1.一种车辆调度方法,其特征在于,所述方法包括:获取与车站衔接的专用线条数信息;
根据所述专用线条数信息构建强化学习模型;
对所述强化学习模型进行训练,得到强化学习模型的经验值;
根据所述经验值确定车辆调度顺序;
其中,所述根据所述专用线条数信息构建强化学习模型包括:根据所述专用线条数定义状态空间,所述状态空间用于表示机车当前所在位置以及当前每一所述专用线的送车状态;
定义动作空间,所述动作空间用于表示机车下一时间步前往的专用线;
定义奖励函数,所述奖励函数用于表示所述机车完成所有所述专用线的送车作业后得到的奖励值;
所述对所述强化学习模型进行训练,得到强化学习模型的经验值包括:获取当前位置,若当前位置为车站位置,且各专用线均未完成取送车作业,则将状态空间设置为初始状态;
根据所述初始状态,得到所有状态动作集合;
根据所述状态动作集合完成所有专用线的送车作业,作为一次迭代过程并计算本次迭代的最终奖励值;
根据所述最终奖励值,得到所述强化学习模型的经验值;
所述根据所述状态动作集合完成所有专用线的送车作业,作为一次迭代过程并计算本次迭代的最终奖励值包括:根据当前所述状态空间和所述状态动作集合,在多条所述专用线中选择第一专用线并完成送车;
更新所述状态空间,对其余所述专用线进行送车,直至完成所有专用线的送车,计算完成本次迭代所需的实际作业时间;
根据所述实际作业时间、标准作业时间以及所述奖励函数,计算本次迭代的最终奖励值;
所述根据所述最终奖励值,得到所述强化学习模型的经验值包括:构建Q矩阵,所述Q矩阵用于表示训练过程中得到的经验值;
根据所述最终奖励值和Q矩阵更新规则更新所述Q矩阵,得到所述强化学习模型的经验值;
根据所述最终奖励值和Q矩阵更新规则更新所述Q矩阵,得到所述强化学习模型的经验值包括:根据本次迭代的最终奖励值与本次迭代前所述Q矩阵中的经验值更新所述Q矩阵,并将更新后所述Q矩阵中的经验值作为所述强化学习模型的经验值。
2.根据权利要求1所述的方法,其特征在于,所述定义奖励函数包括:根据预设调度顺序获取机车作业所需的标准作业时间;
根据实际作业时间与所述标准作业时间,定义所述奖励函数。
3.一种车辆调度装置,其特征在于,所述装置包括:获取模块,用于获取与车站衔接的专用线条数信息;
构建模块,用于根据所述专用线条数信息构建强化学习模型;
训练模块,用于对所述强化学习模型进行训练,得到强化学习模型的经验值;
确定模块,用于根据所述经验值确定车辆调度顺序;
其中,所述构建模块包括:
第一定义单元,用于根据所述专用线条数定义状态空间,所述状态空间用于表示机车当前所在位置以及当前每一所述专用线的送车状态;
第二定义单元,用于定义动作空间,所述动作空间用于表示机车下一时间步前往的专用线;
第三定义单元,用于定义奖励函数,所述奖励函数用于表示所述机车完成所有所述专用线的送车作业后得到的奖励值;
所述训练模块包括:
初始化单元,用于获取当前位置,若当前位置为车站位置,且各专用线均未完成取送车作业,则将状态空间设置为初始状态;
状态动作获取单元,用于根据所述初始状态,得到所有状态动作集合;
奖励值求解单元,用于根据所述状态动作集合完成所有专用线的送车作业,作为一次迭代过程并计算本次迭代的最终奖励值;
经验值求解单元,用于根据所述最终奖励值,得到所述强化学习模型的经验值;
其中,所述奖励值求解单元,还用于根据当前所述状态空间和所述状态动作集合,在多条所述专用线中选择第一专用线并完成送车;更新所述状态空间,对其余所述专用线进行送车,直至完成所有专用线的送车,计算完成本次迭代所需的实际作业时间;根据所述实际作业时间、标准作业时间以及所述奖励函数,计算本次迭代的最终奖励值;
所述经验值求解单元,包括:
Q矩阵构建子单元,用于构建Q矩阵,所述Q矩阵用于表示训练过程中得到的经验值;
经验值求解子单元,用于根据所述最终奖励值和Q矩阵更新规则更新所述Q矩阵,得到所述强化学习模型的经验值;
所述经验值求解子单元,还用于根据本次迭代的最终奖励值与本次迭代前所述Q矩阵中的经验值更新所述Q矩阵,并将更新后所述Q矩阵中的经验值作为所述强化学习模型的经验值。
4.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。