车辆调度之神经网络算法在物流配送车辆优化调度中应用.pptx

物流人工智能技术技能培训项目三人工智能算法在配送环节应用任务九车辆调度之车辆调度之神经网络算法在物流配送车辆优化调度中应用目录CONTENTSPART 1车辆调度原理PART 2改进的神经网络学习算法非物流配送车辆优化路径的 Hopfield 网络求解算法PART 3PART 4实验结果与分析【教学目标】知识与技能：1.了解车辆调度原理；2.认识改进的神经网络学习算法；3.了解非物流配送车辆优化路径的 Hopfield 网络求解算法。过程与方法：情感、态度与价值观：在学习动画视频的过程中，理解其基本工作原理，了解其实际应用价值。1.提升对人工智能的认识，发展辩证思维，客观认识人工智能技术对社会的影响，培养正确的科学技术应用观。2.坚定拥护中国共产党领导和我国社会主义制度。一、车辆调度原理对于调度问题来说，情况比较多样，划分也比较多样，要寻求最优的话，视情况而定。在理论上可以根据各自的情况，按照一个指标来指定最优，然后在实际的运输过程中，一个优化的调度问题关系到各个方面，是几种问题的综合，对于这一类的问题，可以将其定义为多种型号的车子多种货物的运输调度问题，是属于一个约束型的寻求最优解，列为 NP 难题，这种问题的话难度比较大，导致在求解过程中消耗的时间比较多，原则上是呈现几何级数上升，在现今仍旧有许多无法解答的 NP 难题。精确算法的选择范围在停车卸货数量范围在 20 个以内，在解答最优解时消耗的时间短，一般在几个小时内就能完成，在超过这个数量范围时，求解的时间会呈现指数增长，在于效率方面不适宜。一、车辆调度原理按下列神经网络的步骤来进行求解调度问题：第一步，邻接矩阵的生成。假设存在一个有向连通图 G = ( N，L，D) ( N × N) ，其中 N 表示为神经网络的结点数，也就是指车辆的源点、交汇点，L 表示的是神经网络的边数，也就是各个车辆之间的路径，假设存在两个结点之间有着相关的数量，那么相应矩阵元素的值可以作为路径的运时长度或运费; 如果两个结点间不存在路径，则相应矩阵元素的值为∞ 。第二步，约束条件的处理。在车辆调度中增加一个能量项可以使网络的收敛趋于稳态。第三步，神经网络的计算。当神经网络趋于稳定时，可以形成一个换位阵，包含 0 和 1 两个单位，其中 1 代表经过的结点，并且这些结点即代表着为最优的解。第四步，调度方案的形成。根据上面步骤所获得的最优解，也就是最短的距离、最小的运费和最短的时间，来最终敲定最优的调度方案。网络的输入为:网络的输出为：其中，i = 1 ，…， ; j = 1 ，…， ; ， 分别为第1、2 层神经元数; σ(·) 为激励函数; 为第1 层到第 2 层的权值系数， 为第 2 层到第 3 层的权值系数; ， 为偏置值。（1）（2）二、改进的神经网络学习算法二、改进的神经网络学习算法多步预测输出经推导可由式( 3) 表示，l = 1 ，2 ，…，P ，P 为预测时域长度。神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断的接近期望的输出。在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。神经网络模型的基本结构如图5-13所示。（3）......x(k-1)i=1y(k-1)j=1y(k-n)..u(k-d)..u(k-d-m)N2N1图5-13 神经网络模型的基本结构输入层与中间层的连接权值为 ，隐含层与输出层的连接权值 ，隐含层各神经元的阈值 ，输出层各神经元的阈值 ，样本数据个数 k = 1，2，． ． ． m: 激活函数 f(·) : 误差函数二、改进的神经网络学习算法输入层有 n 个神经元，隐含层有 p 个神经元，输出层有 q个神经元：三、非物流配送车辆优化路径的 Hopfield 网络求解算法为了保证神经网络在输出是一个稳定的状态并且有一个有效的换位阵，必须满足下面的条件: 1) 有效路径地约束仅使有效的路径被选中，设定约束函数为:2) 输入输出路径地约束为了使输入路径和输出路径同时存在，列出如下的约束函数：其中，惩罚系数为 。 3) 为保证网络的状态稳定在超立方体 2n( n － 1) 中，列出如下的约束函数公式:其中，惩罚系数为 。（1）（2）（3）三、非物流配送车辆优化路径的 Hopfield 网络求解算法4) 为了使最优的解满足规定的起点 s 和重点 d 列出如下的函数为:其中，u4 表示为惩罚系数接下来确定目标函数，神经网络目标函数设定为:网络的目标函数设定为:其中，u5 表示为惩罚系数。神经网络的能量函数表示为:（4）（5）（6）三、非物流配送车辆优化路径的 Hopfield 网络求解算法每个神经元