[發明專利]多目標區域的最短路徑規劃方法、系統、設備及存儲介質

有效

• 申請號: 202110882110.5
• 申請日: 2021-08-02
• 公開（公告）號: CN113705858B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 洪曉鵬;關慶澍;柯煒;龔怡宏
• 申請（專利權）人: 西安交通大學
• 主分類號: G06Q10/047
• 分類號: G06Q10/047;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 崔方方

1.一種多目標區域的最短路徑規劃方法，其特征在于，包括以下步驟：

S1：獲取各目標區域的歸一化坐標；

S2：隨機選取一目標區域的歸一化坐標，通過預設的自組織神經網絡模型，得到當前目標區域的獲勝神經元；

具體的，通過預設的自組織神經網絡模型，得到當前目標區域的獲勝神經元的具體方法為：

計算自組織神經網絡模型的所有輸出神經元與當前目標區域的歸一化坐標之間的歐式距離，歐氏距離最小的輸出神經元為獲勝神經元，計算獲勝神經元的優勝鄰域范圍，引入一種環上距離d(j,K)描述輸出神經元與獲勝神經元的索引差，并根據迭代時間t以及當前目標區域的歸一化坐標與獲勝神經元的歐氏距離和環上距離，在不同程度上的更新獲勝神經元的優勝鄰域內的各輸出神經元，不在優勝鄰域范圍內的神經元不做調整；

具體的，通過下式更新獲勝神經元的優勝鄰域內的各輸出神經元：

d(j,K)＝min(|j-K|,M-|j-K|)

R(j,K,t)＝{j||j-K|≤max(γ^tM/2,M/2N)}

其中，W(t)為輸出神經元，t為迭代次數，η(t)為預設的學習率，為當前目標區域的歸一化坐標，R(j,K,t)為獲勝神經元的優勝鄰域，j為輸出神經元索引，K為獲勝神經元的索引，σ(t)為預設的增益系數，M為自組織神經網絡模型的輸出神經元的數量，N為目標區域的數量，γ為衰減率；

G(j,K,t)是增益函數，用來控制輸出神經元向目標城市移動的力，表示輸出神經元向目標城市移動的力的大小，獲勝神經元移動的力最大，優勝鄰域內輸出神經元根據其索引到獲勝神經元索引K的距離，控制其移動的力，即其索引越接近K，則向目標城市移動的力越大；

獲勝神經元選取包括以下步驟：

步驟C1：在t時刻，隨機選擇一個城市節點作為輸入，計算所有輸出神經元與該輸入節點的歐氏距離，則歐氏距離最小的輸出神經元為獲勝神經元，其索引為K：

步驟C2：引入混亂機制，獲勝神經元在下一次參與競爭時，其與目標城市的歐式距離乘以一個系數χ(χ∈(0,1))，防止某一輸出神經元連續獲勝；

S3：迭代重復S2；當前迭代次數加1，并當當前迭代次數大于預設閾值時，獲取各目標區域的獲勝神經元；

S4：獲取各目標區域的獲勝神經元的索引，根據各目標區域的獲勝神經元的索引，得到多目標區域的最短路徑。

2.根據權利要求1所述的多目標區域的最短路徑規劃方法，其特征在于，所述獲取各目標區域的歸一化坐標的具體方法為：

獲取各目標區域的坐標x′_ij，將各目標區域的坐標組合為N*2的目標區域矩陣X，N為目標區域的數量；

根據下式對各目標區域的坐標x′_il進行歸一化：

其中，x_il為第i個目標區域的歸一化坐標，c[l]＝maxX(:,l)為目標區域矩陣X在第l維的最大值，d[l]＝minX(:,l)為目標區域矩陣X在第l維的最小值。

3.根據權利要求1所述的多目標區域的最短路徑規劃方法，其特征在于，所述通過預設的自組織神經網絡模型，得到當前目標區域的獲勝神經元前，將自組織神經網絡模型的各輸出神經元均在(0,1)范圍內進行隨機初始化。

4.根據權利要求1所述的多目標區域的最短路徑規劃方法，其特征在于，所述預設的學習率η(t)＝0.8*0.9997^t；預設的增益系數σ(t)＝σ(0)*0.9997^t，為向下取整。

5.根據權利要求1所述的多目標區域的最短路徑規劃方法，其特征在于，所述根據各目標區域的獲勝神經元的索引，得到多目標區域的最短路徑的具體方法為：

根據各目標區域的獲勝神經元的索引，按照各目標區域的獲勝神經元的索引從大到小或從小到大的順序，排列各目標區域，得到多目標區域的最短路徑；其中，獲勝神經元的索引相同的目標區域之間隨機排列。