一种基于深度强化学习的智能物流规划方法技术

本发明专利技术提出一种基于深度强化学习的智能物流规划方法，涉及物流规划的技术领域，首先采集历史车辆配送信息并构建全连接图，利用全连接图的节点集合构建序列数据集，再构建智能物流配送规划模型，利用序列数据集对智能物流配送规划模型进行训练，得到训练好的智能物流配送规划模型，最终将待规划的车辆配送信息的节点序列输入训练好的智能物流配送规划模型，将智能物流配送规划模型输出的解序列作为规划结果，将实际的物流规划系统抽象成为选址‑路径规划问题，通过深度强化学习的方法对其进行规划求解，使得获得选址‑路径规划问题的可行较优解具备实时性，且有效提高了求解质量。

【技术实现步骤摘要】

本专利技术涉及物流规划的，更具体地，涉及一种基于深度强化学习的智能物流规划方法。

技术介绍

1、选址-路径问题(location-routing problem,lrp)是物流系统的核心应用问题，广泛应用于诸多行业，例如电动汽车充电站或电池替换站选址与其服务路径优化、应急设备设施选址路径规划、食物分发网络规划、垃圾回收、海洋供应链网络设计等应用领域。解决选址-路径规划问题能够确保高效的供应链运作，通过科学合理的选址和路径规划，提升仓储物流效益，降低运营成本，实现快速、准确的货物流转，从而促进企业的竞争力和客户满意度。

2、目前，完成配送中心选址和路径规划的算法具体包括精确解方法、启发式方法两类方法。精确解方法可以得到选址-路径规划问题的最优解，但由于选址-路径规划问题是np-hard问题，一旦问题规模变大，计算量将不可接受。启发式方法属于近似方法，其解的质量无法保证，而且，一旦问题实例有细微变化，启发式方法就需要重新搜索解，难以做到实时求解。

技术实现思路

1、为解决当前选址-路径问题的求解速度慢本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的智能物流规划方法，其特征在于，包括：

2.根据权利要求1所述的基于深度强化学习的智能物流规划方法，其特征在于，在步骤S1中，定义所述全连接图为g(X)，X为配送中心节点和客户节点构成的节点集合：

3.根据权利要求2所述的基于深度强化学习的智能物流规划方法，其特征在于，所述智能物流配送规划模型包括编码器和解码器；

4.根据权利要求3所述的基于深度强化学习的智能物流规划方法，其特征在于，所述编码器由嵌入层及N层多头注意力模块组成；

5.根据权利要求4所述的基于深度强化学习的智能物流规划方法，其特征在于，所述解码器根据编...

【技术特征摘要】

1.一种基于深度强化学习的智能物流规划方法，其特征在于，包括：

2.根据权利要求1所述的基于深度强化学习的智能物流规划方法，其特征在于，在步骤s1中，定义所述全连接图为g(x)，x为配送中心节点和客户节点构成的节点集合：

3.根据权利要求2所述的基于深度强化学习的智能物流规划方法，其特征在于，所述智能物流配送规划模型包括编码器和解码器；

4.根据权利要求3所述的基于深度强化学习的智能物流规划方法，其特征在于，所述编码器由嵌入层及n层多头注意力模块组成；

5.根据权利要求4所述的基于深度强化学习的智能物流规划方法，其特征在于，所述解码器根据编码器输出的节点嵌入向量和已经构建完成的部分解序列的信息去计算下一时间步t选择节点，过程包括：

6.根据权利要求5所述的基于深度强化学习的智能物...

【专利技术属性】
技术研发人员：张学习，谢兴旺，黄烁，张涛，孟宇轩，蔡世锴，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：