本發(fā)明涉及航空物流，尤其涉及一種基于融合知識(shí)圖譜與動(dòng)態(tài)調(diào)度算法的航班配載優(yōu)化方法。

背景技術(shù)：

1、航空物流是指利用航空運(yùn)輸工具進(jìn)行貨物運(yùn)輸、倉(cāng)儲(chǔ)、配送等任務(wù)的物流活動(dòng)。作為現(xiàn)代化物流運(yùn)輸方式之一，航空物流憑借其快速、高效以及全球覆蓋的特點(diǎn)廣泛應(yīng)用于貿(mào)易運(yùn)輸、電子商務(wù)、緊急貨運(yùn)等領(lǐng)域，在全球供應(yīng)鏈中扮演重要角色。配載問題是航空物流中的關(guān)鍵一環(huán)——無(wú)論是客機(jī)腹艙所能托運(yùn)的旅客行李和貨物，還是全貨機(jī)所需承運(yùn)的各類貨物，都要具體考慮如何在有限的空間內(nèi)進(jìn)行合理安排與分配調(diào)度以兼顧運(yùn)輸效率與飛行安全，在電商行業(yè)日益繁榮、物流需求逐年遞增且運(yùn)輸規(guī)模日新月盛的當(dāng)下更具研究?jī)r(jià)值。

2、配載問題涉及貨物的體積、形狀、重量、相性等多個(gè)因素，受到飛機(jī)結(jié)構(gòu)、艙位設(shè)計(jì)、承重限制、運(yùn)輸方式等物理?xiàng)l件制約，并與天氣情況、航序班次、司乘機(jī)組甚至機(jī)坪跑道長(zhǎng)度等外部因素有所牽涉,是一項(xiàng)多約束、多條件、多目標(biāo)的優(yōu)化問題，同時(shí)也對(duì)配載決策的即時(shí)處理與動(dòng)態(tài)適配能力提出了較高需求；但是配載方法為手工配載模式，多由配載員根據(jù)經(jīng)驗(yàn)及規(guī)則模式進(jìn)行配載調(diào)度，在規(guī)模較小、場(chǎng)景簡(jiǎn)單的配載任務(wù)中有一定的適用性，但其較為低下的配載效率與并不客觀的配載模式不能很好適應(yīng)復(fù)雜條件下的配載問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中所存在的不足，本發(fā)明提供了一種基于融合知識(shí)圖譜與動(dòng)態(tài)調(diào)度算法的航班配載優(yōu)化方法，其解決了現(xiàn)有技術(shù)中存在的上述問題。

2、根據(jù)本發(fā)明的實(shí)施例，一種基于融合知識(shí)圖譜與動(dòng)態(tài)調(diào)度算法的航班配載優(yōu)化方法，包括：

3、獲取航班數(shù)據(jù)和航空物流行業(yè)現(xiàn)行標(biāo)準(zhǔn)，基于航班數(shù)據(jù)和航空物流行業(yè)現(xiàn)行標(biāo)準(zhǔn)進(jìn)行提取，得到已有三元組數(shù)據(jù)；

4、基于推理補(bǔ)全算法對(duì)已有三元組數(shù)據(jù)進(jìn)行推理補(bǔ)全，得到推理三元組數(shù)據(jù)；

5、構(gòu)建neo4j圖數(shù)據(jù)庫(kù)，將已有三元組數(shù)據(jù)和推理三元組數(shù)據(jù)嵌入neo4j圖數(shù)據(jù)庫(kù)中，調(diào)用圖神經(jīng)網(wǎng)絡(luò)對(duì)知識(shí)圖譜的數(shù)據(jù)約束關(guān)系進(jìn)行訓(xùn)練，得到訓(xùn)練好的知識(shí)圖譜模型；

6、獲取外部輸入數(shù)據(jù)和運(yùn)輸模式，根據(jù)運(yùn)輸模式選擇對(duì)應(yīng)的動(dòng)態(tài)調(diào)度算法，基于知識(shí)圖譜模型和對(duì)應(yīng)的動(dòng)態(tài)調(diào)度算法對(duì)外部輸入數(shù)據(jù)進(jìn)行處理，得到最優(yōu)航班配載方案；

7、基于預(yù)設(shè)蟻群算法確定最優(yōu)航班配載方案中配載的裝卸順序。

8、作為本發(fā)明的一個(gè)實(shí)施例，基于推理補(bǔ)全算法對(duì)已有三元組數(shù)據(jù)進(jìn)行推理補(bǔ)全，得到推理三元組數(shù)據(jù)，包括：

9、獲取已有三元組數(shù)據(jù)輸入至初始transr模型中；其中，已有三元組數(shù)據(jù)包括：關(guān)系和實(shí)體；

10、對(duì)已有三元組數(shù)據(jù)中的關(guān)系和實(shí)體分別嵌入初始化為隨機(jī)向量，得到實(shí)體集和關(guān)系集，基于關(guān)系確定對(duì)應(yīng)的所有三元組，得到訓(xùn)練三元組集，并初始化每個(gè)關(guān)系投影到投影空間的特定關(guān)系；其中，，，，；

11、根據(jù)特定關(guān)系計(jì)算訓(xùn)練三元組集中三元組的頭實(shí)體和尾實(shí)體投影到關(guān)系空間的值，計(jì)算公式如下：

12、

13、

14、分別計(jì)算訓(xùn)練三元組集中每個(gè)三元組在關(guān)系空間中的得分，計(jì)算公式如下：

15、

16、其中，表示范數(shù)；

17、通過目標(biāo)函數(shù)對(duì)初始transr模型的參數(shù)進(jìn)行優(yōu)化，目標(biāo)函數(shù)的計(jì)算公式如下：

18、

19、其中，為一個(gè)超參數(shù)， s為訓(xùn)練三元組集中的所有的正例三元組集，為訓(xùn)練三元組集中的負(fù)例三元組集；

20、使用隨機(jī)梯度下降或adam優(yōu)化算法來(lái)最小化目標(biāo)函數(shù)，并更新實(shí)體嵌入、關(guān)系嵌入和訓(xùn)練三元組集；

21、重復(fù)上述步驟，直至迭代次數(shù)大于預(yù)設(shè)迭代次數(shù)或達(dá)到其它收斂條件，得到訓(xùn)練好的transr模型；

22、選取已有三元組數(shù)據(jù)中的頭實(shí)體和關(guān)系隨機(jī)生成多個(gè)候選尾實(shí)體，得到多個(gè)候選三元組；

23、調(diào)用訓(xùn)練好的transr模型計(jì)算多個(gè)候選三元組進(jìn)行能量函數(shù)值，選擇其中能量值小于預(yù)設(shè)值的候選尾實(shí)體對(duì)應(yīng)的候選三元組作為推理三元組數(shù)據(jù)。

24、作為本發(fā)明的一個(gè)實(shí)施例，構(gòu)建neo4j圖數(shù)據(jù)庫(kù)，將已有三元組數(shù)據(jù)和推理三元組數(shù)據(jù)嵌入neo4j圖數(shù)據(jù)庫(kù)中，調(diào)用圖神經(jīng)網(wǎng)絡(luò)訓(xùn)練基于知識(shí)圖譜的數(shù)據(jù)約束關(guān)系，包括：

25、獲取已有三元組數(shù)據(jù)和推理三元組數(shù)據(jù)構(gòu)建圖結(jié)構(gòu)；其中，將已有三元組數(shù)據(jù)和推理三元組數(shù)據(jù)中的實(shí)體和關(guān)系作為圖結(jié)構(gòu)的節(jié)點(diǎn)，將已有三元組數(shù)據(jù)和推理三元組數(shù)據(jù)形成的三元組作為圖結(jié)構(gòu)的邊；

26、構(gòu)建neo4j圖數(shù)據(jù)庫(kù)存儲(chǔ)已有三元組數(shù)據(jù)和推理三元組數(shù)據(jù)，初始化gcn圖神經(jīng)網(wǎng)絡(luò)模型并集成預(yù)設(shè)函數(shù)訓(xùn)練知識(shí)圖譜的數(shù)據(jù)約束關(guān)系；

27、通過隨機(jī)梯度下降算法對(duì)知識(shí)圖譜模型的參數(shù)進(jìn)行更新，通過反向傳播算法計(jì)算梯度，并進(jìn)行參數(shù)更新直至知識(shí)圖譜模型損失趨于穩(wěn)定，完成知識(shí)圖譜模型的訓(xùn)練。

28、作為本發(fā)明的一個(gè)實(shí)施例，運(yùn)輸模式包括：客機(jī)腹艙運(yùn)輸和貨機(jī)運(yùn)輸；

29、動(dòng)態(tài)調(diào)度算法包括：第一預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法和第二預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法；

30、根據(jù)運(yùn)輸模式選擇對(duì)應(yīng)的動(dòng)態(tài)調(diào)度算法，基于知識(shí)圖譜模型和對(duì)應(yīng)的動(dòng)態(tài)調(diào)度算法對(duì)外部輸入數(shù)據(jù)進(jìn)行處理，得到最優(yōu)航班配載方案，包括：

31、若運(yùn)輸模式為客機(jī)腹艙運(yùn)輸，選擇第一預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法，并基于知識(shí)圖譜模型和第一預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法對(duì)外部輸入數(shù)據(jù)進(jìn)行處理，得到最優(yōu)航班配載方案；其中，第一預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法包括禁忌算法和貪心算法；

32、若運(yùn)輸模式為貨機(jī)運(yùn)輸，選擇第二預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法，并基于知識(shí)圖譜模型和第二預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法對(duì)外部輸入數(shù)據(jù)進(jìn)行處理，得到最優(yōu)航班配載方案；其中第一預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法包括遺傳算法和模擬退火算法。

33、作為本發(fā)明的一個(gè)實(shí)施例，基于知識(shí)圖譜模型和第一預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法對(duì)外部輸入數(shù)據(jù)進(jìn)行處理，得到最優(yōu)航班配載方案，包括：

34、獲取外部輸入數(shù)據(jù)和初始化禁忌表，設(shè)置最大迭代次數(shù) i和禁忌表長(zhǎng)度，并基于知識(shí)圖譜模型構(gòu)建適應(yīng)度函數(shù)；其中，外部輸入數(shù)據(jù)包括腹艙容量集合；

35、根據(jù)初始化禁忌表生成若干初始解，將若干初始解代入適應(yīng)度函數(shù)中進(jìn)行計(jì)算，得到若干適應(yīng)度，適應(yīng)度的計(jì)算公式如下

36、

37、

38、其中，為適應(yīng)度，為目標(biāo)函數(shù)，為懲罰系數(shù)，是約束條件；

39、遍歷若干初始解對(duì)應(yīng)的若干適應(yīng)度，篩選出適應(yīng)度大于預(yù)設(shè)適應(yīng)度的初始解，得到候選解集；

40、判斷候選解集是否存在滿足預(yù)設(shè)篩選條件的最優(yōu)解，預(yù)設(shè)篩選條件如下：

41、

42、若不存在最優(yōu)解，則重新根據(jù)禁忌表生成若干初始解進(jìn)行判斷；若存在最優(yōu)解，判斷是否滿足最大迭代次數(shù) i或預(yù)設(shè)終止條件；

43、若不滿足，則重新根據(jù)禁忌表生成若干初始解進(jìn)行判斷；若滿足，基于最優(yōu)解判斷腹艙容量集合 w中是否有元素處于未滿狀態(tài)；若存在，則調(diào)用貪心算法更新最優(yōu)解直至中所有元素均已滿載，得到滿載最優(yōu)解，輸出滿載最優(yōu)解為最優(yōu)航班配載方案；若不存在，不調(diào)用貪心算法，直接輸出最優(yōu)解為最優(yōu)航班配載方案。

44、作為本發(fā)明的一個(gè)實(shí)施例，判斷候選解集是否存在滿足預(yù)設(shè)篩選條件的最優(yōu)解時(shí)，判斷當(dāng)前禁忌表長(zhǎng)度是否大于禁忌表長(zhǎng)度；若大于，則對(duì)禁忌表長(zhǎng)度進(jìn)行擴(kuò)容。

45、作為本發(fā)明的一個(gè)實(shí)施例，選擇第二預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法，并基于知識(shí)圖譜模型和第二預(yù)設(shè)集成動(dòng)態(tài)調(diào)度算法對(duì)外部輸入數(shù)據(jù)進(jìn)行處理，得到最優(yōu)航班配載方案，包括：

46、初始化遺傳算法的種群，基于知識(shí)圖譜的數(shù)據(jù)約束關(guān)系定義適應(yīng)度函數(shù)，設(shè)定模擬退火的初始溫度、冷卻速率以及終止條件；

47、隨機(jī)生成初始種群，初始種群中每個(gè)個(gè)體均為一組解；

48、判斷初始種群是否滿足演化終止條件；若不滿足，繼續(xù)對(duì)初始種群進(jìn)行演化；

49、若滿足，調(diào)用適應(yīng)度函數(shù)評(píng)估每個(gè)個(gè)體的優(yōu)劣，得到每個(gè)個(gè)體的評(píng)估分?jǐn)?shù)；

50、遍歷每個(gè)個(gè)體的評(píng)估分?jǐn)?shù)，選取評(píng)估分?jǐn)?shù)大于預(yù)設(shè)分?jǐn)?shù)的個(gè)體，得到演化集；若沒有評(píng)估分?jǐn)?shù)大于預(yù)設(shè)分?jǐn)?shù)的個(gè)體，則按預(yù)設(shè)規(guī)則產(chǎn)生新種群，重復(fù)上述步驟，直至得到演化集；

51、對(duì)演化集中的個(gè)體單元調(diào)用模擬退火算法進(jìn)行模擬退火優(yōu)化；于的領(lǐng)域中嘗試新解，定義能量函數(shù)并計(jì)算二者間的能量差，以預(yù)設(shè)概率接受此新解為當(dāng)前解，能量差的計(jì)算公式如下：

52、

53、更新當(dāng)前解并降低溫度，重復(fù)上述步驟，直至達(dá)到最大迭代次數(shù)或適應(yīng)度函數(shù)的評(píng)估分?jǐn)?shù)不再顯著提高，輸出評(píng)估分?jǐn)?shù)最高的個(gè)體作為最終解，得到航班最優(yōu)配載方案。

54、相比于現(xiàn)有技術(shù)，本發(fā)明具有如下有益效果：通過融合知識(shí)圖譜和動(dòng)態(tài)調(diào)度算法以適配不同機(jī)型的運(yùn)輸模式、多種限制條件下的配載優(yōu)化問題；解決了傳統(tǒng)配載方法存在的低下的配載效率與并不客觀的配載模式不能很好適應(yīng)復(fù)雜條件下的配載問題。