一种基于神经网络与信息共享的物流配送中心选址方法技术

本发明专利技术公开了一种基于神经网络与信息共享的物流配送中心选址方法，涉及物流配送的技术领域。其技术要点是：物流配送中心选址任务被转化为二部图表达，通过门控残差图卷积操作实现了不同邻域节点和边之间的信息传递与融合，采用多层感知机分类器实现节点的多分类和边的二分类链接预测。本发明专利技术具有的优点：利用已有历史数据训练并优化图卷积神经网络模型，基于信息传递机制对多目标物流配送中心的开设位置以及配送方案进行设计与预测，以端对端的方式直接输出任意给定选址问题的一组可行解集，有效减少了优化搜索时间和代价，在较短时间内为决策者提供了一组具有多样性的候选解方案。解方案。解方案。

【技术实现步骤摘要】
一种基于神经网络与信息共享的物流配送中心选址方法


[0001]本专利技术涉及物流配送的
，具体为一种基于神经网络与信息共享的物流配送中心选址方法。

技术介绍

[0002]随着经济和科技的发展，多目标组合优化问题在现实生活中得到越来越广泛的应用。不同于连续空间域的函数优化问题，组合优化的决策空间通常是离散的，且伴随着多种与现实问题相关的约束条件，这无疑给优化任务带来了额外的挑战。在实际工业的生产中，通常有不止一个的优化目标，而多个优化目标之间往往相互冲突。多目标物流配送中心选址任务的目的是在给定的一系列候选地址中确定一组最优建址与配送方案，使得每个客户的需求得到满足的同时，最小化开店成本、运输成本并且最大化整个物流系统的服务可靠度。物流配送中心选址的决策方案对公司的运营策略等战略部署具有深远的影响。
[0003]传统的多目标组合优化问题求解技术是通过加权的方式将多个目标合并成为单个的目标加以求解，这种方式的优化效果在极大程度上依赖于决策者对于权重超参数的设置，且每次求解只能找到一个解方案，无法满足对优化任务解集多样性的需求。另一种可选方案是基于种群的进化算法，通过迭代更新一组解集的方式不断逼近理论最优解。这种方式的好处是可以通过一次优化得到一组可行解，满足了决策者对于多样性的需求，但缺点是执行一次这样的优化过程通常要评估大量的解方案，在优化目标昂贵的情况下，将会消耗大量的经济和时间成本。另一方面，无论是基于加权的求解技术还是基于种群的进化算法，都无法实现知识的迁移，无法从历史已经求解过的同类问题中学习到相应的知识，用以辅助未来的决策过程。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的在于提供一种基于神经网络与信息共享的物流配送中心选址方法，其具有的优点：利用已有历史数据训练并优化图卷积神经网络模型，基于信息传递机制对多目标物流配送中心的开设位置以及配送方案进行设计与预测，以端对端的方式直接输出任意给定选址问题的一组可行解集，有效减少了优化搜索时间和代价，在较短时间内为决策者提供了一组具有多样性的候选解方案。
[0005]本专利技术的上述目的是通过以下技术方案得以实现的：
[0006]一种基于神经网络与信息共享的物流配送中心选址方法，包括以下步骤：
[0007](一)构建训练数据集，并将问题实例转化为二部图结构表达，采用基于支配关系的多目标进行算法对每个实例进行优化求解，获取一组分布在Pareto前沿上的最优解集；
[0008](二)对每个实例的最优解进行建模，分别获取节点分类的概率模型M
P
(n)和M
P
(e)；
[0009](三)在物流配送中心选址的二部图问题表达下，构建针对节点分类和边链接预测的残差门控图卷积神经网络模型M
G
(n)和M
G
(e)；
[0010](四)采用基于梯度下降法的优化器，分别对两个图卷积模型进行有监督训练，同
时优化两个模型的权重，使得模型预测输出与真实标签之间的交叉熵损失逐渐减小直至收敛；
[0011](五)保存优化后模型的权重矩阵；
[0012](六)从测试集中选取尚未优化过的问题实例对模型优化效果进行测试，以证实所提方法的有效性，并为任意规模的多目标选址优化任务提供一组最优解方案。
[0013]本专利技术在一较佳示例中可以进一步配置为：所述训练数据集方式：
[0014](1)令备选配送中心的地址的个数为I，客户的个数为J，第i个备选地址的开设费用为f
i
，第j个客户的需求量为d
j
，dist
ij
和cost
ij
分别代表配送中心i和客户j之间的实际距离和单位运输开销，根据实际优化问题的规模和约束条件，在一定范围内以随机采样方式生成不同取值的多目标选址任务算例；
[0015](2)将测试算例转化为二部图表达；其中，所有候选配送中心和所有客户分别构成了二部图中的两个相互独立的节点集合，记为I和J；
[0016]I集合中每个节点代表一个候选配送中心，该节点的特征包含了开设配送中心的固定开销f
i
；
[0017]J集合中每个节点代表一个客户，该节点的特征包含了客户的需求量d
j
；
[0018]I集合或J集合内部的每个节点之间均没有连接，而I集合中第i个节点与J集合中第j节点之间均有边的连接，记为e
ij
；e
ij
的权重记录了该条边的dist
ij
和cost
ij
属性；
[0019](3)采用基于支配关系的多目标进化算法对每个实例进行优化求解，获取一组最优解集。
[0020]本专利技术在一较佳示例中可以进一步配置为：获取一组最优解集的具体步骤如下：
[0021](a)随机生成一组候选解，作为初始解种群；
[0022](b)评估种群中每个个体的适应值；
[0023](c)通过选择、交叉、变异等算子生成新解，组成子代种群；
[0024](d)对新种群进行适应值评估；
[0025](e)计算两两个体之间的拥挤度距离，对父代种群和子代种群执行非支配排序操作得到下一代种群；
[0026](f)跳转至步骤(b)，进入下一轮迭代，直到达到算法终止条件，输出一组非支配解。
[0027]本专利技术在一较佳示例中可以进一步配置为：对于每一个训练集的算例，统计每个候选配送中心在最优解集中出现的概率，构成节点分类的概率模型M
P
(n)；统计每条边在最优解集中出现的概率，构成边链接预测模型M
P
(e)。
[0028]本专利技术在一较佳示例中可以进一步配置为：基于节点预测的神经网络模型用于预测每个候选配送中心出现在最优解集中的概率，基于边链接预测的神经网络模型用于预测客户被分配给每个候选配送中心的概率；其中，残差门控图卷积神经网络模型的组成结构为：
[0029](501)特征嵌入模块，该模块用于将输入的二部图结构汇总储存的节点和边的原始特征映射成高维空间的向量表达；
[0030](502)残差门控图卷积模块，该模块用于实现二部图内部的信息传递函数，通过图卷积将每个节点的邻域信息逐级传播，使得每个节点和边的特征向量除过包含自身的结构
信息外，还包含其邻域节点的特征信息；
[0031](503)多层感知机分类器，该模块以更新后的节点/边特征向量作为输入，以概率模型的形式输出对节点分类/边链接的预测结果。
[0032]本专利技术在一较佳示例中可以进一步配置为：选取Adam优化器，并设置权重衰减系数为5e
‑
4，在损失函数中添加正则项，以防止模型在训练过程中陷入过拟合，影响模型预测效果。
[0033]本专利技术在一较佳示例中可以进一步配置为：与测试集相同的随机采样方式构建不同规模的多目标选址测试算例，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络与信息共享的物流配送中心选址方法，其特征在于，包括以下步骤：(一)构建训练数据集，并将问题实例转化为二部图结构表达，采用基于支配关系的多目标进行算法对每个实例进行优化求解，获取一组分布在Pareto前沿上的最优解集；(二)对每个实例的最优解进行建模，分别获取节点分类的概率模型M
P
(n)和M
P
(e)；(三)在物流配送中心选址的二部图问题表达下，构建针对节点分类和边链接预测的残差门控图卷积神经网络模型M
G
(n)和M
G
(e)；(四)采用基于梯度下降法的优化器，分别对两个图卷积模型进行有监督训练，同时优化两个模型的权重，使得模型预测输出与真实标签之间的交叉熵损失逐渐减小直至收敛；(五)保存优化后模型的权重矩阵；(六)从测试集中选取尚未优化过的问题实例对模型优化效果进行测试，以证实所提方法的有效性，并为任意规模的多目标选址优化任务提供一组最优解方案。2.根据权利要求1所述的一种基于神经网络与信息共享的物流配送中心选址方法，其特征在于，所述训练数据集方式：(1)令备选配送中心的地址的个数为I，客户的个数为J，第i个备选地址的开设费用为f
i
，第j个客户的需求量为d
j
，dist
ij
和cost
ij
分别代表配送中心i和客户j之间的实际距离和单位运输开销，根据实际优化问题的规模和约束条件，在一定范围内以随机采样方式生成不同取值的多目标选址任务算例；(2)将测试算例转化为二部图表达；其中，所有候选配送中心和所有客户分别构成了二部图中的两个相互独立的节点集合，记为I和J；I集合中每个节点代表一个候选配送中心，该节点的特征包含了开设配送中心的固定开销f
i
；J集合中每个节点代表一个客户，该节点的特征包含了客户的需求量d
j
；I集合或J集合内部的每个节点之间均没有连接，而I集合中第i个节点与J集合中第j节点之间均有边的连接，记为e
ij
；e
ij
的权重记录了该条边的dist
ij
和cost
ij
属性；(3)采用基于支配关系的多目标进化算法对每个实例进行优化求解，获取一组最优解集。3.根据权利要求2所述的一种基于神经网络与信息共享的物流配送中心选址方法，其特征在于，获取一组最优解集的具体步骤如下：(a)随机生成一组候选解，作为初始解种群；(b)评估种群中每个个体的适应值；(c)通过选择、交叉、变异等算子生成新解，组成子代种群；(d)对新种群进行适应值评估；(e)计算两两个体之间的拥挤度距离，对父代种群和子代种群执行非支配排序操作得到下一代种群；(f)跳转至步骤(b)，进入下一轮迭代，直到达到算法终止条件，输出一组非支配解。4.根据权利要求1所述的一种基于神经网络与信息共享的物流配送中心选址方法，其特征在于，对于每一个训练集的算例，统...

【专利技术属性】
技术研发人员：刘诗晴，
申请(专利权)人：上海悠络客电子科技股份有限公司，
类型：发明
国别省市：