CN104331746A - 一种分离式的动态路径优化系统及其方法 - Google Patents

Abstract

本发明公开了一种分离式的动态路径优化系统及其方法，由车载端，处理中心，和道路收集装置组成。车载端通过无线通信将汽车的位置，ID，起始点等信息发送给处理中心，处理中心结合道路收集装置收集的数据，实时计算最优路径。然后将最优路径的节点信息发送给汽车。当最优路径上某段道路发生较大变化时，能感知变化并对路径重新优化，达到动态优化的目的。本系统将信息的收集和处理从汽车上分离出来，不仅能够节省运算时间和同时处理多个任务，而且能够处理大规模复杂的交通状况和显著的降低成本。

Description

一种分离式的动态路径优化系统及其方法

技术领域

本发明涉及一种车辆行驶路径优化系统，具体是一种分离式的动态路径优化系统及其方法。

背景技术

目前，在交通车辆的优化领域，对于路径优化系统，其核心为路径优化算法。由于交通，特别是城市交通越来越复杂，算法所处理的信息量也越来越多，为了追求更快速的处理速度和准确的处理结果，这就要求汽车上车载的处理器越来越高的性能，从而导致成本的增加。与此同时，由于交通路径规划高度非线性的特点，造成处理时间的增加，导致路径优化实时性降低。从本处出发，给出一种解决方案，即将处理任务从汽车上分离出来，汽车在路径优化的过程中只提供接收和发送信息，并将最优路径显示出来的任务。

主要内容

本发明的目的在于提供了一种能够将信息的收集和处理从汽车上分离出来，不仅能够节省运算时间和同时处理多个任务，而且能够处理大规模复杂的交通状况和显著的降低成本的一种分离式的动态路径优化系统及其方法。

本发明的系统的技术方案为：

一种分离式的动态路径优化系统，包括车载端、处理中心、道路信息收集装置；所述车载端与所述处理中心通过3G模块实现通信，所述处理中心与道路收集装置通过3G模块实现通信；所述车载端用于接收与发送无线信号，并通过声音和图像的方式显示最优路径；包括第一3G模块、存储模块、LCD屏、音频模块、电源管理模块、中央处理器模块、GPS模块；所述中央处理器模块分别和第一3G模块、存储模块、LCD屏、音频模块、电源管理模块、GPS模块相连接；所述第一3G模块用于无线通信，存储模块主要用于存储电子地图数据，LCD屏用于显示地图，音频模块用于辅助显示和提醒，GPS模块用于提供地理坐标和车速信息；所述处理中心用于数据的汇总与处理，并计算最优路径；包括第二3G模块、服务器，所述第二3G模块和服务器相连接，所述第二3G模块用于分别同第一3G模块、第三3G模块进行通信，所述服务器用于数据的处理；所述服务器包括基础环境层、功能层；所述基础环境层包括信息收发模块和信息存储模块，用于收发并存储第二3G模块的信息；所述功能层包括决策层，组织层和执行层；所述决策层用来进行车辆信息评估、任务协调与规划、人工控制；所述组织层用于任务执行和任务监控；所述执行层用于信息处理和路径计算；所述道路信息收集装置用于收集计算最优路径所需的实时交通信息，包括第三3G模块、单片机、电源模块、雷达模块，所述单片机外围接口分别连接第三3G模块、电源模块、雷达模块；所述第三3G模块用于向处理中心发送实时交通信息，所述雷达模块用于测量道路车辆车速。

进一步，所述中央处理器模块为ARM9系列或以上的处理器；所述第一3G模块与中央处理器模块通过以太网口相连，所述GPS模块与中央处理器模块通过232串口相连。

进一步，所述单片机为51增强型单片机，所述雷达模块与所述单片机通过USB相连，所述第三3G模块与所述单片机通过USB相连。

进一步，所述道路收集装置安装于路测和龙门架上，每条道路含多个道路信息收集装置，所述安装于路测的道路收集装置主要收集车流量信息，所述安装于龙门架上的道路收集装置主要收集车速信息。

一种分离式的动态路径优化方法，包括如下步骤：

步骤1，汽车通过车载端向处理中心发出需要路径规划的信息；

步骤2，处理中心通过第二3G模块接收到车载端的第一3G模块发来的信息，通过车辆信息识别评估后对优化任务进行协调和规划，协调和规划主要包含必须信息(实时交通信息和固定交通信息)的获取和处理；其中固定交通信息存储于处理中心内，实时的交通信息由处理中心向相应起点与终点间的道路收集装置发出指令，然后对应的收集装置得到此时段的实时交通信息，最后通过收集装置的第三3G模块发给处理中心；

步骤3，准备工作完成后，处理中心的服务器的执行层进行路阻的量化和最优路径的计算；

步骤4，将处理后的路径节点信息发给车载端；

当实时交通信息发生较大变化时重复第3，4步骤。

进一步，所述步骤3中路阻的量化过程包括：

步骤3.1，路阻量化预处理，将电子地图上的道路拓扑成点和线的集合，点代表路口，线代表道路；

步骤3.2，通过D_ij(t)＝λd_ij获得路阻的量化，式中D_ij(t)代表t时刻，相邻2节点i，j的路阻，λ为综合影响系数，d_ij为ij间的道路长度，其中λ＝β₁λ1+β₂λ₂+λ₃+β₃λ₄+β₄*1；λ1为道路属性信息相关的路权系数；λ2为实时交通信息相关的路权系数；λ3为与驾驶者特殊要求相关的路权系数；λ4为与安全相关的路权系数；1为道路长度系数。β₁β₂β₃β₄为相应的权重系数。

进一步，所述步骤3.2中λ2取值由平均行程速度和交通流量通过模糊控制综合，隶属度函数选为梯形隶属度函数。

进一步，所述步骤3中最优路径的计算过程需要先进行遗传算法的计算，再进行hopfield神经网络算法计算。

进一步，所述遗传算法的计算包括：

S1，将每段道路的路阻编码成基因，编码方式为符号编码，多个路阻结合成染色体，多个染色体构成了一个种群；

S2，随机产生染色体，其特征是路径起点为该染色体的第一个基因，终点为最后一个基因，产生的染色体到达一定规模后构成一个初始种群；

S3，对染色体的适应度进行排序，淘汰适应度小的染色体，适应度函数为：

$f=\frac{1}{\mathrm{\Σ}{D}_{\mathrm{ij}}\left(t\right)y_{\mathrm{ij}}}$

其中y_ij为决策变量，当第x条染色体包含基因片段(i，j)，且基因顺序不变时，y_ij＝1，否则＝0，若染色体中出现环路，则该条染色体的适应度值为0；

S4，进行遗传算子操作(遗传，交叉，变异)产生新的种群；

S5，重复3，4步，直到达到终止条件，此处条件选为迭代100次。

经过遗传算法后，将此种群作为hopfield的初始网络，其神经元为路阻，则所述hopfield算法步骤包括：

S11，从初始网络中随机选取神经元i；

S22，求出神经元i的所有输入的加权总和；

S33，计算神经元i在第t+1时刻的输出值，计算公式为[1+tanh(ui/u0)]/2，ui为i的输出，u0为归一化基准值；

S44，ui以外的其他输出值保持不变；

S55，返回第一步，直到达到稳定状态；

S66，最后当神经网络收敛到稳定平衡状态时，根据神经元的输出，可得到一条最优路径，其输出值为0或1，0代表此路不在最优路径上，1代表此路在最优路径上。

本发明的有益效果为：分离式的设计将计算力整合起来，合并为处理中心，不仅使得车载端成本降低，且处理能力得到很大加强，并同时可处理多个汽车的请求。处理能力的加强不仅使得速度和准确性得到了较大的提高，且当路况突变时，快速反应，实时性得到提高。与此同时信息的处理过程中加入了安全因子λ4，使得最优路径的准确性得到提高。最优路径的算法采用遗传与hopfield组合算法，综合了遗传算法的全局搜索能力，弥补了hopfield局部最优的不足，使得最优路径的计算精确度和速度得到提高。

附图说明

图1为本发明的汽车车载端示意图；

图2为本发明的汽车处理中心示意图；

图3为本发明的汽车道路信息收集装置示意图；

图4为本发明的路网拓扑图；

图5为本发明的当横坐标为平均行程速度，纵坐标为交通流量时，连续流λ₂的输出曲面；

图6为本发明的横坐标为S，纵坐标为平均行程速度时，间断流λ₂的输出曲面；

图7为本发明连续流λ₂的控制规则图。

图8为本发明间断流λ₂的控制规则图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1-3所示，汽车车载端主要任务为接收与发送无线信号，并通过声音和图像的方式显示最优路径。接收信号主要为最优路径节点信息。发送信号主要为车辆ID号，车辆位置信息，车辆起始点和终点等信息。

处理中心主要用于数据的汇总与处理，并计算最优路径。其中收集的数据主要包含：车辆信息(位置，速度，目的地等)，实时交通信息(各路段平均行程速度，饱和度等)，固定交通信息(道路等级，宽度等)。

道路信息收集装置：主要用于收集计算最优路径所需的实时交通信息。安装于路测和龙门架，一条道路含多个道路收集装置。同条道路上安装的数量越多，所获得的实时交通信息越准确，其中路口必须放置。放置距离可取500米。

上述中央处理器模块为ARM9系列或以上的处理器；所述第一3G模块与中央处理器模块通过以太网口相连，所述GPS模块与中央处理器模块通过232串口相连。所述单片机为51增强型单片机，所述雷达模块与所述单片机通过USB相连，所述第三3G模块与所述单片机通过USB相连。所述道路收集装置安装于路测和龙门架上，每条道路含多个道路信息收集装置，所述安装于路测的道路收集装置主要收集车流量信息，所述安装于龙门架上的道路收集装置主要收集车速信息。

本发明的方法包括如下步骤：

1)：汽车通过车载端向处理中心发出需要路径规划的信息；

2)：处理中心通过第二3G模块接收到车载端的第一3G模块发来的信息，通过识别评估后对优化任务进行协调和规划，协调和规划主要包含必须信息(实时交通信息和固定交通信息)的获取和处理。其中固定交通信息存储于处理中心内，实时的交通信息由处理中心向相应起点与终点间的道路收集装置发出指令，然后对应的收集装置得到此时段的实时交通信息，最后通过收集装置的3G模块发给处理中心。

3)：准备工作完成后，处理中心的服务器的执行层进行路阻的量化和最优路径的计算；

4)：处理中心通过第二3G模块将处理后的信息(路径节点信息)发给车载端；当实时交通信息发生较大变化时重复第3，4步骤。

上述步骤3的路阻的量化包括：

步骤3.1，路阻量化前有一个预处理的步骤，即将电子地图上的道路拓扑成点和线的集合，点代表路口，线代表道路，具体的拓扑后如图4所示。

步骤3.2，通过D_ij(t)＝λd_ij获得路阻的量化，式中D_ij(t)代表t时刻，相邻2节点i，j的路阻，λ为综合影响系数，d_ij为ij间的道路长度。其中λ＝β₁λ1+β₂λ₂+λ₃+β₃λ₄+β₄*1；λ1为道路属性信息相关的路权系数；λ2为实时交通信息相关的路权系数；λ3为与驾驶者特殊要求相关的路权系数；λ4为与安全相关的路权系数；1为道路长度系数。β₁β₂β₃β₄为相应的权重系数。采用层次分析法经过层次结构建模，构造判断矩阵，一致性检验后可以得到权向量β＝[0.0873，0.4823，0.3431，0.0873]。

下面分别求解λ1、λ₂、λ3、λ4值：

a.λ1取值：

λ1＝1/GW，G为道路等级。我国将道路分为4个等级：1，2，3，4.数字越大道路越差。

b.λ2取值：

(1)对高速公路和城市快速路：

λ2取值由平均行程速度和交通流量通过模糊控制综合，隶属度函数选为梯形隶属度函数，控制规则图见附图7。平均行程速度可由每段道路上的道路信息采集装置得到的多个速度信息综合平均得到，其评价规则见表1和表2。交通流量可由路口的道路信息采集装置得到。经过模糊处理后其取值图如5所示。

表1 为连续流下平均行程速度的评价

平均行程速度km/h	评价
		＜20	慢
30-40	较慢
		50-60	中
70-80	较快
		＞＝90	快

表2 为连续流下交通流量的评价

交通流量veh/h	评价
		＜500	低
750-1000	中
		＞＝1500	高

(2)对城市道路

取值由平均行程速度，饱和度，平均延误时间通过模糊控制综合，隶属度函数选为梯形隶属度函数，控制规则图见附图8。饱和度为交叉口的进出通行量之比，可由路口的道路采集装置得出。其评价规则见表3和表4和表5。

表3为间断流下饱和度的评价

表4为间断流下平均行程速度的评价

平均行程速度	评价
		＜5	慢
10-15	较慢
		20-25	中
30-35	较快
		＞40	快

表5为间断流下平均延误时间的评价

延误时间s	评价
		＜10	1级
11-20	2级

21-35	3级
		36-55	4级

平均延误时间通过流量等信息用韦伯斯特模型法估算。估算公式为：

$T=\frac{C{(1-\mathrm{\α})}^2}{2(1-\mathrm{\αS})}+\frac{S^2}{2q(1-S)}-0.65{\left(\frac{C}{q^2}\right)}^{\frac{1}{3}}{S}^{(2+5\mathrm{\α})}$

其中：T为每辆车的平均延误(s)；C为信号周期长度(s)；α为所计算车道的绿信比；S为饱和度；q为交通流量(车辆/s)。图6为当横坐标为S，纵坐标为平均行程速度时的取值图。

c.λ3取值：取值为0和∞，当只走高速时，对高速公路路阻取0，普通道路取∞.反之分别取∞和0。驾驶若无特殊要求是取值都为0.

d.λ4取值：λ4＝λ41+λ42。λ41＝M/Z用于衡量历史数据，M为该路段的交通事故数量。Z为总的交通事故数量。M，Z的取值由统计数据得到。

λ42衡量当前的安全信息，其取值为当前的实时风险度与100的比值，当前的实时风险度取值规则见表6(括号为风险度取值范围)。

表6为当前的实时风险度取值规则

下面着重介绍最优路径的计算：

计算分2步：先进行遗传算法的计算，再进行hopfield神经网络算法计算，上述遗传算法步骤为：

1)将每段道路的路阻编码成基因，编码方式为符号编码。多个路阻结合成染色体，多个染色体构成了一个种群。

2)随机产生染色体，其特征是路径起点为该染色体的第一个基因，终点为最后一个基因。产生的染色体到达一定规模后构成一个初始种群。

3)对染色体的适应度进行排序。淘汰适应度小的染色体。适应度函数为：

$f=\frac{1}{\mathrm{\Σ}{D}_{\mathrm{ij}}\left(t\right)y_{\mathrm{ij}}}$

其中：y_ij为决策变量，当第x条染色体包含基因片段(i，j)，且基因顺序不变时，y_ij＝1，否则＝0。若染色体中出现环路，则该条染色体的适应度值为0。

4)进行遗传算子操作(遗传，交叉，变异)产生新的种群。

5)重复3，4步。直到达到终止条件，此处条件选为迭代100次。

经过遗传算法后，得到了一个较优的求解空间(种群)，将此种群作为hopfield的初始网络，其神经元为路阻。

所述hopfield算法步骤为：

1)从初始网络中随机选取神经元i；

2)求出神经元i的所有输入的加权总和；

3)计算神经元i在第t+1时刻的输出值。计算公式为：[1+tanh(ui/u0)]/2其中，ui为i的输出。u0为归一化基准值；

4)ui以外的其他输出值保持不变；

5)返回第一步，直到达到稳定状态。当处在稳定状态时，其能量函数收敛到最小值，此处构造的能量函数为：

$\begin{array}{c}E=\frac{\mathrm{\α}1}{2}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}(1-v_{\mathrm{ij}})+\frac{\mathrm{\α}2}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ji}}-\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ij}})}^2+\frac{\mathrm{\α}3}{2}(1-v_{\mathrm{ts}})\\ +\frac{\mathrm{\α}4}{2}\underset{i=1,(i,j)\≠(t,s)}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}{v}_{\mathrm{ij}}\end{array}$

其中：v_ij是神经元的状态变量，取0和1，a1到a4为惩罚系数。

最后当神经网络收敛到稳定平衡状态时，根据神经元的输出，可得到一条最优路径。其输出值为0和1，0代表此路不在最优路径上，1代表此路在最优路径上。

本发明实施例的具体工作过程为：

假设驾驶者A驾驶车辆要从b点开往c点，同时驾驶者D从e点开往f点。

第一步：A，D打开系统，配合GPS定位得到A，D的位置信息，A输入起点b和终点c，D输入e，f点的信息。

第二步：汽车车载端将b，c，e，f点的信息和A，D车辆ID发送给处理中心。

第三步：以驾驶者A为例，处理中心得到b，c点信息，得到离bc2点最近的节点信息。结合收集到的信息，调出2节点间的动态路阻矩阵。然后得到be2点间所有道路的实时路阻。计算bc点间路阻最小的路径，即为最优路径。

第四步：将实时最优路径的节点信息发送给汽车，汽车将得到的节点信息在地图上连接并描绘出来。

若最优路径上的道路(假设为cd段道路)其道路权重发生较大变化，达到更新阀值时，分两种情况。

1)车辆离cd段道路较远，可以改道时，重新计算最优路径，更新最优路径节点信息，达到持续最优的目的。

2)车辆离cd段道路较近，或者已进入cd段道路，不能改道时。等待拥堵结束，重新计算最优路径。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种分离式的动态路径优化系统，其特征在于：包括车载端、处理中心、道路信息收集装置；所述车载端与所述处理中心通过3G模块实现通信，所述处理中心与道路收集装置通过3G模块实现通信；

所述车载端用于接收与发送无线信号，并通过声音和图像的方式显示最优路径；包括第一3G模块、存储模块、LCD屏、音频模块、电源管理模块、中央处理器模块、GPS模块；所述中央处理器模块分别和第一3G模块、存储模块、LCD屏、音频模块、电源管理模块、GPS模块相连接；所述第一3G模块用于无线通信，存储模块主要用于存储电子地图数据，LCD屏用于显示地图，音频模块用于辅助显示和提醒，GPS模块用于提供地理坐标和车速信息；

所述处理中心用于数据的汇总与处理，并计算最优路径；包括第二3G模块、服务器，所述第二3G模块和服务器相连接，所述第二3G模块用于分别同第一3G模块、第三3G模块进行通信，所述服务器用于数据的处理；所述服务器包括基础环境层、功能层；所述基础环境层包括信息收发模块和信息存储模块，用于收发并存储第二3G模块的信息；所述功能层包括决策层，组织层和执行层；所述决策层用来进行车辆信息评估、任务协调与规划、人工控制；所述组织层用于任务执行和任务监控；所述执行层用于信息处理和路径计算；

所述道路信息收集装置用于收集计算最优路径所需的实时交通信息，包括第三3G模块、单片机、电源模块、雷达模块，所述单片机外围接口分别连接第三3G模块、电源模块、雷达模块；所述第三3G模块用于向处理中心发送实时交通信息，所述雷达模块用于测量道路车辆车速。

2.根据权利1所述的分离式的动态路径优化系统，其特征在于，所述中央处理器模块为ARM9系列或以上的处理器；所述第一3G模块与中央处理器模块通过以太网口相连，所述GPS模块与中央处理器模块通过232串口相连。

3.根据权利1所述的分离式的动态路径优化系统，其特征在于，所述单片机为51增强型单片机，所述雷达模块与所述单片机通过USB相连，所述第三3G模块与所述单片机通过USB相连。

4.根据权利1所述的分离式的动态路径优化系统，其特征在于，所述道路收集装置安装于路测和龙门架上，每条道路含多个道路信息收集装置，所述安装于路测的道路收集装置主要收集车流量信息，所述安装于龙门架上的道路收集装置主要收集车速信息。

5.一种分离式的动态路径优化方法，其特征在于，包括如下步骤：

步骤1，汽车通过车载端向处理中心发出需要路径规划的信息；

步骤2，处理中心通过第二3G模块接收到车载端的第一3G模块发来的信息，通过车辆信息识别评估后对优化任务进行协调和规划，协调和规划主要包含必须信息(实时交通信息和固定交通信息)的获取和处理；其中固定交通信息存储于处理中心内，实时的交通信息由处理中心向相应起点与终点间的道路收集装置发出指令，然后对应的收集装置得到此时段的实时交通信息，最后通过收集装置的第三3G模块发给处理中心；

步骤3，准备工作完成后，处理中心的服务器的执行层进行路阻的量化和最优路径的计算；

步骤4，将处理后的路径节点信息发给车载端；

当实时交通信息发生较大变化时重复第3，4步骤。

6.根据权利要求5所述的分离式的动态路径优化方法，其特征在于，所述步骤3中路阻的量化过程包括：

步骤3.1，路阻量化预处理，将电子地图上的道路拓扑成点和线的集合，点代表路口，线代表道路；

步骤3.2，通过D_ij(t)＝λd_ij获得路阻的量化，式中D_ij(t)代表t时刻，相邻2节点i，j的路阻，λ为综合影响系数，d_ij为ij间的道路长度，其中λ＝β₁λ1+β₂λ₂+λ₃+β₃λ₄+β₄*1；λ1为道路属性信息相关的路权系数；λ2为实时交通信息相关的路权系数；λ3为与驾驶者特殊要求相关的路权系数；λ4为与安全相关的路权系数；1为道路长度系数。β₁β₂β₃β₄为相应的权重系数。

7.根据权利要求6所述的分离式的动态路径优化方法，其特征在于，所述步骤3.2中λ2取值由平均行程速度和交通流量通过模糊控制综合，隶属度函数选为梯形隶属度函数。

8.根据权利要求5所述的分离式的动态路径优化方法，其特征在于，所述步骤3中最优路径的计算过程需要先进行遗传算法的计算，再进行hopfield神经网络算法计算。

9.根据权利要求8所述的分离式的动态路径优化方法，其特征在于，

所述遗传算法的计算包括：

S1，将每段道路的路阻编码成基因，编码方式为符号编码，多个路阻结合成染色体，多个染色体构成了一个种群；

S2，随机产生染色体，其特征是路径起点为该染色体的第一个基因，终点为最后一个基因，产生的染色体到达一定规模后构成一个初始种群；

S3，对染色体的适应度进行排序，淘汰适应度小的染色体，适应度函数为：

$f=\frac{1}{\mathrm{\Σ}{D}_{\mathrm{ij}}\left(t\right)y_{\mathrm{ij}}}$

其中y_ij为决策变量，当第x条染色体包含基因片段(i，j)，且基因顺序不变时，y_ij＝1，否则＝0，若染色体中出现环路，则该条染色体的适应度值为0；

S4，进行遗传算子操作(遗传，交叉，变异)产生新的种群；

S5，重复3，4步，直到达到终止条件，此处条件选为迭代100次。

经过遗传算法后，将此种群作为hopfield的初始网络，其神经元为路阻，则所述hopfield算法步骤包括：

S11，从初始网络中随机选取神经元i；

S22，求出神经元i的所有输入的加权总和；

S33，计算神经元i在第t+1时刻的输出值，计算公式为[1+tanh(ui/u0)]/2，ui为i的输出，u0为归一化基准值；

S44，ui以外的其他输出值保持不变；

S55，返回第一步，直到达到稳定状态；

S66，最后当神经网络收敛到稳定平衡状态时，根据神经元的输出，可得到一条最优路径，其输出值为0或1，0代表此路不在最优路径上，1代表此路在最优路径上。