CN102902824B - 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，通过建立云模型并利用云模型进化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，本发明通过采用云模型进化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云模型进化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。这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。遗传算法善长全局搜索，然而其局部搜索能力却明显不足，搜索到最优解或满意解的速度太慢，存在易陷入局部最优解和选择压力过大造成的早熟收敛等问题。

粒子群算法PSO(particle swarm optimization)是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上于1995年提出的一种群智能算法。其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到最优。PSO模拟鸟群的捕食行为，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中进行搜索，直至搜索到最优解。

粒子群算法，根据粒子的速度来决定搜索，粒子们追随当前的最优粒子在当前解空间中搜索。该算法适合问求解实数问题，对离散的优化问题处理不佳，算法简单，计算方便，求解速度快，但是存在着陷入局部最优等问题。

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，其基于云模型在定性概念与其定量数值表示之间转换过程中的优良特性，结合进化计算的基本思想，实现了不确定环境下交通最短路径的选择，基于云模型的进化算法能够自适应控制遗传、变异的程度和搜索空间的范围，从而可以快速使算法收敛到最优，较好地避免了遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题，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云模型进化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，该云模型定义为：设T为论域u上的语言值，映射 $\mathrm{Cr}\left(x\right):u\→\left[\mathrm{0,1}\right],\∀x\∈u,x\→\mathrm{Cr}\left(x\right),$ 则Cr(x)在u上的分布，称为T的隶属云，简称云，当Cr(x)服从正态分布时，称为正态云模型。

进一步地，该最短路径计算模组至少包括：

初始化模组，用于初始化种群，确定进化代数，利用正向云算子产生初始种群；

进化代数判断模组，判断是否到达指定的进化代数，如果是，最优精英个体即为所求最优解，如果不是，则启动目标值计算模组进行目标值计算；

目标值计算模组使用模糊模拟计算所有的目标值，目标值为该期望值；

适应度值计算模组，根据目标值，计算群落中个体的适应度函数值；

评估模组，根据适应度值进行评估得到优秀个体向量；

跨代精英个体判断模组，用于判断是否出现跨代精英个体，如果是，则进行局部求精操作，并通过产生新种群产生模组产生新种群，如果不是，则启动突变判断模组进行突变判断；

突变判断模组，用于判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并通过新种群产生模组产生新种群，如果不是，直接通过新种群产生模组产生新种群，如果连续平凡代达到突变阈值，则启动突变模组进行突变操作；

突变模组，用于进行突变操作；以及

新种群产生模组，用于产生新种群。

进一步地，该适应度值计算模组根据以下算式计算群落中个体的适应度函数值：

其中P_k表示第k条路径，为该目标值

进一步地，该种群的产生模型为进化模型，该进化模型为EP(Ex，En，He)，其中Ex称为种子个体，表达祖先遗传的优良特性；En称为进化熵，代表变异的大概范围；He称为进化超熵，表示进化的稳定性，He越大则不确定性越强。

进一步地，该突变操作为进化过程中全部或部分抛弃父代种群的优秀个体，并按照一定策略生成新的个体作为母体产生新种群的操作。

进一步地，精英个体为进化过程中得到的适应能力最强的个体，当代精英指一个进化代的所有个体中适应性最强的个体，该跨代精英个体指多个进化代中适应性最强的个体。

进一步地，该局部求精操作通过降低进化范围和增加稳定性，从而加大搜索的精度和稳定度来实现；该局部求变操作通过提高进化范围和降低稳定性来实现。

为达到上述及其他目的，本发明还提供一种交通路径搜索方法，包括如下步骤：

步骤一，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；

步骤二，初始化种群，确定进化代数，利用正向云算子产生初始种群；

步骤三，判断是否到达指定的进化代数N，如果是，最优精英个体即为所求最优解，本方法结束，如果不是，则转到步骤四；

步骤四，使用模糊模拟计算所有的目标值；

步骤五，根据目标值，计算群落中个体的适应度函数值；

步骤六，根据适应度值进行评估得到优秀个体向量；

步骤七，判断是否出现跨代精英个体，如果是，则进行局部求精操作，并转到步骤十，如果不是，则转到步骤八；

步骤八，判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并转到步骤十，如果不是，直接转到步骤十，如果连续平凡代达到突变阈值，则转到步骤九；

步骤九，进行突变操作；

步骤十，产生新种群，并转至步骤三。

进一步地，步骤五中，根据以下算式计算群落中个体的适应度函数值：

其中P_k表示第k条路径，为该目标值。

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云模型进化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；由于云模型进化算法能够自适应控制遗传、变异的程度和搜索空间的范围，从而可以快速使算法收敛到最优，较好地避免了遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题，能够，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，先简要说明一下云模型的有关概念。云模型是李德毅院士提出的一种定性知识描述和定性概念与其定量数值表示之间的不确定性转换模型，主要反映客观世界中事物或人类知识中概念的模糊性和随机性，并把二者完全集成在一起。云模型在知识表达时具有不确定中带有确定性、稳定之中又有变化的特点，体现了自然界物种进化的基本原理。云模型是一个遵循正态分布规律并具有稳定倾向的随机数集，其三个数字特征用期望值Ex、熵En和超熵He来表征，反映了定性概念的整体特性。云模型进化算法通过云模型把进化和遗传作为一种定性知识进行描述，进而通过不确定的定性定量转换，把定性知识转化成若干定量实现(子代个体).在每一个进化代，通过对个体的适应性评估得到优秀个体，作为下一代进化母体。

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，运用云模型进化算法求解最短路径，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：

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

以下进行模糊模拟

首先分别从的α水平集中均匀的产生b₁₁，b₁₂，…，b_1n，…，b_n1，b_n2…，b_nn，记为B＝(b₁₁，b₁₂，…，b_1n，…，b_n1，b_n2，…，b_nn)，如果α水平集不容易确定，可以给出包含α水平集的超几何体，从包含α水平集的超几何体产生b_ij。令u＝u₁₁(b₁₁)∧u₁₂(b₁₂)∧…∧u_nn(b_nn)，其中u_ij(x)为的隶属函数，计算f(X，B)，重复以上过程N次，得到f₁(X，B)，f₂(X，B)，…f_N(X，B)及u₁，u₂，…，u_N。

对于任意的r≥0，可信性近似等于：

$\frac{1}{2}\left(\underset{1\&le;k\&le;N}{\max }\right\{u_k|f_k(X,B)\&GreaterEqual;r\}+\underset{1\&le;k\&le;N}{\min }\{1-u_k|f_k(X,B)<r\left\}\right)$

对于任意的r＜0，可信性近似等于：

$\frac{1}{2}\left(\underset{1\&le;k\&le;N}{\max }\right\{u_k|f_k(X,B)\&le;r\}+\underset{1\&le;k\&le;N}{\min }\{1-u_k|f_k(X,B)>r\left\}\right)$

模拟步骤如下：

Step1：置m＝0

Step2：分别从的α水平集中均匀的产生b₁₁，b₁₂，…，b_1n，…，b_n1，b_n2，…，b_nn，令B＝(b₁₁，b₁₂，…，b_1n，…，b_n1，b_n2，…，b_nn)。

Step3：计算u＝u₁₁(b₁₁)∧u₁₂(b₁₂)∧…∧u_nn(b_nn)和f(X，B)。

Step4：重复Step2，Step3 N次。

Step5：令a＝f₁(X，B)∧f₂(X，B)∧…∧f_n(X，B)。

b＝f₁(X，B)∨f₂(X，B)∨…∨f_n(X，B)。

Step6：从[a，b]中均匀产生r。

Step7：如果r≥0，则m＝m+Cr{f(X，B)≥r}。

Step8：如果r≤0，则m＝m-Cr{f(X，B)≥r}。

Step9：重复Step6至Step8共N次。

Step10：

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云模型进化算法进行求解。

最短路径计算模组12根据获得的模糊期望值模型利用云模型进化算法计算获得交通路网节点和节点之间的最短距离。在介绍最短路径计算模组之前，先介绍几个后续所用到的与云模型进化算法有关的概念及操作：

云模型：正态云模型的定义，设T为论域u上的语言值，映射 $\mathrm{Cr}\left(x\right):u\&RightArrow;\left[\mathrm{0,1}\right],\&ForAll;x\&Element;u,x\&RightArrow;\mathrm{Cr}\left(x\right),$ 则Cr(x)在u上的分布，称为T的隶属云，简称云。当Cr(x)服从正态分布时，称为正态云模型。

云模型进化算法不像遗传算法那样注重父代与子代的遗传细节(通过基因表达遗传操作)上的联系，而是通过云模型把进化和遗传作为一种定性知识进行描述，进而通过不确定的定性定量转换，把定性知识转化成若干定量实现(子代个体).在每一个进化代，一方面通过对子代个体的适应性评估得到优秀个体，另一方面根据历史进化情况确定下一步进化的范围，从而形成新的知识，为下一步进化做好了准备。

进化模型：EP(Ex，En，He)是用云模型表达的进化模型.其中Ex称为种子个体，表达祖先遗传的优良特性；En称为进化熵，代表变异的大概范围；He称为进化超熵，表示进化的稳定性，He越大则不确定性越强。进化模型包括一维模型和多维模型。给定父代个体(Ex)作为母体，指定熵和超熵(En，He)，利用正向云算子便可以产生任意数量的云滴，所有云滴均是该母体的后代个体，形成一个种群，因而进化模型可以看成是种群的产生模型。

正向云算子：

INPUT：{Ex，En，He}，n //数字特征和云滴数

OUTPUT：{(x₁，μ₁)，(x₂，μ₂)…(x_n，μ_n)}//n个云滴

FOR  i＝1 to n

//生成期望值为En、方差为He的正态随机数

En′＝RANDN(En，He)，

x_i＝RANDN(Ex，En′)

${\mathrm{\&mu;}}_i=e^{\frac{-{(x_i-\mathrm{Ex})}^2}{2{\left(E{n}^{\&prime;}\right)}^2}}$

DROP(x_i，μ_i)//生成第i个云滴。

进化：指以父代种群中适应度较好的优秀个体为母体，按照进化模型产生新种群的操作.进化操作包含有一定的变异成分，因为个体既继承了母体的优良特征，又与母体有一定程度的不同，由于这种变异为稳中求变，故称为进化式变异。进化式变异的变化程度主要受进化模型的参数En控制，其变化程度可能较小(En较小时)，也可能较大(En较大时)

突变：指进化过程中全部或部分抛弃父代种群的优秀个体，并按照一定策略生成新的个体作为母体产生新种群的操作。经过突变产生的群落相对于父代群落差异较大。

精英个体：指进化过程中得到的适应能力最强的个体，分为当代精英和跨代精英.当代精英指一个进化代的所有个体中适应性最强的个体，跨代精英指多个进化代中适应性最强的个体，进化过程(算法)的最终结果即为所有进化代中的最优跨代精英个体。出现跨代精英的进化代称为非平凡进化代，没有出现跨代精英的进化代称为平凡进化代，两个跨代精英个体之间相隔的进化代数称为连续平凡代数，是连续没有出现跨代精英个体的进化代数.连续出现跨代精英的进化代数称为连续非平凡代数。

进化策略：指进化过程中进化操作的控制策略，亦即通过调整进化模型的参数En和He来优化子代种群产生的策略。(1)局部求精.当出现了跨代精英个体时，算法可能找到了新的极值邻域，或更加逼近了老的极值邻域，此时需要求精操作，方法是降低进化范围(减小En)和增加稳定性(减小He)，从而加大搜索的精度和稳定度以达到快速局部求精的目的。，比如可以简单地把En和He减小为原来的1/K，其中K为大于1的实数，称为进化系数。(2)局部求变(进化式变异).当若干进化代没有发现新的跨代精英，即连续平凡代数达到一定的阈值λ_local时，算法可能陷入了一个局部最优邻域，此时需要跳出这个小局部，并在该局部附近尝试寻找新的局部最优。方法是提高En和He，比如简单地提高为原来的L倍，L称为进化式变异系数，L≤K。

变异策略：指进化过程中对突变操作的控制策略，是算法摆脱局部的保证.当经过若干代进化没有得到适应性更加优异的个体，而且进化式变异没有效果时，算法有可能陷入局部，需要进行一次突变操作.进行局部求变和突变的连续平凡代数阈值之间的关系为λ_global＞λ_local。突变方法有两种，一种是取历史跨代精英个体的平均值，另一种是取历史当代精英个体的平均值，熵可取为相应历史精英个体的方差。

最短路径计算模组12进一步包括：初始化模组120、进化代数判断模组121、目标值计算模组122、适应度值计算模组123、评估模组124、跨代精英个体判断模组125、突变判断模组126、突变模组127以及新种群产生模组128。

其中初始化模组120用于初始化种群，确定进化代数N，利用正向云算子产生初始种群；进化代数判断模组121，用于判断是否到达指定的进化代数N，如果是，最优精英个体即为所求最优解，如果不是，则启动目标值计算模组122进行目标值计算；目标值计算模组122使用模糊模拟计算所有的目标值，即适应度值计算模组123根据目标值，计算群落中个体的适应度函数值其中P_k表示第k条路径；评估模组124根据适应度值进行评估得到优秀个体向量；跨代精英个体判断模组125用于判断是否出现跨代精英个体，如果是，则进行局部求精操作，并通过产生新种群产生模组128产生新种群，如果不是，则起动突变判断模组126进行突变判断；突变判断模组126用于判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并通过新种群产生模组128产生新种群，如果不是，直接通过新种群产生模组128产生新种群，如果连续平凡代达到突变阈值，则启动突变模组127进行突变操作；突变模组127用于进行突变操作；新种群产生模组128用于产生新种群。

在此需说明的是，在本发明较佳实施例中，参数设置如下：种群规模M＝500，进化代数N＝100，λ_local＝10，λ_local＝2，进化系数K＝10，进化变异系数

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，利用云模型进化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：

$E\left[f(X,\tilde{c})\right]={\&Integral;}_0^{+\&infin;}\mathrm{Cr}\{f(X,\tilde{c})\&GreaterEqual;r\}\mathrm{dr}-{\&Integral;}_{-\&infin;}^0\mathrm{Cr}\{f(X,\tilde{c})\&le;r\}\mathrm{dr}$

步骤202，初始化种群，确定进化代数N，利用正向云算子产生初始种群；

步骤203，判断是否到达指定的进化代数N，如果是，最优精英个体即为所求最优解，本流程结束，如果不是，则转到步骤204；

步骤204，使用模糊模拟计算所有的目标值，即

步骤205，根据目标值，计算群落中个体的适应度函数值 $\mathrm{eval}\left(P_k\right)=\frac{1}{E\left[f(X,\tilde{c})\right]},$ 其中P_k表示第k条路径；

步骤206，根据适应度值进行评估得到优秀个体向量；

步骤207，判断是否出现跨代精英个体，如果是，则进行局部求精操作，并转到步骤210，如果不是，则转到步骤208；

步骤208，判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并转到步骤210，如果不是，直接转到步骤210，，如果连续平凡代达到突变阈值，则转到步骤209；

步骤209，进行突变操作；

步骤210，产生新种群，并转至步骤203。

可见，本发明采用的云模型进化算法没有遗传算法的二进制编码工作，也没有相应的交叉、变异等操作，而是通过正向云算子完成新一代种群的产生，通过熵、超熵控制产生子代种群的位置、范围(搜索的范围)以及子代种群集聚程度(求精的粒度)，算法的实现也较遗传算法简单。本发明的云模型进化算法进化和变异是统一的，进化式变异是进化和变异融合，可以用来进行局部求精或跳出小局部，而突变则用来在全局范围内寻找新的极值搜索区域.算法可以判断出当前的进化状况，进而可以自适应地进行调整。相比传统遗传算法，当种群中多数个体的适应值相差不大时交叉操作就显得无能为力，此时算法容易陷入局部解而不能通过交换解决，突然变异能够使之摆脱局部收敛而跃出局部解，但后期的变异可能破坏已产生的对形成最优解有建设性作用的模块，而本发明的云模型进化算法可以有效避免遗传算法的这个缺点，因为进化式变异和突变均利用了历史搜索结果。

综上所述，本发明一种交通路径搜索系统及方法通过将云模型进化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；由于云模型进化算法能够自适应控制遗传、变异的程度和搜索空间的范围，从而可以快速使算法收敛到最优，较好地避免了遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题，能够，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 (10)

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；以及

最短路径计算模组，根据获得的模糊期望值模型，通过建立云模型并利用云模型进化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；

所述最短路径计算模组至少包括：

初始化模组，用于初始化种群，确定进化代数，利用正向云算子产生初始种群；

进化代数判断模组，判断是否到达指定的进化代数，如果是，最优精英个体即为所求最优解，如果不是，则启动目标值计算模组进行目标值计算；

目标值计算模组使用模糊模拟计算所有的目标值，目标值为该期望值；

适应度值计算模组，根据目标值，计算群落中个体的适应度函数值；

评估模组，根据适应度值进行评估得到优秀个体向量；

跨代精英个体判断模组，用于判断是否出现跨代精英个体，如果是，则进行局部求精操作，并通过产生新种群产生模组产生新种群，如果不是，则启动突变判断模组进行突变判断；

突变判断模组，用于判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并通过新种群产生模组产生新种群，如果不是，直接通过新种群产生模组产生新种群，如果连续平凡代达到突变阈值，则启动突变模组进行突变操作；

突变模组，用于进行突变操作；以及

新种群产生模组，用于产生新种群。

2.如权利要求1所述的交通路径搜索系统，其特征在于，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：

。

3.如权利要求2所述的交通路径搜索系统，其特征在于，该云模型定义为：设T为论域u上的语言值，映射则Cr(x)在u上的分布，称为T的隶属云，简称云，当Cr(x)服从正态分布时，称为正态云模型。

4.如权利要求1所述的交通路径搜索系统，其特征在于，该适应度值计算模组根据以下算式计算群落中个体的适应度函数值：

其中P_k表示第k条路径，为该目标值。

5.如权利要求4所述的交通路径搜索系统，其特征在于，该种群的产生模型为进化模型，该进化模型为EP(Ex,En,He)，其中Ex称为种子个体，表达祖先遗传的优良特性；En称为进化熵，代表变异的大概范围；He称为进化超熵，表示进化的稳定性，He越大则不确定性越强。

6.如权利要求5所述的交通路径搜索系统，其特征在于：该突变操作为 进化过程中全部或部分抛弃父代种群的优秀个体，并按照一定策略生成新的个体作为母体产生新种群的操作。

7.如权利要求6所述的交通路径搜索系统，其特征在于：精英个体为进化过程中得到的适应能力最强的个体，当代精英指一个进化代的所有个体中适应性最强的个体，该跨代精英个体指多个进化代中适应性最强的个体。

8.如权利要求7所述的交通路径搜索系统，其特征在于：该局部求精操作通过降低进化范围和增加稳定性，从而加大搜索的精度和稳定度来实现；该局部求变操作通过提高进化范围和降低稳定性来实现。

9.一种交通路径搜索方法，包括如下步骤：

步骤一，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；

步骤二，初始化种群，确定进化代数，利用正向云算子产生初始种群；

步骤三，判断是否到达指定的进化代数N，如果是，最优精英个体即为所求最优解，本方法结束，如果不是，则转到步骤四；

步骤四，使用模糊模拟计算所有的目标值；

步骤五，根据目标值，计算群落中个体的适应度函数值；

步骤六，根据适应度值进行评估得到优秀个体向量；

步骤七，判断是否出现跨代精英个体，如果是，则进行局部求精操作，并转到步骤十，如果不是，则转到步骤八；

步骤八，判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并转到步骤十，如果不是，直接转到步骤十，如果连续平凡代达到突变阈值，则转到步骤九；

步骤九，进行突变操作；

步骤十，产生新种群，并转至步骤三。

10.如权利要求9所述的交通路径搜索方法，其特征在于，步骤五中，根据以下算式计算群落中个体的适应度函数值：

其中P_k表示第k条路径，为该目标值。