CN116989819A - 一种基于模型解的路径确定方法及装置 - Google Patents
一种基于模型解的路径确定方法及装置 Download PDFInfo
- Publication number
- CN116989819A CN116989819A CN202311258419.2A CN202311258419A CN116989819A CN 116989819 A CN116989819 A CN 116989819A CN 202311258419 A CN202311258419 A CN 202311258419A CN 116989819 A CN116989819 A CN 116989819A
- Authority
- CN
- China
- Prior art keywords
- function value
- model
- optimization
- solution
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 117
- 230000006870 function Effects 0.000 claims description 140
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 34
- 238000005065 mining Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 235000012907 honey Nutrition 0.000 description 21
- 230000009466 transformation Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 241000257303 Hymenoptera Species 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000000137 annealing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G06Q10/04—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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于模型解的路径确定方法及装置，涉及路径模型求解技术的技术领域。其方法包括：获取初始模型数据，并基于所述初始模型数据构建第一模型以及第二模型；基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果；基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果；基于所述第二优化结果确定模型目标解。通过本发明，解决了路径规划不满足需求的问题，进而达到了提高路径规划效率和精度的效果。
Description
技术领域
本发明实施例涉及路径规划领域，具体而言，涉及一种基于模型解的路径确定方法及装置。
背景技术
随着电子商务的不断发展以及各种技术系统的成熟，人们可以及时收集并通过相关数据模型处理车辆地理位置以及实时交通等信息，从而可以对车辆路径进行动态调整及处理。
但是现有的车辆路径模型在求解效率和求解质量上往往难以获得令人满意的效果，使得路径规划不适应于现实场景，因而无法满足实际应用的需求。
发明内容
本发明实施例提供了一种基于模型解的路径确定方法及装置，以至少解决相关技术中路径规划不适应于实际需求的问题。
根据本发明的一个实施例，提供了一种基于模型解的路径确定方法，包括：
获取初始模型数据，并基于所述初始模型数据构建第一模型以及第二模型，其中，所述初始模型数据至少包括路径规划数据，所述路径规划数据至少包括车辆行驶数据、客户需求信息以及需求变化数据；
基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果，其中，所述第一优化操作包括基于预设的算子交换策略对所述第一模型的第一模型解进行交换计算；
基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果，所述第二优化操作包括基于第一优化结果对所述第二模型进行循环求解计算；
基于所述第二优化结果确定模型目标解。
在一个示例性实施例中，所述基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果包括：
基于所述初始模型数据，获取所述第一模型的第一初始解，其中，所述第一初始解是通过随机构造算法得到的，所述第一模型解包括所述第一初始解；
对所述第一初始解进行第一邻域搜索操作，以得到第一邻域搜索结果，其中，所述第一邻域搜索操作包括：对所述第一初始解进行第一交换计算，以确定所述第一初始解对应的第一函数值序列，其中，所述第一函数值序列包括所述第一初始解对应的个体的第一函数值、所述第一函数值对应的个体信息以及所述第一函数值序列的第一开采次数；基于预设的第一贪婪准则，将所述第一函数值序列中包括的第一函数值与所述第一初始解进行第一对比计算，在确定所述第一函数值小于所述第一初始解的情况下，对所述第一初始解进行更新处理，以将作数第一函数值作为所述第一初始解，否则对所述第一开采次数进行加一处理；
基于所述第一邻域搜索结果，确定所述第一优化结果。
在一个示例性实施例中，所述基于所述第一邻域搜索结果，确定所述第一优化结果包括：
对所述第一邻域搜索结果执行第一贪婪处理，以得到第一贪婪结果，其中，所述第一贪婪结果包括：基于所述第一函数值以及所述个体信息，执行第一个体的适应度计算，以确定第一个体的适应度信息，其中，所述第一个体为所述个体信息中的任一个体；根据所述适应度信息，执行第二邻域搜索处理，以确定第二函数值序列；
在所述第二函数值序列满足第一开采条件的情况下，将所述第二函数值序列作为所述第一优化结果，其中，所述第一开采条件包括所述第二函数值序列的第二开采次数大于预设开采阈值，且所述第二函数值序列的最小函数值小于任一函数值，所述第二开采次数是基于所述初始模型数据通过第一邻域搜索处理以及所述第二邻域搜索处理确定的。
在一个示例性实施例中，所述基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果包括：
基于所述初始模型数据以及所述第一优化结果，获取所述第二模型的第二初始解；
对所述第二初始解进行第三邻域搜索处理，以得到第三邻域搜索结果，其中，所述第三邻域搜索结果包括第二初始解对应的第三函数值序列中的第三函数值；
将所述第三函数值与第一随机结果进行比较，在所述第三函数值小于所述第一随机结果的情况下，对所述第三函数值进行更新处理；
基于所述第三函数值执行循环求解计算，以确定目标函数值，并将所述目标函数值作为所述第二优化结果。
根据本发明的另一个实施例，提供了一种基于模型解的路径确定装置，包括：
模型处理模块，用于获取初始模型数据，并基于所述初始模型数据构建第一模型以及第二模型，其中，所述初始模型数据至少包括路径规划数据，所述路径规划数据至少包括车辆行驶数据、软时间窗信息、客户需求信息以及需求变化数据；
第一优化模块，用于基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果，其中，所述第一优化操作包括基于预设的算子交换策略对所述第一模型的第一模型解进行交换计算；
第二优化模块，用于基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果，所述第二优化操作包括基于第一优化结果对所述第二模型进行循环求解计算；
模型解确定模块，用于基于所述第二优化结果确定模型目标解；
路径规划模块，用于根据所述模型目标解进行确定车辆运动路径。
根据本发明的又一个实施例，还提供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程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，由于通过不同模型进行模型解的优化，从而提高模型解的求解效率和精确度，由此使得基于模型解确定的车辆运动路径满足经济需求和客户需求，因此，可以解决路径规划不满足需求的问题，达到提高路径规划效率和精确度的效果。
附图说明
图1是根据本发明实施例的一种基于模型解的路径确定方法的移动终端的硬件结构框图；
图2是根据本发明实施例的一种基于模型解的路径确定方法的流程图；
图3是根据本发明实施例的时间窗惩罚成本函数折线图；
图4是根据本发明实施例的交换变换操作的原理示意图；
图5是根据本发明实施例的移动变换操作的原理示意图；
图6是根据本发明实施例的对称变换操作的原理图；
图7是根据本发明具体实施例的流程图；
图8是根据本发明实施例的一种基于模型解的路径确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
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。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于模型解的路径确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于模型解的路径确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于模型解的路径确定方法，图2是根据本发明实施例的一种基于模型解的路径确定的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取初始模型数据，并基于所述初始模型数据构建第一模型以及第二模型，其中，所述初始模型数据至少包括路径规划数据，所述路径规划数据至少包括车辆行驶数据、软时间窗信息、客户需求信息以及需求变化数据；
在本实施例中，构建两个不同的模型以分别从不同角度对路径进行优化，从而使模型解更加适用于实际场景。
其中，初始模型数据包括（但不限于）车辆的行驶距离（即前述车辆行驶数据）、载重对碳排放量和总成本、带软时间窗（即前述软时间信息）、车容量、客户需求等约束条件（即前述客户需求信息）以及在车辆配送过程中，出现新客户的需求以及原客户需求的变化（即前述需求变化数据）等数据，其中，第一模型包括基于车辆的行驶距离、载重对碳排放量和总成本、带软时间窗、车容量、客户需求等约束条件构建的以总配送成本、路线修正成本、油耗及碳排放成本和惩罚成本最小化为优化目标的预优化DDGVRPSTW模型，第二模型包括基于车辆配送过程中，出现新客户的需求以及原客户需求的变化构建的动态优化DDGVRPSTW模型，具体的：
如图3所示，第一模型包括：
（1）
（2）
（3）
（4）
（5）
（6）
（7）
（8）
（9）
（10）
（11）
（12）
（13）
（14）
（15）
（16）
（17）
其中，公式1表示第一阶段的综合成本最小化；公式2和公式3表示车辆的固定成本/>和行驶成本/>；公式4和公式5表示油耗成本/>和碳排放成本/>；公式6表示车辆在客户点/>处的惩罚成本/>；公式7表示所有车辆的总惩罚成本/>；公式8表示每个客户点的进出车辆数相同，公式9保证每位客户只有一辆车对其服务；公式10保证所有车辆从配送中心出发最后返回配送中心；公式11表示从配送中心出发，每辆车的总载重量不小于该条路径客户点的总需求量；公式12表示每条路径客户点的需求量总和不大于车辆载重；公式13表示车辆/>在路段/>上的行驶时间/>；公式14表示相邻两个客户点之间的到达时间/>；公式15表示车辆最后返回配送中心的时间约束；公式16表示消除子回路；公式17表示变量的取值范围。
式中，各变量含义如表1所示；
表1 变量含义
第二模型包括：
（18）
（19）
（20）
（21）
（22）
（23）
（24）
（25）
（26）
（27）
（28）
（29）
（30）
（31）
（32）
（33）
（34）
（35）
（36）
公式18表示第二阶段总成本，包括第一阶段的成本以及第二阶段车辆发生的固定成本/>、行驶成本/>、油耗成本/>及碳排放成本/>、惩罚成本/>；公式25表示每个客户点的进出车辆数相同，公式26保证每位客户只有一辆车对其服务；公式27表示在该阶段原有车辆从虚拟点出发；公式28保证新派车辆从配送中心出发最后返回配送中心；公式29表示从虚拟点出发，每辆车的总载重量不小于该条路径客户点的总需求量；公式30表示虚拟点在客户处的需求量不大于原有车辆的剩余载重量；公式31表示在第二阶段每条路径客户点的需求量总和不大于车辆的载重；公式32表示车辆/>在路段/>上的行驶时间公式；公式33表示相邻两个客户点之间的到达时间关系；公式34表示车辆最后返回配送中心的时间约束；公式35表示消除子回路；公式36表示变量的取值范围。
其中，各变量含义如表2所示：
表2 变量含义
步骤S202，基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果，其中，所述第一优化操作包括基于预设的算子交换策略对所述第一模型的第一模型解进行交换计算；
在本实施例中，通过交换计算对第一模型解进行计算，以对配送成本、路线修正成本模型解进行优化，以降低模型解的应用成本。
步骤S203，基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果，所述第二优化操作包括基于第一优化结果对所述第二模型进行循环求解计算；
在本实施例中，通过循环求解对配送过程产生的新需求进行动态求解，从而适应配送过程中的突发事件，使模型解更适应于实际场景。
步骤S204，基于所述第二优化结果确定模型目标解；
在本实施例中，当第二优化结果得到了全局最优解之后，即将全局最优解作为模型目标解，从而停止模型计算过程。
步骤S205，根据所述模型目标解进行确定车辆运动路径。
在本实施例中，在确定了相关模型的目标解之后，基于此再进行车辆运动路径的自动生成，从而使得车辆的运动路径最大程度的满足经济需求以及客户需求。
通过上述步骤，通过不同模型在不同阶段对多个路径内容进行求解计算，从而可以从多个场景角度确定模型的最优解，使得基于模型解确定的车辆路径更适应于实际场景，解决了路径规划不满足需求的问题，提高了路径规划效率和精确度。
其中，上述步骤的执行主体可以为基站、终端等，但不限于此。
在一个可选的实施例中，所述基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果包括：
步骤S2021，基于所述初始模型数据，获取所述第一模型的第一初始解，其中，所述第一初始解是通过随机构造算法得到的，所述第一模型解包括所述第一初始解；
在本申请中，通过人工蜂群与状态转移混合算法对第一模型进行优化操作，以确定第一优化结果。
其中，执行第一优化操作的初始模型数据包括（但不限于）配送中心和顾客点的坐标、根据车辆类型确定的车辆最大载重量、根据客户的送货要求确定的每位客户的需求量/>、期望服务时间窗/>、可接受服务时间窗/>、车辆/>在客户点服务时间/>、根据企业实际的经营制度和经营成本确定的配送中心的服务时间/>、车辆使用的固定成本/>、车辆单位运输成本/>、车辆单位油耗成本/>、车辆单位碳排放成本/>、车辆到达客户点处不同时间段的惩罚系数/>、时间窗惩罚成本/>等数据。
需要说明的是，在获取第一初始解之前，还需要对算法参数进行初始化处理，例如，种群规模大小设为，最大迭代次数/>，跟随蜂数量/>，同一蜜源被开采的次数最大限度/>,选择三个状态转移算子的概率/>，其中，蜜源包括目标函数值，种群/>由每个个体组成，蜜源代表蜜蜂根据邻域搜索找到的最优解，蜜蜂的个数等于种群数，每个个体找到一个最优的配送方案，每个配送方案对应一个最优的目标函数值。
随机构造初始解，每个个体代表初始蜜源，将每个个体的解，解码后的配送方案及总成本存入一个结构体中，其中每一个配送方案都代表问题的一个解，同时，记录每个蜜源的开采次数/>。
步骤S2022，对所述第一初始解进行第一邻域搜索操作，以得到第一邻域搜索结果，其中，所述第一邻域搜索操作包括：
步骤S20221，对所述第一初始解进行第一交换计算，以确定所述第一初始解对应的第一函数值序列，其中，所述第一函数值序列包括所述第一初始解对应的个体的第一函数值、所述第一函数值对应的个体信息以及所述第一函数值序列的第一开采次数；
在本实施例中，先通过状态转移算子得到种群State，经过二次状态转移得到新种群newState，该新种群共有NIND×NIND/4个个体，对所有个体解码，得出相应的目标函数值，再选择最小的目标函数值及其对应的个体，以方便后续的计算处理。
其中，第一交换计算可以随机选择下述变换操作任意一种来进行：
1）交换变换操作：如图4所示，随机选择两个位置，然后将这两个位置上的元素（元素代表客户点）进行交换，例如，初始蜜源为“36-31-29-18-3-27-9-12”，随机产生两个位置3和7，交换位置上的元素后得到新蜜源为“36-31-9-18-3-27-29-12”。
2）移动变换操作：如图5所示，随机选择两个位置，然后将前一个位置上的元素平移到后一个位置元素后面，例如，随机产生两个位置3和7，移动前一个位置上的元素后得到新蜜源为“36-31-18-3-27-9-29-12”。
3）对称变换操作：如图6所示，随机选择两个位置，然后将两个位置间的所有元素进行倒置，例如，随机产生两个位置3和7，倒置两个位置间的元素后得到新蜜源为“36-31-9-27-3-18-29-12”。
步骤S20222，基于预设的第一贪婪准则，将所述第一函数值序列中包括的第一函数值与所述第一初始解进行第一对比计算，在确定所述第一函数值小于所述第一初始解的情况下，对所述第一初始解进行更新处理，以将作数第一函数值作为所述第一初始解，否则对所述第一开采次数进行加一处理；
在本实施例中，该步骤是为了进行第一初始解或开采次数的更新，从而为后续的循环处理提供判断标准。
其中，预设的第一贪婪准则包括将第一交换计算得到的每个个体的目标函数与初始解对比，若小于初始解，则更新解，否则原始蜜源开采次数加1。
步骤S2023，基于所述第一邻域搜索结果，确定所述第一优化结果。
在一个可选的实施例中，所述基于所述第一邻域搜索结果，确定所述第一优化结果包括：
步骤S20231，对所述第一邻域搜索结果执行第一贪婪处理，以得到第一贪婪结果，其中，所述第一贪婪结果包括：
步骤S202311，基于所述第一函数值以及所述个体信息，执行第一个体的适应度计算，以确定第一个体的适应度信息，其中，所述第一个体为所述个体信息中的任一个体；
在本实施例中，计算适应度是为了根据个体适应度值，用轮盘赌方法招募跟随蜂，选择较优蜜源。
其中，适应度计算通过公式37-38来实现：
（37）
（38）
式中，为每个个体适应度值，/>为每个个体对应的总成本表示每个个体对应的选择概率。
步骤S202312，根据所述适应度信息，执行第二邻域搜索处理，以确定第二函数值序列；
在本实施例中，第二邻域搜索处理与第一邻域搜索处理类似，此时新种群newState共有NIND个个体，此时每个个体直接进行如步骤S20221，所述的交换变换操作、移动变换操作和对称变换操作产生新蜜源（对应前述第二函数值序列），并根据新旧蜜源的目标函数值大小进行如步骤S20222所述的贪婪选择操作。
步骤S20232，在所述第二函数值序列满足第一开采条件的情况下，将所述第二函数值序列作为所述第一优化结果，其中，所述第一开采条件包括所述第二函数值序列的第二开采次数大于预设开采阈值，且所述第二函数值序列的最小函数值小于任一函数值，所述第二开采次数是基于所述初始模型数据通过第一邻域搜索处理以及所述第二邻域搜索处理确定的。
在本实施例中，根据同一蜜源被开采次数是否在（对应前述预设开采阈值）内，如果超过/>,则随机产生一个新蜜源，并将新蜜源的开采度设为0，随后对个体进行更新，即根据目标函数值的大小记录当前最优解，若个体更新达到最大迭代次数/>次，则完成个体更新，得到最优解，转入第二优化操作；否则重复执行第一优化操作。
需要说明的是，因为算法原理是首先需要引领蜂通过邻域搜索操作找到新的蜜源，再通过轮盘赌的方法招募舞跟随蜂，跟随蜂以一定概率选择蜜源后，判断同一个蜜源是否达到最大的开采次数，如果达到，那么由侦察蜂随机产生一个新的蜜源，并将该蜜源的开采度重置为0，因而步骤S2022与步骤S2023不能交换位置。
在一个可选的实施例中，所述基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果包括：
步骤S2031，基于所述初始模型数据以及所述第一优化结果，获取所述第二模型的第二初始解；
在本实施例中，完成预优化阶段的配送任务后，在三种不同的更新策略下产生时间点T并发生动态变化，此时出现新增客户点及原始未服务客户点需求量的变化，因而此时还需要进行动态优化。
其中，用于构建第二初始解的初始模型数据包括该时刻车辆的位置坐标，并将该节点视为虚拟配送中心，虚拟点集合为，考虑车辆/>剩余载重量/>，判断车辆是否正在服务客户点，若车辆正在服务客户，则计算出已服务的时间；输出已服务顾客集合和未服务顾客集合及第一阶段结束后产生的总成本/>以及新增客户和未服务顾客的相关数据。
需要说明的是，本申请通过退火算法进行第二优化操作，而在进行第二优化之前，还需要初始化模拟退火参数，即初始化外层最大循环次数，里层最大循环次数，外层循环计数器/>，里层循环计数器/>，初始温度/>，冷却因子/>并随机构造初始解，并将全局最优解赋值为第二初始解。
步骤S2032，对所述第二初始解进行第三邻域搜索处理，以得到第三邻域搜索结果，其中，所述第三邻域搜索结果包括第二初始解对应的第三函数值序列中的第三函数值；
在本实施例中，通过与前述步骤S20211-S20212类似的邻域搜索处理，轮盘赌选择邻域结构，以产生新解并解码得出相应目标函数值（即第三函数值）。
步骤S2033，将所述第三函数值与第一随机结果进行比较，在所述第三函数值小于所述第一随机结果的情况下，对所述第三函数值进行更新处理；
在本实施例中，如果新解的总成本比当前解的总成本/>更好，则更新当前解，以及当前解的总成本，否则转入退火处理。
步骤S2034，基于所述第三函数值执行循环求解计算，以确定目标函数值，并将所述目标函数值作为所述第二优化结果。
在本实施例中，执行循环求解计算即为基于第三函数值执行退火处理，具体包括：基于公式39计算接受新解的概率，同时生成一个[0,1]随机数/>，若小于/>，则更新当前解及对应的总成本：
（39）
随后再更新全局最优解、里层循环次数，并记录外层循环每次迭代的最优解的总成本，更新温度，进入下一次外层循环，当外层循环次数/>达到最大循环次数/>时，输出全局最优解（即第二优化结果），具体如图7所示。
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根据上述实施例的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，或者网络设备等）执行本发明各个实施例所述的方法。
在本实施例中还提供了一种基于模型解的路径确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的一种基于模型解的路径确定装置的结构框图，如图8所示，该装置包括：
模型处理模块81，用于获取初始模型数据，并基于所述初始模型数据构建第一模型以及第二模型，其中，所述初始模型数据至少包括路径规划数据，所述路径规划数据至少包括车辆行驶数据、软时间窗信息、客户需求信息以及需求变化数据；
第一优化模块82，用于基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果，其中，所述第一优化操作包括基于预设的算子交换策略对所述第一模型的第一模型解进行交换计算；
第二优化模块83，用于基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果，所述第二优化操作包括基于第一优化结果对所述第二模型进行循环求解计算；
基于模型解的路径确定模块84，用于基于所述第二优化结果确定模型目标解；
路径规划模块85，用于根据所述模型目标解进行确定车辆运动路径。
在一个可选的实施例中，所述第一优化模块82包括：
第一初始解单元，用于基于所述初始模型数据，获取所述第一模型的第一初始解，其中，所述第一初始解是通过随机构造算法得到的，所述第一模型解包括所述第一初始解；
第一邻域搜索单元，用于对所述第一初始解进行第一邻域搜索操作，以得到第一邻域搜索结果，其中，所述第一邻域搜索操作包括：对所述第一初始解进行第一交换计算，以确定所述第一初始解对应的第一函数值序列，其中，所述第一函数值序列包括所述第一初始解对应的个体的第一函数值、所述第一函数值对应的个体信息以及所述第一函数值序列的第一开采次数；基于预设的第一贪婪准则，将所述第一函数值序列中包括的第一函数值与所述第一初始解进行第一对比计算，在确定所述第一函数值小于所述第一初始解的情况下，对所述第一初始解进行更新处理，以将作数第一函数值作为所述第一初始解，否则对所述第一开采次数进行加一处理；
第一优化单元，用于基于所述第一邻域搜索结果，确定所述第一优化结果。
在一个可选的实施例中，所述第一优化单元包括：
第一贪婪子单元，用于对所述第一邻域搜索结果执行第一贪婪处理，以得到第一贪婪结果，其中，所述第一贪婪结果包括：基于所述第一函数值以及所述个体信息，执行第一个体的适应度计算，以确定第一个体的适应度信息，其中，所述第一个体为所述个体信息中的任一个体；根据所述适应度信息，执行第二邻域搜索处理，以确定第二函数值序列；
第一优化子单元，用于在所述第二函数值序列满足第一开采条件的情况下，将所述第二函数值序列作为所述第一优化结果，其中，所述第一开采条件包括所述第二函数值序列的第二开采次数大于预设开采阈值，且所述第二函数值序列的最小函数值小于任一函数值，所述第二开采次数是基于所述初始模型数据通过第一邻域搜索处理以及所述第二邻域搜索处理确定的。
在一个可选的实施例中，所述第二优化模块包括：
第二初始解单元，用于基于所述初始模型数据以及所述第一优化结果，获取所述第二模型的第二初始解；
第三邻域搜索单元，用于对所述第二初始解进行第三邻域搜索处理，以得到第三邻域搜索结果，其中，所述第三邻域搜索结果包括第二初始解对应的第三函数值序列中的第三函数值；
更新单元，用于将所述第三函数值与第一随机结果进行比较，在所述第三函数值小于所述第一随机结果的情况下，对所述第三函数值进行更新处理；
循环求解单元，用于基于所述第三函数值执行循环求解计算，以确定目标函数值，并将所述目标函数值作为所述第二优化结果。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于模型解的路径确定方法，其特征在于，包括：
获取初始模型数据，并基于所述初始模型数据构建第一模型以及第二模型，其中，所述初始模型数据至少包括路径规划数据，所述路径规划数据至少包括车辆行驶数据、软时间窗信息、客户需求信息以及需求变化数据；
基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果，其中，所述第一优化操作包括基于预设的算子交换策略对所述第一模型的第一模型解进行交换计算；
基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果，所述第二优化操作包括基于第一优化结果对所述第二模型进行循环求解计算；
基于所述第二优化结果确定模型目标解；
根据所述模型目标解进行确定车辆运动路径。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果包括：
基于所述初始模型数据，获取所述第一模型的第一初始解，其中，所述第一初始解是通过随机构造算法得到的，所述第一模型解包括所述第一初始解；
对所述第一初始解进行第一邻域搜索操作，以得到第一邻域搜索结果，其中，所述第一邻域搜索操作包括：对所述第一初始解进行第一交换计算，以确定所述第一初始解对应的第一函数值序列，其中，所述第一函数值序列包括所述第一初始解对应的个体的第一函数值、所述第一函数值对应的个体信息以及所述第一函数值序列的第一开采次数；基于预设的第一贪婪准则，将所述第一函数值序列中包括的第一函数值与所述第一初始解进行第一对比计算，在确定所述第一函数值小于所述第一初始解的情况下，对所述第一初始解进行更新处理，以将作数第一函数值作为所述第一初始解，否则对所述第一开采次数进行加一处理；
基于所述第一邻域搜索结果，确定所述第一优化结果。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一邻域搜索结果，确定所述第一优化结果包括：
对所述第一邻域搜索结果执行第一贪婪处理，以得到第一贪婪结果，其中，所述第一贪婪结果包括：基于所述第一函数值以及所述个体信息，执行第一个体的适应度计算，以确定第一个体的适应度信息，其中，所述第一个体为所述个体信息中的任一个体；根据所述适应度信息，执行第二邻域搜索处理，以确定第二函数值序列；
在所述第二函数值序列满足第一开采条件的情况下，将所述第二函数值序列作为所述第一优化结果，其中，所述第一开采条件包括所述第二函数值序列的第二开采次数大于预设开采阈值，且所述第二函数值序列的最小函数值小于任一函数值，所述第二开采次数是基于所述初始模型数据通过第一邻域搜索处理以及所述第二邻域搜索处理确定的。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果包括：
基于所述初始模型数据以及所述第一优化结果，获取所述第二模型的第二初始解；
对所述第二初始解进行第三邻域搜索处理，以得到第三邻域搜索结果，其中，所述第三邻域搜索结果包括第二初始解对应的第三函数值序列中的第三函数值；
将所述第三函数值与第一随机结果进行比较，在所述第三函数值小于所述第一随机结果的情况下，对所述第三函数值进行更新处理；
基于所述第三函数值执行循环求解计算，以确定目标函数值，并将所述目标函数值作为所述第二优化结果。
5.一种基于模型解的路径确定装置，其特征在于，包括：
模型处理模块，用于获取初始模型数据，并基于所述初始模型数据构建第一模型以及第二模型，其中，所述初始模型数据至少包括路径规划数据，所述路径规划数据至少包括车辆行驶数据、软时间窗信息、客户需求信息以及需求变化数据；
第一优化模块，用于基于所述初始模型数据，对所述第一模型进行第一优化操作，以得到第一优化结果，其中，所述第一优化操作包括基于预设的算子交换策略对所述第一模型的第一模型解进行交换计算；
第二优化模块，用于基于所述第一优化结果，对所述第二模型进行第二优化操作，以得到第二优化结果，所述第二优化操作包括基于第一优化结果对所述第二模型进行循环求解计算；
模型解确定模块，用于基于所述第二优化结果确定模型目标解；
路径规划模块，用于根据所述模型目标解进行确定车辆运动路径。
6.根据权利要求5所述的装置，其特征在于，所述第一优化模块包括：
第一初始解单元，用于基于所述初始模型数据，获取所述第一模型的第一初始解，其中，所述第一初始解是通过随机构造算法得到的，所述第一模型解包括所述第一初始解；
第一邻域搜索单元，用于对所述第一初始解进行第一邻域搜索操作，以得到第一邻域搜索结果，其中，所述第一邻域搜索操作包括：对所述第一初始解进行第一交换计算，以确定所述第一初始解对应的第一函数值序列，其中，所述第一函数值序列包括所述第一初始解对应的个体的第一函数值、所述第一函数值对应的个体信息以及所述第一函数值序列的第一开采次数；基于预设的第一贪婪准则，将所述第一函数值序列中包括的第一函数值与所述第一初始解进行第一对比计算，在确定所述第一函数值小于所述第一初始解的情况下，对所述第一初始解进行更新处理，以将作数第一函数值作为所述第一初始解，否则对所述第一开采次数进行加一处理；
第一优化单元，用于基于所述第一邻域搜索结果，确定所述第一优化结果。
7.根据权利要求6所述的装置，其特征在于，所述第一优化单元包括：
第一贪婪子单元，用于对所述第一邻域搜索结果执行第一贪婪处理，以得到第一贪婪结果，其中，所述第一贪婪结果包括：基于所述第一函数值以及所述个体信息，执行第一个体的适应度计算，以确定第一个体的适应度信息，其中，所述第一个体为所述个体信息中的任一个体；根据所述适应度信息，执行第二邻域搜索处理，以确定第二函数值序列；
第一优化子单元，用于在所述第二函数值序列满足第一开采条件的情况下，将所述第二函数值序列作为所述第一优化结果，其中，所述第一开采条件包括所述第二函数值序列的第二开采次数大于预设开采阈值，且所述第二函数值序列的最小函数值小于任一函数值，所述第二开采次数是基于所述初始模型数据通过第一邻域搜索处理以及所述第二邻域搜索处理确定的。
8.根据权利要求5所述的装置，其特征在于，所述第二优化模块包括：
第二初始解单元，用于基于所述初始模型数据以及所述第一优化结果，获取所述第二模型的第二初始解；
第三邻域搜索单元，用于对所述第二初始解进行第三邻域搜索处理，以得到第三邻域搜索结果，其中，所述第三邻域搜索结果包括第二初始解对应的第三函数值序列中的第三函数值；
更新单元，用于将所述第三函数值与第一随机结果进行比较，在所述第三函数值小于所述第一随机结果的情况下，对所述第三函数值进行更新处理；
循环求解单元，用于基于所述第三函数值执行循环求解计算，以确定目标函数值，并将所述目标函数值作为所述第二优化结果。
9.一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程序，其中，所述计算机程序被设置为运行时执行权利要求1至4任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至4任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311258419.2A CN116989819B (zh) | 2023-09-27 | 2023-09-27 | 一种基于模型解的路径确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311258419.2A CN116989819B (zh) | 2023-09-27 | 2023-09-27 | 一种基于模型解的路径确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116989819A true CN116989819A (zh) | 2023-11-03 |
| CN116989819B CN116989819B (zh) | 2024-01-02 |
Family
ID=88525246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311258419.2A Active CN116989819B (zh) | 2023-09-27 | 2023-09-27 | 一种基于模型解的路径确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116989819B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494921A (zh) * | 2023-12-29 | 2024-02-02 | 湖南工商大学 | 一种多目标类型的路径模型求解方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
| CN107169594A (zh) * | 2017-04-25 | 2017-09-15 | 深圳大学 | 一种车辆路径问题的优化方法及装置 |
| EP3675004A1 (en) * | 2018-12-27 | 2020-07-01 | BlackBerry Limited | Controlling vehicle operations based on vehicle information |
| CN112734188A (zh) * | 2020-12-30 | 2021-04-30 | 杭州电子科技大学 | 一种基于两阶段混合元启发式算法的家庭医疗护理调度优化方法 |
| CN112859912A (zh) * | 2021-01-11 | 2021-05-28 | 中国人民解放军国防科技大学 | 中继充电模式下无人机路径规划的自适应优化方法与系统 |
| CN113919772A (zh) * | 2021-09-26 | 2022-01-11 | 山东师范大学 | 一种含时间窗的时变车辆路径规划方法及系统 |
| US20220414518A1 (en) * | 2019-10-09 | 2022-12-29 | Cornell University | Quantum computing based hybrid solution strategies for large-scale discrete-continuous optimization problems |
-
2023
- 2023-09-27 CN CN202311258419.2A patent/CN116989819B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
| CN107169594A (zh) * | 2017-04-25 | 2017-09-15 | 深圳大学 | 一种车辆路径问题的优化方法及装置 |
| EP3675004A1 (en) * | 2018-12-27 | 2020-07-01 | BlackBerry Limited | Controlling vehicle operations based on vehicle information |
| US20220414518A1 (en) * | 2019-10-09 | 2022-12-29 | Cornell University | Quantum computing based hybrid solution strategies for large-scale discrete-continuous optimization problems |
| CN112734188A (zh) * | 2020-12-30 | 2021-04-30 | 杭州电子科技大学 | 一种基于两阶段混合元启发式算法的家庭医疗护理调度优化方法 |
| CN112859912A (zh) * | 2021-01-11 | 2021-05-28 | 中国人民解放军国防科技大学 | 中继充电模式下无人机路径规划的自适应优化方法与系统 |
| CN113919772A (zh) * | 2021-09-26 | 2022-01-11 | 山东师范大学 | 一种含时间窗的时变车辆路径规划方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| QIAN WANG; MAN QIU; WANZHEN WANG: "Research on Algorithm and Mechanism of New Energy Vehicle Battery Distribution Based on Clustering Algorithm", ICASIT 2021: 2021 INTERNATIONAL CONFERENCE ON AVIATION SAFETY AND INFORMATION TECHNOLOGY * |
| 张景玲;赵燕伟;王海燕;介婧;王万良;: "多车型动态需求车辆路径问题建模及优化", 计算机集成制造系统, no. 03, pages 97 - 104 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494921A (zh) * | 2023-12-29 | 2024-02-02 | 湖南工商大学 | 一种多目标类型的路径模型求解方法及装置 |
| CN117494921B (zh) * | 2023-12-29 | 2024-04-12 | 湖南工商大学 | 一种多目标类型的路径模型求解方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116989819B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | iRAF: A deep reinforcement learning approach for collaborative mobile edge computing IoT networks | |
| Deng et al. | Task allocation algorithm and optimization model on edge collaboration | |
| Cheng et al. | Task assignment on multi-skill oriented spatial crowdsourcing | |
| Yu et al. | Deadline scheduling as restless bandits | |
| RU2497293C2 (ru) | Способ и система передачи информации в социальной сети | |
| Li et al. | Efficient and effective express via contextual cooperative reinforcement learning | |
| CN116989819B (zh) | 一种基于模型解的路径确定方法及装置 | |
| Gu et al. | Applying artificial bee colony algorithm to the multidepot vehicle routing problem | |
| CN103281374B (zh) | 一种云存储中数据快速调度的方法 | |
| CN110097218B (zh) | 一种时变环境下无人商品配送方法及系统 | |
| Jiau et al. | Services-oriented computing using the compact genetic algorithm for solving the carpool services problem | |
| CN116185523A (zh) | 一种任务卸载和部署的方法 | |
| Liu et al. | RFID: Towards low latency and reliable DAG task scheduling over dynamic vehicular clouds | |
| Yi et al. | A DRL-driven intelligent joint optimization strategy for computation offloading and resource allocation in ubiquitous edge IoT systems | |
| Besharati et al. | An auction-based bid prediction mechanism for fog-cloud offloading using Q-Learning | |
| Kashyap et al. | DECENT: Deep learning enabled green computation for edge centric 6G networks | |
| CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 | |
| CN112465371B (zh) | 一种资源数据分配方法、装置及设备 | |
| Reiszadeh et al. | Improving convergence properties of autonomous demand side management algorithms | |
| Mu et al. | Deep reinforcement learning based adaptive threshold multi-tasks offloading approach in mec | |
| CN111885551B (zh) | 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 | |
| Henna et al. | Distributed and collaborative high-speed inference deep learning for mobile edge with topological dependencies | |
| CN114492849B (zh) | 一种基于联邦学习的模型更新方法及装置 | |
| CN108289115B (zh) | 一种信息处理方法及系统 | |
| Zhang et al. | Energy efficient federated learning in internet of vehicles: A game theoretic scheme |
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 |