申请/专利权人：湖南工商大学

申请日：2023-12-29

公开（公告）日：2024-04-12

公开（公告）号：CN117494921B

主分类号：G06Q10/047

分类号：G06Q10/047;G06N3/0455;G06N3/047;G06N3/092;G06Q10/0835

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明实施例提供了一种多目标类型的路径模型求解方法、装置、存储介质及电子装置，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，并基于初始模型数据构建第一多目标类型路径模型；基于预设的模型架构和第一模型数据，执行第一映射处理，以得到初始模型数据对应的实例嵌入信息；根据实例嵌入信息，确定隐藏层信息，并通过架构函数对隐藏层信息进行概率确定处理，以得到目标对象的对象概率信息以及目标节点的节点概率信息；根据节点概率信息以及对象概率信息，执行路径迭代处理，以得到第一多目标类型路径模型的模型解；通过本发明，解决了路径模型求解精度低的问题，进而达到了提高路径模型求解效率和精度的效果。

主权项：1.一种多目标类型的路径模型求解方法，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多目标类型路径模型，其中，所述初始模型数据包括多种类型的目标对象的对象数据以及所述目标对象执行目标动作的动作路径数据；其中，所述对象数据至少包括目标对象的类型、目标对象的容量、目标对象的油耗任意之一，所述初始模型数据还包括目标对象要进行配送的客户的客户数量、客户位置、客户需求、目标对象从配送中心完成配送任务并返回配送中心所需要的油耗及目标对象从配送中心完成配送任务并返回配送中心所需要的耗时至少任意之一；所述动作路径数据至少包括目标对象进行货物配送所运动的路径节点坐标、节点名称任意之一；基于预设的模型架构和第一模型数据，执行第一映射处理，以得到所述初始模型数据对应的实例嵌入信息，其中，所述第一模型数据是对所述初始模型数据进行预处理后得到的，所述模型架构至少包括Transformer构架以及强化学习算法，所述强化学习算法用于得到最小化所有目标对象的行驶时间总和；所述第一模型数据至少包括节点坐标、需求量、目标对象容量任意之一；所述实例嵌入信息至少包括节点嵌入以及图嵌入任意之一；根据所述实例嵌入信息，确定第一上下文信息以及第二上下文信息，再基于预设的第一处理层对所述第一上下文信息以及第二上下文信息确定隐藏层信息，并通过架构函数对所述隐藏层信息进行概率确定处理，以得到目标对象的对象概率信息以及目标节点的节点概率信息，其中，所述架构函数至少包括softmax函数；所述目标对象包括下一步用于进行配送的对象，所述目标节点包括下一步需要进行配送的节点；根据所述节点概率信息以及所述对象概率信息，执行路径迭代处理，以得到所述第一多目标类型路径模型的模型解，所述模型解用于规划构建目标路径。

全文数据：

权利要求：

百度查询： 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD