CN111461447A - 一种路径规划方法、装置、电子设备和存储介质 - Google Patents
一种路径规划方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111461447A CN111461447A CN202010273613.8A CN202010273613A CN111461447A CN 111461447 A CN111461447 A CN 111461447A CN 202010273613 A CN202010273613 A CN 202010273613A CN 111461447 A CN111461447 A CN 111461447A
- Authority
- CN
- China
- Prior art keywords
- individual
- path
- preference
- individuals
- target
- 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 43
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 22
- 230000002776 aggregation Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种路径规划方法、装置、电子设备和存储介质,其中方法包括:获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;确定目标种群中各个体之间的支配关系,并基于支配关系对所述个体进行分层;计算每层中各个个体的聚集距离,并基于聚集距离和各个体的所属分层确定多个预选路径方案;基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。本发明实施例中,在获取目标路径方案时,结合了用户提供的偏好信息,由此保证最终获取到的目标路径方***性,保证目标路径方案满足用户需求。
Description
技术领域
本发明实施例涉及物流运输领域,尤其涉及一种路径规划方法、装置、电子设备和存储介质。
背景技术
近年来,大数据、人工智能等信息技术的兴起使得信息化、智能化在各行业范围内呈现出蓬勃发展的趋势,尤其是对物流运输等行业产生了巨大的影响。如何更好地使用人工智能等技术实现智慧物流,提高物流运输送效率,是整个物流行业需要解决的问题。其中,路径优化方法是解决物流行业相关问题的关键技术。目前,物流行业关于路径优化问题的研究,大部分仍然是采用传统优化方法来求解,例如基于单个衡量标准来优化运输路径。然而面对各种复杂的物流运输环境,基于传统路径规划方法规划的路径,准确性低,已经不能满足日益增长的物流运输需求。
发明内容
本发明实施例提供一种路径规划方法、装置、电子设备和存储介质,以解决基于传统路径规划方法确定的路径方案无法满足物流需求的问题。
第一方面,本发明实施例提供了一种路径规划方法,该方法包括:
获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;
确定所述目标种群中各个体之间的支配关系,并基于所述支配关系对所述个体进行分层;
计算每层中各个个体的聚集距离,并基于所述聚集距离和各个体的所属分层确定多个预选路径方案;
基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的
第二方面,本发明实施例还提供了一种路径规划装置,该装置包括:
种群获取模块,用于获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;
支配关系确定模块,用于确定所述目标种群中每个个体之间的支配关系,并基于所述支配关系对所述个体进行分层;
路径方案初选模块,用于计算每层中各个体的聚集距离,并基于所述聚集距离和每个个体所属分层确定多个预选路径方案;
路径方案终选模块,用于基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。
第三方面,本发明实施例还提供了一种电子设备,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如本发明任一实施例所述的路径规划方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的路径规划方法。
本发明实施例通过获取目标种群,其中,种群中每个个体为一种路径方案,根据计算的目标种群中个体之间的支配关系以及个体的聚集距离,确定预选路径方案,进而根据预先基于用户偏好信息定义的偏好区域,从预选路径方案中选择目标路径方案,由于获取目标路径方案结合了用户提供的偏好信息,由此保证最终获取到的目标路径方***性,使得标路径方案满足用户需求。
附图说明
图1a是本发明实施例一中的路径规划方法的流程示意图;
图1b是本发明实施例一中的偏好区域的示意图;
图2是本发明实施例二中的路径规划装置的结构示意图;
图3是本发明实施例三中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一提供的路径规划方法的流程图,本实施例可适用于对物流运输的路径进行规划的情况,该方法可以由路径规划装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成在电子设备上,例如集成在服务器或计算机设备上。
如图1a所示,路径规划方法具体包括:
S101、获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案。
本发明实施例中,目标种群包含多个个体,每个个体都是基于物流相关信息规划的一种路径方案。其中,物流相关信息至少包括运输的起点、中转点、终点、不同运输路线、以及不同的运输路线所采用的运输工具信息(例如运输车辆的类型、载重、耗时等)。而且路径方案都是在获得物流相关信息后确定的,例如基于已有的路线信息和各类交通工具信息,通过随机组合方式得到从运输起点到运输终点的所有可能路径方案,其中每种路径方案至少包括从运输起点到终点的路线、运输过程中采用的交通工具信息等。可选的,构建目标种群的操作包括:
S1.获取物流运输相关信息,对基于至少两个目标的路径规划进行建模。
其中,所述目标是指规划好的路径方案需要考虑的因素,可选的,目标至少包括运输成本和运输时间,除此之外还可以考虑其他因素,例如运输过程中产生的人工成本,以外故障等因素。以运输成本和运输时间为例,构建的模型中,运输成本目标函数为其中,a和b为预设参数;运输时间目标函数其中,i为预设的运输时间函数,表示第i个客户的运输是否由第k辆车完成,RPk表示第k辆车的运输路径,M表示运输车辆总数,N是种群个体数量。
进一步的,为了保证模型的精准度,还需对模型进行约束,示例性的,所述模型的约束条件包括采用如下公式计算:
其中,等式约束条件表示每一个运输任务只能由一辆车服务;Wk表示每辆车的最大载货量,不等式约束条件表示每一辆车的装货量小于最大载货量;运输成本和运输时间最小。在此需要说明的是,针对其他不同目标,还可以设置其他约束条件(例如,客户要求的到达时间段),在此不做具体限定。
S2.基于模型的约束条件,对初始种群中的个体进行初始化操作。
其中,所述初始种群是指最初根据获取到的物流相关信息确定的路径方案的集合,包括至少两个个体,每个个体为一种路径方案,基于上述的模型的约束条件,对初始种群中的个体进行初始化操作,例如对种群中的个体进行编码处理,得到由二进制数据表示的个体,也即是每种路径方案由二进制数据组成,还可以设置迭代次数(T),以便后续通过多次迭代选出符合需求的路径方案。
S3.对所述初始种群中的个体进行选择、交叉和变异处理,得到目标种群。
可选的,针对初始化处理后的初始种群中的个体,可基于遗传算法对个体进行选择、交叉和变异处理,可采用锦标赛方法对初始种群中的个体进行选择,然后对选择后的优秀个体进行二进制交叉、重组以及多项式变异,从而得到与初始种群规模大小相同新种群,进一步的,向得到新种群与初始种群进行合并,得到目标种群。
S102、确定所述目标种群中各个体之间的支配关系,并基于所述支配关系对所述个体进行分层。
本发明实施例中,除了对路径规划进行建模外,在确定运输成本目标函数为和运输时间目标函数基础上,还可根据用户提供的偏好信息(例如用户能够接受的时间成本和运输成本),以及偏好区域范围控制参数,进行偏好建模得到偏好区域,其中偏好信息以参考点的方式表示,参考点代表了用户对每个子目标的期望值,参考点可选的根据经验公式或者实际需求获得。示例性的,参见图1b,其示出了偏好区域的示意图,其中,原点到参考点(a,b)的方向向量为偏好方向向量,偏好区域范围控制参数r,因此偏好区域定义为个体到偏好方向向量欧式距离为r所形成的区域,参数r越大,种群搜索空间越大。在此需要说明的是,图1b中的偏好解为个体对应的路径方案所需的运输成本和运输时间的值,本申请的目的就是通过计算种群中每个个体的运输成本和运输时间的值,结合偏好区域从中选出至少一个偏好解对应的路径方案反馈给用户。为了有效控制偏好区域的大小,即控制搜索空间范围,本发明引入参数r∈[0,1]。如图1b所示,通过控制r的大小,该模型可以根据偏好信息控制偏好区域大小。
进一步的,各个体之间的支配关系表明了个体对应的偏好解到达参考点的距离,例如,个体A支配个体B,个体A对应的偏好解到达参考点的距离,也即个体A对应的路径方案的运输成本和运输时间低,也即个体A对应的路径方案比个体B对应的路径方案好。因此要选出最优方案,需要确定种群中各个体之间的支配关系。可选的,距离确定所述目标种群中各个体之间的支配关系,包括:
针对目标种群中的第一个体和第二个体,基于Pareto支配关系的基础上,定义偏好支配关系,例如若所述第一个体偏好支配第二个体,则满足如下任一条件:
所述第一个体满足所述约束条件,且所述第二个体不满足所述约束条件;或者,
所述第一个体和所述第二个体均满足所述约束条件,第一个体在所述偏好区域内,第二个体不在所述偏好区域内;或者,
所述第一个体和所述第二个体满足约束条件并且在偏好区域内,所述第一个体支配所述第二个体;或者
所述第一个体和所述第二个体均不在所述偏好区域内,所述第一个体到偏好方向向量的欧式距离小于第二个体到偏好方向向量的欧式距离,其中,所述偏好方向向量是由预设偏好信息确定的。
进一步的,在基于所述支配关系对所述个体进行分层时,可选的,第一层为进化种群的所有非偏好支配个体的集合,第二层为进化种群中去掉第一层个体后所求得的非偏好支配个体集合,依次类推。
S103、计算每层中各个个体的聚集距离,并基于所述聚集距离和各个体的所属分层确定多个预选路径方案;
可选的,计算每层中各个个体的聚集距离时,首先计算目标种群中的每个个体运输成本和运输时间的值,并根据计算结果对每个个体进行排序,具体的,计算目标种群中每一个个体在第一个目标的适应度函数值第二个目标适应度函数值上的函数值,按照f1的函数值大小对目标种群中的个体进行排序,以及按照f2的函数值大小对目标种群中的个体进行排序。
进一步的,为了便于排序的方便性,在计算得到每个个体的f1和f2的函数之后,对计算结果进行归一化处理,示例性的,按照归一化操作公式为:其中fi表示为个体的第i个目标函数值,表示当前所有个体中第i个子目标的最大值,表示当前所有个体中第i个子目标的最小值。
进而,基于排序结果,计算每个个体的聚集距离。其中,聚集距离用于评估个体的拥挤程度,在此需要说明的是,为了便于获取最优的个体,通常选择聚集距离更大的个体,因为聚集距离大的个体其分布性好,有利于全局寻优的操作。
可选的,每个个体的聚集距离为与该个体相邻的两个个体在每个子目标上的距离差之和。在一种可选的实施方式中,可以按照如下公式计算每个个体的聚集距离:
进一步的,基于各个体的聚集距离和各个体的所属分层确定多个预选路径方案,例如选择选择层数小、聚集距离大的N个个体所对应的预选路径方案。进而基于预选路径方案更新种群,以实现种群迭代,以便在更新的种群中获取目标路径方案。
S104、基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。
其中,偏好区域的定义可参见上述内容,在此不再赘述。由于偏好区域范围控制参数是动态调整,例如可按照如下公式进行调整:
其中,r′是调整后的偏好区域范围控制参数,r是预先给定的偏好区域范围控制参数,t为当前迭代次数,T为预设的迭代次数。在此需要说明的是,在每次调整偏好区域范围控制参数后,可按照S101-S103进行重复迭代操作,以更新种群,最终在S103确定的预选路径方案中,获取至少一个目标路径方案。具体的,基于参数调整所述偏好区域大小,并将始终落在偏好区域内的预选路径方案作为目标路径方案。
本发明实施例通过获取目标种群,其中,种群中每个个体为一种路径方案,根据计算的目标种群中个体之间的支配关系以及个体的聚集距离,确定预选路径方案,进而根据预先基于用户偏好信息定义的偏好区域,从预选路径方案中选择目标路径方案,由于获取目标路径方案结合了用户提供的偏好信息,由此保证最终获取到的目标路径方***性,使得标路径方案满足用户需求。
实施例二
图2是本发明实施例二中的路径规划装置的结构示意图,可适用于对物流运输的路径进行规划的情况。如图2所示,该装置包括:
种群获取模块201,用于获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;
支配关系确定模块202,用于确定所述目标种群中每个个体之间的支配关系,并基于所述支配关系对所述个体进行分层;
路径方案初选模块203,用于计算每层中各个体的聚集距离,并基于所述聚集距离和每个个体所属分层确定多个预选路径方案;
路径方案终选模块204,用于基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。
可选的,所述装置还包括目标种群确定模块,用于:
获取物流运输相关信息,对基于至少两个目标的路径规划进行建模;
基于模型的约束条件,对初始种群中的个体进行初始化操作,其中,所述初始种群包括至少两个个体,每个个体为一种路径方案;
对所述初始种群中的个体进行选择、交叉和变异处理,得到目标种群。
可选的,所述目标至少包括运输成本和运输时间;
其中,a和b为预设参数;
可选的,所述模型的约束条件包括采用如下公式计算:
可选的,所述支配关系确定模块用于:
针对目标种群中的第一个体和第二个体,若所述第一个体支配第二个体,则满足如下任一条件:
所述第一个体满足所述约束条件,且所述第二个体不满足所述约束条件;或者,
所述第一个体和所述第二个体均满足所述约束条件,第一个体在所述偏好区域内,第二个体不在所述偏好区域内;或者,
所述第一个体和所述第二个体均不在所述偏好区域内,所述第一个体到偏好方向向量的欧式距离小于第二个体到偏好方向向量的欧式距离,其中所述偏好方向向量是由预设偏好信息确定的。
可选的,路径方案初选模块还用于:每个个体的聚集距离为与该个体相邻的两个个体在每个子目标上的距离差之和;
计算目标种群中的每个个体运输成本和运输时间的值,并根据计算结果对每个个体进行排序;
基于排序结果,计算每个个体的聚集距离,其中,每个个体的聚集距离为与该个体相邻的两个个体在每个子目标上的距离差之和。
可选的,偏好区域范围控制参数是动态调整;
相应的,基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案,包括:
基于所述参数调整所述偏好区域大小,并将始终落在偏好区域内的预选路径方案作为目标路径方案。
本发明实施例所提供的路径规划装置可执行本发明任意实施例所提供的路径规划方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的一种电子设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图3显示的电子设备12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3所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的路径规划方法,该方法包括:
获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;
确定所述目标种群中各个体之间的支配关系,并基于所述支配关系对所述个体进行分层;
计算每层中各个个体的聚集距离,并基于所述聚集距离和各个体的所属分层确定多个预选路径方案;
基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。
实施例四
本发明实施例四还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的路径规划方法,该方法包括:
获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;
确定所述目标种群中各个体之间的支配关系,并基于所述支配关系对所述个体进行分层;
计算每层中各个个体的聚集距离,并基于所述聚集距离和各个体的所属分层确定多个预选路径方案;
基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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***、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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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***、装置或者器件使用或者与其结合使用。
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***、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种路径规划方法,其特征在于,所述方法包括:
获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;
确定所述目标种群中各个体之间的支配关系,并基于所述支配关系对所述个体进行分层;
计算每层中各个个体的聚集距离,并基于所述聚集距离和各个体的所属分层确定多个预选路径方案;
基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。
2.根据权利要求1所述的方法,其特征在于,获取目标种群之前,还包括:
获取物流运输相关信息,对基于至少两个目标的路径规划进行建模;
基于模型的约束条件,对初始种群中的个体进行初始化操作,其中,所述初始种群包括至少两个个体,每个个体为一种路径方案;
对所述初始种群中的个体进行选择、交叉和变异处理,得到目标种群。
5.根据权利要求4所述的方法,其特征在于,确定所述目标种群中各个体之间的支配关系,包括:
针对目标种群中的第一个体和第二个体,若所述第一个体偏好支配第二个体,则满足如下任一条件:
所述第一个体满足所述约束条件,且所述第二个体不满足所述约束条件;或者,
所述第一个体和所述第二个体均满足所述约束条件,第一个体在所述偏好区域内,第二个体不在所述偏好区域内;或者,
所述第一个体和所述第二个体均不在所述偏好区域内,所述第一个体到偏好方向向量的欧式距离小于第二个体到偏好方向向量的欧式距离,其中所述偏好方向向量是由预设偏好信息确定的。
6.根据权利要求3所述的方法,其特征在于,计算每层中各个个体的聚集距离,包括:
计算目标种群中的每个个体运输成本和运输时间的值,并根据计算结果对每个个体进行排序;
基于排序结果,计算每个个体的聚集距离,其中,每个个体的聚集距离为与该个体相邻的两个个体在每个子目标上的距离差之和。
7.根据权利要求3所述的方法,其特征在于,偏好区域范围控制参数是动态调整的;
相应的,基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案,包括:
基于所述参数调整所述偏好区域大小,并将始终落在偏好区域内的预选路径方案作为目标路径方案。
8.一种路径规划装置,其特征在于,所述装置包括:
种群获取模块,用于获取目标种群,其中,所述目标种群中包括至少两个个体,每个个体为一种路径方案;
支配关系确定模块,用于确定所述目标种群中每个个体之间的支配关系,并基于所述支配关系对所述个体进行分层;
路径方案初选模块,用于计算每层中各个体的聚集距离,并基于所述聚集距离和每个个体所属分层确定多个预选路径方案;
路径方案终选模块,用于基于预先定义的偏好区域,从所述预选路径方案中获取至少一个目标路径方案;其中,所述偏好区域是基于用户提供的偏好信息和偏好区域范围控制参数确定的。
9.一种电子设备,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1-7中任一所述的路径规划方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273613.8A CN111461447B (zh) | 2020-04-09 | 2020-04-09 | 一种路径规划方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273613.8A CN111461447B (zh) | 2020-04-09 | 2020-04-09 | 一种路径规划方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461447A true CN111461447A (zh) | 2020-07-28 |
CN111461447B CN111461447B (zh) | 2023-04-18 |
Family
ID=71678519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010273613.8A Active CN111461447B (zh) | 2020-04-09 | 2020-04-09 | 一种路径规划方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461447B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053097A (zh) * | 2020-09-30 | 2020-12-08 | 北京百度网讯科技有限公司 | 一种贷款催收方法、装置、电子设备及存储介质 |
CN112561371A (zh) * | 2020-12-23 | 2021-03-26 | 上海新共赢信息科技有限公司 | 一种调取确定方法、装置、电子设备及存储介质 |
CN113255870A (zh) * | 2021-04-19 | 2021-08-13 | 北京市遥感信息研究所 | 区域重访路径优化方法、装置、设备及介质 |
CN115145261A (zh) * | 2022-04-07 | 2022-10-04 | 哈尔滨工业大学(深圳) | 人机共存下遵循行人规范的移动机器人全局路径规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269533A1 (en) * | 2014-03-21 | 2015-09-24 | Sharad K. Garg | Using contextual, constraint and preference information to optimize group activities |
US20170109631A1 (en) * | 2015-10-16 | 2017-04-20 | Sap Se | System and method of multi-objective optimization for transportation arrangement |
CN108470237A (zh) * | 2018-02-12 | 2018-08-31 | 浙江工业大学 | 一种基于协同进化的多偏好高维目标优化方法 |
CN109102124A (zh) * | 2018-08-24 | 2018-12-28 | 山东师范大学 | 基于分解的动态多目标多路径诱导方法、***及存储介质 |
US20190114564A1 (en) * | 2017-10-18 | 2019-04-18 | United Parcel Service Of America, Inc. | Enriched Logistics System for Unmanned Vehicle Delivery of Parcels |
CN109948855A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 一种带时间窗的异构危化品运输路径规划方法 |
-
2020
- 2020-04-09 CN CN202010273613.8A patent/CN111461447B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269533A1 (en) * | 2014-03-21 | 2015-09-24 | Sharad K. Garg | Using contextual, constraint and preference information to optimize group activities |
US20170109631A1 (en) * | 2015-10-16 | 2017-04-20 | Sap Se | System and method of multi-objective optimization for transportation arrangement |
US20190114564A1 (en) * | 2017-10-18 | 2019-04-18 | United Parcel Service Of America, Inc. | Enriched Logistics System for Unmanned Vehicle Delivery of Parcels |
CN108470237A (zh) * | 2018-02-12 | 2018-08-31 | 浙江工业大学 | 一种基于协同进化的多偏好高维目标优化方法 |
CN109102124A (zh) * | 2018-08-24 | 2018-12-28 | 山东师范大学 | 基于分解的动态多目标多路径诱导方法、***及存储介质 |
CN109948855A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 一种带时间窗的异构危化品运输路径规划方法 |
Non-Patent Citations (1)
Title |
---|
胡建杰: "基于偏好半径选择机制的偏好多目标进化算法的研究", 《中国优秀硕士毕业论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053097A (zh) * | 2020-09-30 | 2020-12-08 | 北京百度网讯科技有限公司 | 一种贷款催收方法、装置、电子设备及存储介质 |
CN112561371A (zh) * | 2020-12-23 | 2021-03-26 | 上海新共赢信息科技有限公司 | 一种调取确定方法、装置、电子设备及存储介质 |
CN112561371B (zh) * | 2020-12-23 | 2024-03-01 | 上海乐享似锦科技股份有限公司 | 一种调度确定方法、装置、电子设备及存储介质 |
CN113255870A (zh) * | 2021-04-19 | 2021-08-13 | 北京市遥感信息研究所 | 区域重访路径优化方法、装置、设备及介质 |
CN113255870B (zh) * | 2021-04-19 | 2023-08-04 | 北京市遥感信息研究所 | 区域重访路径优化方法、装置、设备及介质 |
CN115145261A (zh) * | 2022-04-07 | 2022-10-04 | 哈尔滨工业大学(深圳) | 人机共存下遵循行人规范的移动机器人全局路径规划方法 |
CN115145261B (zh) * | 2022-04-07 | 2024-04-26 | 哈尔滨工业大学(深圳) | 人机共存下遵循行人规范的移动机器人全局路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111461447B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461447B (zh) | 一种路径规划方法、装置、电子设备和存储介质 | |
Soto et al. | Solving the multi-objective flexible job shop scheduling problem with a novel parallel branch and bound algorithm | |
Qian et al. | A multi-objective evolutionary algorithm based on adaptive clustering for energy-aware batch scheduling problem | |
CN114510072B (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
CN112906865B (zh) | 神经网络架构搜索方法、装置、电子设备及存储介质 | |
CN112396362A (zh) | 行驶目的地的确定方法、装置及存储介质 | |
CN111209930B (zh) | 一种生成授信策略的方法、装置和电子设备 | |
US11215467B1 (en) | Method of and system for path selection | |
Wu et al. | Real environment-aware multisource data-associated cold chain logistics scheduling: A multiple population-based multiobjective ant colony system approach | |
US12018948B2 (en) | Method of and system for path selection | |
CN113848936A (zh) | 路径规划方法、装置、电子设备和计算机可读存储介质 | |
US11308422B2 (en) | Method of and system for determining physical transfer interchange nodes | |
CN112836794B (zh) | 一种图像神经架构的确定方法、装置、设备及存储介质 | |
Queirolo et al. | Warehouse layout design: minimizing travel time with a genetic and simulative approach—methodology and case study | |
Wang et al. | DSS approach for sustainable system design of shuttle-based storage and retrieval systems | |
CN116304722A (zh) | 基于平衡树索引结构的向量检索模型的训练方法 | |
CN111861757A (zh) | 一种融资匹配方法、***、设备和存储介质 | |
Liu et al. | A constrained multi-objective evolutionary algorithm with Pareto estimation via neural network | |
CN116017936A (zh) | 一种空调机房的控制方法及装置、电子设备及存储介质 | |
CN111046321B (zh) | 光伏电站运维策略优化方法和装置 | |
Li et al. | Improved slime mould algorithm based on Gompertz dynamic probability and Cauchy mutation with application in FJSP | |
Duan et al. | Nondominated Sorting Differential Evolution Algorithm to Solve the Biobjective Multi‐AGV Routing Problem in Hazardous Chemicals Warehouse | |
Selçuklu | Multi-objective Genetic Algorithms | |
Han et al. | An Improved Ant Colony Optimization for Large Scale Colored Traveling Salesman Problem | |
Allahverdiyev | Application of Fuzzy-Genetic Algorithm for Solving an Open Transportation |
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 |