车辆路径规划方法及装置制造方法及图纸

本发明专利技术提供了一种车辆路径规划方法及装置，其中，所述方法包括：数据获取步骤、初始计算步骤、重分区步骤、迭代计算步骤、更新处理步骤和迭代停止判断步骤，其中，在初始计算步骤中，根据所述输入数据中的多个客户站点的地理位置，对客户站点进行聚类分区，得到多个分区，以及，计算得到每个分区的局部优化路线和局部路线成本；在所述重分区步骤中，利用预先训练得到的分区调整网络，对所述多个分区中的两个分区进行融合和重分区，得到两个新分区。本发明专利技术提供的车辆路径规划方法及装置，通过将多个客户站点划分为多个分区，在每个分区下分别进行VRP求解，避免对大量客户站点进行直接求解，可以提高大规模VRP求解的性能和效率。可以提高大规模VRP求解的性能和效率。可以提高大规模VRP求解的性能和效率。

【技术实现步骤摘要】
车辆路径规划方法及装置


[0001]本专利技术涉及车辆路径问题(Vehicle Routing Problem，VRP)
，具体而言，本专利技术涉及一种车辆路径规划方法及装置。

技术介绍

[0002]大规模车辆路径规划问题(VRP)在现实中有广泛的应用，比如公交车规划、货物运输等。对于该问题，现有技术的解决方案主要包括传统方法和基于强化学习的方法两种。
[0003]其中，传统方法又具体包括精确算法和启发式方法，精确算法效率低、不具备实用价值；启发式方法的性能依赖精细的人工设计，效率也不够高。
[0004]基于强化学习的方法也可以分为“直接生成解”和“先生成再不断改进解”两大类。前者由于模型难以扩展、性能随规模增大而大幅下降等原因难以适用于大规模车VRP问题；后者由于每次改进幅度较小、耗时长，在大规模VRP问题上具有训练时间指数增长、训练过程难以收敛等特点，实用性低。
[0005]例如，一篇中国专利申请(CN110147901A)中使用指针网络(Pointer Network)来直接生成VRP问题的解，当VRP规模增本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆路径规划方法，其特征在于，包括：数据获取步骤，获取待进行路径规划的始发站点、配送车辆的最大装载量、多个客户站点的地理位置以及每个客户站点的配送需求信息，作为输入数据；初始计算步骤，根据所述输入数据中的多个客户站点的地理位置，对客户站点进行聚类分区，得到多个分区；根据所述输入数据中的始发站点、配送车辆的最大装载量、客户站点的地理位置以及客户站点的配送需求信息，计算得到每个分区的局部优化路线和局部路线成本，并得到所有客户站点的全局优化路线和路线总成本，以及，根据所述全局优化路线和路线总成本，更新最优优化路线和最优路线总成本；重分区步骤，利用预先训练得到的分区调整网络，对所述多个分区中的两个分区进行融合和重分区，得到两个新分区；迭代计算步骤，计算所述两个新分区的局部优化路线，并更新所述全局优化路线和路线总成本；更新处理步骤，判断更新后的路线总成本是否低于所述最优路线总成本，若是，则根据更新后的所述全局优化路线和路线总成本，更新所述最优优化路线和最优路线总成本，并返回所述重分区步骤；否则，进入迭代停止判断步骤；所述迭代停止判断步骤，判断是否满足预设的迭代停止条件，若是，则输出所述最优优化路线，否则，返回所述重分区步骤。2.如权利要求1所述的方法，其特征在于，所述迭代停止条件为：连续N次更新后的所述路线总成本均不低于所述最优路线总成本，所述N为大于2的预设整数。3.如权利要求1所述的方法，其特征在于，所述对所述多个分区中的两个分区进行融合和重分区，得到两个新分区，包括：根据每个分区的局部优化路线和局部路线成本，生成每个分区的局部特征向量，以及，根据所有分区的局部特征向量，生成全局特征向量；根据所述全局特征向量和局部特征向量，从所述多个分区中选择两个分区，并融合为一个分区；计算所述融合分区的局部优化路线，并根据所述融合分区的局部优化路线，将所述融合分区重新划分为两个新分区。4.如权利要求3所述的方法，其特征在于，所述根据每个分区的局部优化路线和局部路线成本，生成每个分区的局部特征向量，包括：针对每个分区，将所述分区的局部优化路线中的客户站点序列，作为输入序列输入至长短期记忆LSTM网络，生成所述分区的初级特征序列；将所述分区的初级特征序列和局部路线成本输入至全卷积网络，生成所述分区的局部特征向量。5.如权利要求3所述的方法，其特征在于，所述根据所有分区的局部特征向量，生成全局特征向量，包括：对所有分区的局部特征向量取平均值，得到所述全局特征向量。6.如权利要求3所述的方法，其特征在于，所述根据所述全局特征向量和局部特征向量，从所述多个分区中选择两个分区，包括：以所述全局特征为索引，采用注意力机制生成所有分区的选取概率值，选择其中选取
概率值最大的一个分区作为被选择的第一个分区；以所述第一个分区的局部区域特征为索引，采用注意力机制生成剩余分区的选取概率值，选择其中概率值最大的一个分区作为被选择的第二个分区。7.如权利要求3所述的方法，其特征在于，所述根据所述融合分区的局部优化路线，将所述融合分区重新划分为两个新分区，包括：对所述融合分区的局部优化路线中的每条路径，选取一个坐标平均点，并对所述坐标平均点进行主成分分析，获得所述路径的一维表征；根据每条路径的一维表征，将所述融合分区的局部优化路线中的路径划分为两组，每组路径中的站点属于同一个新分区。8.如权利要求1所述的方法，其特征在于，在所述数据输入步骤之前，还包括：训练步骤，训练得到所述分区调整网络。9.如权利要求8所述的方法，其特征在于，所述训练步骤具体包括：第一步骤，获取训练集，所述训练集包括多组训练数据，每组训练数据包括始发站点、配送车辆的最大装载量、多个客户站点的地理位置以及每个客户站点的配送需求信息；第二步骤，初始化一个分区调整网络的参照模型；第三步骤，选择一组尚未使用的训练数据，利用所选择的训练数据进行一轮训练，训练所述分区调整网络，其中，在每轮训练开始时，所述分区调整网络采用当前的参照模型；在每轮训练的过程中，利用所述训练数据对所述分区调整网络的模型参数进行更新，并在更新后的所述分区调整网络相对于当前的参照模型性能有提升时，根据更新后的所述分区调整网络更新所述参照模型；第四步骤，在每轮训练结束时，判断是否满足预设的网络训练结束条件，若是，则结束所述分区调整网络的训练，并输出所述参照模型，作为最终训练得到的所述分区调整网络；否则，返回所述第三步骤。10.如权利要求9所述的方法，其特征在于，所述利用所选择的训练数据进行一轮训练，训练所述分区调整网络，包括：第一训练子步骤，根据所述训练数据中的多个客户站点的地理位置，对客户站点进行聚类分区，得到多个分区；根据所述训练数据...

【专利技术属性】
技术研发人员：李勇，王翰森，宗泽方，罗蜀钰，郑萌，耿璐，
申请(专利权)人：清华大学，
类型：发明
国别省市：