CN104392283A - 基于人工鱼群算法的交通路径搜索方法 - Google Patents

Abstract

本发明涉及一种基于人工鱼群算法的交通路径搜索方法，包括如下步骤：设定算法的最大迭代次数为Max，种群的大小为n，参数的维数为d，第i条鱼的状态位置为(X_i1,X_i2,X_i3,...,X_id)，第i条鱼的食物浓度为f(X_i)，最短路径值为S1：初始化算法参数；S2：在解空间内对鱼群进行随机初始化；S3：使用模糊模拟计算人工鱼的目标值取出当前最优解X_gbest；S4：判断算法是否到达最大迭代次数Max，若是，则输出公告板上的最优解，算法结束；若否则执行步骤S5-S9；S5：鱼群中全部个体执行随机的自由游动；S6：执行觅食操作；S7：执行聚群操作；S8：执行追尾操作；S9：令迭代次数t＝t+1，执行步骤S3。本发明能够快速搜索到交通最便捷路径。

Description

基于人工鱼群算法的交通路径搜索方法

技术领域

本发明涉及一种基于人工鱼群算法的交通路径搜索方法。

背景技术

传统的交通路径搜索方法一般是选择城市任意两个地点之间的最短路径，而驾驶员需要搜寻的则是行驶时间最短的路径，而现实生活中，由于交通阻塞等意外情况，行驶长度最短的路径不一定就是行驶时间最短的路径。根据这种情况，通常采用一些智能算法来进行最短路径的求解。

一种是粒子群算法(PSO，英文全称：particle swarm optimization)，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行的方向和距离，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。但是该算法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w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，但是这样做又依赖于迭代次数，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。

另一种智能算法是遗传算法，它模拟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较慢，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。

发明内容

本发明提供一种基于人工鱼群算法的交通路径搜索方法，以解决上述技术问题。

为解决上述技术问题，本发明提供一种基于人工鱼群算法的交通路径搜索方法，包括如下步骤：其中，设定算法的最大迭代次数为Max，种群的大小为n，参数的维数为d，第i条鱼的状态位置为(X_i1,X_i2,X_i3,…,X_id)，第i条鱼的食物浓度为f(X_i)，经过模糊模拟后的最短路径值为

S1：初始化算法参数，视野visual＝45、步长step＝0.3、尝试次数try_number＝100，拥挤度因子λ＝0.8，迭代最大次数Max＝200；

S2：在解空间内对鱼群进行随机初始化，置迭代次数t＝1，生成n个人工鱼个体，形成初始鱼群，每一个人工鱼代表从起点到目标点的一种路径；

S3：使用模糊模拟计算人工鱼的目标值取出当前最优解X_gbest，写入公告板；

S4：判断算法是否到达最大迭代次数Max，若是，则输出公告板上的最优解，算法结束；若否则执行步骤S5-S9；

S5：鱼群中全部个体执行随机的自由游动，并更新各自的自身状态X_i；

S6：在视野visual内执行觅食操作，并移动一个步长step；

S7：执行聚群操作；

S8：执行追尾操作；

S9：令迭代次数t＝t+1，然后返回执行步骤S3。

较佳地，所述自由游动的步骤为：鱼在自己视野visual内随机移动一个步长step。

较佳地，所述觅食操作的步骤为：鱼在其视野visual之内随机选择一新状态X_j，若f(X_j)＜f(X_i)，则向该状态移动；否则，继续生成新的X_j进行尝试，尝试try_number次后仍然不能移动，则随机移动一步，X_j＝X_i+visual·random()，其中random()为[0,1]间的随机数。

较佳地，所述聚群操作的步骤为：鱼在其视野visual内搜索聚集鱼群的中心位置X_c，并探测附近的同伴个数s，如果s/n＜λ，并且f(X_c)＜f(X_i)，则向该方向前进一步， $X_i(t+1)=X_i\left(t\right)+\frac{X_c-X_i\left(t\right)}{\left|\right|X_c-X_i\left(t\right)\left|\right|}\·\mathrm{step}\·\mathrm{random}\left(\right),$ 否则执行觅食操作。

较佳地，所述追尾操作的步骤为：鱼在其视野visual内搜索最优鱼个体X_min，设X_min视野领域内的伙伴数为s′，如果f(X_i)＞f(X_min)，并且s′/n＜λ，向该位置前进一步， $X_i(t+1)=X_i\left(t\right)+\frac{X_j-X_i\left(t\right)}{\left|\right|X_j-X_i\left(t\right)\left|\right|}\·\mathrm{step}\·\mathrm{random}\left(\right),$ 否则执行觅食操作。

较佳地，所述公告板内记录鱼群内历史最佳个体的状态X_gbest，各人工鱼每次迭代完成后均检查f(X_i)＜f(X_gbest)是否成立，如果成立，将X_gbest更新为X_i。

与现有技术相比，本发明提供的一种基于人工鱼群算法的交通路径搜索方法具有如下优点：

1.本发明将人工鱼群算法引入不确定环境交通路径搜索问题，根据该算法快速全局寻优的特点，能够高效地搜索出交通最短路径；

2.本发明具备了并行处理特点，多个人工鱼群并行搜索，能够快速搜索出最短路径，提高了出行者的出行效率；

3.具有一定的通用性，采用本方法，面对不同类型的复杂交通网络，网络中弧的权值可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为现有的基于人工鱼群算法的交通路径搜索方法的流程示意图。

具体实施方式

为了更详尽的表述上述发明的技术方案，以下列举出具体的实施例来证明技术效果；需要强调的是，这些实施例用于说明本发明而不限于限制本发明的范围。

本发明提供的一种基于人工鱼群算法的交通路径搜索方法，具体地，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，其中原点为节点1，终点为节点n，求1到n的最短路径。

模型如下所示：

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。

建立模型如下：

若为一般的模糊变量，则也为模糊变量，其期望值为：

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

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人工鱼群算法进行求解。人工鱼群算法原理：求解最小化问题minf(X)，待求解目标函数(即鱼所处位置的食物浓度)为f(X)，当前鱼个体的状态为X＝(X₁,X₂,…,X_n)。该算法的主要参数为：鱼的视野visual；拥挤度因子λ，0＜λ＜1；移动步长step；尝试次数try_number。

如图1所示，本发明的搜索方法包括如下步骤：其中，先设定算法的最大迭代次数为Max，种群的大小为n，参数的维数为d，第i条鱼的状态位置为(X_i1,X_i2,X_i3,…,X_id)，第i条鱼的食物浓度为f(X_i)，经过模糊模拟后的最短路径值为

S1：对算法中的主要参数进行初始化，具体地，本实施例中，视野visual＝45、步长step＝0.3、尝试次数try_number＝100，拥挤度因子λ＝0.8，最大迭代次数Max＝200；

S2：在解空间内对鱼群进行随机初始化，置迭代次数t＝1，生成n个人工鱼个体，形成初始鱼群，每一个人工鱼代表从起点到目标点的一种路径，即从起点至终点的随机序列；

S3：使用模糊模拟计算人工鱼的目标值取出当前最优解X_gbest，写入公告板；

S4：判断算法是否到达最大迭代次数Max，若是，则输出公告板上的最优解，算法结束；若否则执行步骤S5-S9；

S5：鱼群中全部个体执行随机的自由游动，并更新各自的自身状态X_i；

S6：在视野visual内执行觅食操作，并移动一个步长step；

S7：执行聚群操作；

S8：执行追尾操作；

S9：令迭代次数t＝t+1，然后返回执行步骤S3。

本发明将人工鱼群算法引入不确定环境交通路径搜索问题，根据该算法快速全局寻优的特点，能够高效地搜索出交通最短路径；且具备了并行处理特点，多个人工鱼并行搜索，能够快速搜索出最短路径，提高了出行者的出行效率，且通用性强。

较佳地，所述自由游动的步骤为：鱼在自己视野visual内随机移动一个步长step。

较佳地，所述觅食操作的步骤为：鱼在其视野visual之内随机选择一新状态X_j，若f(X_j)＜f(X_i)，则向该状态移动；否则，继续生成新的X_j进行尝试，尝试try_number次后仍然不能移动，则随机移动一步，X_j＝X_i+visual·random()，其中random()为[0,1]间的随机数。

较佳地，所述聚群操作的步骤为：鱼在其视野visual内搜索聚集鱼群的中心位置X_c，并探测附近的同伴个数s，如果s/n＜λ，并且f(X_c)＜f(X_i)，则向该方向前进一步， $X_i(t+1)=X_i\left(t\right)+\frac{X_c-X_i\left(t\right)}{\left|\right|X_c-X_i\left(t\right)\left|\right|}\&CenterDot;\mathrm{step}\&CenterDot;\mathrm{random}\left(\right),$ 否则执行觅食操作。

较佳地，所述追尾操作的步骤为：鱼在其视野visual内搜索最优鱼个体X_min，设X_min视野领域内的伙伴数为s′，如果f(X_i)＞f(X_min)，并且s′/n＜λ，向该位置前进一步， $X_i(t+1)=X_i\left(t\right)+\frac{X_j-X_i\left(t\right)}{\left|\right|X_j-X_i\left(t\right)\left|\right|}\&CenterDot;\mathrm{step}\&CenterDot;\mathrm{random}\left(\right),$ 否则执行觅食操作。

本发明将人工鱼群算法运用于不确定交通最短路径的求解，当人工鱼个体数增加时，鱼群算法收敛速度提高，体现了鱼群算法中蕴含的集群智能的优势。在人工鱼群算法中，人工鱼的觅食操作奠定了算法收敛的基础，聚群操作增强了算法收敛的稳定性和全局性，追尾操作则增强了算法收敛的快速性和全局性。人工鱼算法避免局部极值实现全局寻优的原因在于：觅食操作中尝试的次数较少时，为人工鱼提供了随机游动的机会，从而能跳出局部极值。拥挤度因子则限制了聚群的规模，只有较优的地方才能聚集更多的人工鱼，使得人工鱼能够更广泛地寻优。聚群操作能够使少数陷于局部极值的人工鱼向多数趋向全局极值的人工鱼方向聚集，从而逃离局部极值。追尾操作加快了人工鱼向更优状态的游动，同时也能促使陷于局部极值的人工鱼向趋向全局极值的更优人工鱼方向的追随，从而能更快地搜索到交通网络的最短路径。

较佳地，所述公告板内记录鱼群内历史最佳个体的状态X_gbest，各人工鱼每次迭代完成后均检查f(X_i)＜f(X_gbest)是否成立，如果成立，将X_gbest更新为X_i。

综上所述，本发明提供的一种基于人工鱼群算法的交通路径搜索方法，包括如下步骤：设定算法的最大迭代次数为Max，种群的大小为n，参数的维数为d，第i条鱼的状态位置为(X_i1,X_i2,X_i3,…,X_id)，第i条鱼的食物浓度为f(X_i)，经过模糊模拟后的最短路径值为S1：初始化算法参数，视野visual＝45、步长step＝0.3、尝试次数try_number＝100，拥挤度因子λ＝0.8，迭代最大次数Max＝200；S2：在解空间内对鱼群进行随机初始化，置迭代次数t＝1，生成n个人工鱼个体，形成初始鱼群，每一个人工鱼代表从起点到目标点的一种路径；S3：使用模糊模拟计算人工鱼的目标值取出当前最优解X_gbest，写入公告板；S4：判断算法是否到达最大迭代次数Max，若是，则输出公告板上的最优解，算法结束；若否则执行步骤S5-S9；S5：鱼群中全部个体执行随机的自由游动，并更新各自的自身状态X_i；S6：在视野visual内执行觅食操作，并移动一个步长step；S7：执行聚群操作；S8：执行追尾操作；S9：令迭代次数t＝t+1，然后返回执行步骤S3。本发明将人工鱼群算法引入不确定环境交通路径搜索问题，根据该算法快速全局寻优的特点，能够高效地搜索出交通最短路径；且具备了并行处理特点，多个人工鱼并行搜索，能够快速搜索出最短路径，提高了出行者的出行效率。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种基于人工鱼群算法的交通路径搜索方法，其特征在于，包括如下步骤：其中，设定算法的最大迭代次数为Max，种群的大小为n，参数的维数为d，第i条鱼的状态位置为(X_i1,X_i2,X_i3,…,X_id)，第i条鱼的食物浓度为f(X_i)，经过模糊模拟后的最短路径值为

S1：初始化算法参数，视野visual＝45、步长step＝0.3、尝试次数

try_number＝100，拥挤度因子λ＝0.8，迭代最大次数Max＝200；

S2：在解空间内对鱼群进行随机初始化，置迭代次数t＝1，生成n个人工鱼个体，形成初始鱼群，每一个人工鱼代表从起点到目标点的一种路径；

S3：使用模糊模拟计算人工鱼的目标值取出当前最优解X_gbest，写入公告板；

S4：判断算法是否到达最大迭代次数Max，若是，则输出公告板上的最优解，算法结束；若否则执行步骤S5-S9；

S5：鱼群中全部个体执行随机的自由游动，并更新各自的自身状态X_i；

S6：在视野visual内执行觅食操作，并移动一个步长step；

S7：执行聚群操作；

S8：执行追尾操作；

S9：令迭代次数t＝t+1，然后返回执行步骤S3。

2.如权利要求1所述的一种基于人工鱼群算法的交通路径搜索方法，其特征在于，所述自由游动的步骤为：鱼在自己视野visual内随机移动一个步长step。

3.如权利要求1所述的一种基于人工鱼群算法的交通路径搜索方法，其特征在于，所述觅食操作的步骤为：鱼在其视野visual之内随机选择一新状态X_j，若f(X_j)＜f(X_i)，则向该状态移动；否则，继续生成新的X_j进行尝试，尝试try_number次后仍然不能移动，则随机移动一步，X_j＝X_i+visual·random()，其中random()为[0,1]间的随机数。

4.如权利要求3所述的一种基于人工鱼群算法的交通路径搜索方法，其特征在于，所述聚群操作的步骤为：鱼在其视野visual内搜索聚集鱼群的中心位置X_c，并探测附近的同伴个数s，如果s/n＜λ，并且f(X_c)＜f(X_i)，则向该方向前进一步， $X_i(t+1)=X_i\left(t\right)+\frac{X_c-X_i\left(t\right)}{\left|\right|X_c-X_i\left(t\right)\left|\right|}\&CenterDot;\mathrm{step}\&CenterDot;\mathrm{random}\left(\right),$ 否则执行觅食操作。

5.如权利要求3所述的一种基于人工鱼群算法的交通路径搜索方法，其特征在于，所述追尾操作的步骤为：鱼在其视野visual内搜索最优鱼个体X_min，设X_min视野领域内的伙伴数为s′，如果f(X_i)＞f(X_min)，并且s′/n＜λ，向该位置前进一步， $X_i(t+1)=X_i\left(t\right)+\frac{X_j-X_i\left(t\right)}{\left|\right|X_j-X_i\left(t\right)\left|\right|}\&CenterDot;\mathrm{step}\&CenterDot;\mathrm{random}\left(\right),$ 否则执行觅食操作。

6.如权利要求1所述的一种基于人工鱼群算法的交通路径搜索方法，其特征在于，所述公告板内记录鱼群内历史最佳个体的状态X_gbest，各人工鱼每次迭代完成后均检查f(X_i)＜f(X_gbest)是否成立，如果成立，将X_gbest更新为X_i。