一种面向支线航路网络的路径优化方法

1.本发明涉及一种面向支线航路网络的路径优化方法，属于神经网络技术领域。


背景技术：

2.随着近年来民航产业的迅猛发展，旅客的周转量有着大幅度的提高，其中包括国内的干线机场和国内的支线机场，目前我国民航经济结构以首府城市和大中型城市的航线运输为主，支线机场发展相对较为落后，但支线航空作为现代航空运输体系的重要组成部分，能提高航空运输的覆盖率，满足多样化的出行需求。
3.针对航空支线网络的最优化处理，国内外研究学者采取不同的研究方法，大多数通过选取合适的神经网络算法，建立目标函数，对其进行凸优化处理，但此方法会使得网络陷入极小值点的情况；一些学者将yen算法与a*算法相结合，缩小了算法的搜索空间，减小了算法求解ksp问题的搜索规模与运行时间，但随着网络节点数目的增加，选择结果也会随之增加，导致不能做出最优的决策；在支线网络中，根据动态规划中的逆序算法可以进行网络问题的求解，但此算法仅限于理论研究，没有实际的应用价值，不能与真实的情况结合起来。


技术实现要素：

4.本发明提供了一种面向支线航路网络的路径优化方法，能够简化算法计算过程，提高运算速率，减少算法中等价解的存在。
5.本发明提供了一种面向支线航路网络的路径优化方法，所述方法包括：
6.步骤11、获取支线航路网络中各城市之间的距离d
xy
；其中，x,y＝1,2,
……
,n；所述n为城市数量，也为神经网络的神经元；
7.步骤12、根据神经网络的输入u
xi
(t)的初始值和神经网络的动态方程，计算其中，ui为第i个神经元的输入总和；
8.步骤13、根据所述求解神经网络下一时刻的输入u
xi
(t+1)，其中
9.步骤14、根据所述距离d
xy
，获取各城市之间的访问路线矩阵，并根据所述u
xi
(t+1)，计算满足所述访问路线矩阵中每行每列都只有一个1、且其余为零的约束最小条件；
10.步骤15、根据所述约束最小条件，计算神经网络的能量函数e；所述能量函数e为：
[0011][0012]
其中，a、b和d均为预设的权重参数；l为神经网络的权重；vi由公式
获得，为激活函数，t是控制参数；
[0013]
步骤16、当所述能量函数e最小时，停止迭代，并将最小的能量函数e对应的路径记为最优路径；否则执行步骤12；
[0014]
步骤17、输出支线航路网络的原始路径和所述最优路径。
[0015]
可选的，所述计算满足所述访问路线矩阵中每行每列都只有一个1、且其余为零的约束最小条件，具体为：
[0016]
采用sigmoid函数计算满足所述访问路线矩阵中每行每列都只有一个1、且其余为零的约束最小条件。
[0017]
可选的，所述计算满足所述访问路线矩阵中每行每列都只有一个1、且其余为零的约束最小条件，具体为：
[0018]
采用min-max函数计算满足所述访问路线矩阵中每行每列都只有一个1、且其余为零的约束最小条件。
[0019]
可选的，所述神经网络的动态方程为：
[0020][0021]
其中，ci为i的聚类系数；ri由公式获得，ri为第i个神经元的额外电阻；w
ij
为神经元ij之间的链接权重；yj为第j个神经元的输出；ii为第i个神经元的外加偏置电流。
[0022]
可选的，在所述获取支线航路网络中各城市之间的距离d
xy
之前，所述方法还包括：
[0023]
设置神经网络的初始值t＝0，并设置能量函数e的权重参数a、b、d。
[0024]
本发明能产生的有益效果包括：
[0025]
本发明提供的面向支线航路网络的路径优化方法，通过将hopfield神经网络应用到航空支线网络优化问题中，将目标函数转化成为能量函数，通过把需要解决的问题转化成网络节点的对应状态，可以将最优解找到。由于hopfield神经网络具有并行计算的优势，且计算量大小不会随维数的增加呈指数式增加，这样有效减少神经元个数节点，提高了运算效率，可有效解决日利用率优化问题。
附图说明
[0026]
图1为本发明实施例提供的面向支线航路网络的路径优化方法流程图；
[0027]
图2为本发明实施例提供的神经网络与目标问题的关系示意图。
具体实施方式
[0028]
下面结合实施例详述本发明，但本发明并不局限于这些实施例。
[0029]
本发明实施例提供了一种面向支线航路网络的路径优化方法，如图1所示，所述方法包括：
[0030]
步骤11、获取支线航路网络中各城市之间的距离d
xy
；其中，x,y＝1,2,
……
,n；所述n为城市数量，也为神经网络的神经元。
[0031]
在实际应用中，在步骤11之前，所述方法还可以包括：设置神经网络的初始值t＝0，并设置能量函数e的权重参数a、b、d。
[0032]
步骤12、根据神经网络的输入u
xi
(t)的初始值和神经网络的动态方程，计算其中，ui为第i个神经元的输入总和。
[0033]
上述的神经网络的动态方程可以为：
[0034][0035]
其中，ci为i的聚类系数；ri由公式获得，ri为第i个神经元的额外电阻；w
ij
为神经元ij之间的链接权重；yj为第j个神经元的输出；ii为第i个神经元的外加偏置电流。
[0036]
步骤13、根据求解神经网络下一时刻的输入u
xi
(t+1)，其中
[0037]
步骤14、根据距离d
xy
，获取各城市之间的访问路线矩阵，并根据u
xi
(t+1)，计算满足访问路线矩阵中每行每列都只有一个1、且其余为零的约束最小条件。
[0038]
在实际应用中，可以采用sigmoid函数或者min-max函数计算满足访问路线矩阵中每行每列都只有一个1、且其余为零的约束最小条件。
[0039]
示例的，若城市数目为4，集合表示为{a.b.c,d}，要求从b城市出发中间依次通过其他几个城市最终回到城市b，该访问路线矩阵可以如下表所示。
[0040] abcda0100b1000c0010d0001
[0041]
其中，上表的访问路线矩阵中1表示到达，0表示没有到达。该访问路线矩阵中每行每列的元素都是有规律的，即每行中只有一个1元素，其余的都为零元素。
[0042]
步骤15、根据约束最小条件，计算神经网络的能量函数e；所述能量函数e为：
[0043][0044]
其中，a、b和d均为预设的权重参数；l为神经网络的权重；vi由公式获得，为激活函数，t是控制参数。
[0045]
步骤16、当能量函数e最小时，停止迭代，并将最小的能量函数e对应的路径记为最优路径；否则执行步骤12。
[0046]
步骤17、输出支线航路网络的原始路径和最优路径。
[0047]
最优解的能量函数映射系统的平衡点，随着迭代过程的不断进行，能量函数值和系统趋于收敛。系统的实现和优化问题可以一一对应，待解决问题的初始条件对应系统hopfield网络的初始状态，如图2所示。
[0048]
利用matlab软件对地区航线数据进行模拟仿真，选取城市1～9坐标分别为(2，3)；(4，4)；(3，6)；(9，7)；(10，5)；(6，4)；(5，8)；(2，2)；(9，1)。采用上述路径优化方法，进行最优路径选取，通过运算得出最优路径为2-5-3-6-7-1-9-8-4。
[0049]
通过把需要解决的问题转化成网络节点的对应状态，可以将最优解找到，并且可以提高算法的运算效率，当网络节点增多时，可以有效的提升支线网络的日利用率，能很好的应用到实际问题当中。
[0050]
以上所述，仅是本技术的几个实施例，并非对本技术做任何形式的限制，虽然本技术以较佳实施例揭示如上，然而并非用以限制本技术，任何熟悉本专业的技术人员，在不脱离本技术技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。