模型训练方法、货物堆放的优化方法、装置和电子设备制造方法及图纸

本公开提供了一种模型训练方法、货物堆放的优化方法、装置和电子设备，涉及数据处理领域，尤其涉及深度学习技术领域。具体实现方案为：模型训练方法，包括：获取k个训练数据组，k个训练数据组为按照k个分类类别对训练数据集中的初始训练数据进行分类得到的k个训练数据组，k个分类类别与k种货物堆放优化函数的函数类别相对应；基于k个训练数据组，分别对k个预先构建的神经网络模型进行训练，得到k个目标神经网络模型，其中，目标神经网络模型为基于所对应的训练数据组进行训练得到的模型，且在对货物堆放优化函数进行混合整数规划的过程中，目标神经网络模型用于预测决策变量。本公开可以优化货物堆放的流程。开可以优化货物堆放的流程。开可以优化货物堆放的流程。

【技术实现步骤摘要】
模型训练方法、货物堆放的优化方法、装置和电子设备


[0001]本公开涉及数据处理领域，尤其涉及深度学习
具体涉及一种模型训练方法、货物堆放的优化方法、装置和电子设备。

技术介绍

[0002]目前，在货物运输的场景中，通常涉及到货物堆放的问题。为提高空间利用率，在货物堆放之前，通常需要依靠人工经验对堆放流程进行设计，以确保在堆放空间不变的情况下，能够堆放尽可能多的货物。

技术实现思路

[0003]本公开提供了一种模型训练方法、货物堆放的优化方法、装置和电子设备。
[0004]根据本公开的第一方面，提供了一种模型训练方法，包括：
[0005]获取k个训练数据组，所述k个训练数据组为按照k个分类类别对训练数据集中的初始训练数据进行分类得到的k个训练数据组，所述k个分类类别与k种货物堆放优化函数的函数类别相对应，所述k为大于1的整数；
[0006]基于所述k个训练数据组，分别对k个预先构建的神经网络模型进行训练，得到k个目标神经网络模型，其中，所述k个训练数据组与所述k个目标神经网络模型一一对应，所述目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：获取k个训练数据组，所述k个训练数据组为按照k个分类类别对训练数据集中的初始训练数据进行分类得到的k个训练数据组，所述k个分类类别与k种货物堆放优化函数的函数类别相对应，所述k为大于1的整数；基于所述k个训练数据组，分别对k个预先构建的神经网络模型进行训练，得到k个目标神经网络模型，其中，所述k个训练数据组与所述k个目标神经网络模型一一对应，所述目标神经网络模型为基于所对应的训练数据组进行训练得到的模型，且在对所述货物堆放优化函数进行混合整数规划的过程中，所述目标神经网络模型用于预测决策变量。2.根据权利要求1所述的方法，其中，所述获取k个训练数据组，包括：获取所述训练数据集，所述训练数据集包括多个初始训练数据，所述初始训练数据包括所对应的货物堆放优化函数的函数信息；基于所述函数信息对应的目标参数对所述多个初始训练数据进行分类，得到所述k个训练数据组；其中，所述目标参数包括以下参数中的至少一项：整数变量占总变量的比例、连续变量占总变量的比例、隐整数变量占总变量的比例、二进制变量占总变量的比例、不等式约束个数占总约束个数的比例、变量总个数和约束总个数。3.根据权利要求1所述的方法，其中，所述基于所述k个训练数据组，分别对k个预先构建的神经网络模型进行训练，得到k个目标神经网络模型，包括：基于混合整数规划求解器，利用第一训练数据组中的第一初始训练数据，对第一神经网络模型进行n次迭代训练，得到第一目标神经网络模型，所述n为大于1的整数；其中，所述第一训练数据组为所述k个训练数据组中的任意一个训练数据组，所述第一目标神经网络模型为所述k个目标神经网络模型中与所述第一训练数据组相对应的目标神经网络模型；所述第一神经网络模型用于对所接收到的第一函数信息进行混合整数规划的过程中，确定求解树的各节点的决策变量；所述第一初始训练数据包括所述第一函数信息和求解树中各分支节点对应的目标决策变量的标签数据，所述第一函数信息包括：以在第一货仓中堆放的第一货物的数量最多为优化目标确定的函数信息。4.根据权利要求3所述的方法，其中，所述n次迭代训练中的第s次训练包括：将第s个训练数据输入第s个神经网络模型，得到所述第s个神经网络模型输出的第s个决策变量，所述第s个决策变量为与所述求解树中的第s个节点相对应的决策变量；将所述第s个训练数据和所述第s个决策变量输入所述混合整数规划求解器进行预测，得到预测结果；基于所述预测结果与理论结果生成第s个回报值；基于所述第s个回报值对所述第s个神经网络模型进行更新，得到第s+1个神经网络模型；在所述s等于1的情况下，所述第s个训练数据为所述第一初始训练数据，所述第s个神经网络模型为所述第一神经网络模型；在所述s不等于1的情况下，所述第s个训练数据为基于第s
‑
1个神经网络模型输出的决策变量对第s
‑
1个训练数据进行更新之后得到的训练数据。
5.根据权利要求4所述的方法，其中，所述基于所述第s个回报值对所述第s个神经网络模型进行更新，得到第s+1个神经网络模型，包括：基于目标回报值对所述第s个神经网络模型进行更新，得到第s+1个神经网络模型；其中，在所述第s个回报值小于或等于第一阈值的情况下，所述目标回报值为基于第一缩放函数对所述第s个回报值进行放大之后，得到的回报值；在所述s大于所述第一阈值，且所述s小于第二阈值的情况下，所述目标回报值为所述第s个回报值；在所述第s个回报值大于或等于所述第二阈值的情况下，所述目标回报值为基于第二缩放函数对所述第s个回报值进行缩小之后，得到的回报值。6.一种货物堆放的优化方法，包括：获取第二函数信息和第二决策变量集，所述第二函数信息包括：以在第二货仓中堆放的第二货物的数量最多为优化目标确定的函数信息；确定所述第二函数信息的函数类别，其中，所述第二函数信息的函数类别为k个分类类别中的类别；在k个目标神经网络模型中确定与所述第二函数信息的函数类别相对应的第二目标神经网络模型；将所述第二函数信息和所述第二决策变量集输入所述第二目标神经网络模型进行预测，得到预测结果，且所述预测结果用于指示在对所述第二函数信息进行混合整数规划的过程中，求解树中的分支节点对应的决策变量，且所述决策变量为所述第二决策变量集中的决策变量；基于所述预测结果对所述第二函数信息进行混合整数规划，得到堆放信息，所述堆放信息用于指示所述第二货物在所述第二货仓中的堆放方式。7.一种模型训练装置，包括：获取模块，用于获取k个训练数据组，所述k个训练数据组为按照k个分类类别对训练数据集中的初始训练数据进行分类得到的k个训练数据组，所述k个分类类别与k种货物堆放优化函数的函数类别相对应，所述k为大于1的整数；训练模块，用于基于所述k个训练数据组，分别对k个预先构建的神经网络模型进行训练，得到k个目标神经网络模型，其中，所述k个训练数据组与所述k个目标神经网络模型一...

【专利技术属性】
技术研发人员：曹宜超，丁建辉，陈珍，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：