[发明专利]车辆路径规划方法及装置、计算机可读存储介质、终端

说明书

本发明提供了一种车辆路径规划方法及装置、计算机可读存储介质、终端，通过对指针网络类型的深度网络进行训练得到路径规划模型，将编码得到的待规划的访问站点的名称序列和距离序列输入至路径规划模型中，由路径规划模型基于距离序列对名称序列进行重新排序并输出能够使访问访问站点的规划路径距离最短的新名称序列，从而获得新名称序列对应的规划路径。基于本发明，可以以深度网络塑造路径规划策略，从而实现不经过搜索即可直接计算出车辆路径规划问题的优化结果。

技术领域

本发明涉及物流技术领域，更具体地说，涉及一种车辆路径规划方法及装置、计算机可读存储介质、终端。

背景技术

车辆路径规划问题(VRP)是一个组合优化问题，该问题已被证明是一个NP-hard问题，除非穷举所有的组合可能，否则无法确定该问题的最优解。而实际物流运输、车辆调度、路线规划等常见场景中，经常遇到车辆路径规划问题的求解需求。

现阶段，解决该类问题的常见优化方法是启发式算法，比如遗传算法、蚁群算法、粒子群算法、模拟退火、禁忌搜索等。在问题的计算规模不大时，也可以用动态规划算法求解出最优路径，动态规划求解该问题所需的时间复杂度和空间复杂度都较高，一般访问站点超过20个，其计算速度就已经十分缓慢了。然而，该类问题通常没有特定的优化规律，启发式算法本质上是以随机搜索的方式逐渐找到性能更优的解，这样无疑需要消耗时间等待其不停地随机搜索。也就是说，搜索的可能性越多，就可能越接近最优解。

但是，考虑到实际场景对该问题的求解时间是有限制的，因此如何在解的性能和计算损耗时间之间做出平衡，成为亟需解决的问题。

发明内容

有鉴于此，为解决上述问题，本发明提供一种车辆路径规划方法及装置、计算机可读存储介质、终端。技术方案如下：

一种车辆路径规划方法，所述方法包括：

编码待规划的访问站点的名称序列和距离序列，所述名称序列包含所述访问站点中每个站点的名称编码值，所述距离序列包含所述访问站点中两两站点间的距离值；

将所述名称序列和所述距离序列输入至预先训练的路径规划模型中，以使所述路径规划模型基于所述距离序列对所述名称序列进行重新排序并输出新名称序列，所述新名称序列能够使访问所述访问站点的规划路径距离最短，所述路径规划模型是预先对指针网络类型的深度网络进行训练得到的；

获取所述新名称序列对应的规划路径。

优选的，预先对指针网络类型的深度网络进行训练得到所述路径规划模型的过程，包括：

获取训练样本，所述训练样本包含多组训练用访问站点的名称序列样本和距离序列样本，一组名称序列样本对应一个训练用规划路径、对应一个距离序列样本；

从所述训练样本中抽取一组本次训练用的名称序列样本，将该组名称序列样本和对应的距离序列样本输入至所述指针网络类型的深度网络中，以使所述指针网络类型的深度网络基于所输入的所述距离序列样本输出该组名称序列样本中能够使对应的训练用规划路径距离收敛的一个目标名称序列样本，所述指针网络类型的深度网络的网络参数的初始值是预先设置的；

通过计算所述目标名称序列样本对应的训练用规划路径的距离调整所述网络参数，以使所述指针网络类型的深度网络重新执行所述基于所输入的所述距离序列样本输出该组名称序列样本中能够使对应的训练用规划路径距离收敛的一个目标名称序列样本到满足本次训练的结束条件时结束本次训练，并对本次训练结束时所述指针网络类型的深度网络所输出的最终目标名称序列样本设置指针，所述指针是再次训练所述指针网络类型的深度网络的基础或依据；

将多次训练后的所述指针网络类型的深度网络作为所述路径规划模型。

优选的，所述通过计算所述目标名称序列样本对应的训练用规划路径的距离调整所述网络参数，包括：