CN112330054B - 基于决策树的动态旅行商问题求解方法、系统及存储介质 - Google Patents
基于决策树的动态旅行商问题求解方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112330054B CN112330054B CN202011322688.7A CN202011322688A CN112330054B CN 112330054 B CN112330054 B CN 112330054B CN 202011322688 A CN202011322688 A CN 202011322688A CN 112330054 B CN112330054 B CN 112330054B
- Authority
- CN
- China
- Prior art keywords
- node
- decision tree
- nodes
- cost
- path
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- FXYPGCIGRDZWNR-UHFFFAOYSA-N (2,5-dioxopyrrolidin-1-yl) 3-[[3-(2,5-dioxopyrrolidin-1-yl)oxy-3-oxopropyl]disulfanyl]propanoate Chemical compound O=C1CCC(=O)N1OC(=O)CCSSCCC(=O)ON1C(=O)CCC1=O FXYPGCIGRDZWNR-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000003462 Bender reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- HKSZLNNOFSGOKW-HMWZOHBLSA-N staurosporine Chemical compound C12=C3N4C5=CC=CC=C5C3=C3CNC(=O)C3=C2C2=CC=CC=C2N1[C@@H]1C[C@H](NC)[C@H](OC)[C@@]4(C)O1 HKSZLNNOFSGOKW-HMWZOHBLSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于决策树的动态旅行商问题求解方法、系统及存储介质。方法包括:S100、以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,所述决策树中各由根节点至叶子节点的路径均依次经过所有节点;S200、基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费;S300、根据上述构建决策树以及各节点剩余路程预测花费结果,从起始节点开始,根据路程花费最小原则选择下一步访问节点。本发明在小车行进过程中根据交通状况动态调整行进路线,以达到花费最小的目的。
Description
技术领域
本发明涉及物流管理及路径规划技术领域,具体而言,尤其涉及一种基于决策树的动态旅行商问题求解方法、系统及存储介质。
背景技术
现有公开的路径规划方法采用运筹优化领域的相关算法求解最优路径。一些方案研究了在多站旅行中,根据当前交通状况选择下一站访问的价值,以使旅行的预期总旅行时间最小化问题。假设网络弧费用为一个随机变量,将DTSP转化为一个和/或图,并应用最佳优先启发式搜索算法AO*进行最优策略确定,以达到基于当前网络条件动态确定TSP旅行价值的目的。还有一些方案研究了未知概率分布的多径旅行商问题(MPTSP),其中每对节点之间存在多条路径,且每条路径具有未知分布的随机旅行费用,目标是寻找连接所有节点的期望最小哈密顿旅行。在一个温和的假设下,将任意一对节点之间的最小随机旅行费用的概率分布变换为一个Gumbel分布,给出了随机问题的一个确定性近似解。此外,还有一些方法建立了具有离散随机弧费用的风险约束旅行商问题的MILP(混合整数线性规划)模型。采用CVaR作为风险度量指标,对所选路由的可靠性进行评估。提出了一种利用Benders可行割集的精确分解算法来解决这一问题。[4]进一步提出了一种新的割平面算法,假设每段弧的旅行费用服从正态分布。在将风险控制在置信水平的情况下,建立了STSP的非线性规划模型,以寻找期望成本最小的路径。提出了一个包含风险管理的随机模型,并应用风险价值(VaR)和条件风险价值(CVaR)技术作为风险度量来评估和控制与不确定性相关的风险。
而求解方法在小车出发前就已计算完成路线规划,其目的是达到平均路径花费最小的目的。小车在行进过程中,不管交通状况如何改变,小车都会按照出发前计算得到的路线行进,无法动态的适应复杂交通状态的变化。
发明内容
根据上述提出现有路径规划方案无法动态适应复杂交通状态变化的技术问题,而提供一种基于决策树的动态旅行商问题求解方法、系统及存储介质。本发明在小车行进过程中根据交通状况动态调整行进路线,以达到花费最小的目的。
本发明采用的技术手段如下:
一种基于决策树的动态旅行商问题求解方法,包括:
S100、以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,所述决策树中各由根节点至叶子节点的路径均依次经过所有节点;
S200、基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费;
S300、根据上述构建决策树以及各节点剩余路程预测花费结果,从起始节点开始,根据路程花费最小原则选择下一步访问节点。
进一步地,基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费,包括:
S210、计算作为叶子节点的父节点的剩余路径预测花费;以及
S220、计算其余各层节点的剩余路程预测花费,包括:
S221、通过采样法获取路径中当前节点到下一节点的随机花费,
S222、获取所述下一节点的剩余路径预测花费,
S223、根据所述路径中当前节点到下一节点的随机花费和所述下一节点的剩余路径预测花费计算当前节点可达路径的剩余路径的花费;
S224、提取当前节点下所有可选路径采样得到的剩余路径预测花费的最小值作为当前节点的剩余路程花费;
S225、反复执行S221-S224多次,获得多个当前节点的剩余路程花费,提取所述多个当前节点的剩余路程花费的平均值作为当前节点的剩余路径预测花费结果。
进一步地,以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,包括:将所述决策树中的相同路径进行合并,所述相同的路径为由根节点开始、以同样的访问顺序到达某节点的两条以上的路径。
进一步地,任意两个节点之间的花费为一个服从已知均值和方差的正态分布的随机值。
进一步地,任意两个节点之间正向访问与反向访问的花费服从相同参数的正态分布。
一种基于决策树的动态旅行商问题求解系统,用于执行上述方法,包括:
决策树构建单元,以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,所述决策树中各由根节点至叶子节点的路径均依次经过所有节点;
计算单元,基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费;
选择单元,根据上述构建决策树以及各节点剩余路程预测花费结果,从起始节点开始,根据路程花费最小原则选择下一步访问节点。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机指令集;所述计算机指令集被处理器执行时实现如上述任一项所述的基于决策树的动态旅行商问题求解方法。
较现有技术相比,本发明具有以下优点:
本方法提供了一种在小车行进过程中将交通状况动态映射为模型中两个节点之间的花费,并据此调整行进路线。结合掌握到的当前时间段各条道路的交通情况,并将此情况映射为模型中已知当前节点到下一可选节点的实时花费,从而更好的动态调整行进路线,以达到花费最小的目的。基于上述理由本发明可在路径规划领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于决策树的动态旅行商问题求解方法执行流程图。
图2为实施例中决策树示意图。
图3为实施例中路径花费预测模型构建流程图。
图4为实施例中实时路径选择决策流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种基于决策树的动态旅行商问题求解方法,包括:
S100、以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,所述决策树中各由根节点至叶子节点的路径均依次经过所有节点。
具体来说,本发明实施例优选采用启发式算法,例如2OPT算法,模拟退火算法等,基于全部待访问节点生成一定数量的寻优路径,再根据寻优路径构建决策树,构建规则如下:(1)根节点为开始节点;(2)从根节点到叶子节点每条路径都包含所有节点;(3)决策树中相同路径序列进行合并。例如由寻优路径构建的一个包含5个节点的决策树如图2所示。
本发明实施例中,优选地,任意两个节点之间的花费为一个服从已知均值和方差的正态分布的随机值,如图2所示,例如节点4到节点5之间的花费服从X~N(μ45,σ45)的正态分布。
此外,A节点到B节点与B节点到A节点的花费服从相同参数的正态分布,即将该问题建模为一个无向图,例如X~N(μ45,σ45)与X~N(μ54,σ54)分布相同。
最后,处于某个节点时,我们已知一段到下一个可选节点的实时路径花费。例如,如图2所示,当前节点处于根节点时,决策树中可选的下一个访问节点为节点2和4,根据当前交通状态,已知节点1到节点2和节点1到节点4的实时路程花费,即已知C12和C14。其中C12~N(μ12,σ12),C14~N(μ14,σ14)。
S200、基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费,包括:
S210、计算作为叶子节点的父节点的剩余路径预测花费。由于决策树中的叶子节点为路径中的最后一个节点,所以该层节点不计算剩余路程预测花费。叶子节点的父节点的剩余路程预测花费,计算为当前节点到叶子节点花费服从分布的先验均值。如图2所示,1号路径中节点4为叶子节点5的父节点,节点4到节点5的路程花费服从X~N(μ45,σ45)的正态分布,则路径1中节点4的剩余路程花费预测为μ45。其余路径中叶子节点的父节点的剩余路程花费预测计算方式相同,此处不再赘述。
S220、计算其余各层节点的剩余路程预测花费,包括:
S221、根据构建的决策树,获取当前计算节点Ncur的所有可选路径。通过采样法获取路径中当前节点到下一节点的随机花费,即通过采样法获取路径中当前节点Ncur到下一节点Nnext的一个随机花费
S222、获取表示下一到达节点Nnext的剩余路径花费预测值
S223、根据所述路径中当前节点到下一节点的随机花费和所述下一节点的剩余路径预测花费计算当前节点可达路径的剩余路径的花费。当前节点可达路径的剩余路程的花费计算为:
其中表示r号可选路径的剩余路程花费预测值,/>表示下一到达节点Nnext的剩余路径花费预测值。
S224、提取当前节点下所有可选路径采样得到的剩余路径预测花费的最小值作为当前节点的剩余路程花费。当前节点的剩余路程花费计算为当前节点下所有可选路径采样得到的预测花费的最小值
S225、反复执行S221-S224多次,获得多个当前节点的剩余路程花费,提取所述多个当前节点的剩余路程花费的平均值作为当前节点的剩余路径预测花费结果。具体来说,重复S221-S224多次,可得到多个采样结果,采样次数M根据实际需求设定,对M个采样结果取均值,将其作为当前节点Ncur的剩余路径花费预测结果:
通过步骤S221-S225的迭代计算,可以得到决策树中所有节点的剩余路程预测花费,为实时决策提供决策依据。
S300、根据上述构建决策树以及各节点剩余路程预测花费结果,从起始节点开始,根据路程花费最小原则选择下一步访问节点。本文假设已知当前节点的所有可选路径中,当前节点到下一节点的实际路径花费,模拟实际生活中我们在一个路口选择行进路径时,可以通过地图软件得到当前时刻各条道路的交通情况,获取预测通过时间。
下面通过具体的应用实例,对本发明的方案做进一步说明。
本实施例中提供了一种动态旅行商问题求解方法,其基于如图2所述的决策树进行求解。具体包括:
步骤一:设置当前节点Ncur为起始节点,即决策树的根节点。
步骤二:从构建的决策树中获取从当前节点Ncur开始的所有可选路径,即下一个可选择的节点Nnext(每一个可选节点代表一条路径)。
步骤三:根据预先设定的任意两个节点间花费服从的分布为每条可选路径随机生成一个花费值/>
步骤四:根据剩余路径花费预测模型,计算从当前节点开始所有可选路径的预测花费值。计算公式如下:其中/>表示可选r号路径的花费预测值,/>表示预测模型中预测的下一节点Nnext的剩余路径预测花费。
步骤五:选择预测花费最小的路径,
步骤五:更新当前节点为选择节点,Ncur=Nnext。
步骤六:若所有节点已全部访问,则结束。否则转到步骤二。
本发明实施例还公开了一种基于决策树的动态旅行商问题求解系统,用于上述的方法,包括:
决策树构建单元,以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,所述决策树中各由根节点至叶子节点的路径均依次经过所有节点;
计算单元,基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费;
选择单元,根据上述构建决策树以及各节点剩余路程预测花费结果,从起始节点开始,根据路程花费最小原则选择下一步访问节点。
对于本发明实施例的而言,由于其与上面实施例中的相对应,所以描述的比较简单,相关相似之处请参见上面实施例中部分的说明即可,此处不再详述。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机指令集;所述计算机指令集被处理器执行时实现如上述任一项所述的基于决策树的动态旅行商问题求解方法。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。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于决策树的动态旅行商问题求解方法,其特征在于,包括:
S100、以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,所述决策树中各由根节点至叶子节点的路径均依次经过所有节点;
S200、基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费,包括:
S210、计算作为叶子节点的父节点的剩余路径预测花费,以及
S220、计算其余各层节点的剩余路程预测花费,包括:
S221、通过采样法获取路径中当前节点到下一节点的随机花费,
S222、获取所述下一节点的剩余路径预测花费,
S223、根据所述路径中当前节点到下一节点的随机花费和所述下一节点的剩余路径预测花费计算当前节点可达路径的剩余路径的花费,
S224、提取当前节点下所有可选路径采样得到的剩余路径预测花费的最小值作为当前节点的剩余路程花费,
S225、反复执行S221-S224多次,获得多个当前节点的剩余路程花费,提取所述多个当前节点的剩余路程花费的平均值作为当前节点的剩余路径预测花费结果;
S300、根据上述构建决策树以及各节点剩余路程预测花费结果,从起始节点开始,根据路程花费最小原则选择下一步访问节点。
2.根据权利要求1所述的基于决策树的动态旅行商问题求解方法,其特征在于,以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,包括:将所述决策树中的相同路径进行合并,所述相同的路径为由根节点开始、以同样的访问顺序到达某节点的两条以上的路径。
3.根据权利要求1所述的基于决策树的动态旅行商问题求解方法,其特征在于,任意两个节点之间的花费为一个服从已知均值和方差的正态分布的随机值。
4.根据权利要求3所述的基于决策树的动态旅行商问题求解方法,其特征在于,任意两个节点之间正向访问与反向访问的花费服从相同参数的正态分布。
5.一种基于决策树的动态旅行商问题求解系统,用于执行权利要求1所述的方法,其特征在于,包括:
决策树构建单元,以起始节点为根节点,基于通过启发式算法获得的寻优路径集构建决策树,所述决策树中各由根节点至叶子节点的路径均依次经过所有节点;
计算单元,基于所述决策树,从叶子节点开始,自下而上分层次计算决策树中所有节点的剩余路程预测花费;
选择单元,根据上述构建决策树以及各节点剩余路程预测花费结果,从起始节点开始,根据路程花费最小原则选择下一步访问节点。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机指令集;所述计算机指令集被处理器执行时实现如权利要求1-4任一项所述的基于决策树的动态旅行商问题求解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322688.7A CN112330054B (zh) | 2020-11-23 | 2020-11-23 | 基于决策树的动态旅行商问题求解方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322688.7A CN112330054B (zh) | 2020-11-23 | 2020-11-23 | 基于决策树的动态旅行商问题求解方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330054A CN112330054A (zh) | 2021-02-05 |
CN112330054B true CN112330054B (zh) | 2024-03-19 |
Family
ID=74322134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011322688.7A Active CN112330054B (zh) | 2020-11-23 | 2020-11-23 | 基于决策树的动态旅行商问题求解方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330054B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113299059B (zh) * | 2021-04-08 | 2023-03-17 | 四川国蓝中天环境科技集团有限公司 | 一种数据驱动的道路交通管控决策支持方法 |
CN113268837B (zh) * | 2021-04-12 | 2022-06-14 | 中国电建集团华东勘测设计研究院有限公司 | 一种采用c4.5决策树算法的电缆路径寻优方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001001369A1 (de) * | 1999-06-25 | 2001-01-04 | Daimlerchrysler Ag | Verfahren zur steuerung von transporteinheiten in einem verkehrsnetz |
US7558803B1 (en) * | 2007-02-01 | 2009-07-07 | Sas Institute Inc. | Computer-implemented systems and methods for bottom-up induction of decision trees |
CN108053059A (zh) * | 2017-12-06 | 2018-05-18 | 华南理工大学 | 运用基于重用策略的智能群体算法优化动态旅行商问题的方法 |
CN109242034A (zh) * | 2018-09-21 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 决策树生成方法和装置 |
WO2019223384A1 (zh) * | 2018-05-21 | 2019-11-28 | 阿里巴巴集团控股有限公司 | Gbdt模型的特征解释方法和装置 |
CN111415048A (zh) * | 2020-04-10 | 2020-07-14 | 大连海事大学 | 一种基于强化学习的车辆路径规划方法 |
CN111462323A (zh) * | 2020-05-06 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种面向三维空间的动态欺骗路径规划方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083920A1 (en) * | 2015-09-21 | 2017-03-23 | Fair Isaac Corporation | Hybrid method of decision tree and clustering technology |
US20190108468A1 (en) * | 2017-10-10 | 2019-04-11 | Khanh Vinh Nguyen | Method and apparatus to operate smart mass transit systems with on-demand rides, dynamic routes and coordinated transfers |
US20200167662A1 (en) * | 2019-07-01 | 2020-05-28 | Alibaba Group Holding Limited | Performing data processing based on decision tree |
-
2020
- 2020-11-23 CN CN202011322688.7A patent/CN112330054B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001001369A1 (de) * | 1999-06-25 | 2001-01-04 | Daimlerchrysler Ag | Verfahren zur steuerung von transporteinheiten in einem verkehrsnetz |
US7558803B1 (en) * | 2007-02-01 | 2009-07-07 | Sas Institute Inc. | Computer-implemented systems and methods for bottom-up induction of decision trees |
CN108053059A (zh) * | 2017-12-06 | 2018-05-18 | 华南理工大学 | 运用基于重用策略的智能群体算法优化动态旅行商问题的方法 |
WO2019223384A1 (zh) * | 2018-05-21 | 2019-11-28 | 阿里巴巴集团控股有限公司 | Gbdt模型的特征解释方法和装置 |
CN109242034A (zh) * | 2018-09-21 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 决策树生成方法和装置 |
WO2020057301A1 (zh) * | 2018-09-21 | 2020-03-26 | 阿里巴巴集团控股有限公司 | 决策树生成方法和装置 |
CN111415048A (zh) * | 2020-04-10 | 2020-07-14 | 大连海事大学 | 一种基于强化学习的车辆路径规划方法 |
CN111462323A (zh) * | 2020-05-06 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种面向三维空间的动态欺骗路径规划方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Modified Harmony Search Algorithm for Solving the Dynamic Vehicle Routing Problem with Time Windows;高健;Scientific Programming;1-14 * |
SurveyofMethodsofSolvingTSPalongwithitsImplementationusingDynamicProgrammingApproach;ChetanChauhan;International Journal of Computer Applications;第52卷(第4期);12-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN112330054A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415048B (zh) | 一种基于强化学习的车辆路径规划方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
Marinakis et al. | Particle swarm optimization for the vehicle routing problem with stochastic demands | |
Desrochers et al. | Vehicle routing with time windows: optimization and approximation | |
CN110276442B (zh) | 一种神经网络架构的搜索方法及装置 | |
Alves et al. | Using genetic algorithms to minimize the distance and balance the routes for the multiple traveling salesman problem | |
CN112330054B (zh) | 基于决策树的动态旅行商问题求解方法、系统及存储介质 | |
US20070237152A1 (en) | Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof | |
Wilkie et al. | Self-aware traffic route planning | |
EP3916652A1 (en) | A method and neural network trained by reinforcement learning to determine a constraint optimal route using a masking function | |
Zulvia et al. | Solving CVRP with time window, fuzzy travel time and demand via a hybrid ant colony optimization and genetic algortihm | |
CN112101676A (zh) | 一种乘车路径规划方法、装置、计算机设备及存储介质 | |
Zhao et al. | A deep inverse reinforcement learning approach to route choice modeling with context-dependent rewards | |
Capali et al. | A multi-objective meta-heuristic approach for the transit network design and frequency setting problem | |
Köksalan et al. | An evolutionary approach to generalized biobjective traveling salesperson problem | |
CN111915078A (zh) | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 | |
Groß et al. | Interval travel times for more reliable routing in city logistics | |
Kim et al. | A Day-to-day route choice model based on drivers’ past experience | |
Alaïa et al. | Insertion of new depot locations for the optimization of multi-vehicles Multi-Depots Pickup and Delivery Problems using Genetic Algorithm | |
Nuzzolo et al. | Transit travel strategy as solution of a Markov decision problem: Theory and applications | |
Ruiz et al. | Prize-collecting traveling salesman problem: a reinforcement learning approach | |
López-Ibáñez et al. | Beam-ACO based on stochastic sampling for makespan optimization concerning the TSP with time windows | |
Amar et al. | Traveler centric trip planning: A behavioral-driven system | |
Watanabe et al. | A proposal on a decomposition-based evolutionary multiobjective optimization for large scale vehicle routing problems | |
Beed et al. | Bayesian hierarchical multi-objective optimization for vehicle parking route discovery |
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 |