组合优化任务的处理方法以及处理装置制造方法及图纸

本申请提供了一种组合优化任务的处理方法与处理装置，属于人工智能技术领域，处理方法包括：计算设备从存储器中获取针对目标问题的第一解集合，目标问题为实现目标组合优化任务所需解决的问题；计算设备对第一解集合中的候选解进行分组，得到多个解集合；计算设备将多个解集合输入至预先训练的神经网络模型，得到多个目标置信度，多个目标置信度中的每个目标置信度用于表示对应的解集合包括目标解的置信度；计算设备根据多个目标置信度，从多个解集合中选取多个目标置信度中最大目标置信度对应的解集合，得到第二解集合；计算设备从第二解集合选取目标解。基于本申请的技术方法，能够缩短组合优化任务的处理时间，提高组合优化任务的处理效率。

【技术实现步骤摘要】
组合优化任务的处理方法以及处理装置
本申请涉及人工智能领域，并且更具体地，涉及一种组合优化任务的处理方法以及处理装置。
技术介绍
人工智能(artificialintelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。组合优化任务一直是计算机领域中一类疑难问题，具体需要一种特定的算法从数个备选结果中获取N个组合优化最优或是近似最优的组合方案。目前，在解决组合优化任务时通常采用分支定界算法，通过预先训练的神经网络模型可以模仿学习得到大量类似类型问题的分支定界的路径特征，从而在新问题的求解过程中，通过预先训练的排序模型来代替传统的分支定界法的节点选择。但是，目前神经网络模型对于求解包括大规模数据量的组合优化任务时求解时间过长，即本文档来自技高网...

【技术保护点】
1.一种组合优化任务的处理方法，其特征在于，包括：/n计算设备从存储器中获取针对目标问题的第一解集合，所述目标问题为实现目标组合优化任务所需解决的问题，所述第一解集合包括M个针对所述目标问题的候选解，M为大于1的整数；/n所述计算设备对所述第一解集合中的候选解进行分组，得到多个解集合；/n所述计算设备将所述多个解集合输入至预先训练的神经网络模型，得到多个目标置信度，所述多个目标置信度与所述多个解集合一一对应，所述多个目标置信度中的每个目标置信度用于表示对应的解集合包括目标解的置信度，所述目标解是指所述第一解集合中使得所述目标问题的规划结果满足预设约束条件的候选解；/n所述计算设备根据所述多个目...

【技术特征摘要】
1.一种组合优化任务的处理方法，其特征在于，包括：
计算设备从存储器中获取针对目标问题的第一解集合，所述目标问题为实现目标组合优化任务所需解决的问题，所述第一解集合包括M个针对所述目标问题的候选解，M为大于1的整数；
所述计算设备对所述第一解集合中的候选解进行分组，得到多个解集合；
所述计算设备将所述多个解集合输入至预先训练的神经网络模型，得到多个目标置信度，所述多个目标置信度与所述多个解集合一一对应，所述多个目标置信度中的每个目标置信度用于表示对应的解集合包括目标解的置信度，所述目标解是指所述第一解集合中使得所述目标问题的规划结果满足预设约束条件的候选解；
所述计算设备根据所述多个目标置信度，从所述多个解集合中选取所述多个目标置信度中最大目标置信度对应的解集合，得到第二解集合；
所述计算设备从所述第二解集合选取所述目标解。


2.如权利要求1所述的处理方法，其特征在于，所述计算设备对所述第一解集合中的候选解进行分组，得到多个解集合，包括：
所述计算设备对所述第一解集合中的候选解进行随机分组，得到所述多个解集合。


3.如权利要求1或2所述的处理方法，其特征在于，所述计算设备从所述第二解集合选取所述目标解，包括：
所述计算设备从所述第二解集合中选取实现所述目标组合优化任务时资源分配率最大或者收益最大的候选解，作为所述目标解。


4.如权利要求1至3中任一项所述的处理方法，其特征在于，所述目标组合优化任务包括生产调度任务、三维装箱任务、选址任务中任意一项。


5.如权利要求1至4中任一项所述的处理方法，其特征在于，在所述目标组合优化任务为生产调度任务的情况下，所述目标问题是指根据产品需求数量与原材料数量实现最大生产收益，所述第一集合中包括M个规划结果，所述M个规划结果中的一个规划结果用于表示多个生成对象中每个生产对象的目标产能，所述目标解是指所述M个规划结果中实现所述最大生产收益的规划结果。


6.如权利要求1至4中任一项所述的处理方法，其特征在于，在所述目标组合优化任务为三维装箱任务的情况下，所述目标问题是指是根据多个待装箱物品的尺寸大小以及箱子的尺寸大小实现所述箱子的最大空间利用率，所述第一候解集合中包括M个装箱结果，所述M个装箱结果中的一个装箱结果用于表示从所述多个待装箱物品中选取部分待装箱物品装入所述箱子，所述目标解是指M个装箱结果中实现所述箱子的最大空间利用率的装箱结果。


7.如权利要求1至4中任一项所述的处理方法，其特征在于，在所述目标组合优化任务为选址任务的情况下，所述目标问题是指根据多个待建设对象的候选地址以及每个候选地址对应的服务区域实现最大总服务区域，所述第一解集合中包括M个选址结果，所述M个选址结果中的一个选址结果用于表示所述多个待建设对象中每个待建设对象的目标选址以及所述每个待建设对象在所述目标选址对应的服务区域，所述目标解是指所述M个选址结果中实现所述最大总服务区域的选址结果。


8.如权利要求1至7中任一项所述的处理方法，其特征在于，所述神经网络模型是使用以下训练方法得到的：
获取训练数据，其中，所述训练数据包括样本问题、第一样本解集合、第二样本解集合以及样本目标解，所述样本问题为实现样本组合优化任务所需解决的问题，所述第一样本解集合包括K个针对所述样本问题的候选解，所述第二样本解集合是从所述第一样本解集合中选择L个候选解组成的，所述第二样本解集合包括所述样本目标解，所述样本目标解是指所述第一样本解集合中使得所述样本问题的规划结果满足预设约束条件的候选解，K为大于1的整数，L为小于K的整数；
通过以所述第一样本解集合为输入数据，以得到所述第二样本解集合为训练目标对所述神经网络模型进行训练。


9.如权利要求8所述的处理方法，其特征在于，还包括：
所述计算设备对所述第一样本解集合中的候选解进行分组，得到所述第二样本解集合；
所述通过以所述第一样本解集合为输入数据，以得到所述第二样本解集合为训练目标对所述神经网络模型进行训练，包括：
使用所述神经网络模型获取所述第二样本解集合包括所述样本目标解的第一置信度；
根据所述第一置信度训练所述神经网络模型。


10.如权利要求9所述的处理方法，其特征在于，所述计算设备对所述第一样本解集合中的候选解进行分组，得到所述第二样本解集合，包括：
所述计算设备对所述第一样本解集合中的候选解进行随机分组，得到所述第二样本解集合。


11.如权利要求9或10所述的处理方法，其特征在于，所述使用所述神经网络模型获取所述第二样本解集合包括所述样本目标解的第一置信度，包括：
使用所述神经网络模型根据所述第二样本解集合中每个候选解为所述样本目标解的置信度进行加权计算得到所述第一置信度。


12.如权利要求11所述的处理方法，其特征在于，所述每个候选解为所述样本目标解的置信度是所述神经网络模型通过采用二分类标签机制得到的。


13.如权利要求11所述的处理方法，其特征在于，所述每个候选解为所述样本目标解的置信度是所述神经网络模型通过采用自适应增强算法得到的。


14.一种组合优化任务的处理装置，其特征在于，包括：
获取单元，用于从存储器中获取针对目标问题的第一解集合，所述目标问题为实现目标组合优化任务...

【专利技术属性】
技术研发人员：甄慧玲，王振坤，李希君，张青富，袁明轩，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44