04讲(路线规划)程序.ppt

* P * 网络上的每个结点相当于一个神经元，可以记忆(存储)、处理一定的信息，并与其它结点并行工作。 求解一个问题是向人工神经网络的某些结点输入信息，各结点处理后向其它结点输出，其它结点接受并处理后再输出，直到整个神经网工作完毕，输出最后结果。 通常，神经网络是由若干简单(通常是自适应的)元件及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式处理输入的信息。模仿生物神经网络而建立的人工神经网络，对输入信号有功能强大的反应和处理能力。 若干神经元连接成网络，其中的一个神经元可以接受多个输入信号，按照一定的规则转换为输出信号。由于神经网络中神经元间复杂的连接关系和各神经元传递信号的非线性方式，输入和输出信号间可以构建出各种各样的关系，因此可以用来作为黑箱模型，表达那些用机理模型还无法精确描述、但输入和输出之间确实有客观的、确定性的或模糊性的规律。 * P * 2. 神经网络的学习 人工神经网络通过样板的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系，特别适合于解决各类预测、分类、评估匹配、识别等问题。 神经网络的学习方式是从问题领域取得训练样本，神经网络由其中学习内在的对应、记忆或归纳规则，所属用的方式将直接影响到网络的架构、学习算法及应用领域等。 * P * 3. 神经网络对TSP问题的优化 以Hopfield网络为例： Hopfield网络是反馈式网络的一种，所有节点(单元)都是一样的，它们之间相互连接。从系统观点看,反馈网络是一个非线性动力学系统,具有一般非线性系统动力学系统的许多性质, 提供了人们可以从不同方面来利用这些复杂性质以完成各种复杂计算功能。 通过引入能量函数概念，把神经网络的拓扑结构(用连接权矩阵表示)与所求问题(用目标函数描述)对应起来，转换成神经网络动力学系统的演化问题。 因此，在用Hopfield网络求解优化问题之前，必须将问题映射为相应的神经网络。 如对TSP问题的求解，首先将问题的可行解映射为一个置换矩阵，并给出相应的能量函数，然后将满足置换矩阵要求的能量函数的最小值与问题的最优解相对应。 * P * 3. 神经网络对TSP问题的优化 a. 对于待求的问题，选择一种合适的表示方法，将神经网络的输出与问题的解对应起来； b. 构造神经元网络的能量函数，使其最小值对应于问题的最佳解； c. 由能量函数逆推神经元网络的结构，即神经元之间的权值和输入； d. 由网络结构建立起相应的神经网络和动态方程，令其运行 ,那么稳定状态就是在一定条件下问题的最优解； e. 用硬件实现或软件模拟。 * P * VRP问题的分类特性 * P * 车辆路线巡回问题 按时间可分为静态问题与动态问题； 按需求量信息可分为确定性问题与随机性问题， * P * 1. 静态(Static) 在做车辆指派与路径规划时，不考虑时间变动的影响，将时间视为单一时段，路段旅行时间成本为一定值，由于考虑单一时段所以不可能会有新增需求的状况发生。 * P * 2. 动态(Dynamic) 模式考虑时间变动的影响，将时间视为多个时段，路段旅行时间成本变动可能成多个时段的线性函数或是连续型函数，在各时段下随时可能会有新需求点产生。 * P * 3. 确定性(Deterministic) 在规划车辆配送路径之前，需求点、需求点以及路段旅行时间，均为已知的固定数值。 * P * 4. 随机性(Stochastic) 在规划车辆配送路径之前，需求点、需求量以及路段旅行时间此三项因素皆为不确定之值，而是以特定的概率分布方式呈现，随着时间的变动而有不同值，在车辆路线巡回问题为一随机过程。 * P * 1.路线规划为单一时段。 2.需求量：为一定值，事前可完全得知。 3.需求点：事前已知，无新增需求。 4.路段旅行时间固定(不考虑实时事件、拥堵情况)。 1. 路线规划考虑多个时段 2. 需求量：为一定值，事前无法完全得知。 3. 需求点：事前无法完全得知，可能有新增需求产生。 4. 路段旅行时间随时间而改变(交通拥堵、事故、道路施工)。 1.路线规划为单一时段。 1.路线规划为单一时段。 2.需求量：为一不确定值，事前可完全得知但单一需求点在不同机率下会产生不同地需求量。 3.需求点：事前已知，无新增需求。 4.路段旅行时间可能为一随机变量。 1. 路线规划考虑多个时段。 2. 需求量：为一不确定值，事前无法完全得知，并且单一需求点在不同机率下会产生不同地需求量。 3. 需求点：事前无法完全得知，可能有新增需求产生。 4