CN103678649A - 基于云自适应粒子群算法的交通路径搜索系统及方法 - Google Patents

Abstract

本发明公开了一种基于云自适应粒子群算法的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云自适应粒子群算法计算获得交通路网节点和节点之间的最短距离，本发明通过利用云模型的随机性和稳定倾向性的特点，并采用云模型的X条件云发生器自适应调节惯性权重，从而提高了避免陷入局部最优的能力，具有收敛速度快，鲁棒性好的优点，能更快地搜索到交通网络的最短路径。

Description

基于云自适应粒子群算法的交通路径搜索系统及方法

技术领域

本发明涉及一种不确定环境下的交通路径搜索系统及方法，特别是涉及一种基于云自适应粒子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。

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。

粒子群算法采用实数求解，并且需要调整的参数较少，易于实现。但是该算法也存在易于陷入局部最优，出现早熟收敛的问题。在计算粒子的速度时，将惯性权重引入算法，通过实验研究表明，该参数对算法的性能有较大的影响。如果w值较大，有利于跳出局部最优，进行全局寻优；而w值较小，有利于局部寻优，加速算法收敛。一般的做法是将w值随着迭代次数的增加而线性减少。但是这样做较依赖于迭代次数，不能反映实际粒子变化的情况，不能反映实际优化搜索过程。

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基于云自适应粒子群算法的交通路径搜索系统及方法，其通过利用云模型的随机性和稳定倾向性的特点，并采用云模型的X条件云发生器自适应调节惯性权重，从而提高了避免陷入局部最优的能力，具有收敛速度快，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，本发明一种基于云自适应粒子群算法的交通路径搜索系统，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，根根据获得的模糊期望值模型利用云自适应粒子群算法计算获得交通路网节点和节点之间的最短距离。

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，用于初始化粒子种群，随机产生各粒子的速度和位置向量，并且将个体的历史最优设为当前位置，而群体中最优的个体位置作为整个粒子群当前的最优位置；

解码模组，通过解码获得各粒子所代表路径的长度；

目标值计算模组，利用模糊模拟计算各粒子的目标值；

适应度函数计算模组，根据粒子的目标值，计算各个粒子的适应度函数值；

第一判断模组，判断粒子当前的适应度函数值是否比其历史最优值好，若该粒子当前的适应度函数值比其历史最优值要好，则历史最优被当前位置所替代；

第二判断模组，判断粒子的历史最优是否比全局最优好，若该粒子的历史最优比全局最优要好，则全局最优被该粒子的历史最优所替代；

惯性权重自适应调整模组，根据粒子不同的适应度值，用利用云模型的X条件云发生器自适应调整粒子的惯性权重ω；

速度和位置更新模组，根据各粒子的惯性权重，利用速度更新公式及位置更新公式对每个粒子的速度和位置进行更新，对每个粒子利用速度更新公式和位置更新公式对速度和位置进行更新，并使速度每一维的坐标值为[-(n-1)，n-1]，使位置每一维的坐标值为[1,n]内的整数，n为种群的大小。

进一步地，该初始化模组中，对每一维，位置坐标是在[1,n]内的整数，速度坐标是∈[-(n-1),n-1]，第一维的速度和位置坐标都为1。

进一步地，适应度函数计算模组根据如下公式计算各个粒子的适应度函数值：

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

其中

为粒子的目标值。

进一步地，该X条件云发生器为：

假设粒子群的平均适应度值为

Ex=f_avg，

En=变量搜索范围/c₃，

He=En/c₄，

En′=RANDN(En,He)，

$w=0.9-{0.5e}^{\frac{-{(f\left(X_i\right)-E_x)}^2}{2{\left({E_n}^{\′}\right)}^2}}$

其中c₃、c₄为控制参数，c₃=3,c₄=10，ω为惯性权重，Ex、En、He分别为期望值、熵、超熵。

进一步地，该速度更新公式与位置更新公式分别为：

v_id(t+1)=w×v_id(t)+c₁×rand()×p_id-x_id(t))+c₂×rand()×(p_gd-x_id(t))

x_id(t+1)=x_id(t)+v_id(t+1)

其中，x_id(t)表示在t时刻，第i个粒子在第d维的位置，其飞行速度为v_id(t),该粒子当前搜索到的最优位置为p_id，整个粒子群当前的最优位置为p_gd,w是惯性权重，c₁和c₂是学习因子，rand()是0～1间的随机数。

为达到上述目的，本发明还提供一种基于云自适应粒子群算法的交通路径搜索方法，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，随机产生各粒子的速度和位置向量，并且将个体的历史最优设为当前位置，而群体中最优的个体位置作为整个粒子群当前的最优位置；

步骤三，通过解码获得各粒子所代表路径的长度；

步骤四，使用模糊模拟计算所有粒子的目标值；

步骤五，根据各粒子的目标值，计算各个粒子的适应度函数值；

步骤六，若粒子当前的适应度函数值比其历史最优值要好，则其历史最优被当前位置所替代；

步骤七，若该粒子的历史最优比全局最优要好，则全局最优被该粒子的历史最优所替代；

步骤八，根据各粒子不同的适应度值，用云模型的X条件云发生器自适应调整各粒子的惯性权重；

步骤九，对每个粒子利用速度更新公式和位置更新公式对速度和位置进行更新，并使速度每一维的坐标值为[-(n-1)，n-1]，使位置每一维的坐标值为[1,n]内的整数，n为种群的大小；

步骤十，进化迭代次数加1，若还没有到达结束条件，转到步骤三，否则输出并结束。

进一步地，该X条件云发生器为：

假设粒子群的平均适应度值为

Ex=f_avg，

En=变量搜索范围/c₃，

He=En/c₄，

En′=RANDN(En,He)，

$w=0.9-{0.5e}^{\frac{-{(f\left(X_i\right)-E_x)}^2}{2{\left({E_n}^{\′}\right)}^2}}$

其中c₃、c₄为控制参数，c₃=3,c₄=10，ω为惯性权重，Ex、En、He分别为期望值、熵、超熵。

进一步地，该速度更新公式与位置更新公式分别为：

v_id(t+1)=w×v_id(t)+c₁×rand()×p_id-x_id(t))+c₂×rand()×(p_gd-x_id(t))

x_id(t+1)=x_id(t)+v_id(t+1)

其中，x_id(t)表示在t时刻，第i个粒子在第d维的位置，其飞行速度为v_id(t),该粒子当前搜索到的最优位置为p_id，整个粒子群当前的最优位置为p_gd,w是惯性权重，c₁和c₂是学习因子，rand()是0～1间的随机数。

与现有技术相比，本发明一种基于云自适应粒子群算法的交通路径搜索系统及方法将云自适应粒子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，同时具备了稳定倾向性和随机性的特点，能够快速搜索出最短路径，提高了出行者的出行效率，本发明具有一定的通用性，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为本发明一种基于云自适应粒子群算法的交通路径搜索系统的系统架构图；

图2为本发明一种基于云自适应粒子群算法的交通路径搜索方法的步骤流程图；

图3为本发明较佳实施例中云自适应粒子群算法的流程图。

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。云自适应粒子群算法根据粒子适应度值来确定惯性权重的值，由X条件云发生器自适应调整粒子群的惯性权重，由于云模型云滴具有随机性和稳定性倾向性的特点，使惯性权重既满足快速寻优能力，又具有随机性，随机性可以保持个体多样性从而避免搜索陷入局部极值。而稳定倾向性又可以很好地保护较优个体从而对全局最值进行自适应定位。

图1为本发明一种基于云自适应粒子群算法的交通路径搜索系统的系统架构图。如图1所示，本发明一种基于云自适应粒子群算法的交通路径搜索系统，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，Step3N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自适应粒子群算法进行求解。

最短路径计算模组12根据获得的模糊期望值模型利用云自适应粒子群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，先介绍粒子群算法原理与云模型的相关概念及操作。

粒子群算法原理：在PSO中，每个优化问题的解看作搜索空间中的一只鸟(即粒子)，所有的粒子都有一个被优化的函数决定的适应值，并且有一个速度决定它们飞翔的方向和速率，粒子们追随当前的最优粒子在解空间中搜索。算法首先初始化一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”即个体极值和全局极值来更新自己的速度与位置。在d维目标搜索空间中，由种群数为m的粒子组成粒子群，其中在t时刻，第i个粒子在第d维的位置为x_id(t)，其飞行速度为v_id(t)，该粒子当前搜索到的最优位置为p_id(pbest)，整个粒子群当前的最优位置为p_gd(gbest)。在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置：

v_id(t+1)=w×v_id(t)+c₁×rand()×p_id-x_id(t))+c₂×rand()×(p_gd-x_id(t))  （1）

x_id(t+1)=x_id(t)+v_id(t+1)  （2）

其中，w是惯性权重，c₁和c₂是学习因子，通常c₁=c₂=2，rand()是0～1间的随机数。在每一维粒子的速度都会被限制在一个最大速度v_max，如果某一维更新后的速度超过用户设定的v_max，那么这一维的速度就被限定为v_max。在本发明中，公式（1）被称为速度更新公式，公式（2）被称为位置更新公式。

云模型：正态云模型的定义，设T为论域u上的语言值，映射Cr(x):

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。

正态云模型是一个遵循正态分布规律、具有稳定倾向的随机数集，用期望值Ex、熵En、超熵He三个数值来表征。期望值Ex：在数域空间最能够代表这个定性概念的点，反映了云的重心位置。熵En：一方面反映了在数域空间可被语言值接受的范围；另一方面还反映了在数域空间的点能够代表这个语言值的概率，表示定性概念的云滴出现的随机性，它揭示了模糊性和随机性的关联性。超熵He：是熵的不确定度量，即熵的熵，反映了在数域空间代表该语言值的所有点的不确定度的凝聚性，即云滴的凝聚度。

基本云发生器算法：

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=1to 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′)

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

DROP(x_i,μ_i)//生成第i个云滴。

X条件云发生器算法：

INPUT:{Ex,En,He},n,x₀

OUTPUT：{(x₀,μ₁),(x₀,μ₂)…(x₀,μ_n)}

FOR i=1to n

En′=RANDN(En,He)

${\mathrm{\&mu;}}_i=e^{\frac{-{(x_0-\mathrm{Ex})}^2}{2{\left({\mathrm{En}}^{\&prime;}\right)}^2}}$

DROP(x₀,μ_i)

最短路径计算模组12进一步包括：初始化模组120、解码模组121、目标值计算模组122、适应度函数计算模组123、第一判断模组124、第一判断模组124、惯性权重自适应调整模组126以及速度和位置更新模组127。

其中初始化模组120用于初始化粒子种群，随机产生各粒子的速度和位置向量，并且将个体的历史最优设为当前位置，而群体中最优的个体位置作为整个粒子群当前的最优位置，对每一维，位置坐标是在[1,n]内的整数，速度坐标是∈[-(n-1),n-1]，设第一维的速度和位置坐标都为1。在本发明较佳实施例中，设定迭代次数为Max，种群的大小为n，即共有n个粒子。种群中粒子的位置及其速度采用实数编码。d表示参数的维数,f(X)表示适应度函数。第i个粒子的位置为(x_i1,x_i2,x_i3,…,x_id)，第i个粒子的速度为(v₁₁,v₁₂,v₁₃,…,v_1d)，第i个粒子的适应度函数为f(X_i)。

解码模组121，通过解码获得各粒子所代表路径的长度。对于某个粒子，第1维坐标值为1，第2维坐标值为路径上第2个节点的节点号，第i维坐标值为路径上第i个节点的节点号，以此类推。每一个粒子代表一条路径，通过解码可以得到每条路径的长度。

目标值计算模组122，利用模糊模拟计算粒子的目标值，即

适应度函数计算模组123，根据粒子的目标值，计算各个粒子的适应度函数值，令适应度函数为

第一判断模组124，判断粒子当前的适应度函数值是否比其历史最优值好，若该粒子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位置所替代；第二判断模组125，判断粒子的历史最优是否比全局最优好，若该粒子的历史最优比全局最优要好，那么全局最优将会被该粒子的历史最优所替代；惯性权重自适应调整模组126，根据粒子不同的适应度值，用云模型的X条件云发生器自适应调整粒子的惯性权重ω。假设粒子群的平均适应度值为

Ex=f_avg

En=变量搜索范围/c₃

He=En/c₄

En′=RANDN(En,He)

$w=0.9-{0.5e}^{\frac{-{(f\left(X_i\right)-E_x)}^2}{2{\left({E_n}^{\&prime;}\right)}^2}}$

其中c₃、c₄为控制参数，c₃=3,c₄=10。

速度和位置更新模组127，利用速度更新公式及位置更新公式对每个粒子的速度和位置进行更新，并使速度每一维的坐标值为[-(n-1)，n-1]，如果取值大于n-1，则取值n-1，小于-(n-1)则取值-(n-1)；并使位置每一维的坐标值为[1,n]内的整数，如果取值大于n，则取值n，小于1，则取1。

图2为本发明一种基于云自适应粒子群算法的交通路径搜索方法的步骤流程图，图3为本发明较佳实施例中云自适应粒子群算法的流程图。如图2及图3所示，本发明一种基于云自适应粒子群算法的交通路径搜索方法，利用云自适应例子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：

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

步骤202，初始化粒子种群，随机产生各粒子的速度和位置向量，并且将个体的历史最优设为当前位置，而群体中最优的个体位置作为整个粒子群当前的最优位置，对每一维，位置坐标是在[1,n]内的整数，速度坐标是∈[-(n-1),n-1]，设第一维的速度和位置坐标都为1。在本发明较佳实施例中，设定迭代次数为Max，种群的大小为n，即共有n个粒子。种群中粒子的位置及其速度采用实数编码。d表示参数的维数,f(X)表示适应度函数。第i个粒子的位置为(x_i1,x_i2,x_i3,…,x_id)，第i个粒子的速度为(v₁₁,v₁₂,v₁₃,…,v_1d)，第i个粒子的适应度函数为f(X_i)。

步骤203，通过解码获得各粒子所代表路径的长度。对于某个粒子，第1维坐标值为1，第2维坐标值为路径上第2个节点的节点号，第i维坐标值为路径上第i个节点的节点号，以此类推。每一个粒子代表一条路径，通过解码可以得到每条路径的长度。

步骤204，使用模糊模拟计算所有粒子的目标值，即

步骤205，根据粒子目标值，计算各个粒子的适应度函数值，令适应度函数为 $f\left(X_i\right)=\frac{1}{E\left[f(X,\tilde{c})\right]}.$

步骤206，若粒子当前的适应度函数值比其历史最优值要好，那么其历史最优将会被当前位置所替代。

步骤207，若该粒子的历史最优比全局最优要好，那么全局最优将会被该粒子的历史最优所替代。

步骤208，根据粒子不同的适应度值，用云模型的X条件云发生器自适应调整粒子的惯性权重ω。假设粒子群的平均适应度值为

Ex=f_avg

En=变量搜索范围/c₃

He=En/c₄

En′=RANDN(En,He)

$w=0.9-{0.5e}^{\frac{-{(f\left(X_i\right)-E_x)}^2}{2{\left({E_n}^{\&prime;}\right)}^2}}$

其中c₃、c₄为控制参数，c₃=3,c₄=10。

步骤209，对每个粒子利用速度更新公式和位置更新公式对速度和位置进行更新。并使速度每一维的坐标值为[-(n-1)，n-1]，如果取值大于n-1，则取值n-1，小于-(n-1)则取值-(n-1)；并使位置每一维的坐标值为[1,n]内的整数，如果取值大于n，则取值n，小于1，则取1。

步骤210，进化代数加1，如果还没有到达结束条件（例如迭代次数到达最大值Max），转到步骤203，否则输出并结束。

可见，本发明云自适应粒子群算法利用了正态云模型的稳定倾向性、随机性特点。稳定倾向性可以较好地保护较佳个体从而实现对最优值的自适应定位，随机性可以保持个体多样性从而提高算法防止陷入局部极值。每个粒子都被赋予一个随机速度在整个路径问题空间运动，并且通过计算适应度值可以对自己所处的环境加以评估。根据每个粒子的适应度值，能够自适应地计算其惯性权重，适应度值较高的，惯性权重较低，适应度值较低的，惯性权重较高。使适应度较大的个体在较小的邻域内进行搜索，适应度较小的个体在较大的邻域内进行搜索。基于以上原因，交通最短路径很快能够搜索得到。

综上所述，本发明一种基于云自适应粒子群算法的交通路径搜索系统及方法将云自适应粒子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，同时具备了稳定倾向性和随机性的特点，能够快速搜索出最短路径，提高了出行者的出行效率，本发明具有一定的通用性，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)

1.一种基于云自适应粒子群算法的交通路径搜索系统，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自适应粒子群算法计算获得交通路网节点和节点之间的最短距离。

2.如权利要求1所述的基于云自适应粒子群算法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 $f(X,\tilde{c})=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\tilde{c}}_{\mathrm{ij}}{x}_{\mathrm{ij}},$ 则期望值为：

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

3.如权利要求2所述的基于云自适应粒子群算法的交通路径搜索系统，其特征在于，该最短路径计算模组至少包括：

初始化模组，用于初始化粒子种群，随机产生各粒子的速度和位置向量，并且将个体的历史最优设为当前位置，而群体中最优的个体位置作为整个粒子群当前的最优位置；

解码模组，通过解码获得各粒子所代表路径的长度；

目标值计算模组，利用模糊模拟计算各粒子的目标值；

适应度函数计算模组，根据粒子的目标值，计算各个粒子的适应度函数值；

第一判断模组，判断粒子当前的适应度函数值是否比其历史最优值好，若该粒子当前的适应度函数值比其历史最优值要好，则历史最优被当前位置所替代；

第二判断模组，判断粒子的历史最优是否比全局最优好，若该粒子的历史最优比全局最优要好，则全局最优被该粒子的历史最优所替代；

惯性权重自适应调整模组，根据粒子不同的适应度值，用利用云模型的X条件云发生器自适应调整粒子的惯性权重ω；

速度和位置更新模组，根据各粒子的惯性权重，利用速度更新公式及位置更新公式对每个粒子的速度和位置进行更新，对每个粒子利用速度更新公式和位置更新公式对速度和位置进行更新，并使速度每一维的坐标值为[-(n-1)，n-1]，使位置每一维的坐标值为[1,n]内的整数，n为种群的大小。

4.如权利要求3所述的基于云自适应粒子群算法的交通路径搜索系统，其特征在于：该初始化模组中，对每一维，位置坐标是在[1,n]内的整数，速度坐标是∈[-(n-1),n-1]，第一维的速度和位置坐标都为1。

5.如权利要求4所述的基于云自适应粒子群算法的交通路径搜索系统，其特征在于，适应度函数计算模组根据如下公式计算各个粒子的适应度函数值：

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

其中

为粒子的目标值。

6.如权利要求5所述的基于云自适应粒子群算法的交通路径搜索系统，其特征在于，该X条件云发生器为：

假设粒子群的平均适应度值为

Ex=f_avg，

En＝变量搜索范围/c₃，

He＝En/c₄，

En′＝RANDN(En,He)，

$w=0.9-{0.5e}^{\frac{-{(f\left(X_i\right)-E_x)}^2}{2{\left({E_n}^{\&prime;}\right)}^2}}$

其中c₃、c₄为控制参数，c₃=3,c₄=10，ω为惯性权重，Ex、En、He分别为期望值、熵、超熵。

7.如权利要求6所述的基于云自适应粒子群算法的交通路径搜索系统，其特征在于，该速度更新公式与位置更新公式分别为：

v_id(t+1)＝w×v_id(t)+c₁×rand()×p_id-x_id(t))+c₂×rand()×(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中，x_id(t)表示在t时刻，第i个粒子在第d维的位置，其飞行速度为v_id(t),该粒子当前搜索到的最优位置为p_id，整个粒子群当前的最优位置为p_gd,w是惯性权重，c₁和c₂是学习因子，rand()是0～1间的随机数。

8.一种基于云自适应粒子群算法的交通路径搜索方法，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，随机产生各粒子的速度和位置向量，并且将个体的历史最优设为当前位置，而群体中最优的个体位置作为整个粒子群当前的最优位置；

步骤三，通过解码获得各粒子所代表路径的长度；

步骤四，使用模糊模拟计算所有粒子的目标值；

步骤五，根据各粒子的目标值，计算各个粒子的适应度函数值；

步骤六，若粒子当前的适应度函数值比其历史最优值要好，则其历史最优被当前位置所替代；

步骤七，若该粒子的历史最优比全局最优要好，则全局最优被该粒子的历史最优所替代；

步骤八，根据各粒子不同的适应度值，用云模型的X条件云发生器自适应调整各粒子的惯性权重；

步骤九，对每个粒子利用速度更新公式和位置更新公式对速度和位置进行更新，并使速度每一维的坐标值为[-(n-1)，n-1]，使位置每一维的坐标值为[1,n]内的整数，n为种群的大小；

步骤十，进化迭代次数加1，若还没有到达结束条件，转到步骤三，否则输出并结束。

9.如权利要求8所述的一种基于云自适应粒子群算法的交通路径搜索方法，其特征在于,该X条件云发生器为：

假设粒子群的平均适应度值为

Ex=f_avg，

En＝变量搜索范围/c₃，

He＝En/c₄，

En′＝RANDN(En,He)，

$w=0.9-{0.5e}^{\frac{-{(f\left(X_i\right)-E_x)}^2}{2{\left({E_n}^{\&prime;}\right)}^2}}$

其中c₃、c₄为控制参数，c₃=3,c₄=10，ω为惯性权重，Ex、En、He分别为期望值、熵、超熵。

10.如权利要求9所述的一种基于云自适应粒子群算法的交通路径搜索方法，其特征在于，该速度更新公式与位置更新公式分别为：

v_id(t+1)＝w×v_id(t)+c₁×rand()×p_id-x_id(t))+c₂×rand()×(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中，x_id(t)表示在t时刻，第i个粒子在第d维的位置，其飞行速度为v_id(t),该粒子当前搜索到的最优位置为p_id，整个粒子群当前的最优位置为p_gd,w是惯性权重，c₁和c₂是学习因子，rand()是0～1间的随机数。

Images