基于机器学习的智慧工地智能物料调度方法及系统技术方案

本发明专利技术公开一种基于机器学习的智慧工地智能物料调度方法及系统，所述方法包括：采集工地中施工进度和各物料需求状态数据；输入预先训练好的深度强化学习网络，获得物料调度方案。本发明专利技术以各个工种实时反应的施工进度和物料需求状态作为输入，考虑各工种之间的工序、物料剩余情况(是否急需)、最优配送路径(使物料配送距离尽可能短)因素，来实时安排物料配送，实现智能的物料调度，并利用可视化界面将实时输出的结果进行可视化，以方便企业人员按照显示出的结果进行物料的配送。

【技术实现步骤摘要】
基于机器学习的智慧工地智能物料调度方法及系统
本专利技术属于机器学习
，特别涉及一种基于机器学习的智慧工地智能物料调度方法及系统。
技术介绍
在建筑施工过程中，由于存在多个工种以及不同的工序，这就给物料的智能调度带来很多问题。一方面各工种所需要的材料不尽相同，若不能将各种物料适时适量送给各个工种，势必会降低工作效率以及提高企业成本；另一方面，由于存在工序问题，物料的配送时间也势必不同，若不能根据工序合理安排配送时间，也会导致施工效率的下降。目前国内有关物料配送的产品技术大都侧重简单、实用，通常只适合在简单工况中应用，很难满足类似工地施工这类复杂工况环境的需求。
技术实现思路
本专利技术的目的在于提供一种基于机器学习的智慧工地智能物料调度方法及系统，以解决上述工地物料调度的技术问题。为了实现上述目的，本专利技术采用如下技术方案：第一发面，本专利技术提供一种基于机器学习的智慧工地智能物料调度方法，包括：采集工地中施工进度和各物料需求状态数据；输入预先训练好的深度强化学习网络，获得物料调度方案本文档来自技高网...

【技术保护点】
1.基于机器学习的智慧工地智能物料调度方法，其特征在于，包括：/n采集工地中施工进度和各物料需求状态数据；输入预先训练好的深度强化学习网络，获得物料调度方案。/n

【技术特征摘要】
1.基于机器学习的智慧工地智能物料调度方法，其特征在于，包括：
采集工地中施工进度和各物料需求状态数据；输入预先训练好的深度强化学习网络，获得物料调度方案。


2.根据权利要求1所述的基于机器学习的智慧工地智能物料调度方法，其特征在于，还包括可视化输出调度方案的步骤。


3.根据权利要求2所述的基于机器学习的智慧工地智能物料调度方法，其特征在于，所述可视化指显示器显示或打印。


4.根据权利要求1所述的基于机器学习的智慧工地智能物料调度方法，其特征在于，还包括，按照调度方案进行相应物料的配送的步骤。


5.根据权利要求1所述的基于机器学习的智慧工地智能物料调度方法，其特征在于，所述深度强化学习网络为基于A3C算法的深度强化学习网络；
基于A3C算法的深度强化学习网络包括：一个全局网络和连接全局网络的n个局部网络；每个局部网络结构和全局网络结构相同，每个局部网络能够独立的和环境进行交互得到经验数据，局部网络之间互不干扰，独立运行。


6.根据权利要求5所述的基于机器学习的智慧工地智能物料调度方法，其特征在于，局部网络负责与环境交互，局部网络得到的神经网络损失函数的梯度每隔第一设定时间传递给全局网络；n个局部网络能够按照各自的梯度更新全局网络的神经网络模型参数；每隔第二设定时间全局网络将全局网络的网络参数传递给各局部网络，完成各局部网络之间的信息共享。


7.根据权利要求5所述的基于机器学习的智慧工地智能物料调度方法，其特征在于，每个局部网络接收对应环境输入的物料需求状态和施工进度，输出对应的动作概率和得分值；局部网络得到动作概率的损失梯度和得到得分值的损失梯度由下式所示：






式中，s为当前状态，a为动作，θ为局部网络动作概率部分的网络参数，θv为局部网络得到得分值部分的网络参数；θ′和θv′为下一时刻动作概率部分和得分值部分的网络参数；(si；θv′)为局部网络的状态值函数，为权重参数，R为奖励值，V为当前动作的价值。


8.根据权利要求5所述的基于机器学习的智慧工地智能物料调度方法，其特征在于，基于A3C算法的深度强化学习网络的训练方法包括：
定义深度强化学习网络...

【专利技术属性】
技术研发人员：杨之乐，赵世豪，郭媛君，冯伟，王尧，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44