基于轻量化图注意力机制的露天矿卡车调度优化算法

有效地管理和调度露天矿卡车,有助于大幅提升运输效率、降低矿山运营成本。现有研究聚焦于利用深度强化学习(Deep Reinforcement Learning,DRL)构建学习模型求解路径优化问题,然而,该模型针对Transformer架构的参数训练时,会产生大量参数冗余。为此,提出了一种轻量化图注意力机制的露天矿卡车调度优化算法。将微分方程数值解法——阿当姆斯(Adams)法用于Transformer模型的权重学习中,通过Adams的残差训练方法,可提高网络后期的优化精度,进一步压缩模型的规模,高效求解露天矿卡车调度优化问题。研究表明:该方法在降低最优间隙的同时将源模型的参数量压缩1/2,减少了对GPU设备的训练依赖。采用随机生成的露天矿卡数据集算例对该算法性能进行了验证,反映出采用Adams-Transformer模型有助于提升露天矿卡车调度效率。