CN102521391B - 交通路径搜索系统及方法 - Google Patents

Abstract

本发明公开了一种交通路径搜索系统及方法，该系统至少包括：模糊期望值模型建立模组，通过将交通路网节点与节点之间的距离描述成模糊变量的形式，建立模糊期望值模型；以及最短路径计算模组，根据获得的模糊期望值模型利用蚁群算法计算获得交通路网节点和节点之间的最短路径和长度，本发明通过采用蚁群算法解决交通路径搜索的优化问题，具有实现简单，收敛速度快，鲁棒性好的优点，能更快地搜索到交通网络的最短路径。

Description

交通路径搜索系统及方法

技术领域

本发明涉及一种交通路径搜索系统及方法，特别是涉及一种基于蚁群算法的不确定环境的交通路径搜索系统及方法。

背景技术

传统的交通最短路径的选择往往是城市任意两个地点的最短路径，而驾驶员需要搜寻的是行驶时间最短的路径。现实生活中行驶长度最短的路径不一定就是行驶时间最短的路径，因为随时都有可能出现交通阻塞等意外情况，路网交通状态具有实时可变的特点，具有不确定性的因素。根据这种情况，当前最常见的做法是把交通路网节点和节点之间的距离描述成模糊变量的形式，该模糊变量符合某种隶属函数的分布，建立模糊期望值模型求解模糊最短路径问题。由于一般模糊变量其隶属函数的形式是多种多样的，对于有些模糊变量来说，很难求出其具体的期望值，因此只能采用一些智能算法来进行求解，当前最常使用的则为遗传算法。

遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说，其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和变异现象，根据适者生存、优胜劣汰的自然法则，通过选择、交叉和变异等遗传算子，使群体一代一代地进行到搜索空间中越来越好的区域，直至获得最优解。

遗传算法有三个基本算子：选择、交叉和变异。遗传算法的编程实现比较复杂，首先需要对问题进行编码，找到最优解之后还需要对问题进行解码，另外三个算子的实现也有许多参数，如交叉概率和变异概率，并且这些参数的选择严重影响解的品质，而目前这些参数的选择大部分是依靠经验。

由于遗传算法的主要特点是群体搜索策略和群体中个体间的随机信息交换，搜索不依赖于梯度信息。使用遗传算法求解问题，需要考虑下面5个基本要素：(1)对参数进行编码；(2)设定初始种群大小；(3)适应度函数的设计；(4)遗传操作设计；(5)控制参数设定：包括种群大小、最大进化代数、交叉概率、变异概率等。用遗传算法求解问题容易出现“早熟”现象。

综上所述，可知先前技术交通路径搜索方法中采用遗传算法存在编成复杂、求解问题容易出现早熟现象的问题，因此实有必要提出改进的技术手段，来解决此一问题

发明内容

为克服上述现有技术存在的不足，本发明的主要目的在于提供一种交通路径搜索系统及方法，其通过采用蚁群算法解决交通路径搜索的优化问题，具有实现简单，收敛速度快，鲁棒性好的优点，能更快地搜索到交通网络的最短路径。

为达上述及其它目的，本发明提供一种交通路径搜索系统，至少包括：

模糊期望值模型建立模组，通过将交通路网节点与节点之间的距离描述成模糊变量的形式，建立模糊期望值模型；以及

最短路径计算模组，根据获得的模糊期望值模型利用蚁群算法计算获得交通路网节点和节点之间的最短路径和长度。

进一步地，该模糊期望值模型为，

其中，

为模糊变量，表示节点i到节点j的距离，

设函数 $f(X,\tilde{c})=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{c}}_{\mathrm{ij}}{x}_{\mathrm{ij}},$ 则期望值为：

$E\left[f(X,\tilde{c})\right]={\∫}_0^{+\∞}\mathrm{Cr}\{f(X,\tilde{c})\≥r\}\mathrm{dr}-{\∫}_{-\∞}^0\mathrm{Cr}\{f(X,\tilde{c})\≤r\}\mathrm{dr}$

进一步地，该最短路径计算模组至少包括：

初始化模组，用于初始化蚁群；

转换概率计算模组，用于从起始点开始，对所有蚂蚁根据一转换概率搜索下一个节点，直至所有蚂蚁都到达目的节点；

更新模组，用于根据一更新模型更新每只蚂蚁从起点到终点所选路径上的信息素；

全局极值计算模组，用于根据该糊期望值模型计算出蚂蚁的期望值，并根据该目标值，计算各蚂蚁的适应度函数值，并于各蚂蚁当前的适应度函数值比其历史最优值好时，将当前的适应度函数值代替代其历史最优值；

判断模组，根据一收敛规则判断该全局极值计算模组所计算出结果是否为最优解；以及

输出模组，若满足收敛规则，则输出交通路网节点和节点之间的最短路径及其长度。

进一步地，该初始化模组初始化各条边上的信息素浓度与边启发信息。

进一步地，该转换概率为：

其中，α表示信息素的相对重要性，α≥0，β表示启发信息的相对重要性，β≥0，τ_ij(t)为t时刻连接节点i到节点j的边上的信息素浓度，η_ij为边启发信息，

其中，d_ij表示节点i和节点j之间的距离，d_jn表示节点j到终点n之间的直线距离。

进一步地，该更新模型为：

τ_ij(t+m)＝ρτ_ij(t)+Δτ_ij(t+m)

其中，Δτ_ij表示蚂蚁k在时间段t到(t+m)的过程中，在i到j的边上留下的残留信息素浓度，参数ρ表示信息激素物质的保留率。

进一步地，该更新模型根据信息素更新策略的不同，采用如下模型：

其中Q1是常量，信息素的增量与节点i与节点j之间的距离有关。

进一步地，该适应度函数值为：

$f\left(X_i\right)=\frac{1}{E\left[f(X,\tilde{c})\right]}$

进一步地，该收敛规则可以预设的循环次数。

为达上述及其他目的，本发明提供一种交通路径搜索方法，包括如下步骤：

将交通路网节点和节点之间的距离描述成模糊变量的形式，建立模糊期望值模型；

初始化蚁群；

将所有蚂蚁置于起始点，对所有蚂蚁根据一转换概率选择下一个节点，直至所有蚂蚁都到达目的节点；

根据一更新模型更新每只蚂蚁从起点到终点所选路径上的信息素；

根据该模糊期望值模型模拟计算蚂蚁的期望值，根据该期望值计算各蚂蚁的适应度函数值，并于各蚂蚁当前的适应度函数值比其历史最优值好时，将当前的适应度函数值代替代其历史最优值；

根据一收敛规则判断所计算出的适应度函数值是否为最优解；以及

若满足该收敛规则，则输出交通路网节点和节点之间的最短路径及其长度。

进一步地，若不满足该收敛规则，则转至该将所有蚂蚁置于起始点，对所有蚂蚁根据一转换概率选择下一个节点，直至所有蚂蚁都到达目的节点的步骤。

进一步地，该初始化蚁群的步骤为初始化各条边上的信息素浓度与边启发信息。

与现有技术相比，本发明一种交通路径搜索系统及方法通过将蚁群算法引入不确定环境交通路径搜索问题，根据该算法收敛速度快的特点，能够高效地搜索出交通最短路径；由于蚁群算法是一种高效的并行搜索算法，对于大规模交通网络，能够节约时间，快速搜索出最短路径，提高了出行者的出行效率；同时本发明具有一定的鲁棒性，采用本发明，面对不同类型的复杂交通网络，网络中弧的权值可能服从不同的隶属函数分布，也能迅速为出行者选出合适的出行路线。

附图说明

图1为本发明一种交通路径搜索系统的系统架构图；

图2为本发明一种交通路径搜索方法的步骤流程图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

在介绍本发明之前，先简要说明一下蚁群算法的有关概念。蚁群算法是一种模拟进化算法，它模拟自然界中真实蚂蚁的觅食行为。采用具有记忆的人工蚂蚁。通过个体之间的信息交流与相互协助来找到蚁穴到食物源的最短路径。其基本原理为：蚂蚁之间通过信息素，也称外激素，进行间接交流而达到合作。蚂蚁在行进的途中会根据信息素的浓度选择路径。同时也释放自己的信息素。即路径上的信息素浓度越大，后来的蚂蚁选择该路径的概率也越大，则过一段时间蚂蚁经常选择的路上的信息素浓度会越来越大；另一方面，信息素也会随着时间的推移而挥发，则蚂蚁很少选择的路径上的信息素浓度会越来越低。因此当大量蚂蚁觅食时就会表现出一种信息的正反馈现象.指导蚂蚁最终找到一条从蚁穴到食物源的最短路径。

图1为本发明一种交通路径搜索系统的系统架构图。如图1所示，本发明一种交通路径搜索系统，运用蚁群算法求解最短路径，其至少包括：模糊期望值模型建立模组11以及最短路径计算模组12

其中模糊期望值模型建立模组11通过将交通路网节点和节点之间的距离描述成模糊变量的形式，建立模糊期望值模型，其中，该模糊变量符合某种隶属函数的分布。在本发明之较佳实施例中，该模糊期望值模型的建立方法如下：

在有向图G(V，E)中，V是顶点集合，E是边的集合，c_ij表示节点i到节点j的距离c_ij≥0，但是很多时候c_ij是不确定的，是模糊的，可以用模糊变量

表示，其中源点为节点1，终点为节点n，求1到n的最短路径。

因此，模糊期望值模型的可建立如下所示：

设函数 $f(X,\tilde{c})=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{c}}_{\mathrm{ij}}{x}_{\mathrm{ij}}$

用模糊期望值模型求解最短路径问题，方法就是取目标函数和约束条件的期望值，因为目标函数中含有模糊变量，可以根据模糊变量期望值的定义求出其期望值，约束条件不含模糊变量，还保持原来的形式。

因此，该模糊期望值模型又可表示如下：

若

为一般的模糊变量，则

也为模糊变量，其期望值为：

$E\left[f(X,\tilde{c})\right]={\∫}_0^{+\∞}\mathrm{Cr}\{f(X,\tilde{c})\≥r\}\mathrm{dr}-{\∫}_{-\∞}^0\mathrm{Cr}\{f(X,\tilde{c})\≤r\}\mathrm{dr}$

由于一般模糊变量其隶属函数的形式可以多种多样，对于有些模糊变量来说，很难求出其具体的期望值。这时，可以采用基于模糊模拟的蚁群算法进行求解。

最短路径计算模组12根据获得的模糊期望值模型利用蚁群算法计算获得交通路网节点和节点之间的最短距离。其进一步包括：初始化模组120、转换概率计算模组121、更新模组122、全局极值计算模组123、判断模组124以及输出模组125。

其中初始化模组120用于初始化蚁群，即初始化各条边上的信息素浓度及边启发信息等，在本发明较佳实施例中，设τ_ij(t)为t时刻连接节点i到节点j的边上的信息素浓度，在初始时刻，各条边上的信息素浓度相等，设τ_ij(0)＝C(常数)，η_ij为边启发信息，

其中，d_ij表示节点i和节点j之间的距离，d_jn表示节点j到终点n之间的直线距离；转换概率计算模组121用于于搜索过程中，从起始点开始，对所有蚂蚁根据一转换概率搜索下一个节点，直至所有蚂蚁都到达目的节点，在本发明较佳实施例中，该转换概率公式如下：

其中，α表示信息素的相对重要性(α≥0)，β表示启发信息的相对重要性(β≥0)。

更新模组122用于根据一更新模型更新每只蚂蚁从起点到终点所选路径上的信息素，由于随着时间的推移，先前留下的信息素或者逐渐消失，或者残留的信息素过多，从而淹没了启发信息，为了避免这两种情况出现，在每一只蚂蚁从起点到达终点后，必须对残留的信息素进行更新，用参数ρ来表示信息激素物质的保留率，1-ρ则就表示信息素的挥发率，经过m个时间单位后，蚂蚁从起点达目的点时，各边上的信息素浓度要根据以下更新模型作调整：

τ_ij(t+m)＝ρτ_ij(t)+Δτ_ij(t+m)(2)，

式中，Δτ_ij表示蚂蚁k在时间段t到(t+m)的过程中，在i到j的边上留下的残留信息素浓度。根据信息素更新策略的不同，采用ant-quantity模型，

其中Q1是常量，信息素的增量与ij之间的距离有关。

全局极值计算模组123用于根据模糊模拟计算蚂蚁的目标值(期望值)，即

并根据该目标值，计算各蚂蚁的适应度函数值，令适应度函数为

并于一蚂蚁当前的适应度函数值比其历史最优值好时，将当前的适应度函数值代替代其历史最优值。

判断模组124用于根据一收敛规则判断该全局极值计算模组123所计算出结果是否为最优解，若满足该收敛规则，则由输出模组125输出最优解，即交通路网节点和节点之间的最短路径及其长度；否则，则继续由转换概率计算模组121从起始点开始，对所有蚂蚁根据转换概率搜索下一个节点。该收敛规则可以为设定的循环次数，但本发明不以此为限。

图2为本发明一种交通路径搜索方法的步骤流程图。如图2所示，本发明一种交通路径搜索方法，利用蚁群算法求解交通网点节点与节点间的最短路径，其包括如下步骤：

步骤201，将交通路网节点和节点之间的距离描述成模糊变量的形式，建立模糊期望值模型，该模糊期望值模型可表示如下：

若

为一般的模糊变量，则也为模糊变量，其期望值为：

$E\left[f(X,\tilde{c})\right]={\∫}_0^{+\∞}\mathrm{Cr}\{f(X,\tilde{c})\≥r\}\mathrm{dr}-{\∫}_{-\∞}^0\mathrm{Cr}\{f(X,\tilde{c})\≤r\}\mathrm{dr}$

步骤202，初始化蚁群，即初始化各条边上的信息素浓度及边启发信息等，在本发明较佳实施例中，设τ_ij(t)为t时刻连接节点i到节点j的边上的信息素浓度，在初始时刻，各条边上的信息素浓度相等，设τ_ij(0)＝C(常数)，η_ij为边启发信息，

其中，d_ij表示节点i和节点j之间的距离，d_jn表示节点j到终点n之间的直线距离。

步骤203，将所有蚂蚁置于起始点，对所有蚂蚁根据一转换概率选择下一个节点，直至所有蚂蚁都到达目的节点，在本发明较佳实施例中，该转换概率公式如下：

其中，α表示信息素的相对重要性(α≥0)，β表示启发信息的相对重要性(β≥0)。

步骤204，根据一更新模型更新每只蚂蚁从起点到终点所选路径上的信息素，由于随着时间的推移，先前留下的信息素或者逐渐消失，或者残留的信息素过多，从而淹没了启发信息，为了避免这两种情况出现，在每一只蚂蚁从起点到达终点后，必须对残留的信息素进行更新，用参数ρ来表示信息激素物质的保留率，1-ρ则就表示信息素的挥发率，经过m个时间单位后，蚂蚁从起点达目的点时，各边上的信息素浓度要根据以下更新模型作调整：

τ_ij(t+m)＝ρτ_ij(t)+Δτ_ij(t+m)(2)，

式中，Δτ_ij表示蚂蚁k在时间段t到(t+m)的过程中，在i到j的边上留下的残留信息素浓度。根据信息素更新策略的不同，采用ant-quantity模型，

其中Q1是常量，信息素的增量与ij之间的距离有关。

步骤205，根据模糊模拟计算蚂蚁的目标值(期望值)，即并

根据该目标值(期望值)计算各蚂蚁的适应度函数值，令适应度函数为

并于各蚂蚁当前的适应度函数值比其历史最优值好时，将当前的适应度函数值代替代其历史最优值。

步骤206，根据一收敛规则判断所计算出的适应度函数值是否为最优解，该收敛规则可以为设定的循环次数。

步骤207，若满足该收敛规则，则输出最优解，即交通路网节点和节点之间的最短路径及其长度；否则，则转至步骤203。

以下将通过一具体例子来进一步说明本发明。假设已建立模糊期望值模型，f(X)表示适应度函数。第i个蚂蚁的适应度函数为f(X_i)，以下利用蚁群算法来计算最短路径与长度。

蚁群算法的主要步骤如下：

Step1：令时间t和循环次数Max为零，设置最大循环次数为200次，令每条路径上的信息素浓度τ_ij(t)＝C，且Vτ_ij＝0。

Step2：将50只蚂蚁置于起始点，对所有蚂蚁根据公式(1)计算转换概率，并用赌轮法选择满足以下两个规则的下一个节点，即蚂蚁在选择下一个节点时，①每次扩展所选择的交叉点在地图上是可移动的；②在已经访问过的所有节点中不存在该节点，然后根据公式(2)和(3)更新所选路径上的信息素。

Step3：重复Step2，直到所有蚂蚁都到达目的节点。

Step4：使用模糊模拟计算蚂蚁的目标值，即

Step5：根据蚂蚁的目标值，计算各个蚂蚁的适应度函数值，令适应度函数为

$f\left(X_i\right)=\frac{1}{E\left[f(X,\tilde{c})\right]}.$

Step6：如果该蚂蚁当前的适应度函数值比其历史最优值要好，那么历史最优将会被当前的所替代。

Step7：如果循环已经达到最大循环次数Max，则循环结束，输出最短路径及其长度；否则回到Step2。

可见，相比遗传算法，蚁群算法只考虑根据转换概率选择下一个节点及信息素的更新，操作比较简单，它来源于对自然界蚂蚁寻找从蚁巢到食物源的最短路径行为的研究，是一种并行算法，所有蚂蚁独立行动，没有监督机构，从而使其避开局部最优；它是一种协作算法，每一只蚂蚁选择路径时，有较多信息素的路径被选中的可能性要比较少信息素的路径大得多，由于采用了正反馈机制，加快了该算法的收敛速度；它是一种构造性的贪婪算法，能在搜索的早期阶段找到较好的可接受解；它是一种鲁棒算法，因为只要对算法作小小的修改，就可以运用于别的组合优化问题。由于采用因此蚁群算法在解决优化问题时，具有实现简单，收敛速度快，鲁棒性好的优点，能更快地搜索到交通网络的最短路径。

综上所述，本发明一种交通路径搜索系统及方法通过将蚁群算法引入不确定环境交通路径搜索问题，根据该算法收敛速度快的特点，能够高效地搜索出交通最短路径；由于蚁群算法是一种高效的并行搜索算法，对于大规模交通网络，能够节约时间，快速搜索出最短路径，提高了出行者的出行效率；同时本发明具有一定的鲁棒性，采用本发明，面对不同类型的复杂交通网络，网络中弧的权值可能服从不同的隶属函数分布，也能迅速为出行者选出合适的出行路线。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (7)

1.一种交通路径搜索系统，至少包括： 

模糊期望值模型建立模组，通过将交通路网节点与节点之间的距离描述成模糊变量的形式，建立模糊期望值模型，其中，该模糊期望值模型为， 

其中，

为模糊变量，表示节点i到节点j的距离， 

设函数则期望值为： 

以及最短路径计算模组，根据获得的模糊期望值模型利用蚁群算法计算获得交通路网节点和节点之间的最短路径和长度，其中，所述最短路径计算模组包括： 

初始化模组，用于初始化蚁群； 

转换概率计算模组，用于从起始点开始，对所有蚂蚁根据一转换概率搜索下一个节点，直至所有蚂蚁都到达目的节点；其中，对所有蚂蚁根据一转换概率搜索下一个节点的转换概率为： 

其中，α表示信息素的相对重要性，α≥0，β表示启发信息的相对重要性，β≥0，τ_ij(t)为t时刻连接节点i到节点j的边上的信息素浓度，η_ij为边启发信息，

其中，d_ij表示节点i和节点j之间的距离，d_jn表示节点j到终点n之间的直线距离； 

更新模组，用于根据一更新模型更新每只蚂蚁从起点到终点所选路径上的信息素；其中，该更新模型为： 

τ_ij(t+m)＝ρτ_ij(t)+_Δτ_ij(t+m) 

其中，_Δτ_ij表示蚂蚁k在时间段t到(t+m)的过程中，在i到j的边上留下的残留信息素浓度，参数ρ表示信息激素物质的保留率，根据信息素更新策略的不同，采用如下模型： 

其中Q1是常量，信息素的增量与节点i与节点j之间的距离有关；d_in表示节点i与节点n之间的距离； 

全局极值计算模组，用于根据该糊期望值模型计算出蚂蚁的期望值，并根据该期望值，计算各蚂蚁的适应度函数值，并于各蚂蚁当前的适应度函数值比其历史最优值好时，将当前的适应度函数值代替其历史最优值； 

判断模组，根据一收敛规则判断该全局极值计算模组所计算出结果是否为最优解；以及 

输出模组，若满足收敛规则，则输出交通路网节点和节点之间的最短路径 及其长度。 

2.如权利要求1所述的交通路径搜索系统，其特征在于：该初始化模组初始化各条边上的信息素浓度与边启发信息。 

3.如权利要求1所述的交通路径搜索系统，其特征在于，该适应度函数值为： 

4.如权利要求1所述的交通路径搜索系统，其特征在于:该收敛规则是预设的循环次数。 

5.一种交通路径搜索方法，包括如下步骤： 

将交通路网节点和节点之间的距离描述成模糊变量的形式，建立模糊期望值模型，其中，该模糊期望值模型为， 

其中，

为模糊变量，表示节点i到节点j的距离， 

设函数

则期望值为： 

初始化蚁群； 

将所有蚂蚁置于起始点，对所有蚂蚁根据一转换概率选择下一个节点，直至所有蚂蚁都到达目的节点；其中，对所有蚂蚁根据一转换概率搜索下一个节点的转换概率为： 

其中，α表示信息素的相对重要性，α≥0，β表示启发信息的相对重要性，β≥0，τ_ij(t)为t时刻连接节点i到节点j的边上的信息素浓度，η_ij为边启发信息，

其中，d_ij表示节点i和节点j之间的距离，d_jn表示节点j到终点n之间的直线距离； 

根据一更新模型更新每只蚂蚁从起点到终点所选路径上的信息素；其中，该更新模型为： 

τ_ij(t+m)＝ρτ_ij(t)+_Δτ_ij(t+m) 

其中，_Δτ_ij表示蚂蚁k在时间段t到(t+m)的过程中，在i到j的边上留下的残留信息素浓度，参数ρ表示信息激素物质的保留率，根据信息素更新策略的不同，采用如下模型： 

其中Q1是常量，信息素的增量与节点i与节点j之间的距离有关；d_in表示节点i与节点n之间的距离； 

根据该模糊期望值模型模拟计算蚂蚁的期望值，根据该期望值计算各蚂蚁的适应度函数值，并于各蚂蚁当前的适应度函数值比其历史最优值好时，将当 前的适应度函数值代替其历史最优值； 

根据一收敛规则判断所计算出的适应度函数值是否为最优解；以及 

若满足该收敛规则，则输出交通路网节点和节点之间的最短路径及其长度。 

6.如权利要求5所述的交通路径搜索方法，其特征在于：若不满足该收敛规则，则转至该将所有蚂蚁置于起始点，对所有蚂蚁根据一转换概率选择下一个节点，直至所有蚂蚁都到达目的节点的步骤。 

7.如权利要求5所述的交通路径搜索方法，其特征在于：该初始化蚁群的步骤为初始化各条边上的信息素浓度与边启发信息。 

Images