[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

说明书

本发明属于人工智能和组合优化领域，公开了一种多目标区域的最短路径规划方法、系统、设备及存储介质，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；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。能够在计算资源有限的情况下，快速求解多目标区域的最短路径规划问题，同时保证解具有较高的质量。

技术领域

本发明属于人工智能和组合优化领域，涉及一种多目标区域的最短路径规划方法、系统、设备及存储介质。

背景技术

旅行商问题作为一经典的路径规划问题，是由Dantzig在1959年提出的一种经典组合优化问题，其中，单源旅行商问题可定义为：给定一组城市和它们的坐标，旅行商从其中一个城市出发，遍历所有城市，且每个城市仅访问一次，最后回到首次出发的城市，求使总路径最短的遍历城市顺序，即路径。单源旅行商问题已经应用在车辆路径规划、物流配送、海事救援以及电路板钻孔等众多领域。

现有常见的单源旅行商问题，如：清洁机器人清洁多个目标区域时，若能找到多个目标区域的最短遍历路径，那么将极大的降低清洁机器人清洁多个目标区域的耗时，提升清洁效率。

目前，针对单源旅行商问题通常采用路径规划算法进行求解，常用的路径规划算法有遗传算法、模拟退火算法、粒子群算法和禁忌搜索算法等。但是，这些方法在求解单源旅行商的路径规划时，在目标城市节点较多的情况下，往往耗时很多才能得到较为精确的解，计算复杂度较高。

发明内容

本发明的目的在于克服上述现有技术中，多目标区域的最短路径规划效率低且复杂度高缺点，提供一种多目标区域的最短路径规划方法、系统、设备及存储介质。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，一种多目标区域的最短路径规划方法，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；

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。

本发明多目标区域的最短路径规划方法进一步的改进在于：

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。

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。

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时，自组织神经网络模型通过下式更新获胜神经元的优胜邻域内的各输出神经元：