CN113765691B - 一种网络规划方法和装置 - Google Patents
一种网络规划方法和装置 Download PDFInfo
- Publication number
- CN113765691B CN113765691B CN202110048711.6A CN202110048711A CN113765691B CN 113765691 B CN113765691 B CN 113765691B CN 202110048711 A CN202110048711 A CN 202110048711A CN 113765691 B CN113765691 B CN 113765691B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- feasible solution
- network
- variable
- cost
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种网络规划方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解。该实施方式使用深度学习技术,加速求解大规模网络规划问题,得到最优可行解。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种网络规划方法和装置。
背景技术
网络规划是个十分复杂的问题,需考虑网络成本和时效的平衡,同时还涉及多种网络资源的相互整合,最终给出一种综合的规划结果。
目前针对网络规划问题,一种是通过人工规划,规划人员按照自身经验进行大量的分析和计算,最终规划结果的好坏强相关于人工经验,当问题规模较大时,依靠人工往往无法快速给出最优结果;另一种比较经典的运筹方法是将现有场景进行抽象整合,构造一个整数规划模型进行求解,建模人员需分析业务场景,找到模型的目标、约束条件以及变量如何设计等问题。
当网络规划问题的规模较大时(如涉及到的分拣越多,网络覆盖的区域越大),模型涉及到的参数会越来越多,求解过程也会随之越来越慢。举例来说,一个大规模网络问题,变量12亿,模型求得最优解需要20多个小时,严重拉长了整个模型的计算时间,不利于模型的快速修改、上线使用、优化迭代。
发明内容
有鉴于此,本发明实施例提供一种网络规划方法和装置,至少能够解决现有模型不适用于大规模网络规划场景,求解过程过于缓慢的现象。
为实现上述目的,根据本发明实施例的一个方面,提供了一种网络规划方法,包括:
将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;
在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;
在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解。
可选的,在所述将数据输入图卷积网络中之前,还包括:
搭建一个以最小化网络成本为目标的网络规划模型;其中,网络规划模型包括目标函数和模型约束条件,两者使用变量和参数描述;
根据变量、约束条件和目标函数两两之间的包含和/或关联关系,构建一个图结构,以确定各变量、各约束条件和目标函数的特征向量;
对所述特征向量进行维数统一化,之后输入引入遗忘门的图卷积网络中进行训练,得到训练后的图卷积网络。
可选的,对所述目标函数的搭建过程包括:
确定一个路由上的运单数和经过的分拣次数、每个运单的单次转运成本,将三者相乘得到对所述一个路由的操作成本,进而累加得到所有路由的操作成本;其中,路由由整车线路和/或零担线路组成;
确定一个整车线路上的车辆数,与一辆满车的运输成本相乘,得到所述一个整车线路的运输成本,进而累加得到所有整车线路的运输成本;
确定使用零担线路的一个路由上的方量数,累加得到所有使用零担线路的路由的方量数,与一个零担线路的运输成本相乘,得到所有零担线路的运输成本;
对上述所有路由的操作成本、所有整车线路的运输成本、所有零担线路的运输成本之和进行最小化,以构建目标函数。
可选的,所述模型约束条件包括:
对于同一个起点、终点和班次的元组,至多对应一个路由;
整车线路上所有路由的方量数之和,小于或等于整车线路上的车辆数与满车容积的乘积;
零担线路上所有路由的方量数之和,小于或等于预设值与零担线路是否被选择的乘积。
可选的,所述确定各变量、各约束条件和目标函数的特征向量,包括:
对于一个变量,获取各约束条件和目标函数中所述一个变量前的系数,以组合生成所述一个变量的特征向量;
由一个约束条件中每个变量前的系数和预设常数项组成的向量,作为所述一个约束条件的特征向量;
由目标函数中的系数组成的向量,作为目标函数的特征向量。
可选的,在所述得到各个变量结果为1的概率之后,还包括:
获取预设最大值和预设最小值,将大于所述预设最大值的变量结果的概率设为1,将小于所述预设最小值的变量结果的概率设为0;
舍弃位于所述预设最小值和所述预设最大值之间的变量结果。
可选的,还包括:将概率为0和1的变量的下标,统一到集合中;
所述建立与所述估计解对应的邻域,包括:在所述集合中,建立与所述估计解对应的邻域。
为实现上述目的,根据本发明实施例的另一方面,提供了一种网络规划装置,包括:
输入模块,用于将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;
寻找模块,用于在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;
迭代模块,用于在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解。
可选的,还包括网络训练模型,用于:
搭建一个以最小化网络成本为目标的网络规划模型;其中,网络规划模型包括目标函数和模型约束条件,两者使用变量和参数描述;
根据变量、约束条件和目标函数两两之间的包含和/或关联关系,构建一个图结构,以确定各变量、各约束条件和目标函数的特征向量;
对所述特征向量进行维数统一化,之后输入引入遗忘门的图卷积网络中进行训练,得到训练后的图卷积网络。
可选的,还包括目标函数搭建模块,用于:
确定一个路由上的运单数和经过的分拣次数、每个运单的单次转运成本,将三者相乘得到对所述一个路由的操作成本,进而累加得到所有路由的操作成本;其中,路由由整车线路和/或零担线路组成;
确定一个整车线路上的车辆数,与一辆满车的运输成本相乘,得到所述一个整车线路的运输成本,进而累加得到所有整车线路的运输成本;
确定使用零担线路的一个路由上的方量数,累加得到所有使用零担线路的路由的方量数,与一个零担线路的运输成本相乘,得到所有零担线路的运输成本;
对上述所有路由的操作成本、所有整车线路的运输成本、所有零担线路的运输成本之和进行最小化,以构建目标函数。
可选的,所述模型约束条件包括:
对于同一个起点、终点和班次的元组,至多对应一个路由;
整车线路上所有路由的方量数之和,小于或等于整车线路上的车辆数与满车容积的乘积;
零担线路上所有路由的方量数之和,小于或等于预设值与零担线路是否被选择的乘积。
可选的,还包括向量确定模块,用于:
对于一个变量,获取各约束条件和目标函数中所述一个变量前的系数,以组合生成所述一个变量的特征向量;
由一个约束条件中每个变量前的系数和预设常数项组成的向量,作为所述一个约束条件的特征向量;
由目标函数中的系数组成的向量,作为目标函数的特征向量。
可选的,还包括处理模块,用于:
获取预设最大值和预设最小值,将大于所述预设最大值的变量结果的概率设为1,将小于所述预设最小值的变量结果的概率设为0;
舍弃位于所述预设最小值和所述预设最大值之间的变量结果。
可选的,所述输入模块,还用于:
将概率为0和1的变量的下标,统一到集合中;
在所述集合中,建立与所述估计解对应的邻域。
为实现上述目的,根据本发明实施例的再一方面,提供了一种网络规划电子设备。
本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一所述的网络规划方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一所述的网络规划方法。
根据本发明所述提供的方案,上述发明中的一个实施例具有如下优点或有益效果:在现有框架的基础上,修改图卷积网络的训练过程,将其框架应用到大规模网络规划问题中,同时提出一种利用图卷积网络给出的估计解来加速的启发式搜索方法,对规划问题的可行域进行划分,以加快找到解的速度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种网络规划方法的主要流程示意图;
图2是根据本发明实施例的一种训练图卷积网络的流程示意图;
图3是根据本发明实施例的一种图结构示意图;
图4是根据本发明实施例的一种计算特征向量的流程示意图;
图5是根据本发明实施例的一具体地网络规划方法的流程示意图;
图6是根据本发明实施例的一种网络规划装置的主要模块示意图;
图7是本发明实施例可以应用于其中的示例性系统架构图;
图8是适于用来实现本发明实施例的移动设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
参见图1,示出的是本发明实施例提供的一种网络规划方法的主要流程图,包括如下步骤:
S101:将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;
S102:在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;
S103:在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解。
上述实施方式中,对于步骤S101,在求解大规模网络规划问题的时候,发现随着网络规模的增大,模型越来越难在有限时间求到一个比较好的结果。为解决该问题,本方案在加速求解过程,借鉴丁见亚等人在论文《Accelerating Primal Solution Findings forMixed Integer Programs Based on Solution Prediction》中提出的深度学习框架,学习规划问题中约束条件、变量和目标的关系,进而得出部分变量的可能值。
将数据输入到图卷积网络中,输出各个变量结果为1的概率(变量参见图2所示描述,包括三类)。为加速求解过程,还可以对概率结果进行进一步处理:
将概率大于Threshold_one的变量设为1,将概率小于Threshold_zero的变量设置为0,概率处在中间的变量,无法确定等于0或者等于1的,可以舍弃。接着将概率等于0和1的变量的下标统一放到集合S中,其中Threshold_one和Threshold_zero可以灵活设置。
以下进行具体举例:
假设输出概率结果为(p1,p2,p3,p4,p5,p6)=(0.99,0.8,0.45,0.5,0.1,0.02),Threshold_one=0.8,Threshold_zero=0.3。经处理后,p1、p2对应的变量概率结果为1,p5、p6对应的变量概率结果为0,中间p3、p4对应的变量则不易判断。接着将概率等于1和0的变量的下标统一到集合S中,S={1,2,5,6}。
根据上述变量结果的概率,构造出一个估计解x*(可能不是可行解)和与该估计解对应的邻域。x*的一个邻域Δ(x,x*,S)的定义如下:
对于步骤S102和S103,此处设计了启发式搜索方法。利用邻域搜索和求解器的局部搜索,可以快速得到一个较好的可行解,步骤如下:
1)通过图卷积网络给出一个估计解x*(也可能是不可行解);
2)向图卷积网络中添加一个约束条件,其中g为一个入参,表示邻域的大小(如半径),可以在计算过程中动态调整:Δ(x,x*,S)≤g;
6)找不到更好解时需调整策略,如扩大g的值,或放弃该邻域;
7)停止条件:连续找不到更好的可行解的次数达到预设次数上限、或求解时间达到预设时间上限。
上述过程,采用图卷积网络而没有采用启发式搜索算法来寻找估计解,是因为一旦图卷积网络训练完成就可以快速找到一个估计解,再利用LB算法找到一个质量较好的可行解。只要问题框架不变就不需要再进行训练,可以随意改变其中的各项系数,达到可以快速求解大规模网络规划的目的。
上述实施例所提供的方法,根据图卷积网络的预测结果,得到一个估计解,利用启发式搜索算法根据该估计解搜索一个较好的可行解。
参见图2,示出了根据本发明实施例的一种训练图卷积网络的流程示意图,包括如下步骤:
S201:搭建一个以最小化网络成本为目标的网络规划模型;其中,网络规划模型包括目标函数和模型约束条件,两者使用变量和参数描述;
S202:根据变量、约束条件和目标函数两两之间的包含和/或关联关系,构建一个图结构,以确定每个变量、约束条件和目标函数的特征向量;
S203:对所述特征向量进行维数统一化,之后输入引入遗忘门的图卷积网络中进行训练,得到训练后的图卷积网络。
上述实施方式中,对于步骤S201,目前需要针对全国范围,在保证时效不降低的情况下,设计一个成本最低的网络规划模型,包括目标函数和约束条件。
网络规划模型的目标函数为成本最低,全网成本=转运成本+运输成本;其中,转运成本=经过的分拣个数*单均分拣成本*单量,运输成本与线路上的运力类型(整车或者零担)、车型、车辆数等相关。
为了方便理解模型,使用i(包括p)表示路由相关变量参数的下标,j表示整车线路相关变量参数的下标,k表示零担线路相关变量参数的下标;其中,路由由零担线路和/或整车线路组成。整车运输是指托运一批次货物至少占用一节货车车皮(或公路运输的一辆运货汽车)进行铁路或公路运输。零担是零担运输的简称,是物流运输中使用的一个名词,指托运人一次托运量不足一车(如3吨)的货物运输。
首先解释变量:
lfcj:整车线路j上的车辆数(为整数变量)
llk:零担线路k是否被选择(0或1变量)
ri:路由i是否被选择(0或1变量)
参数解释:
Oi:第i条路由上的运单数
Vi:第i条路由上的方量数
Ti:第i条路由上经过的分拣次数
Cost:每个运单的单次转运成本
ODB:代表一个起点+终点+班次的的tuple
full_line:表示所有使用整车的线路集合
half_line:表示所有使用零担的线路集合
Capj:第j条整车线路上一辆满车的容积
Cfj:第j条整车线路上一辆满车的运输成本
Clk:第k条零担线路的运输成本
M:代表一个大数,模型中优选了999
目标函数obj由如下3部分组成,分别为操作成本、整车运输成本和零担运输成本,求解的目标是要最小化整个网络的成本:
设定约束条件s.t.:
其中,full_line2route(j)代表了使用整车线路的路由集合,half_line2route(j)代表了使用零担线路的路由集合。
约束条件一表示针对每一个起点+终点+班次的tuple,路由最多一种走法;
约束条件二表示整车线路上的货量,不能超过车辆数*满车容积;
约束条件三表示零担线路上的货量,不能超过一个大值M*零担线路是否被选择。
而规划后路由时效不能比原来差的约束条件,可以在串联路由时,将不符合约束条件的信息直接去掉。
对于步骤S202,上述网络规划模型在实际求解过程中发现,模型涉及到的整数变量大概在几千,模型中的0-1变量则多达到几十万,导致模型求解速度非常缓慢。
为加速模型求解速度,将网络规划模型按照论文中的方法进行如下的分解,将模型分为三个部分,并根据他们之间的关系构造一个图结构,如图3所示,变量和目标函数之间为包含关系、变量和约束条件之间也为包含关系,但目标函数和约束条件之间则为关联关系。
通过图3确定变量、约束条件和目标函数的特征向量的具体描述,参见后续图4所示,在此不再赘述。
对于步骤S203,经过上述图3的变换,将网络规划模型变成了一个图网络,网络上每个节点的特征向量也可以通过上述变换得到。之后的问题则变成了一个预测问题,预测哪些变量的取值为1,哪些为0。
训练方法借鉴GRU思路进行修改,加入遗忘门(遗忘门(forget gate)是以上一单元的输出ht-1和本单元的输入xt为输入的sigmoid函数,为Ct-1中的每一项产生一个在[0,1]内的值,来控制上一单元状态被遗忘的程度)。具体训练过程如下:
Step1:输入三类节点的特征向量,分别记为xv,xc,xo
Step3:for t=1,...,T:
for c in Cons:
for v in Vars:
在Step3中给出了如何更新迭代图卷积网络,Step4中给出图卷积网络输出的各个变量结果为1的概率。模型训练中使用的损失函数为CCE(多分类交叉熵)损失函数。
上述实施例所提供的方法,借鉴现有深度学习框架,给出了其在网络规划具体问题中的应用;借鉴GRU思路,修改原图卷积网络训练过程,以采用训练后的图卷积网络处理数据,缩短处理时间。
参见图4,示出了根据本发明实施例的一种计算特征向量的流程示意图,包括如下步骤:
S401:根据变量、约束条件和目标函数两两之间的包含和/或关联关系,构建一个图结构;
S402:对于一个变量,获取各约束条件和目标函数中所述一个变量前的系数,以组合生成所述一个变量的特征向量;
S403:由一个约束条件中每个变量前的系数和预设常数项组成的向量,作为所述一个约束条件的特征向量;
S404:由目标函数中的系数组成的向量,作为目标函数的特征向量。
上述实施方式中,对于步骤S401,参见图3所示图结构,图中的点分为三类,分别代表网络规划模型中的目标函数obj、三种变量r、lfc、ll,以及模型对应的三个约束条件cons,节点的个数分别等于模型中目标函数、变量、约束条件的个数。图中省略了很多变量对应的点,每一类变量只保留了一个作为示意,如果全部画出则会有几十万个。
图中的边也分为3类:
第一类:如果某变量x出现在目标函数obj里,那该变量x和目标函数obj之间则存在一条边;
第二类:如果某变量x出现在约束条件cons里,那么该变量x和约束条件cons之间存在一条边;
第三类:对于任意的约束条件cons和目标函数obj之间,都存在一条边。
经过上面的构造,可以将网络规划模型变为一个图结构,而原来求解模型变量的问题就可以转化为预测哪些变量的值为1,进而变为一个二分类问题。其中图中每个节点的特征也可以使用模型中的系数表示。具体到本文遇到的网络规划模型,各个节点的特征如下:
设定约束条件s.t.:
1)变量的feature定义为:由约束条件和目标函数中每个变量前面的系数组成的向量。
以变量r1(物理含义:路由1是否选择)为例,因为r1是一条已确定的候选路由,所以可以知道r1使用了哪些线路组成,假设使用了m条整车线路、n条零担线路,那么r1的特征向量表示方法如下:
a.该变量在目标函数中的系数为Oi×Ti×Cost;
b.在ODB.length个cons(1)中的系数为0,…,1,…,0,其中只有与r1对应的ODB前的系数为1,其他均为0,即系数中只有一个位置等于1;
c.在full_line.length个cons(2)中的系数为0,…,V1,…,V1,…,0,其中只有r1使用了的m条整车线路对应的系数为V1,其他均为0,即系数中有m个位置等于V1;
d.在half_line.length个cons(3)中的系数为0,…,V1,…,0,其中只有r1使用了的n条零担线路对应的系数为V1,其他均为0,即系数中有n个位置等于V1;
f.r1生成的对应特征数只和约束条件个数和目标函数有关。
2)约束条件的feature定义为:约束条件中变量前的系数和常数项组成的向量。按照该定义,以约束条件cons(1)为例,cons(1)代表针对每一个起点+终点+班次的tuple,路由最多有一种走法:
a.该约束条件对应的常数系数为1;
b.该约束条件中变量r前的系数为0,…,1,…,1,…,0,其中只有这个约束条件使用到的ri位置的系数为1;
c.该约束条件中变量lfc前的系数为0,…,0,因为该约束条件并未使用到lfc系列变量,所以均为0;
d.同理ll类变量前系数也均为0,记为0,…,0;
3)目标函数的feature定义为:目标函数中系数组成的向量,目标物理含义为全网花费成本。
b.目标函数中和lfc相关的系数为Cf1,Cf2,...,Cfi;
c.目标函数中和ll相关的都为0,记为0,…,0;
上述实施例所提供的方法,分别考虑变量、约束条件、目标函数之间的关系,以图结构方式简化三者的特征向量,以此提高后续网络规划计算效率。
参见图5,示出了根据本发明实施例的一具体地网络规划方法流程示意图,包括如下步骤:
1、搭建一个以最小化网络成本为目标的网络规划模型;
2、根据网络规划模型中目标函数、约束条件、变量之间的关系,构造一个图结构;
3、基于图结构,确定各个节点的特征向量;其中,节点为变量、约束条件和目标函数;
4、利用各个节点的特征向量构造并训练图卷积网络,目标是可以预测变量等于1的概率;
5、从多个概率中构造出一个估计解,并建立邻域,使用启发式搜索算法,不断迭代寻找比该估计解还更优的可行解。
在求解大规模网络规划问题的时候,发现随着网络规模的增大,模型越来越难在有限时间求到一个比较好的结果。为了解决这个问题,本方案使用深度学习技术加速求解大规模网络规划问题:
1)借鉴现有深度学习框架,给出了其在网络规划具体问题中的应用,重点给出目标、约束、变量对应的特征向量设计;
2)借鉴GRU思路,修改原图卷积网络训练过程;
3)提出一种基于估计解的启发式搜索方法来修复估计解,对规划问题的可行域进行划分,加快找到解的速度,进而得出部分变量的可能值。
参见图6,示出了本发明实施例提供的一种网络规划装置600的主要模块示意图,包括:
输入模块601,用于将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;
寻找模块602,用于在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;
迭代模块603,用于在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解。
本发明实施例装置还包括网络训练模型604(图中未标出),用于:
搭建一个以最小化网络成本为目标的网络规划模型;其中,网络规划模型包括目标函数和模型约束条件,两者使用变量和参数描述;
根据变量、约束条件和目标函数两两之间的包含和/或关联关系,构建一个图结构,以确定各变量、各约束条件和目标函数的特征向量;
对所述特征向量进行维数统一化,之后输入引入遗忘门的图卷积网络中进行训练,得到训练后的图卷积网络。
本发明实施例装置还包括目标函数搭建模块605(图中未标出),用于:
确定一个路由上的运单数和经过的分拣次数、每个运单的单次转运成本,将三者相乘得到对所述一个路由的操作成本,进而累加得到所有路由的操作成本;其中,路由由整车线路和/或零担线路组成;
确定一个整车线路上的车辆数,与一辆满车的运输成本相乘,得到所述一个整车线路的运输成本,进而累加得到所有整车线路的运输成本;
确定使用零担线路的一个路由上的方量数,累加得到所有使用零担线路的路由的方量数,与一个零担线路的运输成本相乘,得到所有零担线路的运输成本;
对上述所有路由的操作成本、所有整车线路的运输成本、所有零担线路的运输成本之和进行最小化,以构建目标函数。
本发明实施例装置中,所述模型约束条件包括:
对于同一个起点、终点和班次的元组,至多对应一个路由;
整车线路上所有路由的方量数之和,小于或等于整车线路上的车辆数与满车容积的乘积;
零担线路上所有路由的方量数之和,小于或等于预设值与零担线路是否被选择的乘积。
本发明实施例装置还包括向量确定模块606(图中未标出),用于:
对于一个变量,获取各约束条件和目标函数中所述一个变量前的系数,以组合生成所述一个变量的特征向量;
由一个约束条件中每个变量前的系数和预设常数项组成的向量,作为所述一个约束条件的特征向量;
由目标函数中的系数组成的向量,作为目标函数的特征向量。
本发明实施例装置还包括处理模块607(图中未标出),用于:
获取预设最大值和预设最小值,将大于所述预设最大值的变量结果的概率设为1,将小于所述预设最小值的变量结果的概率设为0;
舍弃位于所述预设最小值和所述预设最大值之间的变量结果。
本发明实施例装置中,所述输入模块601,还用于:
将概率为0和1的变量的下标,统一到集合中;
在所述集合中,建立与所述估计解对应的邻域。
另外,在本发明实施例中所述装置的具体实施内容,在上面所述方法中已经详细说明了,故在此重复内容不再说明。
图7示出了可以应用本发明实施例的示例性系统架构700。
如图7所示,系统架构700可以包括终端设备701、702、703,网络704和服务器705(仅仅是示例)。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互,以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用。
终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备,服务器705可以是提供各种服务的服务器。
需要说明的是,本发明实施例所提供的方法一般由服务器705执行,相应地,装置一般设置于服务器705中。
应该理解,图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图8,其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括输入模块、寻找模块、迭代模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,寻找模块还可以被描述为“寻找可行解模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;
在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;
在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解。
根据本发明实施例的技术方案,在现有框架的基础上,修改图卷积网络的训练过程,将其框架应用到大规模网络规划问题中,同时提出一种利用图卷积网络给出的估计解来加速的启发式搜索方法,对规划问题的可行域进行划分,以加快找到解的速度。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种网络规划方法,其特征在于,包括:
搭建一个以最小化网络成本为目标的网络规划模型;其中,网络规划模型包括目标函数和模型约束条件,两者使用变量和参数描述;
根据变量、约束条件和目标函数两两之间的包含和/或关联关系,构建一个图结构,以确定各变量、各约束条件和目标函数的特征向量;
对所述特征向量进行维数统一化,之后输入引入遗忘门的图卷积网络中进行训练,得到训练后的图卷积网络;
将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;
在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;
在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解;
其中,对所述目标函数的搭建过程包括:
确定一个路由上的运单数和经过的分拣次数、每个运单的单次转运成本,将三者相乘得到对所述一个路由的操作成本,进而累加得到所有路由的操作成本;其中,路由由整车线路和/或零担线路组成;
确定一个整车线路上的车辆数,与一辆满车的运输成本相乘,得到所述一个整车线路的运输成本,进而累加得到所有整车线路的运输成本;
确定使用零担线路的一个路由上的方量数,累加得到所有使用零担线路的路由的方量数,与一个零担线路的运输成本相乘,得到所有零担线路的运输成本;
对上述所有路由的操作成本、所有整车线路的运输成本、所有零担线路的运输成本之和进行最小化,以构建目标函数。
2.根据权利要求1所述的方法,其特征在于,所述模型约束条件包括:
对于同一个起点、终点和班次的元组,至多对应一个路由;
整车线路上所有路由的方量数之和,小于或等于整车线路上的车辆数与满车容积的乘积;
零担线路上所有路由的方量数之和,小于或等于预设值与零担线路是否被选择的乘积。
3.根据权利要求1所述的方法,其特征在于,所述确定各变量、各约束条件和目标函数的特征向量,包括:
对于一个变量,获取各约束条件和目标函数中所述一个变量前的系数,以组合生成所述一个变量的特征向量;
由一个约束条件中每个变量前的系数和预设常数项组成的向量,作为所述一个约束条件的特征向量;
由目标函数中的系数组成的向量,作为目标函数的特征向量。
4.根据权利要求1所述的方法,其特征在于,在所述得到各个变量结果为1的概率之后,还包括:
获取预设最大值和预设最小值,将大于所述预设最大值的变量结果的概率设为1,将小于所述预设最小值的变量结果的概率设为0;
舍弃位于所述预设最小值和所述预设最大值之间的变量结果。
5.根据权利要求4所述的方法,其特征在于,还包括:将概率为0和1的变量的下标,统一到集合中;
所述建立与所述估计解对应的邻域,包括:在所述集合中,建立与所述估计解对应的邻域。
6.一种网络规划装置,其特征在于,包括:
网络训练模型,用于:搭建一个以最小化网络成本为目标的网络规划模型;其中, 网络规划模型包括目标函数和模型约束条件, 两者使用变量和参数描述;根据变量、约束条件和目标函数两两之间的包含和/或关联关系,构建一个图结构,以确定各变量、各约束条件和目标函数的特征向量;对所述特征向量进行维数统一化,之后输入引入遗忘门的图卷积网络中进行训练,得到训练后的图卷积网络;
输入模块,用于将数据输入图卷积网络中,得到各个变量结果为1的概率,基于所述概率构造一个估计解,建立与所述估计解对应的邻域;
寻找模块,用于在所述邻域内寻找满足约束条件的第一可行解,并建立与所述第一可行解对应的第一邻域;
迭代模块,用于在所述第一邻域内寻找满足所述约束条件的第二可行解,重复上述建立邻域和寻找可行解操作,直至邻域内可行解不存在为止,将最后一次可行解作为所述数据的可行解;
其中,还包括目标函数搭建模块,用于:
确定一个路由上的运单数和经过的分拣次数、每个运单的单次转运成本,将三者相乘得到对所述一个路由的操作成本,进而累加得到所有路由的操作成本;其中,路由由整车线路和/或零担线路组成;
确定一个整车线路上的车辆数,与一辆满车的运输成本相乘,得到所述一个整车线路的运输成本,进而累加得到所有整车线路的运输成本;
确定使用零担线路的一个路由上的方量数,累加得到所有使用零担线路的路由的方量数,与一个零担线路的运输成本相乘,得到所有零担线路的运输成本;
对上述所有路由的操作成本、所有整车线路的运输成本、所有零担线路的运输成本之和进行最小化,以构建目标函数。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048711.6A CN113765691B (zh) | 2021-01-14 | 2021-01-14 | 一种网络规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048711.6A CN113765691B (zh) | 2021-01-14 | 2021-01-14 | 一种网络规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113765691A CN113765691A (zh) | 2021-12-07 |
CN113765691B true CN113765691B (zh) | 2023-06-27 |
Family
ID=78786403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110048711.6A Active CN113765691B (zh) | 2021-01-14 | 2021-01-14 | 一种网络规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113765691B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148708A (zh) * | 2011-01-31 | 2011-08-10 | 华为技术有限公司 | 网络规划方法和装置 |
CN107274032A (zh) * | 2017-06-29 | 2017-10-20 | 上海交通大学 | 一种双目标交通网络规划模型优化计算方法 |
CN109688056A (zh) * | 2018-12-07 | 2019-04-26 | 南京理工大学 | 智能网络控制系统及方法 |
CN109845063A (zh) * | 2016-08-12 | 2019-06-04 | 仁能研究中心国家电网股份公司 | 用于电力网络的日前运行计划的风力发电削减优化的方法和设备 |
CN110889015A (zh) * | 2019-10-31 | 2020-03-17 | 天津工业大学 | 面向图数据的独立解耦卷积神经网络表征算法 |
CN111967641A (zh) * | 2020-07-10 | 2020-11-20 | 电子科技大学 | 一种基于深度学习的规划子目标合并方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617065B (zh) * | 2019-01-02 | 2020-09-15 | 清华大学 | 一种考虑海量运行场景的电力系统输电网线路规划方法 |
CN111104732B (zh) * | 2019-12-03 | 2022-09-13 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的机动通信网智能规划方法 |
-
2021
- 2021-01-14 CN CN202110048711.6A patent/CN113765691B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148708A (zh) * | 2011-01-31 | 2011-08-10 | 华为技术有限公司 | 网络规划方法和装置 |
CN109845063A (zh) * | 2016-08-12 | 2019-06-04 | 仁能研究中心国家电网股份公司 | 用于电力网络的日前运行计划的风力发电削减优化的方法和设备 |
CN107274032A (zh) * | 2017-06-29 | 2017-10-20 | 上海交通大学 | 一种双目标交通网络规划模型优化计算方法 |
CN109688056A (zh) * | 2018-12-07 | 2019-04-26 | 南京理工大学 | 智能网络控制系统及方法 |
CN110889015A (zh) * | 2019-10-31 | 2020-03-17 | 天津工业大学 | 面向图数据的独立解耦卷积神经网络表征算法 |
CN111967641A (zh) * | 2020-07-10 | 2020-11-20 | 电子科技大学 | 一种基于深度学习的规划子目标合并方法 |
Non-Patent Citations (2)
Title |
---|
基于在险价值的物流网络规划模糊两阶段模型与精确求解方法;王珂;杨艳;周建;;运筹与管理(02);全文 * |
输配电网络规划优化方法的研究进展;李可;马孝义;甘学涛;赵文举;邹志勇;;水力发电(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113765691A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
Aleman et al. | A tabu search with vocabulary building approach for the vehicle routing problem with split demands | |
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 | |
CN115329683B (zh) | 航空行李在线装载规划方法、装置、设备及介质 | |
CN111191731A (zh) | 数据处理的方法、装置、存储介质及电子设备 | |
CN116151499A (zh) | 一种基于改进模拟退火算法的智能多式联运路径规划方法 | |
US11625451B2 (en) | Local search with global view for large scale combinatorial optimization | |
Gao et al. | An efficient evolutionary algorithm based on deep reinforcement learning for large-scale sparse multiobjective optimization | |
CN113765691B (zh) | 一种网络规划方法和装置 | |
CN112241177B (zh) | 基于时间线状态路标的启发式航天器任务规划方法 | |
CN113222205A (zh) | 一种路径规划的方法和装置 | |
CN116384606A (zh) | 一种基于车辆无人机协同配送的调度优化方法及系统 | |
Shen et al. | Intelligent material distribution and optimization in the assembly process of large offshore crane lifting equipment | |
CN115933554A (zh) | 路径规划方法、路径规划模型及选择模型的训练方法 | |
CN114237182B (zh) | 机器人调度方法及系统 | |
CN115660244A (zh) | 路线信息生成方法、装置、设备和介质 | |
CN114139796A (zh) | 一种邮路规划方法、装置、介质及设备 | |
CN114418236A (zh) | 信息预测方法、装置、存储介质及电子设备 | |
Tang et al. | Deep sparse representation via deep dictionary learning for reinforcement learning | |
CN114756680A (zh) | 一种文本分类方法、系统、电子设备及存储介质 | |
CN115860147A (zh) | 基于非平衡集成学习的报关单预判模型训练方法及装置 | |
Yin et al. | BO-B&B: A hybrid algorithm based on Bayesian optimization and branch-and-bound for discrete network design problems | |
JP2000222377A (ja) | ダイナミクスを利用してコスト関数の最適値を探索する処理装置 | |
Li et al. | Fuzzy tabu search for solving the assignment problem | |
CN115878783B (zh) | 文本处理方法、深度学习模型训练方法以及样本生成方法 |
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 |