CN110147971A - 用于规划车辆路径的方法、系统及存储介质 - Google Patents
用于规划车辆路径的方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110147971A CN110147971A CN201910277451.2A CN201910277451A CN110147971A CN 110147971 A CN110147971 A CN 110147971A CN 201910277451 A CN201910277451 A CN 201910277451A CN 110147971 A CN110147971 A CN 110147971A
- Authority
- CN
- China
- Prior art keywords
- trailer
- tractor
- client node
- hanging point
- task
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于规划车辆路径的方法、系统及存储介质,属于车辆的路径规划技术领域。该方法包括:随机生成多个训练的任务;将训练的任务分组并进行嵌入处理;更新迭代次数;采用长短期记忆网络分别对每组训练的任务进行编码;采用长短期记忆网络分别对编码后的每组训练的任务进行解码以生成车辆调度方案;根据目标函数分别计算每个车辆调度方案的收益;判断迭代次数是否大于或等于次数阈值;在判断迭代次数小于次数阈值的情况下,计算平均值;对长短期记忆网络进行参数优化,再次更新迭代次数;在判断迭代次数大于或等于次数阈值的情况下,输出长短期记忆网络;获取当前的任务;采用输出的长短期记忆网络进行处理以生成最优的车辆调度方案。
Description
技术领域
本发明涉及车辆的路径规划技术领域,具体地涉及一种用于规划车辆路径的方法、系统及存储介质。
背景技术
随着互联网购物的逐渐兴起,物流行业蓬勃发展。随着物流规模的逐渐扩大,传统的车辆调度规划方法显然难以满足现有的大规模的物流环境,无法在车辆自身容积允许且完成配送任务的情况下,最大程度地降低运输成本,从而造成了人员、运输资源的浪费。尤其是在一些特定的物流环境下,例如物流总站点停放有多辆牵引车,牵引车需要通过牵引挂车才能够完成对客户节点的运输任务。现有技术中并未出现针对该类物流环境的路径规划方法。
发明内容
本发明实施方式的目的是提供一种用于规划车辆路径的方法、系统及存储介质,该方法、系统及存储介质能够在牵引车自身的剩余里程允许、挂车的剩余容量允许且完成运输任务的情况下,最大程度地降低运输成本,避免了对物流配送人员、运输车辆资源的浪费。
为了实现上述目的,本发明实施方式提供一种用于规划车辆路径的方法,所述车辆包括牵引车和挂车,所述牵引车停泊于站点中,所述挂车停泊于所述站点和/或甩挂点中,所述牵引车用于牵引所述挂车以向客户节点运输货物,该方法可以包括:
初始化长短期记忆网络;
随机生成多个训练的任务,其中,每个所述训练的任务包括所述牵引车的数量、每辆所述牵引车的剩余里程、所述挂车的数量、每辆所述挂车的剩余容量、每公里的运输成本、所述客户节点的数量、每个所述客户节点的位置、每个所述客户节点的运输需求、所述甩挂点的数量、每个所述甩挂点的位置、完成每个所述客户节点的运输需求的收益;
将多个所述训练的任务分组并进一步进行嵌入处理;
更新所述方法的迭代次数,其中,初始的所述迭代次数为0;
采用长短期记忆网络分别对每组所述训练的任务进行编码;
采用所述长短期记忆网络分别对编码后的每组训练的任务进行解码以生成对应的车辆调度方案;
根据预设的目标函数分别计算每个所述车辆调度方案的收益;
判断所述迭代次数是否大于或等于预设的次数阈值;
在判断所述迭代次数小于所述次数阈值的情况下,计算所述收益的平均值;
根据所述平均值与上一次迭代过程中的平均值采用Adam算法对所述长短期记忆网络进行参数优化,再次更新所述迭代次数并执行所述方法的相应步骤,直到所述迭代次数大于或等于所述次数阈值;
在判断所述迭代次数大于或等于所述次数阈值的情况下,输出所述长短期记忆网络;
获取当前的所述任务;
采用输出的所述长短期记忆网络对当前的所述任务进行处理以生成控制所述牵引车完成所述任务的最优的车辆调度方案。
可选地,所述采用所述长短期记忆网络分别对编码后的每组训练的任务进行解码以生成对应的车辆调度方案包括:
从所述牵引车的集合中随机选取一辆未被选取的所述牵引车作为第一牵引车;
根据所述第一牵引车计算所有所述挂车的权重并进行归一化处理以形成第一概率分布;
根据所述第一概率分布从所述挂车的集合中随机选取一辆挂车作为第一挂车,所述第一牵引车用于牵引所述第一挂车以执行所述任务;
更新所述第一牵引车的剩余里程;
计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布;
根据所述第二概率分布从所述客户节点和所述甩挂点的集合中随机选取一个客户节点或甩挂点作为所述第一牵引车下一个访问的目标;
判断所述目标为所述甩挂点或所述客户节点;
在判断所述目标为所述甩挂点的情况下,进一步判断所述第一挂车的剩余容量是否大于或等于所有所述客户节点中至少一个所述客户节点的运输需求;
在判断所述第一挂车的剩余容量大于或等于至少一个所述客户节点的运输需求的情况下,控制所述第一牵引车将所述第一挂车停放至选取的所述甩挂点并返回所述站点,再次从所述牵引车的集合中随机选取一辆未被选取的牵引车以作为所述第一牵引车并执行所述方法的相应步骤直到所述第一挂车的剩余容量小于所有所述客户节点的运输需求;
在判断所述第一挂车的剩余容量小于所有所述客户节点的运输需求的情况下,控制所述第一牵引车牵引所述第一挂车返回至所述站点,再次从所述牵引车的集合中随机选取一辆未被选取的牵引车以作为所述第一牵引车并执行所述方法的相应步骤直到所述第一挂车的剩余容量大于或等于至少一个所述客户节点的运输需求;
在判断所述目标为所述客户节点的情况下,计算从所述第一牵引车当前所在的位置出发,经过所述目标和所述目标最近的甩挂点,最后到达所述站点过程中所经过的路程;
判断所述第一牵引车的剩余里程是否大于或等于所述路程;
在判断所述第一牵引车的剩余里程小于所述路程的情况下,再次计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布并执行所述方法的相应步骤,直到判断所述第一牵引车的剩余里程大于或等于所述路程;
在判断所述第一牵引车的剩余里程大于或等于所述路程的情况下,判断所述第一挂车的剩余容量是否大于或等于所述目标的运输需求;
在判断所述第一挂车的剩余容量小于所述目标的运输需求的情况下,控制所述第一牵引车牵引所述第一挂车返回至所述站点,再次从所述牵引车的集合中随机选取一辆未被选取的牵引车以作为所述第一牵引车并执行所述方法的相应步骤直到判断所述第一挂车的剩余容量大于或等于所述目标的运输需求;
在判断所述第一挂车的剩余容量大于或等于所述目标的运输需求的情况下,将所述目标加入所述车辆调度方案中;
判断所述客户节点的集合中是否存在未被选取的所述客户节点;
在判断所述客户节点的集合中存在未被选取的所述客户节点的情况下,更新所述第一牵引车的剩余里程并执行所述方法的相应步骤直到判断所述客户节点的集合中不存在未被选取的所述客户节点;
在判断所述客户节点的集合中不存在未被选取的所述客户节点的情况下,输出所述车辆调度方案。
可选地,所述根据预设的目标函数分别计算每组训练任务的所述车辆调度方案的收益包括:
根据公式(1)和公式(2)确定所述目标函数,
其中,L(πj|s)为挂车j的行进的里程,‖ ‖2为两个所述客户节点和/或所述甩挂点之间的欧几里得距离,πj为挂车j访问所述客户节点和所述甩挂点的序列集,s为所有所述客户节点和甩挂点的集合,hj为挂车j访问所述客户节点和所述甩挂点的序列集的长度,为挂车j访问的最后一个所述客户节点和/或所述甩挂点的位置,为挂车j访问的第一个所述客户节点和/或所述甩挂点的位置,为挂车j访问的第k个所述客户节点和/或所述甩挂点的位置,为牵引车j访问的第k+1个所述客户节点和/或甩挂点的位置,z为所述挂车行驶的最小距离总和,m为完成训练的任务的所述挂车的集合。
可选地,所述计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布包括:
根据公式(3)计算所述挂车的权重,
其中,为针对牵引车i计算的挂车j的权重,vT、Wref、Wq为所述长短期记忆网络中的可学习的参数,q为所述长短期记忆网络的隐藏层的状态向量,ref为所述长短期记忆网络编码的输出量,m为完成训练的任务的所述挂车的集合,n为完成训练的任务的所述牵引车的集合,l为所述牵引车牵引挂车访问的所述客户节点和甩挂点的长度,为第i辆牵引车牵引第j辆挂车访问的客户节点和甩挂点的集合,为第i辆牵引车牵引第j辆挂车访问第k个客户节点和/或甩挂点的运输需求,cj为第j辆挂车的剩余容量。
可选地,所述计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布包括:
根据公式(4)计算所述客户节点或所述甩挂点的权重,
其中,为第s个所述客户节点和/或甩挂点的权重,W′ref、W′q为所述长短期记忆网络的可学习参数,q为所述长短期记忆网络的隐藏层的状态向量,m为完成训练的任务的所述挂车的集合,n为完成训练的任务的所述牵引车的集合,l为所述牵引车牵引挂车访问的所述客户节点和甩挂点的长度,为第i辆牵引车拖带第j辆挂车访问的客户节点和甩挂点的集合,为第i辆牵引车拖带第j辆挂车访问第k个客户节点和/或甩挂点的运输需求,cj为第j辆挂车的剩余容量。
另一方面,本发明还提供一种用于规划车辆路径的系统,所述系统包括处理器,所述处理器用于执行上述任一所述的方法。
再一方面,本发明还提供一种存储介质,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行上述任一所述的方法。
通过上述技术方案,本发明提供的用于规划车辆路径的方法、系统及存储介质通过综合考虑牵引车的剩余里程、挂车的剩余容量以及客户节点的配送需求,并进一步采用神经网络进行处理,提高了物流车辆路径的合理性,最大程度地降低运输成本,避免了对物流配送人员、运输车辆资源的浪费。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是根据本发明的一个实施方式的用于规划车辆路径的方法的流程图;
图2是根据本发明的一个实施方式的长短期记忆网络分别对每组训练任务进行解码的流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
在本申请实施方式中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外,若本申请实施方式中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的用于规划车辆路径的方法的流程图。在图1中,该方法可以包括:
在步骤S110中,初始化长短期记忆网络(Long Short-Term Memory,LSTM)。在该实施方式中,该步骤S110可以是具体为构建两个长短期记忆网络分别对训练的任务进行编码和解码。对于该两个长短期记忆网络,输入的维度可以为embedding_size_veh和embedding_size,隐藏层的特征维度可以为hidden_size,两个长短期记忆网络的batch_first可以设定为true,对于其余参数均可以设定为默认值。
在步骤S120中,随机生成多个训练的任务。其中,每个训练的任务包括牵引车的数量、每辆牵引车的剩余里程、挂车的数量、每辆挂车的剩余容量、每公里的运输成本、客户节点的数量、每个客户节点的位置、每个客户节点的运输需求、甩挂点的数量、每个甩挂点的位置、完成每个客户节点的运输需求的收益。
在步骤S130中,将多个训练的任务分组并进一步进行嵌入(embedding)处理。
在步骤S140中,更新该方法的迭代次数。其中,初始的迭代次数可以设置为0。
在步骤S150中,采用长短期记忆网络分别对每组训练的任务进行编码。
在步骤S160中,采用长短期记忆网络分别对编码后的每组训练的任务进行解码以生成对应的车辆调度方案。对于该长短期记忆网络的解码过程,可以是本领域人员所知的多种。在本发明的一个示例中,该解码过程可以是例如图2所示出的流程。在图2中,该流程可以具体包括:
在步骤S1601中,从牵引车的集合中随机选取一辆未被选取的牵引车作为第一牵引车。
在步骤S1602中,根据第一牵引车计算所有挂车的权重并进行归一化处理以形成第一概率分布。对于该挂车的权重的计算,可以是本领域人员所知的多种方式,在本发明的一个示例中,该方式可以具体为根据公式(1)计算每辆挂车的权重的计算,
其中,为针对牵引车i计算的挂车j的权重,vT、Wref、Wq为长短期记忆网络中的可学习的参数,q为长短期记忆网络的隐藏层的输出量,ref为长短期记忆网络编码的输出量,m为完成训练的任务的挂车的集合,n为完成训练的任务的牵引车的集合,l为牵引车牵引挂车访问的客户节点和甩挂点的长度,为第i辆牵引车牵引第j辆挂车访问的客户节点和甩挂点的集合,为第i辆牵引车牵引第j辆挂车访问第k个客户节点和/或甩挂点的运输需求,cj为第j辆挂车的剩余容量。
在步骤S1603中,根据该第一概率分布从挂车的集合中随机选取一辆挂车作为第一挂车。该第一牵引车可以用于牵引第一挂车以执行任务。
在步骤S1604中,更新第一牵引车的剩余里程。在该实施方式中,该步骤可以是将该第一牵引车的初始的剩余里程减去已行进的路程,从而更新该剩余里程。
在步骤S1605中,计算所有客户节点和甩挂点的权重并进行归一化处理以形成第二概率分布。对于该所有客户节点和甩挂点的权重的计算,可以是本领域人员所知的多种。在本发明的一个示例中,该权重的计算可以具体为根据公式(2)计算该权重,
其中,为第s个所述客户节点和/或甩挂点的权重,W′ref、W′q为所述长短期记忆网络的可学习参数,q为长短期记忆网络的隐藏层的状态向量,ref为长短期记忆网络编码的输出量,m为完成训练的任务的所述挂车的集合,n为完成训练的任务的所述牵引车的集合,l为所述牵引车牵引挂车访问的所述客户节点和甩挂点的长度,为第i辆牵引车拖带第j辆挂车访问的客户节点和甩挂点的集合,为第i辆牵引车拖带第j辆挂车访问第k个客户节点和/或甩挂点的运输需求,cj为第j辆挂车的剩余容量。
在步骤S1606中,根据该第二概率分布从客户节点和甩挂点的集合中随机选取一个客户节点或甩挂点作为第一牵引车下一个访问的目标。
在步骤S1607中,判断该目标为甩挂点或客户节点。
在步骤S1608中,在判断目标为甩挂点的情况下,进一步判断该第一挂车的剩余容量是否大于或等于所有客户节点中至少一个客户节点的运输需求。考虑到该第一牵引车牵引第一挂车访问的下一个目标为甩挂点。那么,为了确定该第一牵引车是否需要将第一挂车停放至甩挂点,就需要确定该第一挂车是否还能够继续执行任务,即是否发还具有足够的剩余容量去执行任务。因此,在该步骤S1608中,需要判断该第一挂车的剩余容量是否大于或等于所有客户节点中至少一个客户节点的运输需求。
在步骤S1609中,在判断第一挂车的剩余容量大于或等于至少一个客户节点的运输需求的情况下,控制第一牵引车将第一挂车停放至选取的甩挂点并返回站点,再次从牵引车的集合中随机选取一辆未被选取的牵引车以作为第一牵引车并执行方法的相应步骤直到第一挂车的剩余容量小于所有客户节点的运输需求。在确定该第一挂车的剩余容量仍然足以执行任务的情况下,此时,可以控制第一牵引车将该挂车停放至选取的甩挂点,从而便于下一辆牵引车继续牵引该第一挂车以执行任务。
在步骤S1610中,在判断第一挂车的剩余容量小于所有客户节点的运输需求的情况下,控制第一牵引车牵引第一挂车返回至站点,再次从牵引车的集合中随机选取一辆未被选取的牵引车以作为第一牵引车并执行方法的相应步骤直到第一挂车的剩余容量大于或等于至少一个客户节点的运输需求。在该步骤S1610中,考虑到该第一挂车的剩余容量已经不能够继续执行任务,那么,将该第一挂车停放至甩挂点就需要后续再派遣牵引车前来将该第一挂车拉回站点,因此可以控制该第一牵引车将该第一挂车牵引回站点。
在步骤S1611中,在判断目标为客户节点的情况下,计算从第一牵引车当前所在的位置出发,经过目标和目标最近的甩挂点,最后到达站点过程中所经过的路程。由于第一牵引车每次前往客户节点执行任务时,在完成一个客户节点的运输需求后,均需要考虑不周S1609和步骤S1610两种情况,那么在该实施方式中,通过计算该路程(所在的位置-与目标最近的甩挂点-站点)则可以计算出该牵引车执行下一个客户节点或甩挂点任务的最小里程。
在步骤S1612中,判断第一牵引车的剩余里程是否大于或等于该路程。
在判断第一牵引车的剩余里程小于路程的情况下,再次计算所有客户节点和甩挂点的权重并进行归一化处理以形成第二概率分布并执行该方法的相应步骤,直到判断第一牵引车的剩余里程大于或等于路程。
在步骤S1613中,在判断第一牵引车的剩余里程大于或等于路程的情况下,判断第一挂车的剩余容量是否大于或等于该目标的运输需求。
在判断第一挂车的剩余容量小于目标的运输需求的情况下,控制第一牵引车牵引第一挂车返回至站点,再次从牵引车的集合中随机选取一辆未被选取的牵引车以作为第一牵引车并执行该方法的相应步骤直到判断第一挂车的剩余容量大于或等于目标的运输需求。
在步骤S1614中,在判断第一挂车的剩余容量大于或等于目标的运输需求的情况下,将目标加入车辆调度方案中。
在步骤S1615中,判断客户节点的集合中是否存在未被选取的客户节点。
在判断客户节点的集合中存在未被选取的客户节点的情况下,更新第一牵引车的剩余里程并执行方法的相应步骤直到判断客户节点的集合中不存在未被选取的客户节点;
在步骤S1616中,在判断客户节点的集合中不存在未被选取的客户节点的情况下,输出该车辆调度方案。
在步骤S170中,根据预设的目标函数分别计算每个车辆调度方案的收益。对于该目标函数,可以是本领域人员所知的多种形式。在本发明的一个示例中,该目标函数可以是例如公式(3)和公式(4),
其中,L(πj|s)为挂车j的行进的里程,‖ ‖2为两个所述客户节点和/或所述甩挂点之间的欧几里得距离,πj为挂车j访问所述客户节点和所述甩挂点的序列集,s为所有所述客户节点和甩挂点的集合,hj为挂车j访问所述客户节点和所述甩挂点的序列集的长度,为挂车j访问的最后一个所述客户节点和/或所述甩挂点的位置,为挂车j访问的第一个所述客户节点和/或所述甩挂点的位置,为挂车j访问的第k个所述客户节点和/或所述甩挂点的位置,为牵引车j访问的第k+1个所述客户节点和/或甩挂点的位置,z为所述挂车行驶的最小距离总和,m为完成训练的任务的所述挂车的集合。
在步骤S180中,判断迭代次数是否大于或等于预设的次数阈值。
在步骤S190中,在判断迭代次数小于次数阈值的情况下,计算收益的平均值。
在步骤S200中,根据平均值与上一次迭代过程中的平均值采用Adam算法对长短期记忆网络进行参数优化,再次更新迭代次数并执行方法的相应步骤,直到迭代次数大于或等于次数阈值。
在步骤S210中,在判断迭代次数大于或等于次数阈值的情况下,输出长短期记忆网络。
在步骤S220中,获取当前的任务。
在步骤S230中,采用输出的长短期记忆网络对当前的任务进行处理以生成控制牵引车完成任务的最优的车辆调度方案。
另一方面,本发明还提供一种用于规划车辆路径的系统,该系统可以包括处理器,该处理器可以用于执行上述任一所述的方法。对于该处理器,可以是例如通用处理器、专用处理器、常规处理器、数字信号处理器(DSP)、多个微处理器、与DSP核心相关联的一个或多个微处理器、控制器、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)电路、任何其它类型的集成电路(IC)、状态机、系统级芯片(SOC)等。
再一方面,本发明还提供一种存储介质,该存储介质可以存储有指令,该指令可以用于被机器读取以使得该机器执行上述任一的方法。
通过上述技术方案,本发明提供的用于规划车辆路径的方法、系统及存储介质通过综合考虑牵引车的剩余里程、挂车的剩余容量以及客户节点的配送需求,并进一步采用神经网络进行处理,提高了物流车辆路径的合理性,最大程度地降低运输成本,避免了对物流配送人员、运输车辆资源的浪费。
以上结合附图详细描述了本发明例的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施方式的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (7)
1.一种用于规划车辆路径的方法,所述车辆包括牵引车和挂车,所述牵引车停泊于站点中,所述挂车停泊于所述站点和/或甩挂点中,所述牵引车用于牵引所述挂车以向客户节点运输货物,其特征在于,所述方法包括:
初始化长短期记忆网络;
随机生成多个训练的任务,其中,每个训练的任务包括所述牵引车的数量、每辆所述牵引车的剩余里程、所述挂车的数量、每辆所述挂车的剩余容量、每公里的运输成本、所述客户节点的数量、每个所述客户节点的位置、每个所述客户节点的运输需求、所述甩挂点的数量、每个所述甩挂点的位置、完成每个所述客户节点的运输需求的收益;
将多个所述训练的任务分组并进一步进行嵌入处理;
更新所述方法的迭代次数,其中,初始的所述迭代次数为0;
采用长短期记忆网络分别对每组所述训练的任务进行编码;
采用所述长短期记忆网络分别对编码后的每组训练的任务进行解码以生成对应的车辆调度方案;
根据预设的目标函数分别计算每个所述车辆调度方案的收益;
判断所述迭代次数是否大于或等于预设的次数阈值;
在判断所述迭代次数小于所述次数阈值的情况下,计算所述收益的平均值;
根据所述平均值与上一次迭代过程中的平均值采用Adam算法对所述长短期记忆网络进行参数优化,再次更新所述迭代次数并执行所述方法的相应步骤,直到所述迭代次数大于或等于所述次数阈值;
在判断所述迭代次数大于或等于所述次数阈值的情况下,输出所述长短期记忆网络;
获取当前的所述任务;
采用输出的所述长短期记忆网络对当前的所述任务进行处理以生成控制所述牵引车完成所述任务的最优的车辆调度方案。
2.根据权利要求1所述的方法,其特征在于,所述采用所述长短期记忆网络分别对编码后的每组训练的任务进行解码以生成对应的车辆调度方案包括:
从所述牵引车的集合中随机选取一辆未被选取的所述牵引车作为第一牵引车;
根据所述第一牵引车计算所有所述挂车的权重并进行归一化处理以形成第一概率分布;
根据所述第一概率分布从所述挂车的集合中随机选取一辆挂车作为第一挂车,所述第一牵引车用于牵引所述第一挂车以执行所述任务;
更新所述第一牵引车的剩余里程;
计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布;
根据所述第二概率分布从所述客户节点和所述甩挂点的集合中随机选取一个客户节点或甩挂点作为所述第一牵引车下一个访问的目标;
判断所述目标为所述甩挂点或所述客户节点;
在判断所述目标为所述甩挂点的情况下,进一步判断所述第一挂车的剩余容量是否大于或等于所有所述客户节点中至少一个所述客户节点的运输需求;
在判断所述第一挂车的剩余容量小于所有所述客户节点的运输需求的情况下,控制所述第一牵引车牵引所述第一挂车返回至所述站点,再次从所述牵引车的集合中随机选取一辆未被选取的牵引车以作为所述第一牵引车并执行所述方法的相应步骤直到所述第一挂车的剩余容量大于或等于至少一个所述客户节点的运输需求;
在判断所述目标为所述客户节点的情况下,计算从所述第一牵引车当前所在的位置出发,经过所述目标和所述目标最近的甩挂点,最后到达所述站点过程中所经过的路程;
判断所述第一牵引车的剩余里程是否大于或等于所述路程;
在判断所述第一牵引车的剩余里程小于所述路程的情况下,再次计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布并执行所述方法的相应步骤,直到判断所述第一牵引车的剩余里程大于或等于所述路程;
在判断所述第一牵引车的剩余里程大于或等于所述路程的情况下,判断所述第一挂车的剩余容量是否大于或等于所述目标的运输需求;
在判断所述第一挂车的剩余容量小于所述目标的运输需求的情况下,控制所述第一牵引车牵引所述第一挂车返回至所述站点,再次从所述牵引车的集合中随机选取一辆未被选取的牵引车以作为所述第一牵引车并执行所述方法的相应步骤直到判断所述第一挂车的剩余容量大于或等于所述目标的运输需求;
在判断所述第一挂车的剩余容量大于或等于所述目标的运输需求的情况下,将所述目标加入所述车辆调度方案中;
判断所述客户节点的集合中是否存在未被选取的所述客户节点;
在判断所述客户节点的集合中存在未被选取的所述客户节点的情况下,更新所述第一牵引车的剩余里程并执行所述方法的相应步骤直到判断所述客户节点的集合中不存在未被选取的所述客户节点;
在判断所述客户节点的集合中不存在未被选取的所述客户节点的情况下,输出所述车辆调度方案。
3.根据权利要求2所述的方法,其特征在于,所述根据预设的目标函数分别计算每组训练任务的所述车辆调度方案的收益包括:
根据公式(1)和公式(2)确定所述目标函数,
其中,L(πj|s)为挂车j的行进的里程,‖ ‖2为两个所述客户节点和/或所述甩挂点之间的欧几里得距离,πj为挂车j访问所述客户节点和所述甩挂点的序列集,s为所有所述客户节点和甩挂点的集合,hj为挂车j访问所述客户节点和所述甩挂点的序列集的长度,为挂车j访问的最后一个所述客户节点和/或所述甩挂点的位置,为挂车j访问的第一个所述客户节点和/或所述甩挂点的位置,为挂车j访问的第k个所述客户节点和/或所述甩挂点的位置,为牵引车j访问的第k+1个所述客户节点和/或甩挂点的位置,z为所述挂车行驶的最小距离总和,m为完成训练的任务的所述挂车的集合。
4.根据权利要求2所述的方法,其特征在于,所述计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布包括:
根据公式(3)计算所述挂车的权重,
其中,为针对牵引车i计算的挂车j的权重,vT、Wref、Wq为所述长短期记忆网络中的可学习的参数,q为所述长短期记忆网络的隐藏层的状态向量,ref为所述长短期记忆网络编码的输出量,m为完成训练的任务的所述挂车的集合,n为完成训练的任务的所述牵引车的集合,l为所述牵引车牵引挂车访问的所述客户节点和甩挂点的长度,为第i辆牵引车牵引第j辆挂车访问的客户节点和甩挂点的集合,为第i辆牵引车牵引第j辆挂车访问第k个客户节点和/或甩挂点的运输需求,cj为第j辆挂车的剩余容量。
5.根据权利要求2所述的方法,其特征在于,所述计算所有所述客户节点和所述甩挂点的权重并进行归一化处理以形成第二概率分布包括:
根据公式(4)计算所述客户节点或所述甩挂点的权重,
其中,为第s个所述客户节点和/或甩挂点的权重,W′ref、W′q为所述长短期记忆网络的可学习参数,q为所述长短期记忆网络的隐藏层的状态向量,ref为所述长短期记忆网络的输出量,m为完成训练的任务的所述挂车的集合,n为完成训练的任务的所述牵引车的集合,l为所述牵引车牵引挂车访问的所述客户节点和甩挂点的长度,为第i辆牵引车拖带第j辆挂车访问的客户节点和甩挂点的集合,为第i辆牵引车拖带第j辆挂车访问第k个客户节点和/或甩挂点的运输需求,cj为第j辆挂车的剩余容量。
6.一种用于规划车辆路径的系统,其特征在于,所述系统包括处理器,所述处理器用于执行如权利要求1至5任一所述的方法。
7.一种存储介质,其特征在于,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277451.2A CN110147971B (zh) | 2019-04-08 | 2019-04-08 | 用于规划车辆路径的方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277451.2A CN110147971B (zh) | 2019-04-08 | 2019-04-08 | 用于规划车辆路径的方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147971A true CN110147971A (zh) | 2019-08-20 |
CN110147971B CN110147971B (zh) | 2023-02-03 |
Family
ID=67588261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910277451.2A Active CN110147971B (zh) | 2019-04-08 | 2019-04-08 | 用于规划车辆路径的方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147971B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991665A (zh) * | 2019-11-21 | 2020-04-10 | 浙江工业大学 | 一种利润最大化的集配一体化车辆路径规划方法 |
CN111459108A (zh) * | 2020-04-08 | 2020-07-28 | 北京理工大学 | 拖挂式多agv系统的任务分配及无冲突路径规划方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014003321A1 (ko) * | 2012-06-27 | 2014-01-03 | 명지대학교 산학협력단 | 최단경로를 이용한 출발점 기반의 통행 배정방법 |
CN105157712A (zh) * | 2015-08-18 | 2015-12-16 | 浙江工商大学 | 一种车辆路径的规划方法和规划系统 |
CN105740972A (zh) * | 2016-01-22 | 2016-07-06 | 合肥工业大学 | 一种甩挂运输协同路径规划方法 |
CN105825303A (zh) * | 2016-03-17 | 2016-08-03 | 合肥工业大学 | 一种甩挂运输的任务分配方法 |
CN105956681A (zh) * | 2016-04-15 | 2016-09-21 | 合肥工业大学 | 一种基于滚动时域优化的甩挂运输动态路径规划方法 |
US20180090014A1 (en) * | 2016-09-27 | 2018-03-29 | International Business Machines Corporation | Route planning for multi-unmanned aerial vehicle-based package delivery |
CN108375379A (zh) * | 2018-02-01 | 2018-08-07 | 上海理工大学 | 基于变异的双重dqn的快速路径规划方法及移动机器人 |
CN108601033A (zh) * | 2018-04-25 | 2018-09-28 | 北京科技大学 | 一种基于Adam的网络工作参数优化方法 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109102122A (zh) * | 2018-08-16 | 2018-12-28 | 安徽大学 | 一种基于nsgaii分组处理大规模带容量约束的方法及系统 |
-
2019
- 2019-04-08 CN CN201910277451.2A patent/CN110147971B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014003321A1 (ko) * | 2012-06-27 | 2014-01-03 | 명지대학교 산학협력단 | 최단경로를 이용한 출발점 기반의 통행 배정방법 |
CN105157712A (zh) * | 2015-08-18 | 2015-12-16 | 浙江工商大学 | 一种车辆路径的规划方法和规划系统 |
CN105740972A (zh) * | 2016-01-22 | 2016-07-06 | 合肥工业大学 | 一种甩挂运输协同路径规划方法 |
CN105825303A (zh) * | 2016-03-17 | 2016-08-03 | 合肥工业大学 | 一种甩挂运输的任务分配方法 |
CN105956681A (zh) * | 2016-04-15 | 2016-09-21 | 合肥工业大学 | 一种基于滚动时域优化的甩挂运输动态路径规划方法 |
US20180090014A1 (en) * | 2016-09-27 | 2018-03-29 | International Business Machines Corporation | Route planning for multi-unmanned aerial vehicle-based package delivery |
CN108375379A (zh) * | 2018-02-01 | 2018-08-07 | 上海理工大学 | 基于变异的双重dqn的快速路径规划方法及移动机器人 |
CN108601033A (zh) * | 2018-04-25 | 2018-09-28 | 北京科技大学 | 一种基于Adam的网络工作参数优化方法 |
CN109102122A (zh) * | 2018-08-16 | 2018-12-28 | 安徽大学 | 一种基于nsgaii分组处理大规模带容量约束的方法及系统 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
Non-Patent Citations (1)
Title |
---|
傅惠等: "基于工作流网的应急资源配置与路径规划集成优化", 《工业工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991665A (zh) * | 2019-11-21 | 2020-04-10 | 浙江工业大学 | 一种利润最大化的集配一体化车辆路径规划方法 |
CN110991665B (zh) * | 2019-11-21 | 2023-05-12 | 浙江工业大学 | 一种利润最大化的集配一体化车辆路径规划方法 |
CN111459108A (zh) * | 2020-04-08 | 2020-07-28 | 北京理工大学 | 拖挂式多agv系统的任务分配及无冲突路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110147971B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136481B (zh) | 一种基于深度强化学习的停车策略 | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN110147901A (zh) | 基于指针神经网络的车辆路径规划方法、系统及存储介质 | |
CN113110509B (zh) | 一种基于深度强化学习的仓储系统多机器人路径规划方法 | |
CA3077984A1 (en) | Systems and methods for determining estimated time of arrival | |
CN106295637B (zh) | 一种基于深度学习与强化学习的车辆识别方法 | |
CN110537212B (zh) | 确定预估到达时间的系统与方法 | |
CN110168313A (zh) | 用于预估到达时间的方法及系统 | |
CN108776483A (zh) | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 | |
CN108701279A (zh) | 用于确定未来运输服务时间点的预测分布的系统和方法 | |
CN110147971A (zh) | 用于规划车辆路径的方法、系统及存储介质 | |
CN109074622A (zh) | 确定运输服务路线的系统及方法 | |
CN110520913A (zh) | 确定预估到达时间的系统和方法 | |
CN110516583A (zh) | 一种车辆重识别方法、系统、设备及介质 | |
CN105825303A (zh) | 一种甩挂运输的任务分配方法 | |
CN114261400A (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
Siddique et al. | Puzzle-based parking | |
CN109063827B (zh) | 有限空间内自动拿取特定行李的方法、系统、存储介质和终端 | |
CN110163772A (zh) | 一种基于BiLSTM-CRF的旅游行程路线生成方法 | |
CN113870588A (zh) | 一种基于深度q网络的交通灯控制方法、终端及存储介质 | |
CN116895165A (zh) | 智能网联车辆交叉口协调驾驶控制方法、系统和存储介质 | |
CN117252318A (zh) | 一种智能网联汽车群机协同拼车调度方法及系统 | |
CN110155583B (zh) | 立体车库的控制方法、装置、介质及电子设备 | |
CN116523970A (zh) | 基于二次隐式匹配的动态三维目标跟踪方法及装置 | |
CN110503234A (zh) | 一种物流运输调度的方法、系统及设备 |
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 |