[發明專利]裝箱問題的處理方法、裝置及計算機可讀存儲介質

在審

• 申請號: 202010697468.6
• 申請日: 2020-07-20
• 公開（公告）號: CN111860837A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 高可越;項黨
• 申請（專利權）人: 上海汽車集團股份有限公司;上海汽車工業（集團）總公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京信遠達知識產權代理有限公司 11304
• 代理人: 王會會

1.一種裝箱問題的處理方法，其特征在于，包括：

將裝箱問題輸入預先訓練得到的神經網絡模型；所述神經網絡模型為以裝箱狀態與有效裝載率之間的映射關系和裝箱樣本作為訓練樣本，以映射關系中有效裝載率收斂作為訓練結束條件進行訓練得到；

獲得所述預先訓練得到的神經網絡模型對所述裝箱問題進行處理后輸出的裝箱狀態以及與所述裝箱狀態對應的有效裝載率。

2.根據權利要求1所述的方法，其特征在于，所述神經網絡模型采用以下方法訓練得到：

獲取裝箱狀態與有效裝載率之間的映射關系以及裝箱樣本，所述有效裝載率用裝箱狀態與神經網絡模型權重的函數來表征；

將裝箱樣本輸入神經網絡模型中，并生成裝箱樣本對應的所有裝箱狀態，基于表征有效裝載率的函數，依次計算得到裝箱樣本對應的每個裝箱狀態的有效裝載率；

基于所述映射關系和計算得到的每個裝箱狀態的有效裝載率，確定所述映射關系中的有效裝載率是否收斂；

若確定所述映射關系中的有效裝載率不收斂，則根據與裝箱樣本對應的每個裝箱狀態、計算得到的每個裝箱狀態的有效裝載率以及所述映射關系，更新所述映射關系以及神經網絡模型的權重，并返回執行確定所述映射關系中的有效裝載率是否收斂；

若確定所述映射關系中的有效裝載率收斂，則完成對神經網絡模型的訓練。

3.根據權利要求2所述的方法，其特征在于，所述根據與裝箱樣本對應的每個裝箱狀態、計算得到的每個裝箱狀態的有效裝載率以及所述映射關系，更新所述映射關系，包括：

依次判斷與裝箱樣本對應的每個裝箱狀態中是否存在于所述映射關系中；

若任意一個與裝箱樣本對應的裝箱狀態不存在于所述映射關系中，則將不存在于所述映射關系中的與裝箱樣本對應的裝箱狀態均添加至所述映射關系中，并將每個新添加至所述映射關系的裝箱狀態的有效裝載率對應添加至所述映射關系中；

若與裝箱樣本對應的所有裝箱狀態均存在于所述映射關系中，則依次判斷與裝箱樣本對應的每個裝箱狀態的有效裝載率是否大于所述映射關系中相同裝箱狀態的有效裝載率；

若判斷任意一個與裝箱樣本對應的裝箱狀態的有效裝載率大于所述映射關系中相同裝箱狀態的有效裝載率，則依次利用與裝箱樣本對應的裝箱狀態的有效裝載率更新所述映射關系中相同裝箱狀態的有效裝載率。

4.根據權利要求2所述的方法，其特征在于，所述更新神經網絡模型的權重，包括：

通過誤差反向傳播算法計算得到有效裝載率的均方差的梯度，基于所述梯度更新所述神經網絡模型的權重。

5.根據權利要求2所述的方法，其特征在于，所述生成裝箱樣本對應的所有裝箱狀態，包括：

根據概率∈-貪心策略生成該裝箱樣本的所有裝箱狀態，其中以S₀，S₁，S₂，...，S_T表示所有裝箱狀態，S₀為初始狀態，S₁，S₂…，S_T-1為非終結狀態，S_T為終結狀態，其中后一個狀態為在前一個狀態下放入一個箱子后得到的狀態，T為自然數。

6.根據權利要求4所述的方法，其特征在于，所述通過誤差反向傳播算法計算得到有效裝載率的均方差的梯度，基于所述梯度更新所述神經網絡模型的權重，包括：

基于公式更新所述神經網絡模型的權重；

其中，W為所述神經網絡模型的權重，α為學習率，W[S_k]為所述映射關系中第k+1個狀態S_k的有效裝載率；為基于第k+1個狀態S_k與神經網絡模型的權重計算得到的第k+1個狀態S_k的有效裝載率；為對計算得到的第k+1個狀態S_k的有效裝載率求導，k的取值范圍為(0，T)。