CN106971245A - 一种基于改进蚁群算法的路径确定方法及系统 - Google Patents
一种基于改进蚁群算法的路径确定方法及系统 Download PDFInfo
- Publication number
- CN106971245A CN106971245A CN201710201708.7A CN201710201708A CN106971245A CN 106971245 A CN106971245 A CN 106971245A CN 201710201708 A CN201710201708 A CN 201710201708A CN 106971245 A CN106971245 A CN 106971245A
- Authority
- CN
- China
- Prior art keywords
- factor
- information
- path
- sub
- influence
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于改进蚁群算法的路径确定方法及系统,方法包括:获取输入的起始位置信息、目的位置信息以及主要考虑的影响因素;确定从起始位置到目的位置是全部路段;根据主要考虑的影响因素,确定各个影响因素的级别并确定对应的基本系数;根据全部路段中各个路段对应的每个子因素状态,确定各个路段对应的每个子因素的子系数;利用子系数以及基本系数,计算全部路段中各个路段对应的安全程度数值;利用改进蚁群算法计算出满足安全条件的路径,并输出符合要求的路径作为运输路径;能够全面分析影响因素,对影响因素分级处理有利于加强用户主要考虑因素的重要性;且蚁群优化算法有利于根据信息浓度获取最佳路径,更能符合用户意愿。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于改进蚁群算法的路径确定方法及系统。
背景技术
目前广泛采用层次分析的方法对部分因素进行分析,确定最优运输路径,该方法能够在一定程度上优化了运输路径。但是其也存在许多无法克服的缺点,具体缺点如下:
第一,该方法没有对不同情况下的各个因素先进行重要性分析,导致路径优化不精确。
第二,其主要针对的对象为安全运输的保护及事故处理,范围较小。
第三,仅针对部分因素进行分析,分析的风险因素不全面。
第四,使用的具体优化算法计算过程复杂,不切合实际需要,不适宜推广。
因此,如何克服上述缺点,能够在各种不同情况下,全面分析各种风险因素,做出最正确的判断,获取最优化的运输路径,是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种基于改进蚁群算法的路径确定方法及系统,能够全面分析影响因素,对影响因素分级处理有利于加强用户主要考虑因素的重要性;且蚁群优化算法有利于根据信息浓度获取最佳路径。
为解决上述技术问题,本发明提供一种基于改进蚁群算法的路径确定方法,所述方法包括:
获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素;
根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段;
根据所述主要考虑的影响因素,确定各个影响因素的级别并确定各个级别影响因素的基本系数;
根据所述全部路段中各个路段对应的每个子因素状态,确定各个路段对应的每个子因素的子系数;其中,影响因素具有对应的子因素;
利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值;
利用改进蚁群算法计算出满足安全条件的路径,并输出符合要求的路径作为运输路径。
可选的,利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值,包括:
利用公式计算所述全部路段中各个路段对应的安全程度数值R;
其中,P1为一级影响因素的基本系数,P2为二级影响因素的基本系数,P3为三级影响因素的基本系数,m为一级影响因素下子因素个数,n为二级影响因素下子因素个数,p三级影响因素下子因素个数,Ak为一级影响因素下子因素的子系数,Bj为二级影响因素下子因素的子系数,Cq三级影响因素下子系数的子系数。
可选的,利用改进蚁群算法计算出满足安全条件的路径,包括:
初始化所述改进蚁群算法预定参数;
将每个蚂蚁的目的位置分别记录到对应的禁忌表中,当所有蚂蚁均访问到所述目的位置时,确定各个蚂蚁的完整路径;并利用信息浓度公式进行信息浓度控制;
选择所述禁忌表中安全程度数值最高的路径;
依次更新全局信息素以及局部信息素,并清空禁忌表;
将迭代次数加1,并判断迭代过程是否结束;
若是,则确定各个完整路径的安全程度系数。
可选的,所述信息浓度公式具体为:其中,Q为当前路径的信息浓度,λ为可调参数,以控制信息浓度。
可选的,依次更新全局信息素以及局部信息素,包括:
利用公式τij=(1-ρ)*τij(t-1)+ρ*Δτij更新全局信息素;
利用公式τij(n+1)=(1-ξ)*τij(n)+ξτ0更新局局信息素;
其中,τij为由i到j的路径的信息素强度,ρ为路径上信息素数量的蒸发系数,Δτij为本次循环之后在i到j的路径上留下的信息增量,τ0为常数,初始化时该路径上的信息的浓度,ξ为可调参数。
可选的,获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素之后,还包括:
根据所述起始位置信息以及所述目的位置信息判断是否为省内运输;
若是,则执行所述根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段的步骤;
若否,则获取地图工具得到的预选运输路径,并获取所述预选运输路径的全部路段。
本发明还提供一种基于改进蚁群算法的路径确定系统,包括:
输入模块,用于获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素;
路段计算模块,用于根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段;
基本系数确定模块,用于根据所述主要考虑的影响因素,确定各个影响因素的级别并确定各个级别影响因素的基本系数;
子因素确定模块,用于根据所述全部路段中各个路段对应的每个子因素状态,确定各个路段对应的每个子因素的子系数;其中,影响因素具有对应的子因素;
安全程度计算模块,用于利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值;
运输路径确定模块,用于利用改进蚁群算法计算出满足安全条件的路径,并输出符合要求的路径作为运输路径。
可选的,所述安全程度计算模块具体为利用公式计算所述全部路段中各个路段对应的安全程度数值R的模块;
其中,P1为一级影响因素的基本系数,P2为二级影响因素的基本系数,P3为三级影响因素的基本系数,m为一级影响因素下子因素个数,n为二级影响因素下子因素个数,p三级影响因素下子因素个数,Ak为一级影响因素下子因素的子系数,Bj为二级影响因素下子因素的子系数,Cq三级影响因素下子系数的子系数。
可选的,所述运输路径确定模块,包括:
初始化单元,用于初始化所述改进蚁群算法预定参数;
完整路径确定单元,用于将每个蚂蚁的目的位置分别记录到对应的禁忌表中,当所有蚂蚁均访问到所述目的位置时,确定各个蚂蚁的完整路径;并利用信息浓度公式进行信息浓度控制;
完整路径选择单元,用于选择所述禁忌表中安全程度数值最高的路径;
更新单元,用于依次更新全局信息素以及局部信息素,并清空禁忌表;
迭代判断单元,用于将迭代次数加1,并判断迭代过程是否结束;
输出单元,用于若迭代结束,则确定各个完整路径的安全程度系数。
可选的,本方案还包括:
长度判断模块,用于根据所述起始位置信息以及所述目的位置信息判断是否为省内运输;若是,则执行所述根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段的步骤;若否,则获取地图工具得到的预选运输路径,并获取所述预选运输路径的全部路段。
本发明所提供的一种基于改进蚁群算法的路径确定方法,能够全面分析影响因素,通过用户确定其主要考虑的影响因素实现对影响因素分级处理有利于加强用户主要考虑因素的重要性;且蚁群优化算法有利于根据信息浓度获取最佳路径,更能选取符合用户意愿的运输路径。本发明还提供一种基于改进蚁群算法的路径确定系统,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的基于改进蚁群算法的路径确定方法的流程图;
图2为本发明实施例所提供的11节点全部路段示意图;
图3为本发明实施例所提供的基于改进蚁群算法的路径确定系统的结构框图。
具体实施方式
本发明的核心是提供一种基于改进蚁群算法的路径确定方法及系统,能够全面分析影响因素,对影响因素分级处理有利于加强用户主要考虑因素的重要性;且蚁群优化算法有利于根据信息浓度获取最佳路径。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的基于改进蚁群算法的路径确定方法的流程图;所述方法可以包括:
S100、获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素;
具体的,本实施例并不限定具体预定参数数据的具体内容。其必须包括起始位置信息、目的位置信息以及主要考虑的影响因素。其中,主要考虑的影响因素可以由用户根据实际需求进行确定,选择其认为比较关注的影响因素作为其主要考虑的影响因素。本实施例并不限定具体影响因素的种类,可以根据开发者进行具体确定。例如影响因素可以包括五大类:成本因素、安全因素、时间因素、事故处理因素、其他影响因素。且每一种具体的影响因素还可以包含各种子因素,子因素也可以根据开发者进行具体确定。例如仍以上述五大类进行举例:
成本因素主要有:道路使用费、路段燃油费。
安全因素主要有:人口密集、道路颠簸、车道宽窄、公路分级。
时间因素主要有:交通拥堵、红绿灯影响、车祸情况、限速条件。
事故处理因素主要有:应急救援所需时间、污染处理所耗费人力。
其他因素:天气可见度、天气晴朗度、风向、可用餐、可加油。
因此,通过开发者对各个影响因素以及每种影响因素对应的子因素的丰富可以全面分析影响因素,克服现有技术中仅针对部分因素进行分析,以至于分析的风险因素或者安全因素不全面的缺点。
本实施例中用户选择其关注的影响因素作为其主要考虑的影响因素,这样在后续运输路径的选择过程中会提高该主要考虑的影响因素对最终运输路径的选择。即通过用户确定其主要考虑的影响因素实现对影响因素分级处理有利于加强用户主要考虑因素的重要性;更能选取符合用户意愿的运输路径。
且用户可以选择多种影响因素作为其主要考虑的影响因素。本实施例并不限定具体用户选择的作为其主要考虑的影响因素的个数。例如其可以选择成本因素、安全因素、时间因素作为其主要考虑的影响因素;也可以仅选择安全因素作为其主要考虑的影响因素。
进一步本实施例并不限定预定参数数据输入的形式,例如可以是文字录入,也可以是语音输入等。
S110、根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段;
具体的,根据用户输入的起始和目的位置,获取从出发地到目的地的所有路段。这里的输入的位置的地方可以是在地图中输入,以便于更加形象的展示出全部路段,也便于最终更加形象的展示输出的最优的运输路径。
进一步,由于当起始位置到目的位置的运输距离特别远时,其包含的全部路段数量会很多,利用该方法计算会增加计算量,延长计算时间,且很多种路段的组合明显的不符合用户需求。因此为了在不影响输出的运输路径的效果的同时可以考虑起始位置到目的位置的距离来选择,全部路段的获取形式。
例如利用阈值进行选择:当起始位置到目的位置的距离超过阈值时,将现有的成熟的地图工具(例如百度地图或者高德地图)推荐的运输路径包含的路段作为全部路段。未超过阈值时,直接获取从起始位置到目的位置是全部路段(可以根据地图工具获取)。也可以是利用是否为省内运输进行选择:根据所述起始位置信息以及所述目的位置信息判断是否为省内运输;若是,则执行所述根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段的步骤;若否,则获取地图工具得到的预选运输路径,并获取所述预选运输路径的全部路段。
因此,本实施例并不具体限定全部路段的选择方式。即根据运输距离长短决定后续计算方法(蚁群算法或获取高德已有路径)。具体的,若是全国运输,则先获取类似高德地图已有路径,计算已有路段的安全程度数值,对安全程度数值过低的路段,再进行上述的计算。若为省内运输,则获取全部路段。
S120、根据所述主要考虑的影响因素,确定各个影响因素的级别并确定各个级别影响因素的基本系数;
具体的,本实施例根据用户选择的主要考虑的影响因素,可以确定各个影响因素的级别,并根据各个影响因素的级别确定各个级别影响因素的基本系数。利用该基本系数来分级处理各个影响因素。本实施例并不限定具体的基本系数的数值。也不限定根据主要考虑的影响因素确定各个影响因素的级别的方式。也不限定级别与基本系数的对应关系。
例如,第一种情况:当用户选择的影响因素作为主要考虑的影响因素时,可以将该影响因素作为一级影响因素,未被选中的影响因素作为二级影响因素。第二种情况:当用户选择的影响因素作为主要考虑的影响因素时,可以将该影响因素作为一级影响因素,其他影响因素若未被选中,则将其他影响因素作为三级影响因素;剩余未被选中的影响因素作为二级影响因素。第三种情况:当用户选择的多个影响因素作为主要考虑的影响因素时,可以将用户选择的顺序依次设定其作为一级影响因素,二级影响因素等等,剩余未被选中的影响因素的等级为同一个后续等级。第四种情况:当用户选择的多个影响因素作为主要考虑的影响因素时,可以将用户选择的顺序依次设定其作为一级影响因素,二级影响因素等等,剩余未被选中的影响因素的等级为同一个后续等级,其他影响因素若未被选中主要考虑的影响因素时,则将其他影响因素作为最后级别的影响因素。
下面列举一个具体例子说明上述第二种情况:路段影响因素分析:用户选取的主要考虑的影响因素为一级影响因素,基本系数为3,其他因素影响因素为三级影响因素,基本系数为1,不包含在被选取影响因素和其他因素里面的为二级影响因素,基本系数为2。比如:用户选取安全因素、时间因素为主要考虑因素。则安全因素、时间因素的基本系数为3,成本因素、事故处理因素的基本系数为2,其他影响因素的基本系数为1。
S130、根据所述全部路段中各个路段对应的每个子因素状态,确定各个路段对应的每个子因素的子系数;其中,影响因素具有对应的子因素;
具体的,每个影响因素包含多个子因素,该步骤不重要是确定全部的子因素的子系数。根据开发者设定的规则,以及每个路段的实际情况,确定各个子因素的子系数。本实施例并不限定具体的子系数的数值,以及规则(例如可以设定每个子因素的等级,以及每个等级对应的范围,根据路段对应的子因素的实际情况确定该子因素的等级)都可以由开发者进行确定和修改。例如:每个子因素根据相应程度分为:0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9等九个标度,又称为子系数。
下面请参考表1以上述五大类包含的子因素为例进行具体说明:即可以根据该表以及各个路段的实际情况确定每个子因素的子系数。
表1 子因素相关系数明显表
S140、利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值;
具体的,在获取上述各个子因素的当前情况之后,即可以根据明细表确定各个子因素对应的子系数。由上所述,已经得到各个类的影响因素及其基本系数。那么,即可以计算其安全程度数值。可以通过累加求和法进行计算。本实施例并不限定具体的计算方式。
可选的,利用公式计算所述全部路段中各个路段对应的安全程度数值R;
其中,P1为一级影响因素的基本系数,P2为二级影响因素的基本系数,P3为三级影响因素的基本系数,m为一级影响因素下子因素个数,n为二级影响因素下子因素个数,p三级影响因素下子因素个数,Ak为一级影响因素下子因素的子系数,Bj为二级影响因素下子因素的子系数,Cq三级影响因素下子系数的子系数。
例如:用户选取安全因素、时间因素为主要考虑因素。则安全因素、时间因素的基本系数为3,成本因素、事故处理因素的基本系数为2,其他影响因素的基本系数为1。道路使用费在50-100元,则系数为0.4,红绿灯影响在3-5个,则系数为0.3,以此类推,可以根据表1获取其他因素的子系数。由此,可以计算X道路的当前安全程度数值:
则认为X道路的当前安全程度数值为11.1。同样,以此类推,可以得到任意一条道路的安全程度数值。并且可以得到安全程度数值R的范围[3,34.2]。
S150、利用改进蚁群算法计算出满足安全条件的路径,并输出符合要求的路径作为运输路径。
具体的,该步骤根据蚁群优化算法计算出在保证安全条件下的路径;并根据用户需求输出最符合用户需求的运输路径。本实施例并不具体限定安全条件和符合要求的路径的具体内容。例如可以输入安全程度数值最高的一条运输路径作为最终运输路径,也可以是输出安全程度系数从高到低的预定条数运输路径作为最终运输路径。
其中,蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法。蚂蚁在运动过程中,能够在它所经过的路径上留下一种称之为外激素(pheromone)的物质进行信息传递,而且蚂蚁在运动过程中能够感知这种物质,并以此指导自己的运动方向,因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象:某一路径上走过的蚂蚁越多,则后来者选择该路径的概率就越大。下面由四个公式,来描述其基本模型:
τij(n+1)=ρ*τij(n)+Δτij
其中,上述公式中:m为蚂蚁个数;n为迭代次数;i为蚂蚁所在位置;j为蚂蚁可以到达的置;k为蚂蚁可以到达位置的集合;α,β分别表示蚂蚁残留信息量的重要程度以及启发信息的重要程度;Pij k为蚂蚁k从位置i移动到位置j的转移概率;τij(n)为由i到j的路径的信息素强度;为蚂蚁k由i到j的路径上留下的信息素含量;Δτij为本次信息量增量;ρ为路径上信息素数量的蒸发系数,保留比例;Q为信息素质量系数;∑Lk为k个蚂蚁经过了由i到j的路径,为了避免每只蚂蚁对同一个目的地的多次访问,给每个蚂蚁都做一个禁忌表,用来保存该蚂蚁已经访问过的目的地,ηij β为从i到j的启发信息,为距离的倒数,ε表示j属于集合,为是所有可能的未到访的目的地。
蚁群算法具有如下一些优点:①通用性较强,能够解决很多可以转换为连通图结构的路径优化问题;②同时具有正负反馈的特点,通过正反馈特点利用局部解构造全局解,通过负反馈特点也就是信息素的挥发来避免算法陷入局部最优;③有间接通讯和自组织的特点,蚂蚁之间并没有直接联系,而是通过路径上的信息素来进行间接的信息传递,自组织性使得群体的力量能够解决问题。但是,基本蚁群算法也存在一些缺点:①从蚁群算法的复杂度来看,该算法与其他算法相比,所需要的搜索时间较长;②该算法在搜索进行到一定程度以后,容易出现所有蚂蚁所发现的解完全一致这种“停滞现象”,使得搜索空间受到限制。
因此本实施例利用改进蚁群算法,优化内容如下:
由于搜索时间比较长,那么首先可以按照最短路径更新全局信息素:
τij=(1-ρ)*τij(t-1)+ρ*Δτij
其中,Δτij表示本次循环之后在i到j的路径上留下的信息增量;表示到目前为止找出的全局最优路径。
然后更新局部信息素:
τij(n+1)=(1-ξ)*τij(n)+ξτ0
其中,τ0为常数,初始化时该路径上的信息的浓度,表示可调参数。
由于在实际过程中,可能会出现安全程度数值过低的情况,那么这个时候这条路是需要避免的,那就需要校正。
其中,Q为当前路径的信息浓度,λ为可调参数,以控制信息浓度。
即优选的,利用改进蚁群算法计算出满足安全条件的路径可以包括:
初始化所述改进蚁群算法预定参数;
将每个蚂蚁的目的位置分别记录到对应的禁忌表中,当所有蚂蚁均访问到所述目的位置时,确定各个蚂蚁的完整路径;并利用信息浓度公式进行信息浓度控制;
选择所述禁忌表中安全程度数值最高的路径;
依次更新全局信息素以及局部信息素,并清空禁忌表;
将迭代次数加1,并判断迭代过程是否结束;
若是,则确定各个完整路径的安全程度系数。
具体的,所述信息浓度公式具体为:其中,Q为当前路径的信息浓度,λ为可调参数,以控制信息浓度。
具体的,依次更新全局信息素以及局部信息素可以包括:
利用公式τij=(1-ρ)*τij(t-1)+ρ*Δτij更新全局信息素;
利用公式τij(n+1)=(1-ξ)*τij(n)+ξτ0更新局局信息素;
其中,τij为由i到j的路径的信息素强度,ρ为路径上信息素数量的蒸发系数,Δτij为本次循环之后在i到j的路径上留下的信息增量,τ0为常数,初始化时该路径上的信息的浓度,ξ为可调参数。
下面列举一个具体实施例说明上述过程:
假设现在需要将危化品从1运输到2处。中间有11个节点,任意两个节点之间是否可通行以及相关的安全程度数值(以安全因素、时间因素为主要考虑因素计算安全程度数值),在图2中表现。需要根据上述算法,找出最安全最省时的路径。
详细步骤:
1.初始化参数;α=1,β=4,ρ=0.5,τij(0)=τ(0)=0(常数),ξ=0.5,λ=8,Q为安全程度数值也就是当前路径的信息浓度,迭代次数NC=100次。
2.将每个蚂蚁目的地分别记录到属于他们的禁忌表中,当所有蚂蚁都访问了所有的目的地,则第一轮循环结束,也就意味着每个蚂蚁都生成了属于它们的完整路径;
3.利用信息浓度公式进行信息浓度控制;
4.按禁忌表中的数据,选择蚂蚁路径中安全程度数值最高的路径;
5.按公式τij=(1-ρ)*τij(t-1)+ρ*Δτij更新全局信息素;
6.按公式τij(n+1)=(1-ξ)*τij(n)+ξτ0更新局部信息素;
7.清空所有蚂蚁的禁忌表;
8.NC++;
9.直到所有迭代结束,计算完整路径的安全程度数值(即安全系数),选出安全程度数值最高的几组。生成的完整路径可以参考表2:
表2 生成的完整路径表
节点 | 1 | 到 | 3 | 到 | 7 | 到 | 6 | 到 | 8 | 到 | 2 | MAXQ |
安全系数 | 18 | 23.6 | 16 | 16 | 25.3 | 98.9 | ||||||
节点 | 1 | 3 | 7 | 6 | 9 | 2 | ||||||
安全系数 | 18 | 23.6 | 16 | 16.9 | 26.5 | 105 | ||||||
节点 | 1 | 4 | 13 | 6 | 8 | 2 | ||||||
安全系数 | 28.5 | 30 | 27.6 | 16 | 25.3 | 127.4 | ||||||
节点 | 1 | 4 | 13 | 6 | 9 | 2 | ||||||
安全系数 | 28.5 | 30 | 27.6 | 16.9 | 26.5 | 128.6 | ||||||
节点 | 1 | 4 | 5 | 6 | 8 | 2 | ||||||
安全系数 | 28.5 | 30 | 16.9 | 16 | 25.3 | 116.7 | ||||||
节点 | 1 | 4 | 5 | 6 | 9 | 2 | ||||||
安全系数 | 28.5 | 30 | 16.9 | 16.9 | 26.5 | 118.8 |
可以根据MAXQ的值选出安全系数最高的路径。其中,Q是安全系数也就是上文中所指的R;i表示出发点;j表示目的地。
基于上述技术方案,本发明实施例提的基于改进蚁群算法的路径确定方法,能够全面分析影响因素,通过用户确定其主要考虑的影响因素实现对影响因素分级处理有利于加强用户主要考虑因素的重要性;且蚁群优化算法有利于根据信息浓度获取最佳路径,更能选取符合用户意愿的运输路径。且能够根据运输路径的距离提高计算效率。
下面对本发明实施例提供的基于改进蚁群算法的路径确定系统进行介绍,下文描述的基于改进蚁群算法的路径确定系统与上文描述的基于改进蚁群算法的路径确定方法可相互对应参照。
请参考图3,图3为本发明实施例所提供的基于改进蚁群算法的路径确定系统的结构框图;该系统可以包括:
输入模块100,用于获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素;
路段计算模块200,用于根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段;
基本系数确定模块300,用于根据所述主要考虑的影响因素,确定各个影响因素的级别并确定各个级别影响因素的基本系数;
子因素确定模块400,用于根据所述全部路段中各个路段对应的每个子因素状态,确定各个路段对应的每个子因素的子系数;其中,影响因素具有对应的子因素;
安全程度计算模块500,用于利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值;
运输路径确定模块600,用于利用改进蚁群算法计算出满足安全条件的路径,并输出符合要求的路径作为运输路径。
基于上述实施例,所述安全程度计算模块500具体为利用公式计算所述全部路段中各个路段对应的安全程度数值R的模块;
其中,P1为一级影响因素的基本系数,P2为二级影响因素的基本系数,P3为三级影响因素的基本系数,m为一级影响因素下子因素个数,n为二级影响因素下子因素个数,p三级影响因素下子因素个数,Ak为一级影响因素下子因素的子系数,Bj为二级影响因素下子因素的子系数,Cq三级影响因素下子系数的子系数。
基于上述任意实施例,所述运输路径确定模块600可以包括:
初始化单元,用于初始化所述改进蚁群算法预定参数;
完整路径确定单元,用于将每个蚂蚁的目的位置分别记录到对应的禁忌表中,当所有蚂蚁均访问到所述目的位置时,确定各个蚂蚁的完整路径;并利用信息浓度公式进行信息浓度控制;
完整路径选择单元,用于选择所述禁忌表中安全程度数值最高的路径;
更新单元,用于依次更新全局信息素以及局部信息素,并清空禁忌表;
迭代判断单元,用于将迭代次数加1,并判断迭代过程是否结束;
输出单元,用于若迭代结束,则确定各个完整路径的安全程度系数。
基于上述任意实施例,该系统还可以包括:
长度判断模块,用于根据所述起始位置信息以及所述目的位置信息判断是否为省内运输;若是,则执行所述根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段的步骤;若否,则获取地图工具得到的预选运输路径,并获取所述预选运输路径的全部路段。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于改进蚁群算法的路径确定方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于改进蚁群算法的路径确定方法,其特征在于,所述方法包括:
获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素;
根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段;
根据所述主要考虑的影响因素,确定各个影响因素的级别并确定各个级别影响因素的基本系数;
根据所述全部路段中各个路段对应的每个子因素状态,确定各个路段对应的每个子因素的子系数;其中,影响因素具有对应的子因素;
利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值;
利用改进蚁群算法计算出满足安全条件的路径,并输出符合要求的路径作为运输路径。
2.根据权利要求1所述的方法,其特征在于,利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值,包括:
利用公式计算所述全部路段中各个路段对应的安全程度数值R;
其中,P1为一级影响因素的基本系数,P2为二级影响因素的基本系数,P3为三级影响因素的基本系数,m为一级影响因素下子因素个数,n为二级影响因素下子因素个数,p三级影响因素下子因素个数,Ak为一级影响因素下子因素的子系数,Bj为二级影响因素下子因素的子系数,Cq三级影响因素下子系数的子系数。
3.根据权利要求1所述的方法,其特征在于,利用改进蚁群算法计算出满足安全条件的路径,包括:
初始化所述改进蚁群算法预定参数;
将每个蚂蚁的目的位置分别记录到对应的禁忌表中,当所有蚂蚁均访问到所述目的位置时,确定各个蚂蚁的完整路径;并利用信息浓度公式进行信息浓度控制;
选择所述禁忌表中安全程度数值最高的路径;
依次更新全局信息素以及局部信息素,并清空禁忌表;
将迭代次数加1,并判断迭代过程是否结束;
若是,则确定各个完整路径的安全程度系数。
4.根据权利要求3所述的方法,其特征在于,所述信息浓度公式具体为:其中,Q为当前路径的信息浓度,λ为可调参数,以控制信息浓度。
5.根据权利要求4所述的方法,其特征在于,依次更新全局信息素以及局部信息素,包括:
利用公式τij=(1-ρ)*τij(t-1)+ρ*Δτij更新全局信息素;
利用公式τij(n+1)=(1-ξ)*τij(n)+ξτ0更新局局信息素;
其中,τij为由i到j的路径的信息素强度,ρ为路径上信息素数量的蒸发系数,Δτij为本次循环之后在i到j的路径上留下的信息增量,τ0为常数,初始化时该路径上的信息的浓度,ξ为可调参数。
6.根据权利要求1-5任一项所述的方法,其特征在于,获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素之后,还包括:
根据所述起始位置信息以及所述目的位置信息判断是否为省内运输;
若是,则执行所述根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段的步骤;
若否,则获取地图工具得到的预选运输路径,并获取所述预选运输路径的全部路段。
7.一种基于改进蚁群算法的路径确定系统,其特征在于,包括:
输入模块,用于获取输入的预定参数数据;其中,所述预定参数数据包括起始位置信息、目的位置信息以及主要考虑的影响因素;
路段计算模块,用于根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段;
基本系数确定模块,用于根据所述主要考虑的影响因素,确定各个影响因素的级别并确定各个级别影响因素的基本系数;
子因素确定模块,用于根据所述全部路段中各个路段对应的每个子因素状态,确定各个路段对应的每个子因素的子系数;其中,影响因素具有对应的子因素;
安全程度计算模块,用于利用所述子系数以及所述基本系数,计算所述全部路段中各个路段对应的安全程度数值;
运输路径确定模块,用于利用改进蚁群算法计算出满足安全条件的路径,并输出符合要求的路径作为运输路径。
8.根据权利要求7所述的系统,其特征在于,所述安全程度计算模块具体为利用公式计算所述全部路段中各个路段对应的安全程度数值R的模块;
其中,P1为一级影响因素的基本系数,P2为二级影响因素的基本系数,P3为三级影响因素的基本系数,m为一级影响因素下子因素个数,n为二级影响因素下子因素个数,p三级影响因素下子因素个数,Ak为一级影响因素下子因素的子系数,Bj为二级影响因素下子因素的子系数,Cq三级影响因素下子系数的子系数。
9.根据权利要求7所述的系统,其特征在于,所述运输路径确定模块,包括:
初始化单元,用于初始化所述改进蚁群算法预定参数;
完整路径确定单元,用于将每个蚂蚁的目的位置分别记录到对应的禁忌表中,当所有蚂蚁均访问到所述目的位置时,确定各个蚂蚁的完整路径;并利用信息浓度公式进行信息浓度控制;
完整路径选择单元,用于选择所述禁忌表中安全程度数值最高的路径;
更新单元,用于依次更新全局信息素以及局部信息素,并清空禁忌表;
迭代判断单元,用于将迭代次数加1,并判断迭代过程是否结束;
输出单元,用于若迭代结束,则确定各个完整路径的安全程度系数。
10.根据权利要求7-9任一项所述的系统,其特征在于,还包括:
长度判断模块,用于根据所述起始位置信息以及所述目的位置信息判断是否为省内运输;若是,则执行所述根据所述起始位置信息和所述目的位置信息,获取从起始位置到目的位置是全部路段的步骤;若否,则获取地图工具得到的预选运输路径,并获取所述预选运输路径的全部路段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710201708.7A CN106971245A (zh) | 2017-03-30 | 2017-03-30 | 一种基于改进蚁群算法的路径确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710201708.7A CN106971245A (zh) | 2017-03-30 | 2017-03-30 | 一种基于改进蚁群算法的路径确定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971245A true CN106971245A (zh) | 2017-07-21 |
Family
ID=59335666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710201708.7A Pending CN106971245A (zh) | 2017-03-30 | 2017-03-30 | 一种基于改进蚁群算法的路径确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971245A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117997A (zh) * | 2018-08-02 | 2019-01-01 | 武汉理工光科股份有限公司 | 基于集成多种算法的消防救援路径的优化方法及系统 |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN110456704A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 一种高大平仓房的储粮方法 |
CN112288152A (zh) * | 2020-10-22 | 2021-01-29 | 武汉大学 | 一种基于蚁群算法和多目标函数模型的应急资源调度方法 |
CN115660520A (zh) * | 2022-12-14 | 2023-01-31 | 昆明理工大学 | 一种基于交通运输物流的数据分析方法及系统 |
WO2023245740A1 (zh) * | 2022-06-22 | 2023-12-28 | 江南大学 | 一种基于蚁群算法的第四方物流运输路径规划方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762278A (zh) * | 2010-01-25 | 2010-06-30 | 深圳市凯立德计算机系统技术有限公司 | 一种导航系统进行实时导航的方法及导航系统 |
CN102128629A (zh) * | 2010-01-13 | 2011-07-20 | 华为技术有限公司 | 一种路径规划方法及导航系统以及地理信息系统 |
CN102307357A (zh) * | 2011-08-25 | 2012-01-04 | 中兴通讯股份有限公司 | 一种网络规划方法及系统 |
CN102610091A (zh) * | 2012-03-22 | 2012-07-25 | 北京世纪高通科技有限公司 | 出行服务信息的获取方法及装置 |
CN102679990A (zh) * | 2011-03-16 | 2012-09-19 | 高德软件有限公司 | 导航方法和装置 |
CN102679998A (zh) * | 2012-06-12 | 2012-09-19 | 上海雷腾软件有限公司 | 一种行驶指数算法及线路规划方法和导航方法 |
CN102708686A (zh) * | 2012-05-30 | 2012-10-03 | 东南大学 | 城市道路机动车出行起讫点及路径识别方法 |
CN103134508A (zh) * | 2012-12-25 | 2013-06-05 | 上海博泰悦臻电子设备制造有限公司 | 导航方法、导航装置和导航系统 |
CN103294823A (zh) * | 2013-06-18 | 2013-09-11 | 上海工程技术大学 | 基于文化蚁群系统的轨道交通多模式最优换乘查询方法 |
CN103327082A (zh) * | 2013-06-07 | 2013-09-25 | 同济大学 | 一种多蚁群疏散优化交换方法 |
CN103839105A (zh) * | 2014-03-10 | 2014-06-04 | 北京航空航天大学 | 行程推荐方法和装置 |
CN105513400A (zh) * | 2015-12-03 | 2016-04-20 | 四川长虹电器股份有限公司 | 动态规划出行路径的方法 |
-
2017
- 2017-03-30 CN CN201710201708.7A patent/CN106971245A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128629A (zh) * | 2010-01-13 | 2011-07-20 | 华为技术有限公司 | 一种路径规划方法及导航系统以及地理信息系统 |
CN101762278A (zh) * | 2010-01-25 | 2010-06-30 | 深圳市凯立德计算机系统技术有限公司 | 一种导航系统进行实时导航的方法及导航系统 |
CN102679990A (zh) * | 2011-03-16 | 2012-09-19 | 高德软件有限公司 | 导航方法和装置 |
CN102307357A (zh) * | 2011-08-25 | 2012-01-04 | 中兴通讯股份有限公司 | 一种网络规划方法及系统 |
CN102610091A (zh) * | 2012-03-22 | 2012-07-25 | 北京世纪高通科技有限公司 | 出行服务信息的获取方法及装置 |
CN102708686A (zh) * | 2012-05-30 | 2012-10-03 | 东南大学 | 城市道路机动车出行起讫点及路径识别方法 |
CN102679998A (zh) * | 2012-06-12 | 2012-09-19 | 上海雷腾软件有限公司 | 一种行驶指数算法及线路规划方法和导航方法 |
CN103134508A (zh) * | 2012-12-25 | 2013-06-05 | 上海博泰悦臻电子设备制造有限公司 | 导航方法、导航装置和导航系统 |
CN103327082A (zh) * | 2013-06-07 | 2013-09-25 | 同济大学 | 一种多蚁群疏散优化交换方法 |
CN103294823A (zh) * | 2013-06-18 | 2013-09-11 | 上海工程技术大学 | 基于文化蚁群系统的轨道交通多模式最优换乘查询方法 |
CN103839105A (zh) * | 2014-03-10 | 2014-06-04 | 北京航空航天大学 | 行程推荐方法和装置 |
CN105513400A (zh) * | 2015-12-03 | 2016-04-20 | 四川长虹电器股份有限公司 | 动态规划出行路径的方法 |
Non-Patent Citations (2)
Title |
---|
周明秀等: "动态路径规划中的改进蚁群算法", 《计算机科学》 * |
张恒海: "基于蚁群算法的危险货物运输路径优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117997A (zh) * | 2018-08-02 | 2019-01-01 | 武汉理工光科股份有限公司 | 基于集成多种算法的消防救援路径的优化方法及系统 |
CN109117997B (zh) * | 2018-08-02 | 2022-04-08 | 湖北烽火平安智能消防科技有限公司 | 基于集成多种算法的消防救援路径的优化方法及系统 |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
WO2020107583A1 (zh) * | 2018-11-30 | 2020-06-04 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN110456704A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 一种高大平仓房的储粮方法 |
CN112288152A (zh) * | 2020-10-22 | 2021-01-29 | 武汉大学 | 一种基于蚁群算法和多目标函数模型的应急资源调度方法 |
CN112288152B (zh) * | 2020-10-22 | 2022-05-13 | 武汉大学 | 一种基于蚁群算法和多目标函数模型的应急资源调度方法 |
WO2023245740A1 (zh) * | 2022-06-22 | 2023-12-28 | 江南大学 | 一种基于蚁群算法的第四方物流运输路径规划方法 |
CN115660520A (zh) * | 2022-12-14 | 2023-01-31 | 昆明理工大学 | 一种基于交通运输物流的数据分析方法及系统 |
CN115660520B (zh) * | 2022-12-14 | 2023-03-28 | 昆明理工大学 | 一种基于交通运输物流的数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971245A (zh) | 一种基于改进蚁群算法的路径确定方法及系统 | |
Bekhor et al. | Evaluation of choice set generation algorithms for route choice models | |
CN104765825B (zh) | 基于协同融合原理的社交网络链路预测方法及装置 | |
CN107220731A (zh) | 一种物流配送路径规划方法 | |
CN110472792B (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 | |
CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN108122048A (zh) | 一种运输路径调度方法及其系统 | |
CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
CN112381284B (zh) | 一种无人接驳车多站点路径优化的改进遗传算法 | |
CN109186619A (zh) | 一种基于实时路况的智能导航算法 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN106650930A (zh) | 模型参数优化的方法及装置 | |
CN115270506B (zh) | 一种人群沿楼梯上行的通行时间预测方法及系统 | |
CN106981204A (zh) | 一种信息处理方法及装置 | |
CN116050672B (zh) | 基于人工智能的城市管理方法及系统 | |
CN116151499A (zh) | 一种基于改进模拟退火算法的智能多式联运路径规划方法 | |
CN106530702A (zh) | 一种基于交通指数的随机动态网络交通规划方法 | |
Jin | Multi-objective a* algorithm for the multimodal multi-objective path planning optimization | |
CN112330054B (zh) | 基于决策树的动态旅行商问题求解方法、系统及存储介质 | |
Rosyadi et al. | Intelligent traffic light control using collaborative Q-Learning algorithms | |
CN114995503A (zh) | 一种无人机巡检路径优化方法 | |
Leprêtre et al. | Combinatorial surrogate-assisted optimization for bus stops spacing problem | |
Joest et al. | A user-aware tour proposal framework using a hybrid optimization approach | |
CN110569976A (zh) | 一种类脑人工智能决策系统和决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |