CN103327082B - 一种多蚁群疏散优化交换方法 - Google Patents
一种多蚁群疏散优化交换方法 Download PDFInfo
- Publication number
- CN103327082B CN103327082B CN201310224818.7A CN201310224818A CN103327082B CN 103327082 B CN103327082 B CN 103327082B CN 201310224818 A CN201310224818 A CN 201310224818A CN 103327082 B CN103327082 B CN 103327082B
- Authority
- CN
- China
- Prior art keywords
- ant colony
- network node
- path
- pheromone
- formica fusca
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明提供一种多蚁群疏散优化交换方法,其特征在于,包括:a.将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上;b.所述蚂蚁构建从初始的网络节点至出口节点的疏散路径;c.当一蚁群内所有蚂蚁的疏散路径构建完成后,更新所述疏散路径经过的网络节点相对应的边沿的信息素;d.比较此次构建的最优的疏散路径与第一疏散路径,并将最优的疏散路径替换所述第一疏散路径,根据所述第一疏散路径更新所述信息素;e.重复所述步骤b至所述步骤d,以完成一次所述步骤b至所述步骤d为一次迭代,当迭代次数满足交互条件时,蚁群间进行交互并以获取和储存其他蚁群的蚂蚁生成的信息素;f.重复所述步骤b至所述步骤e,直至满足第一条件生成最优疏散路径。
Description
技术领域
本发明涉及智能交通仿真与评估领域。
背景技术
疏散问题涉及到大量人员的交互,是一个复杂适应系统(complexadaptivesystem,CAS)。国内外诸多学者基于不同的实际背景采用不同方法对该问题进行研究,传统方法主要是采取计算机仿真和数学分析方法。仿真模型一般是从微观或宏观的层次对疏散过程中人员流动或交通状况进行模拟,可用于预测出疏散时间,评估疏散方案。数学分析的方法主要以网络流优化为基础,无论是建筑物内疏散或大范围疏散都可以转化为疏散网络的问题。目前智能算法越来越受到人们的关注,如神经网络、遗传算法、蚁群算法、粒子群算法等,它们在传统算法无法解决的组合优化和NP难问题上获得良好的效果。为了更好得从宏观上提供大型场馆应急疏散的全局路径优化分析,一些研究人员提出了将蚁群算法应用于疏散路径优化。
蚁群算法虽然能够比较好地解决紧急疏散中的路径优化问题,但自身方面也存在一些不足,如易出现停滞现象而陷入局部最优解等。带精英策略的蚂蚁系统、基于优化排序的蚂蚁系统、蚁群系统和最大-最小蚁群算法等蚁群优化算法针对基本蚁群算法的缺陷进行了改进,提高了算法的性能。不论是基本蚁群算法还是改进的蚁群算法,都是基于单种群、单种信息素的算法,没有充分挖掘蚁群算法的并行性以及分布式计算等优良特性,不能完全反映真实蚂蚁社会的复杂性。
发明内容
针对现有技术的缺陷,本发明提供一种基于多蚁群的疏散优化方法,其特征在于,包括如下步骤:a.将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上;b.所述蚂蚁构建从初始的网络节点至出口节点的疏散路径,其中,所述出口节点包含于所述待疏散地区的网络节点中;c.当一蚁群内所有蚂蚁的疏散路径构建完成后,更新所述疏散路径经过的网络节点相对应的边沿的信息素,其中每两个网络节点与一条边沿相对应;d.比较此次构建的最优的疏散路径与第一疏散路径,并将最优的疏散路径替换所述第一疏散路径,根据所述第一疏散路径更新所述信息素;e.重复所述步骤b至所述步骤d,以完成一次所述步骤b至所述步骤d为一次迭代,当迭代次数满足交互条件时,蚁群间进行交互并以获取和储存其他蚁群的蚂蚁生成的信息素;f.重复所述步骤b至所述步骤e,直至满足第一条件生成最优疏散路径。
优选地,所述蚁群包括:行人蚁群;以及车辆蚁群。
优选地,所述步骤a包括:将不同蚁群的蚂蚁随机地初始化至待疏散地区的网络节点上,其中,不同的网络节点分别与不同的蚁群相对应。
优选地,所述蚂蚁根据如下信息构建从初始的网络节点至出口节点的疏散路径:同一蚁群的蚂蚁生成的信息素;其他蚁群的蚂蚁生成的信息素,其中,其他蚁群的蚂蚁生成的信息素为上一次通讯时获取并储存的;所述蚁群的控制参数。
优选地,所述蚂蚁根据如下公式构建从初始的网络节点至出口节点的疏散路径:
其中,i、j为所述网络节点序号,k为一蚁群内的蚂蚁序号,tij为边(i,j)的通行时间,Cij为边(i,j)的通行能力,ηij为启发式,表示为边沿(i,j)的通行时间tij乘以通行能力Cij的倒数,表示所述蚁群第t次迭代时从网络节点i到网络节点j的转移概率,U为当前蚂蚁k允许访问的节点集,d(i,j)为网络节点i到网络节点j的距离,α,β分别代表所述信息素和所述启发式的权重,τij(t)表示所述蚁群第t次迭代时边沿(i,j)的信息素,τ(i,j)表示边沿(i,j)的信息素,q∈[0,1]是均匀分布的随机数,q0是参数。
优选地,所述启发式ηij根据如下公式进行改进:
其中,UCapacity是具有第一属性的网络节点集合,是具有第一属性的网络节点的相应边沿的通行能力,γ是具有第一属性的网络节点的相应边沿的通行能力的权重。
优选地,根据如下公式更新所述疏散路径经过的网络节点相对应的边沿的信息素:
τij′=(1-ρ)τij+ρΔτij;
其中,i、j为所述网络节点序号,τ′ij为边沿(i,j)更新的信息素,τij边沿(i,j)原来的信息素,k为一蚁群内的蚂蚁序号,M为所述蚁群内的蚂蚁个数,为紧急情况下蚂蚁k通过边沿(i,j)所需要的时间,Pk为蚂蚁k的疏散路径经过的网络节点的集合,Q是常数,表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量,ρ是局部信息素衰变参数,其中,0<ρ<1。
优选地,所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优疏散路径。
优选地,根据所述第一疏散路径更新所述信息素的公式如下所示:
τij′=(1-γ)τij+γΔτij;
其中,i、j为所述网络节点序号,τij′为边沿(i,j)更新的信息素,τij边沿(i,j)原来的信息素,Q是常数,表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量,L是所述第一疏散路径的长度,γ是全局信息素衰变参数,0<γ<1。
优选地,所述交互条件包括如下条件中的一种:达到第一迭代次数;或者所述第一疏散路径没有被替换达到第二迭代次数。
优选地,所述第一条件包括如下条件中的一种:多个蚁群达到第三迭代次数;或者多个蚁群各自的第一疏散路径都没有被替换达到第四迭代次数。
本发明利用多个蚁群分别模拟行人和车辆的疏散过程,并考虑出口的通行能力,各蚁群将独立进行信息素更新,每隔一定迭代次数,实现蚁群之间的信息交换,以使其他蚁群的蚂蚁能够以较大概率打破停滞状态。通过行人蚁群和车辆蚁群的组合,为大规模人群疏散提供高效、可靠的疏散方案。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明的第一实施例的,一种基于多蚁群的疏散优化方法的流程图;以及
图2示出根据本发明的第二实施例的,一种行人蚁群以及车辆蚁群交互协同的疏散优化方法的流程图。
具体实施方式
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明的第一实施例的,一种基于多蚁群的疏散优化方法的流程图。具体地,图1示出了9个步骤。步骤S101,将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上。具体地,不同的网络节点分别与不同的蚁群相对应。将不同蚁群的蚂蚁随机地初始化至其对应的网络节点上。也就是说,网络节点只能由其对应的蚁群的蚂蚁通过,因此初始化时,不同蚁群的蚂蚁只能初始化至其可以通过的网络节点。步骤S102,所述蚂蚁构建从初始的网络节点至出口节点的疏散路径,其中,所述出口节点包含于所述疏散网络节点中。优选地,所述蚂蚁根据如下信息构建从初始的网络节点至出口节点的疏散路径:同一蚁群的蚂蚁生成的信息素;其他蚁群的蚂蚁生成的信息素,其中,其他蚁群的蚂蚁生成的信息素为上一次通讯时获取并储存的;以及所述种群的控制参数。具体地,不同的蚁群有不同的控制参数,控制参数用于表示和计算不同蚁群各自的移动规则。步骤S103,判断蚁群内所有蚂蚁是否已完成疏散路径的构建。若蚁群内有蚂蚁未完成疏散路径的构建,则跳回至步骤S102继续构建疏散路径。若蚁群内所有蚂蚁完成疏散路径的构建,则继续执行步骤S104。步骤S104,更新所述疏散路径经过的网络节点相对应的边沿的信息素,其中每两个网络节点与一条边沿相对应。步骤S105,比较此次构建的最优的疏散路径与第一疏散路径,并将最优的疏散路径替换所述第一疏散路径,根据所述第一疏散路径更新所述信息素。优选地,所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优疏散路径。步骤S106,以完成一次所述步骤S102至步骤S105为一次迭代,判断迭代次数是否满足交互条件。若迭代次数不满足交互条件,则跳回执行步骤S102。若迭代次数满足交互条件,则继续执行步骤S107。其中,交互条件包括如下条件中的一种:达到第一迭代次数;或者所述第一疏散路径没有被替换达到第二迭代次数。步骤S107,蚁群间进行交互并以获取和储存其他蚁群的蚂蚁生成的信息素。步骤S108,判断迭代次数是否满足第一条件。若不满足第一条件,则跳回执行步骤S102。若满足第一条件,则继续执行步骤S109。步骤S109,生成最优疏散路径。其中,所述第一条件包括如下条件中的一种:多个蚁群达到第三迭代次数;或者多个蚁群各自的第一疏散路径都没有被替换达到第四迭代次数。
具体地,在一具体实施例中,将疏散区域简化成疏散网络G(N,A),其中N={1,2,...,n}为有限节点集,代表疏散的起点、中间节点和终点,为有限边集合,代表疏散通道或路段。例如对大型场馆进行疏散时,该网络既包括场馆内部的网络结构,也包括场馆出口与安全点间的网络。
目标为最小化疏散时间:
约束条件1:
约束条件2:
其中,i、j为所述网络节点序号,k为一蚁群内的蚂蚁序号,M为所述蚁群内的蚂蚁个数,T为疏散所有蚂蚁所需要的时间,为紧急情况下蚂蚁k通过边(i,j)所需要的时间,Pk为蚂蚁k疏散路径节点的集合,d(i,j)为网络节点i到网络节点j的距离,v0为正常情况下通过边(i,j)的速度,Nij(t)为t时刻边(i,j)上的蚂蚁个数,Cij为边(i,j)的通行能力。约束条件1为计算通过边(i,j)所需时间的计算公式,约束条件2为边(i,j)上通行速度的递减函数,随着路段饱和度增加,速度下降。
根据上述疏散网络,各蚁群的蚂蚁初始时刻被随机的放置在网络节点上,其中,蚂蚁的所在蚁群与其被放置的网络节点相对应。各蚁群的蚂蚁初始化后开始构建疏散路径,疏散路径根据如下方式进行构建:
启发式信息ηij用来表示初始时刻已获悉的路段通行能力等因素,定义为边(i,j)的通行时间乘以通行能力的倒数:
其中,tij为正常情况下通过边沿(i,j)的通行时间。
蚂蚁在每一次移动中,选择从网络节点i到网络节点j的转移概率定义为:
表示所述蚁群第t次迭代时从网络节点i到网络节点j的转移概率,U为当前蚂蚁k允许访问的节点集,d(i,j)为网络节点i到网络节点j的距离,α,β分别代表所述信息素和所述启发式的权重,τij(t)表示所述蚁群第t次迭代时边沿(i,j)的信息素,τ(i,j)表示边沿(i,j)的信息素,q∈[0,1]是均匀分布的随机数,q0是参数。根据每次从网络节点i到网络节点j的转移概率的选择,完成从起始网络节点至出口节点的疏散路径构建。
进一步地,待疏散区域内一些特殊网络节点的存在,对疏散的影响不容忽视。因而需要考虑各个出口的通行能力,特别是一些特殊网络节点(也就是具有第一属性的网络节点)对出口疏散能力的影响,使疏散更符合实际情况,为疏散设计标准提供更准确的科学依据。通过考虑各出口的疏散能力以及相关统计结果,对启发式信息计算公式(5)进行改进:
其中,UCapacity是具有第一属性的网络节点集合,是具有第一属性的网络节点的相应边沿的通行能力,γ是具有第一属性的网络节点的相应边沿的通行能力的权重。在一具体实施例中,具有第一属性的网络节点可以是拥有地铁站的网络节点。UCapacity是具有地铁站的网络节点集合,是具有具有地铁站的网络节点的相应边沿的通行能力。γ为0时,表示该网络节点的通行能力不受地铁站的影响。
在蚂蚁完成疏散路径的构建后,根据如下公式更新所述疏散路径经过的网络节点相对应的边沿的信息素:
τij′=(1-ρ)τij+ρΔτij;
其中,i、j为所述网络节点序号,τij′为边沿(i,j)更新的信息素,τij边沿(i,j)原来的信息素,k为一蚁群内的蚂蚁序号,M为所述蚁群内的蚂蚁个数,为紧急情况下蚂蚁k通过边沿(i,j)所需要的时间,Pk为蚂蚁k的疏散路径经过的网络节点的集合,Q是常数,表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量,ρ是局部信息素衰变参数,其中,0<ρ<1。
进一步地,比较此次构建的最优的疏散路径与第一疏散路径,并将最优的疏散路径替换所述第一疏散路径,其中,所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优疏散路径。并根据所述第一疏散路径更新所述信息素,公式如下所示:
τij′=(1-γ)τij+γΔτij;
其中,i、j为所述网络节点序号,τij′为边沿(i,j)更新的信息素,τij边沿(i,j)原来的信息素,Q是常数,表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量,L是所述第一疏散路径的长度,γ是全局信息素衰变参数,0<γ<1。
更新信息素后,判断迭代次数是否满足交互条件。若迭代次数不满足交互条件,则再次构建疏散路径。若迭代次数满足交互条件,则实现蚁群件的通讯和交互。其中,交互条件包括如下条件中的一种:达到第一迭代次数;或者所述第一疏散路径没有被替换达到第二迭代次数,第一迭代次数和第二迭代次数可以为5、10、16等,在此不予赘述。进一步判断迭代次数是否满足第一条件。若不满足第一条件,则再次构建疏散路径。若满足第一条件,则生成最优疏散路径。其中,所述第一条件包括如下条件中的一种:多个蚁群达到第三迭代次数;或者多个蚁群各自的第一疏散路径都没有被替换达到第四迭代次数,第三迭代次数和第四迭代次数可以为10、16、21等,在此不予赘述。
图2示出根据本发明的第二实施例的,一种行人蚁群以及车辆蚁群交互协同的疏散优化方法的流程图。具体地,在本实施例中,蚁群包括行人蚁群以及车辆蚁群,分别被赋予不同的控制参数,行人蚁群以及车辆蚁群分别进行相互独立的进化过程,各蚁群在独立搜索一定代数后,定期通信,以使其他蚁群的蚂蚁能够以较大概率打破停滞状态,实现多蚁群的协同进化,最优解是多个蚁群协同优化的结果。其中,行人蚁群的蚂蚁按照行人的通行速度、行为方式来模拟待疏散场馆内部行人往待疏散场馆出口处的疏散过程。车辆蚁群的蚂蚁以车辆的通行速度从待疏散场馆出口处驶往安全疏散点。更具体地,如图2所示的流程图,行人蚁群独立执行步骤S201A至S203A,也就是初始化,构建疏散路径,更新信息素,并根据更新的信息素进一步构建疏散路径。相对应地,车辆蚁群独立执行步骤S201B至S203B,同行人蚁群相同,也就是初始化,构建疏散路径,更新信息素,并根据更新的信息素进一步构建疏散路径。在各自独立的同时,执行步骤S204,实现蚁群间的通讯和交互,实现蚁群间的协同优化,最终执行步骤S205,生成最优疏散路径。
进一步地,蚁群之间的特性如下:
(1)各种群间相互独立又相互联系。各种群内的蚂蚁具有相同的属性,按照各自种群的运行规则移动并搜索出口,但各种群内的蚂蚁可以识别其他种群蚂蚁留下的信息素;
(2)各种群内的蚂蚁可以根据本种群蚂蚁留下的信息素和其他种群蚂蚁留下的信息素确定下一步的运动方向;
(3)各个种群规模可以不相同。
Claims (10)
1.一种多蚁群疏散优化交换方法,其特征在于,包括:
步骤a.将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上;
步骤b.所述蚂蚁构建从初始的网络节点至出口节点的疏散路径,其中,所述出口节点包含于所述待疏散地区的网络节点中;
步骤c.当一蚁群内所有蚂蚁的疏散路径构建完成后,更新所述疏散路径经过的网络节点相对应的边沿的信息素,其中每两个网络节点与一条边沿相对应;
其中,根据如下公式更新所述疏散路径经过的网络节点相对应的边沿的信息素:
τij′=(1-ρ)τij+ρΔτij;
其中,i、j为所述网络节点序号,τ′ij为边沿(i,j)更新的信息素,τij边沿(i,j)原来的信息素,k为一蚁群内的蚂蚁序号,M为所述蚁群内的蚂蚁个数,为紧急情况下蚂蚁k通过边沿(i,j)所需要的时间,Pk为蚂蚁k的疏散路径经过的网络节点的集合,Q是常数,表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量,ρ是局部信息素衰变参数,其中,0<ρ<1;
步骤d.比较此次构建的最优的疏散路径与第一疏散路径,并将最优的疏散路径替换所述第一疏散路径,根据所述第一疏散路径更新所述信息素;
步骤e.重复所述步骤b至所述步骤d,以完成一次所述步骤b至所述步骤d为一次迭代,当迭代次数满足交互条件时,蚁群间进行交互并以获取和储存其他蚁群的蚂蚁生成的信息素;
步骤f.重复所述步骤b至所述步骤e,直至满足第一条件生成最优疏散路径。
2.根据权利要求1所述的方法,其特征在于,所述蚁群包括:
行人蚁群;以及
车辆蚁群。
3.根据权利要求1所述的方法,其特征在于,所述步骤a包括:
将不同蚁群的蚂蚁随机地初始化至待疏散地区的网络节点上,其中,不同的网络节点分别与不同的蚁群相对应。
4.根据权利要求1所述的方法,其特征在于,所述蚂蚁根据如下信息构建从初始的网络节点至出口节点的疏散路径:
同一蚁群的蚂蚁生成的信息素;
其他蚁群的蚂蚁生成的信息素,其中,其他蚁群的蚂蚁生成的信息素为上一次通讯时获取并储存的;
所述蚁群的控制参数。
5.根据权利要求1所述的方法,其特征在于,所述蚂蚁根据如下公式构建从初始的网络节点至出口节点的疏散路径:
其中,i、j为所述网络节点序号,k为一蚁群内的蚂蚁序号,tij为边(i,j)的通行时间,Cij为边(i,j)的通行能力,ηij为启发式,表示为边沿(i,j)的通行时间tij乘以通行能力Cij的倒数,表示所述蚁群第t次迭代时从网络节点i到网络节点j的转移概率,U为当前蚂蚁k允许访问的节点集,d(i,j)为网络节点i到网络节点j的距离,α,β分别代表所述信息素和所述启发式的权重,τij(t)表示所述蚁群第t次迭代时边沿(i,j)的信息素,τ(i,j)表示边沿(i,j)的信息素,q∈[0,1]是均匀分布的随机数,q0是参数。
6.根据权利要求5所述的方法,其特征在于,所述启发式ηij根据如下公式进行改进:
其中,UCapacity是具有第一属性的网络节点集合,是具有第一属性的网络节点的相应边沿的通行能力,γ是具有第一属性的网络节点的相应边沿的通行能力的权重。
7.根据权利要求1所述的方法,其特征在于,所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优疏散路径。
8.根据权利要求1所述的方法,其特征在于,根据所述第一疏散路径更新所述信息素的公式如下所示:
τij′=(1-γ)τij+γΔτij;
其中,i、j为所述网络节点序号,τij′为边沿(i,j)更新的信息素,τij为边沿(i,j)原来的信息素,Q是常数,表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量,L是所述第一疏散路径的长度,γ是全局信息素衰变参数,0<γ<1。
9.根据权利要求1所述的方法,其特征在于,所述交互条件包括如下条件中的一种:
达到第一迭代次数;或者
所述第一疏散路径没有被替换达到第二迭代次数。
10.根据权利要求1所述的方法,其特征在于,所述第一条件包括如下条件中的一种:
多个蚁群达到第三迭代次数;或者
多个蚁群各自的第一疏散路径都没有被替换达到第四迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310224818.7A CN103327082B (zh) | 2013-06-07 | 2013-06-07 | 一种多蚁群疏散优化交换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310224818.7A CN103327082B (zh) | 2013-06-07 | 2013-06-07 | 一种多蚁群疏散优化交换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103327082A CN103327082A (zh) | 2013-09-25 |
CN103327082B true CN103327082B (zh) | 2016-06-29 |
Family
ID=49195604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310224818.7A Expired - Fee Related CN103327082B (zh) | 2013-06-07 | 2013-06-07 | 一种多蚁群疏散优化交换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103327082B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995915B (zh) * | 2014-03-21 | 2017-03-01 | 中山大学 | 一种基于复合势能场的人群疏散仿真系统 |
EP3133550A1 (en) | 2015-08-20 | 2017-02-22 | Tata Consultancy Services Limited | Methods and systems for planning evacuation paths |
CN106453224B (zh) * | 2016-07-18 | 2019-05-17 | 北京交通大学 | 基于蚁群分类挖掘过程的网络渗透攻击检测方法 |
CN106251012A (zh) * | 2016-07-28 | 2016-12-21 | 广东工业大学 | 一种带软时间窗物流运输调度的路径计算方法及装置 |
CN106648852B (zh) * | 2016-11-18 | 2018-08-14 | 合肥工业大学 | 基于双蚁群的多星任务调度方法和装置 |
CN106971245A (zh) * | 2017-03-30 | 2017-07-21 | 广东工业大学 | 一种基于改进蚁群算法的路径确定方法及系统 |
CN107358333B (zh) * | 2017-05-24 | 2019-09-03 | 湖北工业大学 | 基于熵的多蚁群人车竞争-协作疏散优化方法 |
CN108413961A (zh) * | 2017-10-16 | 2018-08-17 | 同济大学 | 基于并行iACO的轻量级Web3D火灾逃生路径规划方法及系统 |
CN109919345B (zh) * | 2017-12-12 | 2021-06-29 | 北京京东振世信息技术有限公司 | 拣货路径规划方法与装置 |
CN108388752B (zh) * | 2018-03-22 | 2020-06-05 | 中国科学院计算技术研究所 | 一种适用于应急撤离的群体仿真方法 |
CN109145365B (zh) * | 2018-07-05 | 2021-06-04 | 同济大学 | 基于微观-宏观转换模型的区域人群运动状态预测方法 |
CN111165395B (zh) * | 2020-01-08 | 2021-04-30 | 清华大学 | 一种使用斑马鱼模拟人群流动的实验方法 |
CN111240326B (zh) * | 2020-01-15 | 2023-05-16 | 重庆邮电大学 | 一种基于异构双种群蚁群算法的移动机器人路径规划方法 |
CN111611749B (zh) * | 2020-05-25 | 2023-05-05 | 山东师范大学 | 基于rnn的室内人群疏散自动引导仿真方法及系统 |
CN113053349B (zh) * | 2021-03-12 | 2022-01-04 | 上海物骐微电子有限公司 | 基于蚁狮优化算法的主动降噪方法 |
CN113408857B (zh) * | 2021-05-24 | 2023-03-24 | 柳州东风容泰化工股份有限公司 | 一种硫代乙酸泄漏应急处理的管理方法及系统 |
CN113240908B (zh) * | 2021-06-16 | 2021-12-03 | 北京航空航天大学 | 基于蚁群交哺策略的交通网络拥堵调控方法及系统 |
CN113823394B (zh) * | 2021-11-22 | 2022-04-05 | 宏景科技股份有限公司 | 一种基于蚁群算法的智能导诊方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101170503A (zh) * | 2007-11-23 | 2008-04-30 | 中兴通讯股份有限公司 | 一种组播路由蚁群算法的优化方法 |
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
-
2013
- 2013-06-07 CN CN201310224818.7A patent/CN103327082B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101170503A (zh) * | 2007-11-23 | 2008-04-30 | 中兴通讯股份有限公司 | 一种组播路由蚁群算法的优化方法 |
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
Non-Patent Citations (2)
Title |
---|
Exchange strategies for multiple Ant Colony System;Issmail Ellabib , Paul Calamai, Otman Basir;《ELSEVIER》;20071231;1254-1256 * |
改进蚁群算法及在路径规划问题的应用研究;王沛栋;《万方数据企业知识服务平台》;20121227;36-37 * |
Also Published As
Publication number | Publication date |
---|---|
CN103327082A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103327082B (zh) | 一种多蚁群疏散优化交换方法 | |
CN103336999B (zh) | 一种基于多蚁群的组合交通疏散优化方法 | |
Tian et al. | Dual-objective scheduling of rescue vehicles to distinguish forest fires via differential evolution and particle swarm optimization combined algorithm | |
CN103198366B (zh) | 一种考虑目标节点时效性的多目标路径规划方法 | |
US20210348928A1 (en) | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network | |
CN105430706A (zh) | 一种基于改进粒子群算法的无线传感网络路由优化方法 | |
CN110334837A (zh) | 一种基于petri网分解的多AGV调度方法 | |
Marcianò et al. | Signal setting optimization on urban road transport networks: The case of emergency evacuation | |
Sun et al. | Optimization deployment of wireless sensor networks based on culture–ant colony algorithm | |
CN106656308B (zh) | 空间信息网络中任务的规划方法和装置 | |
CN107222333A (zh) | 一种基于bp神经网络的网络节点安全态势评估方法 | |
CN107330560A (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
CN108053059A (zh) | 运用基于重用策略的智能群体算法优化动态旅行商问题的方法 | |
CN104539601A (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
Kou et al. | Multiobjective optimization of evacuation routes in stadium using superposed potential field network based ACO | |
CN107358333B (zh) | 基于熵的多蚁群人车竞争-协作疏散优化方法 | |
CN113063419A (zh) | 一种无人机路径规划方法及系统 | |
Haldenbilen et al. | An ant colony optimization algorithm for area traffic control | |
Barolli | Complex, Intelligent and Software Intensive Systems: Proceedings of the 16th International Conference on Complex, Intelligent and Software Intensive Systems (CISIS-2022) | |
CN112199747A (zh) | 基于排队网络的室内人员疏散方法和疏散系统 | |
Guo et al. | Learning automata-based algorithms for solving the stochastic shortest path routing problems in 5G wireless communication | |
CN106851689B (zh) | 无线传感器及执行器网络中多因素任务分配方法 | |
CN115841229A (zh) | 一种网联车系统的智能调度方法 | |
Majdi | Proposing new routing protocol based on chaos algorithm | |
Zhang et al. | Bi-level programming model and algorithms for stochastic network with elastic demand |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 Termination date: 20190607 |
|
CF01 | Termination of patent right due to non-payment of annual fee |