[发明专利]物流路径规划方法

说明书

本发明公开了一种物流路径规划方法，包括获取物流数据信息；构建图模型；求解图模型的最小1‑tree和边的α‑value值；将α‑value值转换得到M‑score得分和U‑feature训练特征；将无向边转换为有向边构建有向图；构建稀疏边集；构建并训练神经网络模型；将有向图的特征输入模型得到边分数矩阵；计算得到待规划区域的物流路径信息。本发明通过创新的模型结构设计和基于全局结构的训练特征构建，有效提升了基于神经网络训练的物流路径规划方法的泛化能力，降低了物流路径规划问题的求解时间，得到了更高质量的路径规划结果，而且可靠性高、精确性好且泛化能力好。

技术领域

本发明属于路径规划领域，具体涉及一种物流路径规划方法。

背景技术

随着经济技术的发展和人们生活水平的提高，物流（快递）行业已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。因此，保障物流（快递）行业的高效运行，就成为了物流（快递）行业最重要的任务之一。如何为大型配送网络规划高效的物流路径，一直是物流（快递）行业亟待解决的问题。

在物流路径规划问题中，运输车辆首先从物流中心出发，随后按照一定顺序将货物依次配送给路线上的客户。该任务是一种典型的NP难问题，而且所有的精确求解算法都需要指数级的时间，并不满足实际应用场景中的效率要求。因此，研究人员针对该类问题，提出了启发式算法。启发式算法虽然缺乏严格的理论验证，但该类算法在实际应用中能够较好地权衡计算时间以及结果的质量，在实际应用中往往具有非常优良的性能。

目前，随着机器学习算法的快速发展，越来越多的研究人员借助神经网络训练来求解物流路径规划问题。其中，最新的一些研究成果，通过将基于训练的方法与传统启发式方法进行结合，取得了相对理想的成果；比如，Zheng等人提出的VSR-LKH算法以强化学习中的state-action function取代LKH算法中相对固定的搜索步骤，提升了λ-opt搜索的质量。Xin 等人提出了一种基于训练的方法NeuroLKH，通过Sparse Graph Network来生成LKH算法的edge candidate set，在均匀分布的样例中超越了LKH的性能。

但是，现阶段的基于神经网络和启发式方法相结合的物流路径规划方法，依旧存在一定的缺陷，主要表现为算法的泛化性能不足。算法泛化性能不足，将直接导致该类方法很难应用于实际场景中的大规模实例或者分布多样的实例上。

发明内容

本发明的目的在于提供一种可靠性高、精确性好且泛化能力好的物流路径规划方法。

本发明提供的这种物流路径规划方法，包括如下步骤：

S1. 获取待规划区域的物流数据信息；

S2. 根据步骤S1获取的数据信息，将待规划区域构建为图模型；

S3. 求解步骤S2得到的图模型的最小1-tree，并求解图模型中所有边对应的值；

S4. 将步骤S3得到的值，转换得到 M- score得分和 U- feature训练特征；

S5. 将步骤S2得到的图模型中的无向边转换为有向边，从而构建有向图；

S6. 根据步骤S4得到的 M- score得分和步骤S5得到的有向图，构建稀疏边集；

S7. 构建包括了输入层、编码器和解码器的神经网络模型，并通过监督学习进行训练；