[发明专利]多目标区域的最短路径规划方法、系统、设备及存储介质

权利要求书

1.一种多目标区域的最短路径规划方法，其特征在于，包括以下步骤：

S1：获取各目标区域的归一化坐标；

S2：随机选取一目标区域的归一化坐标，通过预设的自组织神经网络模型，得到当前目标区域的获胜神经元；

具体的，通过预设的自组织神经网络模型，得到当前目标区域的获胜神经元的具体方法为：

计算自组织神经网络模型的所有输出神经元与当前目标区域的归一化坐标之间的欧式距离，欧氏距离最小的输出神经元为获胜神经元，计算获胜神经元的优胜邻域范围，引入一种环上距离d(j,K)描述输出神经元与获胜神经元的索引差，并根据迭代时间t以及当前目标区域的归一化坐标与获胜神经元的欧氏距离和环上距离，在不同程度上的更新获胜神经元的优胜邻域内的各输出神经元，不在优胜邻域范围内的神经元不做调整；

具体的，通过下式更新获胜神经元的优胜邻域内的各输出神经元：

d(j,K)＝min(|j-K|,M-|j-K|)

R(j,K,t)＝{j||j-K|≤max(γ^tM/2,M/2N)}

其中，W(t)为输出神经元，t为迭代次数，η(t)为预设的学习率，为当前目标区域的归一化坐标，R(j,K,t)为获胜神经元的优胜邻域，j为输出神经元索引，K为获胜神经元的索引，σ(t)为预设的增益系数，M为自组织神经网络模型的输出神经元的数量，N为目标区域的数量，γ为衰减率；

G(j,K,t)是增益函数，用来控制输出神经元向目标城市移动的力，表示输出神经元向目标城市移动的力的大小，获胜神经元移动的力最大，优胜邻域内输出神经元根据其索引到获胜神经元索引K的距离，控制其移动的力，即其索引越接近K，则向目标城市移动的力越大；

获胜神经元选取包括以下步骤：

步骤C1：在t时刻，随机选择一个城市节点作为输入，计算所有输出神经元与该输入节点的欧氏距离，则欧氏距离最小的输出神经元为获胜神经元，其索引为K：

步骤C2：引入混乱机制，获胜神经元在下一次参与竞争时，其与目标城市的欧式距离乘以一个系数χ(χ∈(0,1))，防止某一输出神经元连续获胜；

S3：迭代重复S2；当前迭代次数加1，并当当前迭代次数大于预设阈值时，获取各目标区域的获胜神经元；

S4：获取各目标区域的获胜神经元的索引，根据各目标区域的获胜神经元的索引，得到多目标区域的最短路径。

2.根据权利要求1所述的多目标区域的最短路径规划方法，其特征在于，所述获取各目标区域的归一化坐标的具体方法为：

获取各目标区域的坐标x′_ij，将各目标区域的坐标组合为N*2的目标区域矩阵X，N为目标区域的数量；

根据下式对各目标区域的坐标x′_il进行归一化：

其中，x_il为第i个目标区域的归一化坐标，c[l]＝maxX(:,l)为目标区域矩阵X在第l维的最大值，d[l]＝minX(:,l)为目标区域矩阵X在第l维的最小值。

3.根据权利要求1所述的多目标区域的最短路径规划方法，其特征在于，所述通过预设的自组织神经网络模型，得到当前目标区域的获胜神经元前，将自组织神经网络模型的各输出神经元均在(0,1)范围内进行随机初始化。

4.根据权利要求1所述的多目标区域的最短路径规划方法，其特征在于，所述预设的学习率η(t)＝0.8*0.9997^t；预设的增益系数σ(t)＝σ(0)*0.9997^t，为向下取整。

5.根据权利要求1所述的多目标区域的最短路径规划方法，其特征在于，所述根据各目标区域的获胜神经元的索引，得到多目标区域的最短路径的具体方法为：

根据各目标区域的获胜神经元的索引，按照各目标区域的获胜神经元的索引从大到小或从小到大的顺序，排列各目标区域，得到多目标区域的最短路径；其中，获胜神经元的索引相同的目标区域之间随机排列。