[发明专利]基于决策树的动态旅行商问题求解方法、系统及存储介质

说明书

本发明提供一种基于决策树的动态旅行商问题求解方法、系统及存储介质。方法包括：S100、以起始节点为根节点，基于通过启发式算法获得的寻优路径集构建决策树，所述决策树中各由根节点至叶子节点的路径均依次经过所有节点；S200、基于所述决策树，从叶子节点开始，自下而上分层次计算决策树中所有节点的剩余路程预测花费；S300、根据上述构建决策树以及各节点剩余路程预测花费结果，从起始节点开始，根据路程花费最小原则选择下一步访问节点。本发明在小车行进过程中根据交通状况动态调整行进路线，以达到花费最小的目的。

技术领域

本发明涉及物流管理及路径规划技术领域，具体而言，尤其涉及一种基于决策树的动态旅行商问题求解方法、系统及存储介质。

背景技术

现有公开的路径规划方法采用运筹优化领域的相关算法求解最优路径。一些方案研究了在多站旅行中，根据当前交通状况选择下一站访问的价值，以使旅行的预期总旅行时间最小化问题。假设网络弧费用为一个随机变量，将DTSP转化为一个和/或图，并应用最佳优先启发式搜索算法AO*进行最优策略确定，以达到基于当前网络条件动态确定TSP旅行价值的目的。还有一些方案研究了未知概率分布的多径旅行商问题(MPTSP)，其中每对节点之间存在多条路径，且每条路径具有未知分布的随机旅行费用，目标是寻找连接所有节点的期望最小哈密顿旅行。在一个温和的假设下，将任意一对节点之间的最小随机旅行费用的概率分布变换为一个Gumbel分布，给出了随机问题的一个确定性近似解。此外，还有一些方法建立了具有离散随机弧费用的风险约束旅行商问题的MILP(混合整数线性规划)模型。采用CVaR作为风险度量指标，对所选路由的可靠性进行评估。提出了一种利用Benders可行割集的精确分解算法来解决这一问题。[4]进一步提出了一种新的割平面算法，假设每段弧的旅行费用服从正态分布。在将风险控制在置信水平的情况下，建立了STSP的非线性规划模型，以寻找期望成本最小的路径。提出了一个包含风险管理的随机模型，并应用风险价值(VaR)和条件风险价值(CVaR)技术作为风险度量来评估和控制与不确定性相关的风险。

而求解方法在小车出发前就已计算完成路线规划，其目的是达到平均路径花费最小的目的。小车在行进过程中，不管交通状况如何改变，小车都会按照出发前计算得到的路线行进，无法动态的适应复杂交通状态的变化。

发明内容

根据上述提出现有路径规划方案无法动态适应复杂交通状态变化的技术问题，而提供一种基于决策树的动态旅行商问题求解方法、系统及存储介质。本发明在小车行进过程中根据交通状况动态调整行进路线，以达到花费最小的目的。

本发明采用的技术手段如下：

一种基于决策树的动态旅行商问题求解方法，包括：

S100、以起始节点为根节点，基于通过启发式算法获得的寻优路径集构建决策树，所述决策树中各由根节点至叶子节点的路径均依次经过所有节点；

S200、基于所述决策树，从叶子节点开始，自下而上分层次计算决策树中所有节点的剩余路程预测花费；

S300、根据上述构建决策树以及各节点剩余路程预测花费结果，从起始节点开始，根据路程花费最小原则选择下一步访问节点。

进一步地，基于所述决策树，从叶子节点开始，自下而上分层次计算决策树中所有节点的剩余路程预测花费，包括：

S210、计算作为叶子节点的父节点的剩余路径预测花费；以及

S220、计算其余各层节点的剩余路程预测花费，包括：

S221、通过采样法获取路径中当前节点到下一节点的随机花费，

S222、获取所述下一节点的剩余路径预测花费，

S223、根据所述路径中当前节点到下一节点的随机花费和所述下一节点的剩余路径预测花费计算当前节点可达路径的剩余路径的花费；