一种基于神经网络遗传算法的智能运输调度管理方法技术

本发明专利技术公开了一种基于神经网络遗传算法的智能运输调度管理方法，包括以下步骤：A1、根据运输调度管理系统建立数据模块；A2、生成初始种群G；该初始种群包含N条染色体；所述染色体按照任意长度对物资M(Ma和/或Mb)根据需要选择特征进行编码；构建神经网络；发货点为神经网络输入节点，收货点为输出节点，中转站为隐含层；A4、开始迭代。在遗传算法中加入神经网络算法，避免遗传算法中的计算效率较低、容易陷入局部最优、收敛困难等不足，避免造成过早收敛，或大量迭代复算。适应度评价函数从经济适用量e和时间长t两个相对立的角度进行评价，2个相对立的函数相互平衡，实现既快速又经济的物流调度方案。

An intelligent transportation scheduling management method based on neural network genetic algorithm

【技术实现步骤摘要】
一种基于神经网络遗传算法的智能运输调度管理方法
本专利技术涉及输送管道
，具体涉及一种高压加氢大口径超壁厚无缝三通管件。
技术介绍
遗传算法是基于自科学中的优胜劣汰原则，后被引用至寻优算法中，在进化过程中进行的遗传操作包括编码、选择、交叉、变异和适者生存选择，不需要对函数求导和要求函数连续，它模拟自然选择和自然遗传过程中的繁殖、交叉和基因突变等现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止它以适应度函数为依据，通过对种群个体不断进行遗传操作实现种群个体一代代地优化并逐渐逼近最优解。遗传算法基于编码实现基因化，再整合成方案将基因片段链接成染色体，通过构造适应度函数来度量每个个体对聚类问题的适应程度，即如果某个个体的编码代表良好的聚类结果，则其适应度就高；反之，其适应度就低。适应度函数类似于有机体进化过程中环境的作用，适应度高的个体在一代又一代的繁殖过程中产生出较多的后代，而适应度低的个体则逐渐消亡；但是遗传算法中的计算效率较低、容易陷入局部最优、收敛困难等不足，会造成过早收敛，或大量迭代复算，在现代物流行业，物流量越来越大，很符合遗传算法的基础编码，以及从无序状态进行分拣，但是如何快速有效地调度，又尽量少的调度车辆，在路程、送货时间和经济适用量之间衡量，显然是一个难题，并不是遗传算法就能解决的。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种基于神经网络遗传算法的智能运输调度管理方法；包括以下步骤：A1、根据运输调度管理系统建立数据模块，将物资的一种运输方案作为一条染色体，其中参数包括发货点信息、中转站信息、收货点信息、运输工具信息、物资信息作为染色体的基因；其相关符号表示如下：n：发货点，包括{n1，n2，n3……n}；发货点作为物资的一个重要基因，编入基因中，可以快速检索到某一个发货点的发货量，计算某一个发货点的发货量；从而可以计算选择运输工具，将运输工具作为基因编入；m：收货点，包括{m1，m2，m3……m}；收货点作为物资的另一个重要基因，发货点和收货点构成了一个最基本的染色体(即一种物资的运输方案要)，可以快速检索到某一个收货点的收货量，计算某一个收货点的收货量，从而可以计算选择运输工具，将运输工具作为基因编入；q：中转站，包括{q1，q2，q3……q}；在现代物流中，中转站起到至关重要的作用，将各发货点的物资根据收货点重新编排发送至各个收货点，实现物资的集中收发功能，避免了大量重复的运输；R：运输路径；运输路径作为评价运输方案的一种方式，由发货点作为起点，收货点作为终点，途经中转站或不经中转站；运输路径具有矢量性，即运输是点对点的方向，对于稳定物流系统而言，发货点n和收货点m是同集，某发货点可作为另一发发货点的收货点，甚至发货点可能作为自己的收货点。M：物资；所述物资包括Ma物资重量；Mb物资体积；在物资调度时，物资的重量和体积从2个维度限定，运输工具一次的运载量受重量或体积限定；D：运输工具；包括{D1,D2,D3……D}；运输工具作为一个基因片段载入染色体中，包括2个过程，从发货点至中转站的运输工具选择，从中转站至收货站的运输工具选择；t：时间长；时间长作为单一物资调度运输时间的总和，作为一个重要的评价参数，用以评价运费方案(染色体)的实际效率；e：经济适用量；经济适用量作为对单位总货量采用最少的运输工具及运输路径最短的评价值，用以于对R、D、t的评价，对适应度函数进行评价；实现遗传算法后期迭代稳定，避免大量迭代；A2、生成初始种群G；该初始种群包含N条染色体；所述染色体按照任意长度对物资M(Ma和/或Mb)根据需要选择特征进行编码，生成物资调度序列；所述染色体包含有多个基因，所述基因片段包括n、m、q、R、D的一种或多种；且需满足以下条件：f(D)≥Manxmy或f(D)≥Mbnxmy；x∈n,y∈m；染色体基本物资的重量或体积进行初始编码；也可以同一物资基于重量和体积进行2种编码，扩大种群的基因数量，从2个维度对同一物资进行编码，能更加准确地表达物资信息；运输工具每次运输不能超过其所能承载额定运载重量或额定体积；A3、构建神经网络；发货点为神经网络输入节点，收货点为输出节点，中转站为隐含层；即神经网络n个网络输入节点，m个输出节点，q个神经元；染色体的映射关系为{n1,n2,n3……n}→{qxn1,qxn2,qxn3……qxn}→{qxqyn1,qxqyn2,qxqyn3……qxqyn}→{m1,m2,m3……m}；其中q≥x≥1；q≥y≥1；所述染色体经神经网络输入和输出构成染色体的运输方案；人工神经网络就是模拟人思维的第二种方式；是一个非线性系统，其特色在于信息的分布式存储和并行协同处理，虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为模拟了物流调度常态表现，神经网络不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。神经网络通过大量的数据进行训练从而得出输入与输出间映射关系，通过梯度下降法不断调整网络的权值和阈值，使网络误差达到最小，将神经网络算法植入遗传算法中，形成神经网络算法对遗传算法的大幅减数运算，神经网络基于梯度下降法，收敛速度慢，误差函数容易陷入局部最小值。遗传算法是从种群开始进行搜索，而不是从一个点开始寻找最优解，因此具有很好的全局寻优能力。将神经网络植入遗传算法中，优化了遗传算法，降低了遗传算法的运行数据，减少了迭代次数，能更加快速得出优解。A4、开始迭代，执行以下步骤：1)将初始种群依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群G1；种群G1包括基于物资重量和物资体积的编码基因集合，以Ma和Mb为基因片段的起点，进行n、m、q、D排列组合；经交叉后，染色体包含多种不确定无序状态的基因，形成多种调度方案；2)将种群G1根据调度目标R、t、e进行适应度评价；得到种群G2；设定调度目标值和R、t、e适应度评价函数，对种群G1内基因进行筛选，得到优化后的种群G2；3)将种群G2根据变异概率进行变异操作；为了避免过早收敛或种群内染色体趋早稳定，对种群G2进行变异操作，实现染色体的基因发生突变，丰富了染色体的种类；4)将第3步种群G2依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群G3；基因突变存在不确定因素，突变率可以设置，突变的形态是不可控的，交叉染色体的基因，将突变的基因更好的保存，避免突变后的首次筛选被适应度评价函数剔除；5)将种群G3根据调度目标R、t、e进行适应度评价；得到种群G4；将突变后交叉重组的染色体再次适应度评价，减少运算量；至此完成了染色体的第一次迭代运算；6)重复种群迭代，得到种群Gi，判断是否达到收敛优化本文档来自技高网...

【技术保护点】
1.一种基于神经网络遗传算法的智能运输调度管理方法，其特征在于；包括以下步骤：/nA1、根据运输调度管理系统建立数据模块，其中参数包括发货点信息、中转站信息、收货点信息、运输工具信息、物资信息；其相关符号表示如下：/nn：发货点,包括{n

【技术特征摘要】
1.一种基于神经网络遗传算法的智能运输调度管理方法，其特征在于；包括以下步骤：
A1、根据运输调度管理系统建立数据模块，其中参数包括发货点信息、中转站信息、收货点信息、运输工具信息、物资信息；其相关符号表示如下：
n：发货点,包括{n1,n2,n3……n}；
m：收货点，包括{m1,m2,m3……m}；
q：中转站，包括{q1,q2,q3……q}；
R：运输路径；
M：物资；所述物资包括Ma物资重量；Mb物资体积；
D：运输工具；包括{D1,D2,D3……D}；
t：时间长；
e：经济适用量；
A2、生成初始种群G；该初始种群包含N条染色体；所述染色体按照任意长度对物资M(Ma和/或Mb)根据需要选择特征进行编码，生成物资调度序列；所述染色体包含有多个基因，所述基因片段包括n、m、q、R、D的一种或多种；且需满足以下条件：
f(D)≥Manxmy或f(D)≥Mbnxmy；x∈n,y∈m；
A3、构建神经网络；发货点为神经网络输入节点，收货点为输出节点，中转站为隐含层；即神经网络n个网络输入节点，m个输出节点，q个神经元；染色体的映射关系为{n1,n2,n3……n}→{qxn1,qxn2,qxn3……qxn}→{qxqyn1,qxqyn2,qxqyn3……qxqyn}→{m1,m2,m3……m}；其中q≥x≥1；q≥y≥1；所述染色体经神经网络输入和输出构成染色体的运输方案；
A4、开始迭代，执行以下步骤：
1)将初始种群依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群G1；
2)将种群G1根据调度目标R、t、e进行适应度评价；得到种群G2；
3)将种群G2根据变异概率进行变异操作；
4)将第3步种群G2依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群G3；
5)将种群G3根据调度目标R、t、e进行适应度评价；得到种群G4；
6)重复种群迭代，得到种群Gi，判断是否达到收敛优化结果；是，结束迭代，否，继续迭代。


2.根据权利要求1所述的基于神经网络遗传算法的智能运输调度管理方法，其特征在于：所述经济适用量为单位总货量采用最少的运输工具及运输路径最短的评价值；

λ为整数，且λ比的整数部分大1，ΔDx为Dx的运输量；
按照排序来分配经济适用量被选中的概率P：

<...

【专利技术属性】
技术研发人员：潘红斌，
申请(专利权)人：江苏佳利达国际物流股份有限公司，
类型：发明
国别省市：江苏;32