;若否,不更新权值和阈值并返回步骤E;
H、当E(x(k))<ε时,停止训练。
所述的方法,其中,所述第一神经网络的训练样本由多个输入和4个输出组成;在所述初始训练样本中的某个样本被聚类至第i个样本分组时,所述样本的输出为:
所述的方法,其中,所述使用对应的样本分组训练其余的若干个第二神经网络,具体包括:
使用L-M优化算法依次训练m个第二神经网络;所述第二神经网络使用与模糊规则对应的样本分组进行训练、
所述的方法,其中,所述第二神经网络与4层模糊神经网络对应;所述4层模糊神经网络包括输入层、模糊化层、推理层以及清晰层。
所述的方法,其中,所述输入层为网络输入变量误差和误差变化;所述模糊化层用于表示模糊化结果;所述模糊化层的节点的激活函数代表模糊变量隶属函数;
所述推理层用于将上一层模糊化结果两两相乘,代表模糊规则的规则强度;所述清晰化层用于根据重心法的去模糊化公式,把规则强度加权求和,输出相应的输出量。
所述的方法,其中,所述通过训练完毕的第一神经网络和第二神经网络,获得以选中节点表示的最优解,具体包括:
训练完毕的第一神经网络和第二神经网络可以形成一个换位,包括0和1两个单位;其中,单位1为选中节点,代表车辆经过的节点;
确定以所述选中节点表示的,具有最短距离和最短时间的最优解。
一种运输路径调度系统,其中,包括处理器和存储器;所述存储器存储有可执行计算机应用程序,以使所述处理器在调用所述可执行计算机应用程序时,执行如上所述的运输路径调度方法,输出最优的调度方案。
有益效果:本发明提供的运输路径调度方法及其系统,针对车辆运行路况的复杂性和多样性的特点,采用了改进的模糊神经网络算法进行车辆调度,使得车辆调度系统更具有智能性和协调性,预测结果更为准确和符合实际,能够极大的提高调度效率,缩短车辆运行的时间。
附图说明
图1为本发明具体实施例的运输路径调度方法的方法流程图。
图2为本发明具体实施例的模糊神经网络的结构示意图。
具体实施方式
本发明提供一种运输路径调度方法及其系统。为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1为本发明具体实施例的一种运输路径调度方法。如图1所示,所述调度方法大致可以分为如下几个步骤:
S100、采集初始训练样本。在采集初始的训练样本数据以后,可以据此建立邻接矩阵。
假设存在一个有向连通图G=(N,L,D)(N*N)。其中,N为神经网络的节点数量,代表车辆的源点(例如经过的站点),L为神经网络的边数,代表两个节点的车辆之间的路径,D为两个节点之间的相关数量,代表两个节点之间的路径的成本(例如该路径的运输时长或者运输费用)。在邻接矩阵中,当两个节点之间不存在路径时,令相应的矩阵元素的值为∞
S200、根据运输路径的状态,将所述初始训练样本聚类为若干个样本分组;每个样本分组具有对应的模糊规则。
具体的,可以使用k-均值聚类算法对初始训练样本进行聚类。所述初始训练样本可以根据运输路径状况,聚类为m个样本分组(m为正整数),每个样本分组都与一条模糊规则对应。
S300、使用L-M优化算法,训练用于计算模糊规则隶属度的第一神经网络。设第一神经网络为NNmf,所述训练步骤具体包括:
A、将训练样本归一化。
B、给出训练误差的允许值ε、β、μ0及初始化权值和阈值向量,令k=0,μ=μ0;其中,k为迭代次数,μ为比例系数。
C、计算网络输出及误差指标函数E(x(k))。
D、根据如下算式(1)计算雅克比矩阵。
E、根据如下算式进行计算:Δx=-[JT(x)J(x)+μI]-1J(x)e(x)。
F、以x(k+1)为权值和阈值计算E(x(k+1))。
G、判断是否有E(x(k+1))<E(x(k))。若是,更新权值和阈值(亦即令x(k)=x(k+1)以及x(k)=x(k+1))并返回步骤C。若否,不更新权值和阈值(令μ=μ*β)并返回步骤E。
H、当E(x(k))<ε时,停止训练。
在所述第一神经网络NNmf中,其训练样本是由多个输入和4个输出组成的。训练样本的输出定义如下:在所述初始训练样本中的某个样本被聚类至第i个样本分组时,所述样本的输出为:
S400、使用对应的样本分组训练其余的若干个第二神经网络。
具体的,所述第二神经网络有NN1~NNm的m个。可以使用L-M优化算法依次训练这些第二神经网络。第二神经网络的训练样本为聚类后的四组样本,亦即第二神经网络使用的与模糊规则对应的样本分组进行训练。
图2为本发明实施例提供的模糊神经网络的模型结构示意图。如图2所示,所述第二神经网络对应的是一个4层模糊神经网络。
所述4层模糊神经网络包括输入层201、模糊化层202、推理层203、规范化层以及清晰层204。其中,所述输入层201为网络输入变量误差x1=E和误差变化x2=CE。
所述模糊化层用于输出模糊化结果。所述模糊化层的节点的激活函数代表模糊变量隶属函数。在该层中,权值wij表示隶属函数的形状,wc=c表示隶属函数的位置。
所述推理层用于将上一层输出的模糊化结果两两相乘,代表模糊规则的规则强度。所述清晰化层用于根据重心法的去模糊化公式,把规则强度加权求和后,即可输出相应的输出量。
S500、通过训练完毕的第一神经网络和第二神经网络,获得以选中节点表示的最优解。
在本实施例中,训练稳定后的第一神经网络NNmf和第二神经网络NN1~NNm可以形成一个换位,包括0和1两个单位。其中,单位1为选中节点,代表车辆经过的节点。相应的最优解也就由这些选中节点表示。这些选中节点组成的路径表示具有最短距离和最短时间的最优解。
S600、根据所述最优解确定运输路径调度方案。根据模糊神经网络输出的最优解,可以进行相应的取舍后,确定物流调度过程中的最优调度方案。
本发明实施例还进一步的提供了一种运输路径调度系统。所述运输路径调度系统包括处理器和存储器。
其中,所述存储器存储有可执行计算机应用程序,以使所述处理器在调用所述可执行计算机应用程序时,执行如上方法实施例所述的运输路径调度方法,输出最优的调度方案。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及本发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种运输路径调度方法,其特征在于,包括:
采集初始训练样本;
根据运输路径的状态,将所述初始训练样本聚类为若干个样本分组;每个样本分组具有对应的模糊规则;
使用L-M优化算法,训练用于计算模糊规则隶属度的第一神经网络;
使用对应的样本分组训练其余的若干个第二神经网络;
通过训练完毕的第一神经网络和第二神经网络,获得以选中节点表示的最优解;
根据所述最优解确定运输路径调度方案;所述采集初始训练样本具体包括:设定一个有向连通图G=(N,L,D)(N*N);其中,N为神经网络的节点数量,代表车辆的源点;L为神经网络的边数,代表两个节点的车辆之间的路径;D为两个节点之间的相关数量,代表两个节点之间的路径的成本;当两个节点之间不存在路径时,令相应的矩阵元素的值为∞;所述根据运输路径的状态,将所述训练样本聚类为若干个样本分组,具体包括:
根据运输路径的状态,使用用k-均值聚类算法,将所述训练样本聚类为m个样本分组;每个样本分组与一条模糊规则对应;所述使用L-M优化算法,训练用于计算模糊规则隶属度的第一神经网络,具体包括:
A、将训练样本归一化;
B、给出训练误差的允许值ε、β、μ0及初始化权值和阈值向量,令k=0,μ=μ0;其中,β为常量,μ0为μ的初始值,k为迭代次数,μ为比例系数;
C、计算网络输出及误差指标函数E(x(k));
D、根据如下算式计算雅克比矩阵:
E、根据如下算式进行计算:Δx=-[JT(x)J(x)+μI]-1J(x)e(x);其中,I为单位矩阵;Δx是第k 次迭代和第(k+1)次迭代的权重和阈值所组成的向量;JT(x)是J(x)矩阵的转置;e(x)是指以自然常数e为底的指数函数;
F、以x(k+1)为权值和阈值计算E(x(k+1));
G、判断是否有E(x(k+1))<E(x(k));若是,更新权值和阈值并返回步骤C;若否,不更新权值和阈值并返回步骤E;
H、当E(x(k))<ε时,停止训练;所述第一神经网络的训练样本由多个输入和4个输出组成;
在所述初始训练样本中的某个样本被聚类至第i个样本分组时,所述样本的输出为:
使用L-M优化算法依次训练m个第二神经网络;所述第二神经网络使用与模糊规则对应的样本分组进行训练;所述第二神经网络与4层模糊神经网络对应;所述4层模糊神经网络包括输入层、模糊化层、推理层以及清晰层;所述输入层为网络输入变量误差和误差变化;所述模糊化层用于表示模糊化结果;所述模糊化层的节点的激活函数代表模糊变量隶属函数;
所述推理层用于将上一层模糊化结果两两相乘,代表模糊规则的规则强度;所述清晰化层用于根据重心法的去模糊化公式,把规则强度加权求和,输出相应的输出量;所述通过训练完毕的第一神经网络和第二神经网络,获得以选中节点表示的最优解,具体包括:
训练完毕的第一神经网络和第二神经网络可以形成一个换位,包括0和1两个单位;其中,单位1为选中节点,代表车辆经过的节点;
确定以所述选中节点表示的,具有最短距离和最短时间的最优解。
2.一种运输路径调度系统,其特征在于,包括处理器和存储器;所述存储器存储有可执行计算机应用程序,以使所述处理器在调用所述可执行计算机应用程序时,执行如权利要求1所述的运输路径调度方法,输出最优的调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711182384.3A CN108122048B (zh) | 2017-11-23 | 2017-11-23 | 一种运输路径调度方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711182384.3A CN108122048B (zh) | 2017-11-23 | 2017-11-23 | 一种运输路径调度方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108122048A CN108122048A (zh) | 2018-06-05 |
CN108122048B true CN108122048B (zh) | 2021-07-20 |
Family
ID=62228480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711182384.3A Active CN108122048B (zh) | 2017-11-23 | 2017-11-23 | 一种运输路径调度方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108122048B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118011A (zh) * | 2018-08-28 | 2019-01-01 | 摩佰尔(天津)大数据科技有限公司 | 码头堆场的智能调度方法和系统 |
CN109784363A (zh) * | 2018-12-05 | 2019-05-21 | 浙江专线宝网阔物联科技有限公司 | 一种远程监控视频的传输方法及其传输装置 |
CN109816246A (zh) * | 2019-01-28 | 2019-05-28 | 江苏大地物流有限责任公司 | 基于gis和智能算法的物流调度系统 |
CN110147901B (zh) * | 2019-04-08 | 2023-04-07 | 合肥工业大学 | 车辆路径规划方法、系统及存储介质 |
CN110501512B (zh) * | 2019-08-22 | 2021-12-21 | 华南理工大学 | 一种全自动免疫检验设备分批和调度混合优化方法 |
CN110782012A (zh) * | 2019-10-21 | 2020-02-11 | 衢州学院 | 一种危化品车辆运输状态自学习预警模型的搭建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944205A (zh) * | 2010-09-16 | 2011-01-12 | 华中科技大学 | 一种工厂物料配送车辆调度系统 |
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN105389639A (zh) * | 2015-12-15 | 2016-03-09 | 上海汽车集团股份有限公司 | 基于机器学习的物流运输路径规划方法、装置及系统 |
CN105825358A (zh) * | 2016-03-16 | 2016-08-03 | 上海久耶供应链管理有限公司 | 货物配送的车辆调度方法 |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
US9767418B2 (en) * | 2005-07-22 | 2017-09-19 | Proximity Grid, Inc. | Identifying events |
CN107368076A (zh) * | 2017-07-31 | 2017-11-21 | 中南大学 | 一种智能环境下机器人运动路径深度学习控制规划方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140088865A1 (en) * | 2012-09-27 | 2014-03-27 | Siemens Industry, Inc. | Apparatus and method for predicting arrival times in a transportation network |
CN106548645B (zh) * | 2016-11-03 | 2019-07-12 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
CN106529818B (zh) * | 2016-11-16 | 2017-11-28 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
-
2017
- 2017-11-23 CN CN201711182384.3A patent/CN108122048B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9767418B2 (en) * | 2005-07-22 | 2017-09-19 | Proximity Grid, Inc. | Identifying events |
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN101944205A (zh) * | 2010-09-16 | 2011-01-12 | 华中科技大学 | 一种工厂物料配送车辆调度系统 |
CN105389639A (zh) * | 2015-12-15 | 2016-03-09 | 上海汽车集团股份有限公司 | 基于机器学习的物流运输路径规划方法、装置及系统 |
CN105825358A (zh) * | 2016-03-16 | 2016-08-03 | 上海久耶供应链管理有限公司 | 货物配送的车辆调度方法 |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
CN107368076A (zh) * | 2017-07-31 | 2017-11-21 | 中南大学 | 一种智能环境下机器人运动路径深度学习控制规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108122048A (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122048B (zh) | 一种运输路径调度方法及其系统 | |
Kawai et al. | A small-world topology enhances the echo state property and signal propagation in reservoir computing | |
CN112465151A (zh) | 一种基于深度强化学习的多智能体联邦协作方法 | |
Mosavi et al. | Neural network trained by biogeography-based optimizer with chaos for sonar data set classification | |
EP2724297A1 (en) | Method and apparatus for a local competitive learning rule that leads to sparse connectivity | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
Yüzgeç et al. | Multi-objective harris hawks optimizer for multiobjective optimization problems | |
KR20210039921A (ko) | 신경망 모델을 최적화하도록 구성된 심층 신경망 시스템의 동작 방법 | |
Osanlou et al. | Optimal solving of constrained path-planning problems with graph convolutional networks and optimized tree search | |
Zarlis et al. | A framework of training ANFIS using chicken swarm optimization for solving classification problems | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
Ming et al. | Cooperative modular reinforcement learning for large discrete action space problem | |
CN117236541A (zh) | 基于注意力指针网络的分布式物流配送路径规划方法及系统 | |
Worasucheep | Forecasting currency exchange rates with an Artificial Bee Colony-optimized neural network | |
Zhong et al. | A hybrid optimization algorithm and its application in flight trajectory prediction | |
Wen et al. | Hierarchical Sarsa learning based route guidance algorithm | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN110536266B (zh) | 无人机编队通信能耗的周期性在线均衡方法和装置 | |
Chouikhi et al. | Adaptive extreme learning machine for recurrent beta-basis function neural network training | |
Wu et al. | An algorithm for solving travelling salesman problem based on improved particle swarm optimisation and dynamic step Hopfield network | |
KR102090109B1 (ko) | 학습 및 추론 장치 및 그 방법 | |
Cheng et al. | ETC Intelligent Navigation Path Planning Method | |
Ramana et al. | Improved Chaotic Grey Wolf Optimization for Training Neural Networks | |
Song et al. | Research on Local Path Planning for the Mobile Robot Based on QL-anfis Algorithm | |
Hu et al. | A Hybrid Neuro-Fuzzy Element: A New Structural Node for Evolving Neuro-Fuzzy Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |