[发明专利]最优路径的规划方法、装置及计算机可读存储介质

说明书

本发明公开了一种最优路径的规划方法，包括以下步骤：利用最优算法获取第一参数对应的第二参数，其中，第一参数及第二参数包括多个参数；将所述第一参数及所述第二参数分别作为输入及输出训练神经网络，以得到所述神经网络对应的神经网络模型；运行所述神经网络模型，根据获取到的参数变量得到最优结果。本发明还公开了一种最优路径的规划装置及计算机可读存储介质。本发明实现了利用神经网络模型解决最优理论问题中路径规划的方法，能快速得最优结果，且计算简单。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种最优路径的规划方法、装置及计算机可读存储介质。

背景技术

人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系和运算系数，从而达到处理信息的目的，并具有自学习和自适应的能力，所以，神经网络学在自动驾驶中得到了广泛的运用。

自动驾驶系统中的路径规划与决策算法可以被归纳成一个多变量输入、多目标输出的最优化问题，目前，通过传统的最优算法来求解这类问题，但传统的最优算法解决这类问题时计算复杂。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种最优路径的规划方法、装置及计算机可读存储介质，旨在解决传统的最优算法解决最优化问题时计算复杂的技术问题。

为实现上述目的，本发明提供一种最优路径的规划方法，所述方法包括以下步骤：

利用最优算法获取第一参数对应的第二参数，其中，第一参数及第二参数包括多个参数；

将所述第一参数及所述第二参数分别作为输入及输出训练神经网络，以得到所述神经网络对应的神经网络模型；

运行所述神经网络模型，根据获取到的参数变量得到最优结果。

优选地，所述将所述第一参数及所述第二参数分别作为输入及输出训练神经网络，以得到所述神经网络对应的神经网络模型的步骤包括：

将所述第一参数及所述第二参数分别作为输入及输出在所述神经网络中进行逐层运算；

确定当前层输出值的误差值是否小于预设阈值；

当所述误差值小于预设阈值时，结束训练，得到所述神经网络对应的神经网络模型。

优选地，所述确定当前层输出值的误差值是否小于预设阈值的步骤包括：

获取当前层的实际输出值及所述第二参数中的期望输出值；

基于所述输出值及所述期望输出值获取所述误差值，确定所述误差值是否小于预设阈值。

优选地，所述确定当前层输出值的误差值是否小于预设阈值的步骤之后，所述最优路径的规划方法还包括：

当所述误差值大于预设阈值时，获取所述当前层输出值对应的梯度；

调整所述梯度对应的权重，将当前层的输出作为下一层的输入继续调整权重。

优选地，所述确定当前层输出值的误差值是否小于预设阈值的步骤之后，所述最优路径的规划方法还包括：

当所述误差值大于预设阈值时，获取当前训练次数，确定所述当前训练次数是否大于预设次数；

当所述当前训练次数大于预设次数时，结束训练。

此外，为实现上述目的，本发明还提供一种最优路径的规划装置，所述最优路径的规划装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的最优路径的规划程序，所述最优路径的规划程序被所述处理器执行时实现以下步骤：