[發(fā)明專利]模型訓(xùn)練方法、貨物堆放的優(yōu)化方法、裝置和電子設(shè)備

在審

• 申請?zhí)枺?/td>: 202211012375.0
• 申請日: 2022-08-23
• 公開（公告）號: CN115470971A
• 公開（公告）日: 2022-12-13
• 發(fā)明（設(shè)計(jì)）人: 曹宜超;丁建輝;陳珍
• 申請（專利權(quán)）人: 北京百度網(wǎng)訊科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京銀龍知識產(chǎn)權(quán)代理有限公司 11243
• 代理人: 張圣孝

本公開提供了一種模型訓(xùn)練方法、貨物堆放的優(yōu)化方法、裝置和電子設(shè)備，涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及深度學(xué)習(xí)技術(shù)領(lǐng)域。具體實(shí)現(xiàn)方案為：模型訓(xùn)練方法，包括：獲取k個(gè)訓(xùn)練數(shù)據(jù)組，k個(gè)訓(xùn)練數(shù)據(jù)組為按照k個(gè)分類類別對訓(xùn)練數(shù)據(jù)集中的初始訓(xùn)練數(shù)據(jù)進(jìn)行分類得到的k個(gè)訓(xùn)練數(shù)據(jù)組，k個(gè)分類類別與k種貨物堆放優(yōu)化函數(shù)的函數(shù)類別相對應(yīng)；基于k個(gè)訓(xùn)練數(shù)據(jù)組，分別對k個(gè)預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到k個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，其中，目標(biāo)神經(jīng)網(wǎng)絡(luò)模型為基于所對應(yīng)的訓(xùn)練數(shù)據(jù)組進(jìn)行訓(xùn)練得到的模型，且在對貨物堆放優(yōu)化函數(shù)進(jìn)行混合整數(shù)規(guī)劃的過程中，目標(biāo)神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測決策變量。本公開可以優(yōu)化貨物堆放的流程。

技術(shù)領(lǐng)域

本公開涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及深度學(xué)習(xí)技術(shù)領(lǐng)域。具體涉及一種模型訓(xùn)練方法、貨物堆放的優(yōu)化方法、裝置和電子設(shè)備。

背景技術(shù)

目前，在貨物運(yùn)輸?shù)膱鼍爸校ǔＩ婕暗截浳锒逊诺膯栴}。為提高空間利用率，在貨物堆放之前，通常需要依靠人工經(jīng)驗(yàn)對堆放流程進(jìn)行設(shè)計(jì)，以確保在堆放空間不變的情況下，能夠堆放盡可能多的貨物。

發(fā)明內(nèi)容

本公開提供了一種模型訓(xùn)練方法、貨物堆放的優(yōu)化方法、裝置和電子設(shè)備。

根據(jù)本公開的第一方面，提供了一種模型訓(xùn)練方法，包括：

獲取k個(gè)訓(xùn)練數(shù)據(jù)組，所述k個(gè)訓(xùn)練數(shù)據(jù)組為按照k個(gè)分類類別對訓(xùn)練數(shù)據(jù)集中的初始訓(xùn)練數(shù)據(jù)進(jìn)行分類得到的k個(gè)訓(xùn)練數(shù)據(jù)組，所述k個(gè)分類類別與k種貨物堆放優(yōu)化函數(shù)的函數(shù)類別相對應(yīng)，所述k為大于1的整數(shù)；

基于所述k個(gè)訓(xùn)練數(shù)據(jù)組，分別對k個(gè)預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到k個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，其中，所述k個(gè)訓(xùn)練數(shù)據(jù)組與所述k個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型一一對應(yīng)，所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型為基于所對應(yīng)的訓(xùn)練數(shù)據(jù)組進(jìn)行訓(xùn)練得到的模型，且在對所述貨物堆放優(yōu)化函數(shù)進(jìn)行混合整數(shù)規(guī)劃的過程中，所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測決策變量。

根據(jù)本公開的第二方面，提供了一種貨物堆放的優(yōu)化方法，包括：

獲取第二函數(shù)信息和第二決策變量集，所述第二函數(shù)信息包括：以在第二貨倉中堆放的第二貨物的數(shù)量最多為優(yōu)化目標(biāo)確定的函數(shù)信息；

確定所述第二函數(shù)信息的函數(shù)類別，其中，所述第二函數(shù)信息的函數(shù)類別為k個(gè)分類類別中的類別；

在k個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中確定與所述第二函數(shù)信息的函數(shù)類別相對應(yīng)的第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型；

將所述第二函數(shù)信息和所述第二決策變量集輸入所述第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，得到預(yù)測結(jié)果，且所述預(yù)測結(jié)果用于指示在對所述第二函數(shù)信息進(jìn)行混合整數(shù)規(guī)劃的過程中，求解樹中的分支節(jié)點(diǎn)對應(yīng)的決策變量，且所述決策變量為所述第二決策變量集中的決策變量；

基于所述預(yù)測結(jié)果對所述第二函數(shù)信息進(jìn)行混合整數(shù)規(guī)劃，得到堆放信息，所述堆放信息用于指示所述第二貨物在所述第二貨倉中的堆放方式。

根據(jù)本公開的第三方面，提供了一種模型訓(xùn)練裝置，包括：

獲取模塊，用于獲取k個(gè)訓(xùn)練數(shù)據(jù)組，所述k個(gè)訓(xùn)練數(shù)據(jù)組為按照k個(gè)分類類別對訓(xùn)練數(shù)據(jù)集中的初始訓(xùn)練數(shù)據(jù)進(jìn)行分類得到的k個(gè)訓(xùn)練數(shù)據(jù)組，所述k個(gè)分類類別與k種貨物堆放優(yōu)化函數(shù)的函數(shù)類別相對應(yīng)，所述k為大于1的整數(shù)；

訓(xùn)練模塊，用于基于所述k個(gè)訓(xùn)練數(shù)據(jù)組，分別對k個(gè)預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到k個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，其中，所述k個(gè)訓(xùn)練數(shù)據(jù)組與所述k個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型一一對應(yīng)，所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型為基于所對應(yīng)的訓(xùn)練數(shù)據(jù)組進(jìn)行訓(xùn)練得到的模型，且在對所述貨物堆放優(yōu)化函數(shù)進(jìn)行混合整數(shù)規(guī)劃的過程中，所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測決策變量。

根據(jù)本公開的第四方面，提供了一種貨物堆放的優(yōu)化裝置，包括：