CN109740829A - 基于蚁群算法的粮食运输方法、设备、存储介质及装置 - Google Patents
基于蚁群算法的粮食运输方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN109740829A CN109740829A CN201910167474.8A CN201910167474A CN109740829A CN 109740829 A CN109740829 A CN 109740829A CN 201910167474 A CN201910167474 A CN 201910167474A CN 109740829 A CN109740829 A CN 109740829A
- Authority
- CN
- China
- Prior art keywords
- grade
- group algorithm
- ant group
- foodstuff transportation
- foodstuff
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蚁群算法的粮食运输方法、设备、存储介质及装置,所述方法包括:对粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;从第n级蚁群算法参数中选取第n‑1级蚁群算法参数,根据第n‑1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,循环操作直至获得第一级最优路径,即粮食运输网络图的目标最优路径。通过对赋权图进行多级粗化,将大规模问题转化为小规模问题,在较粗级别的参数中选取较细级别的参数,参数选取范围逐渐变小,从而提高了参数配置的准确度,根据参数计算赋权图的最优路径,提高了计算效率。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种基于蚁群算法的粮食运输方法、设备、存储介质及装置。
背景技术
粮食运输是粮食产业的一个重要环节。传统上,利用混合整数规划模型,使用分支定界法对于该问题给出了运输费用最低和运输时间最短等最优解。但是,整数规划模型只能解决小型和中等规模的问题,实际粮食运输系统的规模通常异常庞大,计算量呈指数增长,传统方法无法求解。进化算法如模拟退火、遗传算法和蚁群优化可以有效的解决大规模计算问题,并得到了实际的应用。
然而,进化式算法最主要问题在于:其性能和计算时间是高度依赖于参数设置和初始条件,而大规模问题难以较好地对参数和初始条件进行配置,计算效率会大大降低。
发明内容
本发明的主要目的在于提供一种基于蚁群算法的粮食运输方法、设备、存储介质及装置,旨在解决现有技术中进化式算法计算效率低下的技术问题。
为实现上述目的,本发明提供一种基于蚁群算法的粮食运输方法,所述方法包括以下步骤:
获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;
对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径;
对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
优选地,所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,具体包括:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
根据所述第n-1级蚁群算法参数计算第n级状态转移概率;
根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,以获得第n级最优路径。
优选地,所述根据所述第n-1级蚁群算法参数计算第n级状态转移概率之前,所述基于蚁群算法的粮食运输方法还包括:
从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,对所述待定路径中的信息素增加预设值,获得第n级信息素;
相应地,所述根据所述第n-1级蚁群算法参数计算第n级状态转移概率,具体包括:
根据所述第n-1级蚁群算法参数和所述第n级信息素计算第n级状态转移概率。
优选地,所述获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图,具体包括:
获取粮食运输网络图,从所述粮食运输网络图中提取出运输站点和所述运输站点之间的路径;
将所述运输站点作为节点,将所述运输站点之间的路径作为边,将相邻运输站点之间的路径作为边的权重;
根据所述节点、所述边和所述权重构建粮食运输赋权图。
优选地,所述对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,具体包括:
从所述粮食运输赋权图中提取所述节点、所述边和所述权重;
根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图;
对所述第一级粮食运输粗化图进行粗化,直至获得第N级粮食运输粗化图。
优选地,所述根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图,具体包括:
在所述粮食运输赋权图中根据所述所述边和所述权重自下而上地将所述节点划分为若干邻近节点集合,将所述邻近节点集合内的节点进行合并,将合并后的节点进行连接,获得第一级粮食运输粗化图。
优选地,所述将所述第一级最优路径作为所述粮食运输网络图的目标最优路径之后,所述基于蚁群算法的粮食运输方法还包括:
根据所述目标最优路径计算所述粮食运输网络图对应的最低运输费用。
此外,为实现上述目的,本发明还提供一种基于蚁群算法的粮食运输设备,所述基于蚁群算法的粮食运输设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于蚁群算法的粮食运输程序,所述基于蚁群算法的粮食运输程序被所述处理器执行时实现如上文所述基于蚁群算法的粮食运输方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有基于蚁群算法的粮食运输程序,所述基于蚁群算法的粮食运输程序被处理器执行时实现如上文所述基于蚁群算法的粮食运输方法的步骤。
此外,为实现上述目的,本发明还提供一种基于蚁群算法的粮食运输装置,所述基于蚁群算法的粮食运输装置包括:
图形转化模块,用于获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;
多级粗化模块,用于对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;
参数选取模块,用于从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径;
路径计算模块,用于对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
在本发明中,通过获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。通过对赋权图进行多级粗化,将大规模问题转化为小规模问题,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,参数选取范围逐渐变小,从而提高了参数配置的准确度,根据参数计算赋权图的最优路径,提高了计算效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于蚁群算法的粮食运输设备结构示意图;
图2为本发明基于蚁群算法的粮食运输方法第一实施例的流程示意图;
图3为本发明基于蚁群算法的粮食运输方法中的多级粗化效果示意图;
图4为本发明基于蚁群算法的粮食运输方法第二实施例的流程示意图;
图5为本发明基于蚁群算法的粮食运输方法第三实施例的流程示意图;
图6为本发明基于蚁群算法的粮食运输装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于蚁群算法的粮食运输设备结构示意图。
如图1所示,所述基于蚁群算法的粮食运输设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对所述基于蚁群算法的粮食运输设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于蚁群算法的粮食运输程序。
在图1所示的基于蚁群算法的粮食运输设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接外设;所述基于蚁群算法的粮食运输设备通过处理器1001调用存储器1005中存储的基于蚁群算法的粮食运输程序,并执行本发明实施例提供的基于蚁群算法的粮食运输方法。
所述基于蚁群算法的粮食运输设备通过处理器1001调用存储器1005中存储的基于蚁群算法的粮食运输程序,并执行以下操作:
获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;
对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径;
对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
进一步地,处理器1001可以调用存储器1005中存储的基于蚁群算法的粮食运输程序,还执行以下操作:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
根据所述第n-1级蚁群算法参数计算第n级状态转移概率;
根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,以获得第n级最优路径。
进一步地,处理器1001可以调用存储器1005中存储的基于蚁群算法的粮食运输程序,还执行以下操作:
从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,对所述待定路径中的信息素增加预设值,获得第n级信息素;
相应地,所述根据所述第n-1级蚁群算法参数计算第n级状态转移概率,具体包括:
根据所述第n-1级蚁群算法参数和所述第n级信息素计算第n级状态转移概率。
进一步地,处理器1001可以调用存储器1005中存储的基于蚁群算法的粮食运输程序,还执行以下操作:
获取粮食运输网络图,从所述粮食运输网络图中提取出运输站点和所述运输站点之间的路径;
将所述运输站点作为节点,将所述运输站点之间的路径作为边,将相邻运输站点之间的路径作为边的权重;
根据所述节点、所述边和所述权重构建粮食运输赋权图。
进一步地,处理器1001可以调用存储器1005中存储的基于蚁群算法的粮食运输程序,还执行以下操作:
从所述粮食运输赋权图中提取所述节点、所述边和所述权重;
根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图;
对所述第一级粮食运输粗化图进行粗化,直至获得第N级粮食运输粗化图。
进一步地,处理器1001可以调用存储器1005中存储的基于蚁群算法的粮食运输程序,还执行以下操作:
在所述粮食运输赋权图中根据所述所述边和所述权重自下而上地将所述节点划分为若干邻近节点集合,将所述邻近节点集合内的节点进行合并,将合并后的节点进行连接,获得第一级粮食运输粗化图。
进一步地,处理器1001可以调用存储器1005中存储的基于蚁群算法的粮食运输程序,还执行以下操作:
根据所述目标最优路径计算所述粮食运输网络图对应的最低运输费用。
在本实施例中,通过获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。通过对赋权图进行多级粗化,将大规模问题转化为小规模问题,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,参数选取范围逐渐变小,从而提高了参数配置的准确度,根据参数计算赋权图的最优路径,提高了计算效率。
基于上述硬件结构,提出本发明基于蚁群算法的粮食运输方法的实施例。
参照图2,图2为本发明基于蚁群算法的粮食运输方法第一实施例的流程示意图。
在第一实施例中,所述基于蚁群算法的粮食运输方法包括以下步骤:
步骤S10:获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图。
需要说明的是,本实施例的执行主体是基于蚁群算法的粮食运输设备,所述基于蚁群算法的粮食运输设备可以是个人电脑、服务器等电子设备,本实施例对此不加以限制。本实施例的应用场景是,当前粮食运输系统中具有多个粮食产地和一个销售地,现需在满足若干约束条件的情况下将一批粮食从该多个粮食产地运输至销售地,并实现运输费用最低。
可以理解的是,为了获得粮食运输网络图,将获取粮食运输的起始站点、中间站点、目的站点以及各相邻站点之间的路径信息,并根据所述起始站点、中间站点、目的站点以及各相邻站点之间的路径信息绘制粮食运输网络图。赋权图是指每条边都有一个非负实数对应的图,该实数称为这条边的权。为了对所述粮食运输网络图进行建模,将所述粮食运输网络图抽象为可运算的粮食运输赋权图。
步骤S20:对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数。
可以理解的是,通过进化式算法解决大规模的粮食运输问题时,难以较好的配置参数,导致计算效率低下,为了解决该问题,本实施例将对所述粮食运输赋权图进行多级粗化,并通过多次细化得到最优解,即在一个较粗级别的水平上,计算得到一个相对高质量的解,作为下一较细级别的初始解,以将大规模问题转化为小规模问题,从而优化参数的配置效果,提高计算效率。
在具体实现中,参照图3,图3为本发明多级粗化效果示意图,粗化级数为N,N为正整数,对所述粮食运输赋权图进行一级粗化,获得第一级粮食运输粗化图,对所述第一级粮食运输粗化图进行二级粗化,获得第二级粮食运输粗化图,以此类推,对第N-1级粮食运输粗化图进行N级粗化,获得第N级粮食运输粗化图。
步骤S30:从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径。
需要说明的是,对所述粮食运输赋权图进行多级粗化后,获得了与粗化次数相同数量的粗化图,将按照从粗级别至细级别的顺序依次对获得的粗化图进行细化寻优,根据所述第n-1级蚁群算法参数对所述第n级粮食运输粗化图进行寻优,获得第n级最优路径,根据第n-2级蚁群算法参数对所述第n-1级粮食运输粗化图进行寻优,获得第n-1级最优路径,以逐渐细化最优路径。
在具体实现中,从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,并且,从所述第n-1级蚁群算法参数中选取第n-2级蚁群算法参数,即在较细级别的蚁群算法参数中选取更细级别的蚁群算法参数,明显地,参数选取范围逐渐变小,从而提高了参数配置的准确度。
步骤S40:对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
可以理解的是,通过对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,实现从第N级粮食运输粗化图开始,直至第一级粮食运输粗化图,依次对粮食运输粗化图进行寻优,从而获得第一级最优路径,该第一级最优路径为所述粮食运输网络图的目标最优路径。
进一步地,所述步骤S40之后,所述基于蚁群算法的粮食运输方法还包括:
根据所述目标最优路径计算所述粮食运输网络图对应的最低运输费用。
需要说明的是,运输费用的计算公式为:
其中,Y为运输费用,VCij为通过路径(i,j)运输的可变成本,FCij为通过路径(i,j)运输的固定成本,Volij为通过路径(i,j)运输的农产品数量,Volji为通过路径(j,i)运输的农产品数量,Bij为一个二元变量,若Bij等于1,表示路径(i,j)在运输路径中,Bij等于1,则表示没有经过该路径。获取所述目标最优路径的上述相关信息,从而可根据所述目标最优路径的上述相关信息计算最低运输费用。
在本实施例中,通过获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。通过对赋权图进行多级粗化,将大规模问题转化为小规模问题,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,参数选取范围逐渐变小,从而提高了参数配置的准确度,根据参数计算赋权图的最优路径,提高了计算效率。
参照图4,图4为本发明基于蚁群算法的粮食运输方法第二实施例的流程示意图,基于上述图2所示的实施例,提出本发明基于蚁群算法的粮食运输方法的第二实施例。
在第二实施例中,所述步骤S30,具体包括:
步骤S301:从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数。
需要说明的是,从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,并且,从所述第n-1级蚁群算法参数中选取第n-2级蚁群算法参数,即在较细级别的蚁群算法参数中选取更细级别的蚁群算法参数,明显地,参数选取范围逐渐变小,从而提高了参数配置的准确度。
步骤S302:根据所述第n-1级蚁群算法参数计算第n级状态转移概率。
可以理解的是,状态转移概率是马尔可夫链中的重要概念,若马氏链由m个状态组成,从任意一个状态出发,经过任意一次转移,必然出现状态1、2、……,m中的一个,从一个状态转移到另一状态的概率即为状态转移概率。从状态a至状态b的状态转移概率越高说明从状态a转移至状态b的可能性越高。状态转移概率的值与蚁群算法参数有关,因此,本实施例将根据所述第n-1级蚁群算法参数计算第n级状态转移概率。
步骤S303:根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,以获得第n级最优路径。
需要说明的是,通过蚁群算法计算出的状态转移概率越高,说明蚂蚁从该状态转移概率对应的路径移动的概率越高,该路径是最优路径的可能性越高。根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,从而获得第n级最优路径。
进一步地,所述步骤S302之前,所述基于蚁群算法的粮食运输方法还包括:
从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,对所述待定路径中的信息素增加预设值,获得第n级信息素。
可以理解的是,状态转移概率的值还与路径上的信息素有关,第n+1级最优路径是第n+1级粮食运输粗化图中的最优路径,可用于指导第n级粮食运输粗化图的寻优;从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,由于第n级粮食运输粗化图比第n+1级粮食运输粗化图的级别更细,所述待定路径为所述第n+1级最优路径的细级别路径,因此,在待定路径中产生目标最优路径的可能性较大,本实施例将对所述待定路径中的信息素增加预设值,获得第n级信息素,以提高后续目标最有路径的准确性。
相应地,所述步骤S302,具体包括:
根据所述第n-1级蚁群算法参数和所述第n级信息素计算第n级状态转移概率。
需要说明的是,状态转移概率的值与蚁群算法参数和路径上的信息素有关,根据第n-1级蚁群算法参数和第n级信息素可计算得出状态转移概率公式。
在本实施例中,通过从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,对所述待定路径中的信息素增加预设值,获得第n级信息素;根据所述第n-1级蚁群算法参数和所述第n级信息素计算第n级状态转移概率;根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,以获得第n级最优路径。通过较粗级别的最优路径对较细级别粮食运输赋权图中对应路径上的信息素进行增量,提高了目标最优路径的准确性。
参照图5,图5为本发明基于蚁群算法的粮食运输方法第三实施例的流程示意图,基于上述图2所示的实施例,提出本发明基于蚁群算法的粮食运输方法的第三实施例。
在第三实施例中,所述步骤S10,具体包括:
获取粮食运输网络图,从所述粮食运输网络图中提取出运输站点和所述运输站点之间的路径。
需要说明的是,获取包括起始站点、中间站点和目的站点的运输站点,以及各相邻运输站点之间的路径信息,根据所述运输站点和各相邻运输站点之间的路径信息绘制粮食运输网络图,因此,将从所述粮食运输网络图中提取出运输站点和所述运输站点之间的路径。
将所述运输站点作为节点,将所述运输站点之间的路径作为边,将相邻运输站点之间的路径作为边的权重。
根据所述节点、所述边和所述权重构建粮食运输赋权图。
可以理解的是,为了对粮食运输网络图进行量化,将所述粮食运输网络图中的运输站点作为节点,将所述运输站点之间的路径作为边,将相邻运输站点之间的路径作为边的权重,以实现将所述粮食运输网络图抽象为可运算的粮食运输赋权图。
进一步地,所述步骤S20,具体包括:
步骤S201:从所述粮食运输赋权图中提取所述节点、所述边和所述权重。
步骤S202:根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图。
需要说明的是,为了对粮食运输赋权图进行粗化,将根据所述权重获得所述粮食运输赋权图中的多余节点和多余边,对多余节点和多余边进行删除,从而获得第一粮食运输粗话图。
步骤S203:对所述第一级粮食运输粗化图进行粗化,直至获得第N级粮食运输粗化图。
可以理解的是,获得第一粮食运输粗话图之后,将对所述第一粮食运输粗话图进行二级粗化,获得第二级粮食运输粗化图,以此类推,对第N-1级粮食运输粗化图进行N级粗化,获得第N级粮食运输粗化图。
进一步地,所述步骤S202,具体包括:在所述粮食运输赋权图中根据所述所述边和所述权重自下而上地将所述节点划分为若干邻近节点集合,将所述邻近节点集合内的节点进行合并,将合并后的节点进行连接,获得第一级粮食运输粗化图。
可以理解的是,在所述粮食运输赋权图中根据所述所述边和所述权重自下而上地将所述节点划分为若干邻近节点集合,对各邻近节点集合中的节点进行聚合,将邻近节点集合内的节点合并为一点,删除多余边,将合并后的节点进行连接,获得第一级粮食运输粗化图。
在本实施例中,通过粮食运输网络图中的运输站点和运输站点之间的路径绘制粮食运输赋权图,以实现将所述粮食运输网络图抽象为可运算的粮食运输赋权图。通过对粮食运输赋权图中的邻近节点集合进行聚合,实现了对粮食运输赋权图的粗化,从而实现将大规模的粮食运输问题转化为小规模的粮食运输问题,提高了计算效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于蚁群算法的粮食运输程序,所述基于蚁群算法的粮食运输程序被处理器执行时实现如下操作:
获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;
对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径;
对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
进一步地,所述基于蚁群算法的粮食运输程序被处理器执行时还实现如下操作:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
根据所述第n-1级蚁群算法参数计算第n级状态转移概率;
根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,以获得第n级最优路径。
进一步地,所述基于蚁群算法的粮食运输程序被处理器执行时还实现如下操作:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,对所述待定路径中的信息素增加预设值,获得第n级信息素;
相应地,所述根据所述第n-1级蚁群算法参数计算第n级状态转移概率,具体包括:
根据所述第n-1级蚁群算法参数和所述第n级信息素计算第n级状态转移概率。
进一步地,所述基于蚁群算法的粮食运输程序被处理器执行时还实现如下操作:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
获取粮食运输网络图,从所述粮食运输网络图中提取出运输站点和所述运输站点之间的路径;
将所述运输站点作为节点,将所述运输站点之间的路径作为边,将相邻运输站点之间的路径作为边的权重;
根据所述节点、所述边和所述权重构建粮食运输赋权图。
进一步地,所述基于蚁群算法的粮食运输程序被处理器执行时还实现如下操作:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
从所述粮食运输赋权图中提取所述节点、所述边和所述权重;
根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图;
对所述第一级粮食运输粗化图进行粗化,直至获得第N级粮食运输粗化图。
进一步地,所述基于蚁群算法的粮食运输程序被处理器执行时还实现如下操作:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
在所述粮食运输赋权图中根据所述所述边和所述权重自下而上地将所述节点划分为若干邻近节点集合,将所述邻近节点集合内的节点进行合并,将合并后的节点进行连接,获得第一级粮食运输粗化图。
进一步地,所述基于蚁群算法的粮食运输程序被处理器执行时还实现如下操作:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
根据所述目标最优路径计算所述粮食运输网络图对应的最低运输费用。
在本实施例中,通过获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。通过对赋权图进行多级粗化,将大规模问题转化为小规模问题,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,参数选取范围逐渐变小,从而提高了参数配置的准确度,根据参数计算赋权图的最优路径,提高了计算效率。
参照图6,图6为本发明基于蚁群算法的粮食运输装置第一实施例的功能模块图,基于所述基于蚁群算法的粮食运输方法,提出本发明基于蚁群算法的粮食运输装置的第一实施例。
在本实施例中,所述基于蚁群算法的粮食运输装置包括:
图形转化模块10,用于获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图。
需要说明的是,本实施例的应用场景是,当前粮食运输系统中具有多个粮食产地和一个销售地,现需在满足若干约束条件的情况下将一批粮食从该多个粮食产地运输至销售地,并实现运输费用最低。
可以理解的是,为了获得粮食运输网络图,将获取粮食运输的起始站点、中间站点、目的站点以及各相邻站点之间的路径信息,并根据所述起始站点、中间站点、目的站点以及各相邻站点之间的路径信息绘制粮食运输网络图。赋权图是指每条边都有一个非负实数对应的图,该实数称为这条边的权。为了对所述粮食运输网络图进行建模,将所述粮食运输网络图抽象为可运算的粮食运输赋权图。
多级粗化模块20,用于对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数。
可以理解的是,通过进化式算法解决大规模的粮食运输问题时,难以较好的配置参数,导致计算效率低下,为了解决该问题,本实施例将对所述粮食运输赋权图进行多级粗化,并通过多次细化得到最优解,即在一个较粗级别的水平上,计算得到一个相对高质量的解,作为下一较细级别的初始解,以将大规模问题转化为小规模问题,从而优化参数的配置效果,提高计算效率。
在具体实现中,粗化级数为N,N为正整数,对所述粮食运输赋权图进行一级粗化,获得第一级粮食运输粗化图,对所述第一级粮食运输粗化图进行二级粗化,获得第二级粮食运输粗化图,以此类推,对第N-1级粮食运输粗化图进行N级粗化,获得第N级粮食运输粗化图。
参数选取模块30,用于从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径。
需要说明的是,对所述粮食运输赋权图进行多级粗化后,获得了与粗化次数相同数量的粗化图,将按照从粗级别至细级别的顺序依次对获得的粗化图进行细化寻优,根据所述第n-1级蚁群算法参数对所述第n级粮食运输粗化图进行寻优,获得第n级最优路径,根据第n-2级蚁群算法参数对所述第n-1级粮食运输粗化图进行寻优,获得第n-1级最优路径,以逐渐细化最优路径。
在具体实现中,从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,并且,从所述第n-1级蚁群算法参数中选取第n-2级蚁群算法参数,即在较细级别的蚁群算法参数中选取更细级别的蚁群算法参数,明显地,参数选取范围逐渐变小,从而提高了参数配置的准确度。
路径计算模块40,用于对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
可以理解的是,通过对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,实现从第N级粮食运输粗化图开始,直至第一级粮食运输粗化图,依次对粮食运输粗化图进行寻优,从而获得第一级最优路径,该第一级最优路径为所述粮食运输网络图的目标最优路径。
进一步地,所述基于蚁群算法的粮食运输装置还包括:
费用计算模块,用于根据所述目标最优路径计算所述粮食运输网络图对应的最低运输费用。
需要说明的是,运输费用的计算公式为:
其中,Y为运输费用,VCij为通过路径(i,j)运输的可变成本,FCij为通过路径(i,j)运输的固定成本,Volij为通过路径(i,j)运输的农产品数量,Volji为通过路径(j,i)运输的农产品数量,Bij为一个二元变量,若Bij等于1,表示路径(i,j)在运输路径中,Bij等于1,则表示没有经过该路径。获取所述目标最优路径的上述相关信息,从而可根据所述目标最优路径的上述相关信息计算最低运输费用。
在本实施例中,通过获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。通过对赋权图进行多级粗化,将大规模问题转化为小规模问题,在较粗级别的蚁群算法参数中选取较细级别的蚁群算法参数,参数选取范围逐渐变小,从而提高了参数配置的准确度,根据参数计算赋权图的最优路径,提高了计算效率。
在一实施例中,所述参数选取模块30,还用于从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;根据所述第n-1级蚁群算法参数计算第n级状态转移概率;根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,以获得第n级最优路径。
在一实施例中,所述基于蚁群算法的粮食运输装置还包括:
信息素增加模块,用于从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,对所述待定路径中的信息素增加预设值,获得第n级信息素;
所述参数选取模块30,还用于根据所述第n-1级蚁群算法参数和所述第n级信息素计算第n级状态转移概率。
在一实施例中,所述图形转化模块10,还用于获取粮食运输网络图,从所述粮食运输网络图中提取出运输站点和所述运输站点之间的路径;将所述运输站点作为节点,将所述运输站点之间的路径作为边,将相邻运输站点之间的路径作为边的权重;根据所述节点、所述边和所述权重构建粮食运输赋权图。
在一实施例中,所述多级粗化模块20,还用于从所述粮食运输赋权图中提取所述节点、所述边和所述权重;根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图;对所述第一级粮食运输粗化图进行粗化,直至获得第N级粮食运输粗化图。
在一实施例中,所述多级粗化模块20,还用于在所述粮食运输赋权图中根据所述所述边和所述权重自下而上地将所述节点划分为若干邻近节点集合,将所述邻近节点集合内的节点进行合并,将合并后的节点进行连接,获得第一级粮食运输粗化图。
在一实施例中,所述基于蚁群算法的粮食运输装置还包括:
费用计算模块,用于根据所述目标最优路径计算所述粮食运输网络图对应的最低运输费用。
本发明所述基于蚁群算法的粮食运输装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
单词第一、第二、以及第三等的使用不表示任何顺序,可将这些单词解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于蚁群算法的粮食运输方法,其特征在于,所述基于蚁群算法的粮食运输方法包括以下步骤:
获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;
对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径;
对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
2.如权利要求1所述的基于蚁群算法的粮食运输方法,其特征在于,所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径,具体包括:
从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数;
根据所述第n-1级蚁群算法参数计算第n级状态转移概率;
根据所述第n级状态转移概率计算蚂蚁在所述第n级粮食运输粗化图中的走向,以获得第n级最优路径。
3.如权利要求2所述的基于蚁群算法的粮食运输方法,其特征在于,所述根据所述第n-1级蚁群算法参数计算第n级状态转移概率之前,所述基于蚁群算法的粮食运输方法还包括:
从第n级粮食运输粗化图中查找所述第n+1级最优路径对应的待定路径,对所述待定路径中的信息素增加预设值,获得第n级信息素;
相应地,所述根据所述第n-1级蚁群算法参数计算第n级状态转移概率,具体包括:
根据所述第n-1级蚁群算法参数和所述第n级信息素计算第n级状态转移概率。
4.如权利要求1-3中任一项所述的基于蚁群算法的粮食运输方法,其特征在于,所述获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图,具体包括:
获取粮食运输网络图,从所述粮食运输网络图中提取出运输站点和所述运输站点之间的路径;
将所述运输站点作为节点,将所述运输站点之间的路径作为边,将相邻运输站点之间的路径作为边的权重;
根据所述节点、所述边和所述权重构建粮食运输赋权图。
5.如权利要求4所述的基于蚁群算法的粮食运输方法,其特征在于,所述对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数,具体包括:
从所述粮食运输赋权图中提取所述节点、所述边和所述权重;
根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图;
对所述第一级粮食运输粗化图进行粗化,直至获得第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数。
6.如权利要求5所述的基于蚁群算法的粮食运输方法,其特征在于,所述根据所述节点、所述边和所述权重对所述粮食运输赋权图进行粗化,获得第一级粮食运输粗化图,具体包括:
在所述粮食运输赋权图中根据所述所述边和所述权重自下而上地将所述节点划分为若干邻近节点集合,将所述邻近节点集合内的节点进行合并,将合并后的节点进行连接,获得第一级粮食运输粗化图。
7.如权利要求1-3中任一项所述的基于蚁群算法的粮食运输方法,其特征在于,所述将所述第一级最优路径作为所述粮食运输网络图的目标最优路径之后,所述基于蚁群算法的粮食运输方法还包括:
根据所述目标最优路径计算所述粮食运输网络图对应的最低运输费用。
8.一种基于蚁群算法的粮食运输设备,其特征在于,所述基于蚁群算法的粮食运输设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于蚁群算法的粮食运输程序,所述基于蚁群算法的粮食运输程序配置为实现如权利要求1至7中任一项所述的基于蚁群算法的粮食运输方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有基于蚁群算法的粮食运输程序,所述基于蚁群算法的粮食运输程序被处理器执行时实现如权利要求1至7中任一项所述的基于蚁群算法的粮食运输方法的步骤。
10.一种基于蚁群算法的粮食运输装置,其特征在于,所述基于蚁群算法的粮食运输装置包括:
图形转化模块,用于获取粮食运输网络图,并将所述粮食运输网络图转化为粮食运输赋权图;
多级粗化模块,用于对所述粮食运输赋权图进行多级粗化,获得第一级-第N级粮食运输粗化图,并将所述第N级粮食运输粗化图对应的第N级蚁群算法参数作为第n级蚁群算法参数;
参数选取模块,用于从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数,根据所述第n-1级蚁群算法参数对第n级粮食运输粗化图进行寻优,获得第n级最优路径;
路径计算模块,用于对n进行自减1,并返回所述从所述第n级蚁群算法参数中选取第n-1级蚁群算法参数的步骤,直至获得第一级最优路径,将所述第一级最优路径作为所述粮食运输网络图的目标最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167474.8A CN109740829B (zh) | 2019-03-08 | 2019-03-08 | 基于蚁群算法的粮食运输方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167474.8A CN109740829B (zh) | 2019-03-08 | 2019-03-08 | 基于蚁群算法的粮食运输方法、设备、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740829A true CN109740829A (zh) | 2019-05-10 |
CN109740829B CN109740829B (zh) | 2023-05-02 |
Family
ID=66369492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910167474.8A Active CN109740829B (zh) | 2019-03-08 | 2019-03-08 | 基于蚁群算法的粮食运输方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740829B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983756A (zh) * | 2023-03-17 | 2023-04-18 | 交通运输部水运科学研究所 | 一种粮食基地的物流联合供应方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520858A (zh) * | 2008-02-28 | 2009-09-02 | 北京航空航天大学 | 一种求解旅行商问题的蚁群优化-微分进化融合方法 |
CN103824125A (zh) * | 2014-02-15 | 2014-05-28 | 中国能源建设集团广东省电力设计研究院 | 一种智能电网的调度优化配置方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107560631A (zh) * | 2017-08-30 | 2018-01-09 | 山东鲁能智能技术有限公司 | 一种路径规划方法、装置和巡检机器人 |
CN108204821A (zh) * | 2017-12-22 | 2018-06-26 | 浙江网仓科技有限公司 | 一种路径规划方法及装置 |
CN109282815A (zh) * | 2018-09-13 | 2019-01-29 | 天津西青区瑞博生物科技有限公司 | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 |
-
2019
- 2019-03-08 CN CN201910167474.8A patent/CN109740829B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520858A (zh) * | 2008-02-28 | 2009-09-02 | 北京航空航天大学 | 一种求解旅行商问题的蚁群优化-微分进化融合方法 |
CN103824125A (zh) * | 2014-02-15 | 2014-05-28 | 中国能源建设集团广东省电力设计研究院 | 一种智能电网的调度优化配置方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107560631A (zh) * | 2017-08-30 | 2018-01-09 | 山东鲁能智能技术有限公司 | 一种路径规划方法、装置和巡检机器人 |
CN108204821A (zh) * | 2017-12-22 | 2018-06-26 | 浙江网仓科技有限公司 | 一种路径规划方法及装置 |
CN109282815A (zh) * | 2018-09-13 | 2019-01-29 | 天津西青区瑞博生物科技有限公司 | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 |
Non-Patent Citations (1)
Title |
---|
郭跃: "《基于蚁群算法的移动机器人智能路径规划应用》", 8 February 2018 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983756A (zh) * | 2023-03-17 | 2023-04-18 | 交通运输部水运科学研究所 | 一种粮食基地的物流联合供应方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109740829B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN107102941B (zh) | 一种测试用例的生成方法及装置 | |
CN107728874A (zh) | 提供用户快捷操作的方法、装置及设备 | |
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN103810184A (zh) | 确定网站页面地址流转率的方法、优化方法及其装置 | |
CN109670962A (zh) | 基于大数据的理财产品推送方法、装置、设备及存储介质 | |
CN112434188B (zh) | 一种异构数据库的数据集成方法、装置及存储介质 | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
CN115577858B (zh) | 基于区块链的碳排放量预测方法、装置及电子设备 | |
CN105300398A (zh) | 获取地点信息的方法、装置和系统 | |
CN112035549A (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN111144936B (zh) | 基于用户标签的相似人群扩展方法及装置 | |
CN116989819B (zh) | 一种基于模型解的路径确定方法及装置 | |
CN103324641A (zh) | 信息记录推荐方法和装置 | |
CN109740829A (zh) | 基于蚁群算法的粮食运输方法、设备、存储介质及装置 | |
CN110826683A (zh) | 一种预测用户行为发生概率的方法和装置 | |
CN113448876B (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN114996578A (zh) | 模型训练方法、目标对象选取方法、装置及电子设备 | |
CN114492849A (zh) | 一种基于联邦学习的模型更新方法及装置 | |
CN110472113B (zh) | 一种智能交互引擎优化方法、装置、设备 | |
CN111523034A (zh) | 一种应用程序的处理方法、装置、设备及介质 | |
CN107590213A (zh) | 基于手机大数据的混合推荐系统 | |
CN112559877A (zh) | 基于跨平台异构数据及行为上下文的ctr预估方法及系统 | |
CN114461299A (zh) | 一种卸载决策确定方法、装置、电子设备及存储介质 | |
CN113688232A (zh) | 招标文本分类方法、装置、存储介质及终端 |
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 |