CN104808661A - 一种旅游路径规划方法 - Google Patents

Abstract

本发明揭示了一种旅游路径规划方法，步骤1、初始化参数，建立已知环境的栅格地图，构造障碍信息的代价矩阵；步骤2：信息素的更新，对于每条可行路径，分别计算路径长度和相应的信息素增量，并对路径上相应各点的信息素进行更新；步骤3：选择路径，添加探索蚂蚁，对产生的可行路径进行有效选择；步骤4：下一时刻产生的蚂蚁路径，产生可行路径；步骤5：若未达到搜索次数上限，则跳转至步骤2，否则，输出最优解。本发明的优点在于通过添加探索蚂蚁的方法，避免算法搜索陷入局部最优；通过改进更新信息素的机制，并保留最优蚂蚁的策略，提高蚂蚁对最优路径的敏感度，提高算法的收敛速度，能够准确的规划出旅游最佳路径。

Description

一种旅游路径规划方法

技术领域

本发明涉及路径规划领域，尤其涉及一种利用蚁群算法规划旅游路径的方法。

背景技术

有效的旅游路线规划对提高旅游者行程安排的合理性、旅行社的效益最大化以及保证旅游景区规划的科学性来说，具有重要的参考价值。路径规划问题是指，在给定的环境中，搜索出一条从起始点到目标点之间的总代价最小路径，这里的代价可以是距离最短、耗时最少、安全性最高或是费用最少等。目前旅游路径大都是工作人员通过经验规划，难以保证所选择的旅游路径是最佳的。

发明内容

本发明所要解决的技术问题是实现一种通过计算机利用蚁群算法规划出最佳的旅游路径。

为了实现上述目的，本发明采用的技术方案为：一种旅游路径规划方法，

步骤1：初始化参数，建立已知环境的栅格地图，构造障碍信息的代价矩阵；

步骤2：选择路径，添加探索蚂蚁，对产生的可行路径进行有效选择；

步骤3：信息素的更新，对于每条可行路径，分别计算路径长度和相应的信息素增量，并对路径上相应各点的信息素进行更新；

步骤4：下一时刻产生的蚂蚁路径，产生可行路径；

步骤5：若未达到搜索次数上限，则跳转至步骤2，否则，输出最优解。

所述步骤1中的代价矩阵构造方法为：

其中，V_ij表示从顶点i点到顶点j所花费的代价，若两点之间有障碍，则其代价为无穷大，否则为其欧式距离，D_ij表示点i和点j之间的欧式距离。

所述步骤2中添加探索蚂蚁，对产生的可行路径进行路径选择的方法为：

$p_i^k=\left\{\begin{array}{cc}\frac{{\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}/{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}}{{\mathrm{\Σ}}_{s\∈{\mathrm{allowed}}_k}{\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}/{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}}& j\∈{\mathrm{allowed}}_k\\ 0& \mathrm{otherwise}\end{array}\right.$

P_i ^k表示蚂蚁k在点i上选择的下一个点，η_ij表示点i和点j之间的道路信息，β表示道路信息对蚂蚁选择路径时所起作用的大小，τ_ij表示点i和点j之间的信息素的量，α表示信息素对蚂蚁选择路径时所起作用的大小，allowed_k表示不在蚂蚁k禁忌表中的点的集合。

所述的道路信息η_ij的计算公式为η_ij＝1/Length_ij。

所述步骤3中的信息素的更新机制为：

${\mathrm{UpdatePhroLode}}_{\mathrm{ij}}={\mathrm{Phro}}_{\mathrm{ij}}(1-P)+{\mathrm{AddPhro}}_{\mathrm{ij}}+{\mathrm{\ρAddPhro}}_{\mathrm{ij}}^{\mathrm{Best}}$

其中Phro_ij是点i和点j之间的道路上原有信息素的量，P是信息素挥发比率，AddPhro_ij是本轮搜索后所有一般蚂蚁在点i和点j之间的道路上需要增加的信息素的量，ρ为第一次找到的最好路径的放大系数，是最优蚂蚁添加在点i和点j之间的道路的信息素的量。

所述信息素量可由下面的公式所得：

本发明的优点在于通过添加探索蚂蚁的方法，避免算法搜索陷入局部最优；通过改进更新信息素的机制，并保留最优蚂蚁的策略，提高蚂蚁对最优路径的敏感度，提高算法的收敛速度，能够准确的规划出旅游最佳路径。

附图说明

下面对本发明说明书中每幅附图表达的内容作简要说明：

图1基于蚁群的路径优化流程图；

图210×10栅格环境图；

图320×20栅格环境图；

图430×30栅格环境图；

图550×50栅格环境图。

具体实施方式

蚁群算法是20世纪90年代由意大利学者Dorigo等人首先提出，它是对自然界蚂蚁的觅食寻径方式进行模拟得出的一种仿生算法。多年来世界各地研究者对蚁群算法进行研究和开发，数值仿真结果表明蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值，针对基本蚁群算法收敛速度慢、易陷入局部最优化等问题，本发明设计了一种旅游路径规划方法。

如图1所示，旅游路径规划方法具体步骤如下：

步骤1:初始化参数。群体的个数num,迭代次数Iterate，道路初始信息量Iphro，信息素挥发比率为P，禁忌表长度AllowedLength等相关参数，障碍信息的代价矩阵；

代价矩阵构造方法为：

其中，V_ij表示从顶点i点到顶点j所花费的代价，若两点之间有障碍，则其代价为无穷大，否则为其欧式距离。D_ij表示点i和点j之间的欧式距离。

蚂蚁数量num＝100，迭代次数Iterate＝100；信息因子α＝4，期望因子β＝1；道路初始信息量Iphro＝5；信息素挥发比率为P＝0.5，禁忌表长度AllowedLength＝10；常数＝200，常数C＝2，禁忌表最大长度AllowedMaxLength＝10。一般蚂蚁个数M＝25，探索蚂蚁个数C＝75。

步骤2:将蚂蚁置于起点，开始新一轮查找；

步骤3:找出一只没有搜索过路径的蚂蚁，开始路径搜索；

步骤4:选择下一路径节点：按蚂蚁类型的不同选择不同的路径选择机制，一般蚂蚁转移概率计算公式如下：

$p_i^k=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}{\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}}{{\mathrm{\Σ}}_{s\∈{\mathrm{allowed}}_k}{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}{\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}}& j\∈{\mathrm{allowed}}_k\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，P_i ^k表示蚂蚁k在起点为i的路径对应的终点，τ_ij表示点i和点j之间的信息素的量，α表示信息素对蚂蚁选择路径时所起作用的大小，η_ij表示点i和点j之间的道路信息，β表示道路信息对蚂蚁选择路径时所起作用的大小，allowed_k表示不在蚂蚁k禁忌表中的点的集合。

旅游路径规划方法，点i和点j之间的道路信息η_ij的计算公式为η_ij＝1/Length_ij。

添加探索蚂蚁，对产生的可行路径进行路径选择，探索蚂蚁转移概率计算公式如下：

$p_i^k=\left\{\begin{array}{cc}\frac{{\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}/{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}}{{\mathrm{\Σ}}_{s\∈{\mathrm{allowed}}_k}{\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}/{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}}& j\∈{\mathrm{allowed}}_k\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，P_i ^k表示蚂蚁k在点i上选择的下一个点，η_ij表示点i和点j之间的道路信息，β表示道路信息对蚂蚁选择路径时所起作用的大小，τ_ij表示点i和点j之间的信息素的量，α表示信息素对蚂蚁选择路径时所起作用的大小，allowed_k表示不在蚂蚁k禁忌表中的点的集合。

旅游路径规划方法，点i和点j之间的道路信息η_ij的计算公式为η_ij＝1/Length_ij。

步骤5:判断蚂蚁是否到达终点，若已到达终点，则转步骤6；否则，转步骤4。

步骤6:判断该蚂蚁是否比当前最优蚂蚁更优。若成立，则将该蚂蚁替当前最优蚂蚁；否则，转步骤7。

步骤7:判断是否遍历完所有蚂蚁？若成立，则转步骤8，否则转步骤3。

步骤8:更新道路信息素，计算公式为：

${\mathrm{UpdatePhroLode}}_{\mathrm{ij}}={\mathrm{Phro}}_{\mathrm{ij}}(1-P)+{\mathrm{AddPhro}}_{\mathrm{ij}}+{\mathrm{\ρAddPhro}}_{\mathrm{ij}}^{\mathrm{Best}}$

其中Phro_ij是点i和点j之间的道路上原有信息素的量，P是信息素挥发比率，AddPhro_ij是本轮搜索后所有一般蚂蚁在点i和点j之间的道路上需要增加的信息素的量，ρ为第一次找到的最好路径的放大系数，是最优蚂蚁添加在点i和点j之间的道路的信息素的量。

旅游路径规划方法，最优蚂蚁在本次迭代中留在路径<i,j>上的信息素量可由下面的公式所得：

并判断是否达到最大迭代次数？若成立，则输出结果。否则，迭代次数增1，转步骤2。

为测试改进后的算法性能，采用栅格法对环境进行划分，设蚂蚁的活动范围是二维平面的一个有限区域，区域内分布着有限个静态障碍物。蚂蚁活动区域被划分为尺寸大小相同的栅格。在该区域内建立直角坐标系，X轴横向向右，Y轴纵向向上，假设蚂蚁运动步长为h，将X轴、Y轴以h为单位划分栅格，采用序号法，对划分好的栅格按从左到右，从上到下进行编号。序号为S的任意栅格所对应的栅格坐标为(x，y)则有其中M为栅格行数，N为栅格列数。本发明测试了多组数据，栅格规模分别为10*10，20*20，30*30，50*50(图2-5)。实验测试了每种情况下，算法的收敛速度、可行解路径长度和规划路线。本发明的方法与基本蚁群的路径规划的实验对比结果如下表所示。

表1

从表1中可以看出，在规模较小时，基本蚁群算法收敛速度与改进蚁群算法收敛速度相当，如在栅格数目为10*10时基本蚁群和改进蚁群算法平均都只需迭代两次就可得出可行解。随着问题规模的扩大，改进蚁群算法在收敛速度上的优越性逐渐体现出来，可以在较短时间内规划出质量很好的可行解。在栅格数目为20*20,、30*30时基本蚁群算法还能在设置的最大迭代次数内找到可行解，当问题规模扩大到为50*50时，基本蚁群已不能在设置的最大迭代次数内找到可行解，而改进的蚁群算法则平均在迭代40次左右就能找到可行解。从仿真结果来看，改进的蚁群算法在复杂的环境中有较高的收敛速度，能够较快的找到可行解。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (6)

1.一种旅游路径规划方法，其特征在于：

步骤1：初始化参数，建立已知环境的栅格地图，构造障碍信息的代价矩阵；

步骤2：选择路径，添加探索蚂蚁，对产生的可行路径进行有效选择；

步骤3：信息素的更新，对于每条可行路径，分别计算路径长度和相应的信息素增量，并对路径上相应各点的信息素进行更新；

步骤4：下一时刻产生的蚂蚁路径，产生可行路径；

步骤5：若未达到搜索次数上限，则跳转至步骤2，否则，输出最优解。

2.根据权利要求1所述的旅游路径规划方法，其特征在于：所述步骤1中的代价矩阵构造方法为：

其中，V_ij表示从顶点i点到顶点j所花费的代价，若两点之间有障碍，则其代价为无穷大，否则为其欧式距离，D_ij表示点i和点j之间的欧式距离。

3.根据权利要求1所述的旅游路径规划方法，其特征在于：所述步骤2中添加探索蚂蚁，对产生的可行路径进行路径选择的方法为：

$p_i^k=\left\{\begin{array}{cc}\frac{{\mathrm{\&eta;}}_{\mathrm{ij}}^{\mathrm{\&beta;}}/{\mathrm{\&tau;}}_{\mathrm{ij}}^{\mathrm{\&alpha;}}}{{\mathrm{\&Sigma;}}_{s\&Element;{\mathrm{allowed}}_k}{\mathrm{\&eta;}}_{\mathrm{is}}^{\mathrm{\&alpha;}}/{\mathrm{\&tau;}}_{\mathrm{is}}^{\mathrm{\&alpha;}}}& j\&Element;{\mathrm{allowed}}_k\\ 0& \mathrm{otherwise}\end{array}\right.$

表示蚂蚁k在点i上选择的下一个点，η_ij表示点i和点j之间的道路信息，β表示道路信息对蚂蚁选择路径时所起作用的大小，τ_ij表示点i和点j之间的信息素的量，α表示信息素对蚂蚁选择路径时所起作用的大小，allowed_k表示不在蚂蚁k禁忌表中的点的集合。

4.根据权利要求3所述的旅游路径规划方法，其特征在于：所述的道路信息η_ij的计算公式为η_ij＝1/Length_ij。

5.根据权利要求1所述的旅游路径规划方法，其特征在于：所述步骤3中的信息素的更新机制为：

${\mathrm{UpdatePhroLode}}_{\mathrm{ij}}={\mathrm{Phro}}_{\mathrm{ij}}(1-P)+{\mathrm{AddPhro}}_{\mathrm{ij}}+{\mathrm{\&rho;AddPhro}}_{\mathrm{ij}}^{\mathrm{Best}}$

其中Phro_ij是点i和点j之间的道路上原有信息素的量，P是信息素挥发比率，AddPhro_ij是本轮搜索后所有一般蚂蚁在点i和点j之间的道路上需要增加的信息素的量，ρ为第一次找到的最好路径的放大系数，是最优蚂蚁添加在点i和点j之间的道路的信息素的量。

6.根据权利要求5所述的旅游路径规划方法，其特征在于：所述信息素量可由下面的公式所得：