CN109102124A - 基于分解的动态多目标多路径诱导方法、系统及存储介质 - Google Patents
基于分解的动态多目标多路径诱导方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109102124A CN109102124A CN201810970723.2A CN201810970723A CN109102124A CN 109102124 A CN109102124 A CN 109102124A CN 201810970723 A CN201810970723 A CN 201810970723A CN 109102124 A CN109102124 A CN 109102124A
- Authority
- CN
- China
- Prior art keywords
- path
- target
- sub
- current
- objective
- 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.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000013459 approach Methods 0.000 title abstract description 3
- 238000005457 optimization Methods 0.000 claims abstract description 102
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000010429 evolutionary process Effects 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 47
- 230000006698 induction Effects 0.000 claims description 28
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000009396 hybridization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000010881 fly ash Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 abstract description 2
- 230000035699 permeability Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013377 clone selection method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001280 germinal center Anatomy 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 230000008076 immune mechanism Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (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)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于分解的动态多目标多路径诱导方法、系统及存储介质,该方法能在动态实时交通路段下,为驾驶者提供诸如路程最短、用时最少、最为安全舒适,甚至带有驾驶者偏好的多条最优路径供其选择;算法将一个动态多目标多路径优化选择问题转换为N个单目标路径优化选择子问题,每个子问题的目标函数由各个目标的函数聚合而成,算法在一次进化过程中同时优化这N个子问题,最后用户根据偏好从这N个子问题的最优解中选择一条路径行驶。由于每个子问题解决只需要用到它周围的邻居信息,而邻居的数目T远小于种群的规模N,因此算法具有较小的计算复杂度,能够更好地满足多目标多路径诱导系统的动态路段实时性要求。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及基于分解的动态多目标多路径诱导方法、系统及存储介质。
背景技术
路径优化是路径诱导系统(也即车辆导航系统)中的一项关键技术。目前国内对道路交通的路径优化以及相关的研究很多,大体的可以分为两类。一类是基于静态、简单交通条件下的路径优化,目前多数的研究和实际应用都属于此类。国内现有的路径导航系统一般是静态路径诱导,一般仅是利用数字地图数据库的信息来实现为车辆提供定位信息和静态地理信息等静态路径导航功能。另一类是基于动态交通条件下的路径优化,与传统静态路径诱导系统相比,动态路径诱导系统的不同之处在于利用了实时交通信息(如经过某一路段所需的时间),能够实现更有效的诱导。由于这类研究更加接近于真实环境,具有更大的应用价值及更广阔的研究发展空间,因此动态路径诱导系统必将成为路径诱导系统发展的趋势。
在传统的可达路径优化问题中,经常以空间路径最短或费用最少作为优化目标,即单目标优化,也获得了很多成果,如Dijkstra方法、Breadth First Search方法、Bellman-Ford算法等。尽管这些算法能够求出稳定解,但是都具有很高的计算复杂度。面对当代城市的实际交通网络和时变的交通环境,仅仅考虑最短路径并不能满足人们的出行需求,因为驾驶员时常会按照自己偏好选择需要的路线。一个有效路径诱导系统应该能够按照不同目标提供多条最优路径以供选择,也即多目标多路径诱导。求解过程中有多个目标需要优化,这就拓展出多目标最优路径问题。由于多目标优化问题目标间往往存在的不相容性或目标的不可加性,造成了多目标优化问题的难解性。要使多个目标在一个方案中均达到最优,是很难得到这样的解的,实际上,也很少存在这样的最优解。多目标最优路径问题一般不存在单一的最优解,而只有满意解也称Pareto解。目前,应用广泛的求解方法有:效用函数法、多目标遗传算法、蚁群算法等启发式智能算法等。
在实际车辆的行驶过程中,由于交通管理、交通流量、交通事故、天气变化等诸多因素的影响,行驶速度总是在不断变化,导致路网中各个路段上的运行成本(行程时间)也就相应地发生变化。因此,动态实时环境下的多目标多路径诱导,其实质是一个动态多目标优化问题,优化的目标(行程时间、行驶距离、道路拥挤度、道路属性、综合费用等)及约束条件(出发时间、个人偏好、天气状况等)将会受时间的影响,随时间的变化而发生变化。系统的实时性对算法的复杂度、高效性提出了挑战。问题本身的复杂性也决定了这类问题成为优化问题中最难解决的问题类型之一。
传统路径优化的经典方法有:Dijkstra算法、Floyd算法、A*算法、双向搜索算法等。但这些算法的前提是静态的,即处理的是固定网络拓扑和固定的权值,在此基础上的最优路径就是最短路径,但这些静态假设在许多应用中不一定成立。一旦路阻是变化的,即常说的动态诱导,以上算法就均存在问题,要么所做静态假设与实际情况出入太大,不能有效应用,要么运行时间较长,无法满足实际需要。由于车辆在正常行驶中若发现原有的最优路径上的部分路段发生拥挤,则需根据最新的交通信息迅速重新计算最优路径并推荐给驾驶员,这种情况下对算法的运算时间有很苛刻的要求。不然,当最优路径重新被推荐出来后,车辆早已驶离了应该转向的交叉口从而使得重新推荐的最优路径失效。此时需提出适用于动态交通信息的路径优化方法。
动态路径优化算法是动态路径优化技术的核心,若没有动态路径优化算法就根本谈不上对路径进行动态优化。所以,动态路径优化算法是目前的研究热点和难点。据所能查阅到的资料,最早对动态路径优化算法展开研究的学者是Cooke、Halsey(1966)。Chabini对动态路径优化问题密切相关的一些问题作了分类和阐述。S.E.Dreyfus指出,当动态网络满足先进先出原则时,所有适用于静态网络的最短路径方法(如A*算法等)都适用于动态网络;当动态网络不满足先进先出原则时,所有适用于静态网络的最短路径算法都不适用于动态网络。遗憾的是,动态路网中车辆先进先出的原则并不符合动态路径诱导系统的要求。因此,现在的研究者只能选用一些基于人工智能的算法如遗传算法、模拟退火算法、蚁群算法来求解该问题。
动态多目标多路径诱导相较于动态环境下的单目标或单路径诱导更具有现实意义和应用前景。而与之相对应的动态多目标多路径优化算法更复杂,对其研究更具有挑战性,目前相关的研究成果还不多见。
在过去的十几年中,进化算法(Evolutionary Algorithm:EA)作为一种随机搜索算法,与传统的方法相比,以其对全局优化问题的有效实用性、信息处理的并行性、问题求解的稳健性和操作的简明性等优势,在解决单目标和多目标优化问题上已经取得一些成果。尽管EA在静态多目标寻优问题上已经被证明很有效,并且在动态单目标优化问题的求解上也取得了较多研究成果,出现了很多针对动态单目标问题求解的进化算法(DSOEA),但由于动态多目标优化问题求解的复杂性,应用进化算法及理论对动态多目标优化问题进行求解的成果相对较少,研究的进展也相对比较缓慢。
目前,求解动态多目标优化问题的进化算法主要有:Deb等人提出的动态多目标进化算法(DNSGA-II),改进的正交多目标进化算法(OMOEA-II)、基于Pareto强度的改进进化算法(SPEA2)等多种静态多目标进化算法被扩展或者改进后直接应用于求解动态多目标优化问题,Farina和Deb等人对早前提出的方向搜索方法进行扩展,提出的一种依赖于梯度或单纯形搜索的邻域搜索算法(DBM)。DBM是针对特殊的动态多目标优化问题的一类算法,主要思路是产生少量的但分布性能好的最优解集,这种方法非常耗时,对于动态多目标优化问题的研究而言也是初步的,但它无疑为以后更为精细且深入的研究提供了一个铺垫和平台。Hatzakis等人基于序列分析多目标优化程序以及多变量或单变量自回归预测模型,提出一种前瞻性预测方法(AForward-Looking Approach)。这种方法涵盖了记忆方法的优势,同时结合了收敛多样性的平衡机制,使算法的性能得到一定的提高,尤其在目标函数变化频率高的问题上性能提高更为明显,但是其预测的准确度还需进一步提升。Z.Zhang等以免疫系统生发中心的免疫功能和Pareto优势理论为基础,提出了基于免疫机制的动态多目标优化免疫算法,用来解决目标空间维数固定或变化的困难的动态多目标优化问题。该算法采用最优保存机制,通过抗原(环境)识别产生初始群体,再通过克隆繁殖、亲和突变、免疫选择、环境记忆集更新等操作进行群体进化。研究还通过一系列测试问题和性能的分析,证明了算法的有效性,并将此算法应用于温室控制。
在国内,近年来也开始出现这一方面的研究成果。尚荣华等人提出了克隆选择动态多目标优化算法,并根据人工免疫系统概念和免疫遗忘机理,提出免疫遗忘动态多目标优化算法(IFDMO),在多样性、均匀性方面都体现出较好的效果。刘淳安等先后提出了多种动态多目标优化问题的新模型和新解法。
虽然上述算法在动态多目标优化问题的求解上已经取得了一定的成果,但是由于种群的规模以及其它因素的限制,算法的计算量比较大,求解效率不是特别高,这不仅影响了对于动态多目标问题的求解性能,更限制了其在动态交通环境下多目标多路径诱导系统上的应用。
发明内容
为了解决现有技术的不足,本发明提供了基于分解的动态多目标多路径诱导方法、系统及存储介质,该方法能在动态实时交通环境下,为驾驶者提供诸如路程最短、用时最少、最为安全舒适,甚至带有驾驶者偏好(如必须经过某个路段)的多条最优路径供其选择;算法将一个动态多目标多路径优化选择问题转换为N个单目标路径优化选择子问题(N为算法设置的种群规模),每个子问题的目标函数由各个目标的函数聚合而成,算法在一次进化过程中同时优化这N个子问题,最后用户根据偏好从这N个子问题的最优解中选择一条路径行驶。由于每个子问题解决只需要用到它周围的邻居信息(邻居的个数设置为T),而邻居的数目T远小于种群的规模N,因此算法具有较小的计算复杂度,能够更好地满足多目标多路径诱导系统的动态环境实时性要求。
作为本发明的第一方面,提供了基于分解的动态多目标多路径诱导方法;
基于分解的动态多目标多路径诱导方法,包括:
步骤(1):开始导航,采集用户当前行驶路径和用户输入的多个目标;所述用户的多个目标,包括:距离最短f1(x,t)、时间最短f2(x,t)、速度最快f3(x,t)或红绿灯路口最少f4(x,t);将一个动态多目标多路径优化选择问题分解转换为N个动态单目标路径优化选择子问题,每个子问题的优化目标是一个关于各个路径优化目标函数的聚合函数;
步骤(2):对于分解后的N个子问题,采用进化算法,在一次进化过程中同时优化N个子问题:初始化算法终止条件,所述算法终止条件,包括:路段变化次数Tmax到达上限或者行驶到达目的地;初始化初始种群popk(t)、交叉概率pc、变异概率pm和最大迭代次数gmax(t),令路段变化计数因子t=0,计数器k=1,计算任意两个聚合权向量之间的欧氏距离,为每个权向量选出最近的T个向量作为它的邻居;
步骤(3):假设种群popk(t)包括N个个体,每个个体代表待优化的路径;对于种群popk(t)中的所有的个体路径xi进行优化;进入步骤(4);
步骤(4):判断k是否大于gmax(t),如果k>gmax(t),则输出popk(t)中的所有解路径供用户选择,接收用户新选择的路径,令t=t+1,转步骤(6);否则,转步骤(5);
步骤(5):判断采集的当前路段是否发生变化,如果发生变化,令t=t+1,转步骤(6);否则,令popk+1(t)=popk(t),计数器k+1;转步骤(3);
步骤(6):判断t是否大于Tmax或到达目的地,如果t>Tmax或到达目的地,结束;否则,利用前t次路段变化产生的种群popk(t)作为分布估计法的初始值,按照分布估计法产生第t+1次路段变化下的初始种群popk(t+1),令t=t+1,k=1,转步骤(3)。
一条路径包括若干个路段,每个路段是否发生变化可以通过采集的当前路段信息与紧邻的上次采集的路段信息的差别来判断,若一致代表路段未发生变化,若不一致代表路段发生了变化,在行驶的过程中,路段的变化与时间有关系,所以用t表示路段变化次数,例如:从A路段转到B路段行驶,表示路段变化一次,再从B路段转到C路段行驶,表示路段变化累积了两次,以此类推。
进一步的,所述步骤(1)中,若令X是n维路径优化问题的决策向量空间,Y是m维目标向量空间,t为一个取值于连续或离散实值空间的路段参数变量,未分解前的动态多目标多路径优化选择问题F(x,t)表示为:
其中,F(x,t):X×T→Y定义了m个由决策空间到目标空间的映射函数,T表示时间路段变化t的取值空间,fi(x,t)表示目标函数,i=1,2,...,m,x表示待优化的路径。
采用加权Lp范式分解方法,分解转换后的动态单目标路径优化子问题统一表示为:
其中,表示经过Lp转换、将多个目标综合考虑的待优化的路径目标函数,λk表示第k个目标在综合考虑中所占的权重,fk(x,t)表示第k个目标函数,表示所要达到的第k个目标的理想值,k=1,2,...,m,p表示范式的类型,取值p>0。
进一步的,将一个动态多目标多路径优化选择问题分解转换为N个动态单目标路径优化选择子问题,转换后的每个子问题对应一个聚合函数,聚合函数中所使用的N个聚合权向量在[0,1]m空间上均匀分布,m为用户设置的路径优化的目标个数;其中,m≤4;
每个分解后的单目标路径优化子问题详细表示为:
其中,为子问题i在决策空间上的当前解, 表示经过Lp转换、将多个目标综合考虑的子问题i的待优化的路径目标函数,表示子问题i中第k个目标在综合考虑中所占的权重,fk(xi,t)表示子问题i的第k个目标函数;λi为子问题i所对应的聚合权向量,为子问题在目标空间上的理想值。
对于各个目标上理想值的初始设定与具体问题有关。例如,若其中一个目标设定为两地之间行驶路径的距离最短,则可以把两地之间的直线距离设定为此目标的理想值;若优化目标为行驶时间最短,将目标的理想值设定为一个小于实际行驶时间的值,或者设为截止到当前代为止所有种群在当前目标上的最优值。
进一步的,所述步骤(3)的对于种群popk(t)中的每一个个体路径xi进行优化具体步骤为:
步骤(3.1):从路径xi的邻居中随机选出一个个体,将其与xi以杂交概率pc进行杂交生成杂交个体将杂交个体以变异概率pm对进行变异,生成的后代个体路径记为y,若y为不可行路径,所述不可行路径是指不连通路径,则将y还原为或xi;转入步骤(3.2);
步骤(3.2):计算步骤(3.1)生成的后代个体路径y所对应的各个目标上的函数值,若后代个体路径y所对应的当前目标上的函数值优于当前目标的理想值,则利用后代个体路径y所对应的当前目标的函数值更新当前目标的理想值;进入步骤(3.3);
步骤(3.3):更新当前路径,针对当前子问题i,若生成的后代个体路径y优于当前路径,则利用后代个体路径y更新当前路径;进入步骤(3.4);
步骤(3.4):更新邻域路径信息,对当前子问题i中的邻居进行检查,若生成的后代个体路径y优于邻居的当前路径,则用后代个体路径y替代更新当前路径;转入步骤(4)。
所述步骤(3.4)中,当前子问题的邻居通过当前子问题所对应的权向量的邻居来定义。分解后子问题与权向量之间存在着一一对应的关系,因此如果两个权向量之间互为邻居关系,则认为两个权向量各自所对应的问题互为邻居。
例如,若当前问题为i,问题i的邻居为问题i所对应的权向量的邻居所对应的问题。而两个权向量之间是否互为邻居关系则由权向量之间欧氏距离的大小决定,欧式距离最小的权向量,互为邻居关系。
进一步的,所述步骤(5)中,考虑子问题随时间变化的强度或随时间变化的频率,分为两种情况:
情况一:在同一路段上,子问题的变化幅度保持在一个设定的范围内,子问题的变化幅度即前后两次所采集的路段差别;
对于情况一,将连续变化的时间变量区间[t0,ts]等区间分割成若干个子区间[tk-1,tk],k=1,2,…,s,t0<t1<…<ts;对由于动态路径优化问题的目标函数是时间t的连续函数,因此,当子区间[tk-1,tk]小于设定值(例如,小于10-3秒)时,定义在[tk-1,tk]上的动态多目标路径优化选择问题随时间的变化忽略不计。将每个子区间[tk-1,tk]上的动态多目标路径优化选择问题看作是[tk-1,tk]上某固定时刻点处的一个静态多目标路径优化选择问题,可取固定点为[tk-1,tk]的右端点tk,原来随时间连续变化的动态多目标优化选择问题就转化为时间取值在若干个时刻点tk上的静态多目标路径优化选择问题
情况二:进入不同路段(提取到的当前路段名称与上次提取的当前路段名称不同)或有拥堵(提取到的当前路段的经纬度位置信息与紧邻的前d次所提取的经纬度位置信息相同或相差在一个极小的误差范围内,d可取10,误差可取10-5)、意外(提取到当前路段为不连通等无效路段)等情况发生,子问题随时间t的变化出现突变,即当前时刻下发生变化,而当前时刻之前的设定时间范围内未发生变化。
对于情况二,采用路段变化自检算子判断路段是否发生改变,若发生改变则自动跟踪路段的改变继续寻找新的最优解,转步骤(6)。
路段变化自检算子ε(t):
其中,表示第t次路段变化对应子问题的目标空间中的Pareto最好理想解;分别表示第t次路段变化对应子问题的目标空间中的Pareto最差理想解,对应第t次路段变化获得的N个Pareto最优解,同样为第t-1次路段变化获得的N个Pareto最优解,||V||2为向量V在实数m维空间Rm(m为向量V的维数)上的2-范数,N是当前种群规模。
如果ε(t)>η,η是给定的阈值,则认为路段发生改变,重新进入下一个新路段的搜索,转步骤(6)。
作为本发明的第二方面,提供了基于分解的动态多目标多路径诱导系统;
基于分解的动态多目标多路径诱导系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
作为本发明的第三方面,提供了一种计算机可读存储介质;
一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
与现有技术相比,本发明的有益效果是:
本发明能在动态实时交通环境下,为驾驶者提供诸如路程最短、用时最少、最为安全舒适,甚至带有驾驶者偏好(如必须经过某个路段等)的多条最优路径供其选择;算法采用分解的方式,将一个动态多目标多路径优化选择问题转换为多个单目标路径优化选择子问题,并且在一次优化过程中能同时求解这多个子问题,每个子问题解决只需要用到它周围的少数几个邻居信息,而邻居的数目远小于种群的规模大小,因此算法具有较小的计算复杂度,能够更好地满足多目标多路径诱导系统的动态环境实时性要求。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的流程图;
图2为单个子问题的邻居关系示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1:提供了基于分解的动态多目标多路径诱导方法;
基于分解的动态多目标多路径诱导方法,包括:
步骤(1):开始导航,采集用户当前行驶路径和用户输入的多个目标;所述用户的多个目标,包括:距离最短f1(x,t)、时间最短f2(x,t)、速度最快f3(x,t)或红绿灯路口最少f4(x,t);将一个动态多目标多路径优化选择问题分解转换为N个动态单目标路径优化选择子问题,每个子问题的优化目标是一个关于各个路径优化目标函数的聚合函数;
步骤(2):初始化算法终止条件,所述算法终止条件,包括:路段变化次数Tmax到达上限或者行驶到达目的地;初始化初始种群popk(t)、交叉概率pc、变异概率pm和最大迭代次数gmax(t),令路径变化计数因子t=0,计数器k=1,计算任意两个聚合权向量之间的欧氏距离,为每个权向量选出最近的T个向量作为它的邻居;
步骤(3):假设种群popk(t)包括N个个体,每个个体代表待优化的路径;对于种群popk(t)中的所有的个体路径xi进行优化;进入步骤(4);
步骤(4):如果k>gmax(t),则输出popk(t)中的所有解路径x1,x2,...,xN供用户选择,接收用户新选择的路径,令t=t+1,转步骤(6);否则,转步骤(5);
步骤(5):判断采集的当前行驶路径是否发生变化,如果路径发生变化,令t=t+1,转步骤(6);否则,令popk+1(t)=popk(t),计数器k+1;转步骤(3);
步骤(6):如果t>Tmax或到达目的地,结束;否则,利用前t个路径产生的种群popk(t)作为分布估计法的初始值,按照分布估计法产生路径t+1下的初始种群popk(t+1),令t=t+1,k=1,转步骤(3)。
进一步的,所述步骤(1)中,若令X是n维路径优化问题的决策向量空间,Y是m维目标向量空间,t为一个取值于连续或离散实值空间的路段变化参数变量,未分解前的动态多目标多路径优化选择问题F(x,t)表示为:
其中,F(x,t):X×T→Y定义了m个由决策空间到目标空间的映射函数,T表示时间路段变化次数t的取值空间,fi(x,t)表示目标函数,i=1,2,...,m,x表示待优化的路径。
采用加权Lp范式分解方法,分解转换后的动态单目标路径优化子问题统一表示为:
其中,表示经过Lp转换、将多个目标综合考虑的待优化的路径目标函数,λk表示第k个目标在综合考虑中所占的权重,fk(x,t)表示第k个目标函数,表示所要达到的第k个目标的理想值,k=1,2,...,m,p表示范式的类型,取值p>0。
进一步的,将一个动态多目标多路径优化选择问题分解转换为N个动态单目标路径优化选择子问题,转换后的每个子问题对应一个聚合函数,聚合函数中所使用的N个聚合权向量在[0,1]m空间上均匀分布,m为用户设置的路径优化的目标个数;其中,m≤4;
每个分解后的单目标路径优化子问题详细表示为:
其中,为子问题i在决策空间上的当前解, 表示经过Lp转换、将多个目标综合考虑的子问题i的待优化的路径目标函数,表示子问题i中第k个目标在综合考虑中所占的权重,fk(xi,t)表示子问题i的第k个目标函数;λi为子问题i所对应的聚合权向量,为子问题在目标空间上的理想值。
对于各个目标上理想值的初始设定与具体问题有关。例如,若其中一个目标设定为两地之间行驶路径的距离最短,则可以把两地之间的直线距离设定为此目标的理想值;若优化目标为行驶时间最短,将目标的理想值设定为一个小于实际行驶时间的值,或者设为截止到当前代为止所有种群在当前目标上的最优值。
进一步的,所述步骤(3)的对于种群popk(t)中的每一个个体路径xi进行优化具体步骤为:
步骤(3.1):从路径xi的邻居中随机选出一个个体,将其与xi以杂交概率pc进行杂交生成杂交个体将杂交个体以变异概率pm对进行变异,生成的后代个体路径记为y,若y为不可行路径,所述不可行路径是指不连通路径,则将y还原为或xi;转入步骤(3.2);
步骤(3.2):计算步骤(3.1)生成的后代个体路径y所对应的各个目标上的函数值,若后代个体路径y所对应的当前目标上的函数值优于当前目标的理想值,则利用后代个体路径y所对应的当前目标的函数值更新当前目标的理想值;进入步骤(3.3);
步骤(3.3):更新当前路径,针对当前子问题i,若生成的后代个体路径y优于当前路径,则利用后代个体路径y更新当前路径;进入步骤(3.4);
步骤(3.4):更新邻域路径信息,对当前子问题i中的邻居进行检查,若生成的后代个体路径y优于邻居的当前路径,则用后代个体路径y替代更新当前路径;转入步骤(4)。
所述步骤(3.4)中,当前子问题的邻居通过当前子问题所对应的权向量的邻居来定义。分解后子问题与权向量之间存在着一一对应的关系,因此如果两个权向量之间互为邻居关系,则认为两个权向量各自所对应的问题互为邻居。
例如,若当前问题为i,问题i的邻居为问题i所对应的权向量的邻居所对应的问题。而两个权向量之间是否互为邻居关系则由权向量之间欧氏距离的大小决定,欧式距离最小的权向量,互为邻居关系。
进一步的,所述步骤(5)中,考虑子问题随时间变化的强度或随时间变化的频率,分为两种情况:
情况一:在同一路段上,子问题的变化幅度保持在一个设定的范围内,子问题的变化幅度即前后两次所采集的路段差别;
对于情况一,将连续变化的时间变量区间[t0,ts]等区间分割成若干个子区间[tk-1,tk],k=1,2,…,s,t0<t1<…<ts;对由于动态路径优化问题的目标函数是时间t的连续函数,因此,当子区间[tk-1,tk]小于设定值(例如,小于10-3秒)时,定义在[tk-1,tk]上的动态多目标路径优化选择问题随时间的变化忽略不计。将每个子区间[tk-1,tk]上的动态多目标路径优化选择问题看作是[tk-1,tk]上某固定时刻点处的一个静态多目标路径优化选择问题,可取固定点为[tk-1,tk]的右端点tk,原来随时间连续变化的动态多目标优化选择问题就转化为时间取值在若干个时刻点tk上的静态多目标路径优化选择问题
情况二:进入不同路段(提取到的当前路段名称与上次提取的当前路段名称不同)或有拥堵(提取到的当前路段的经纬度位置信息与紧邻的前d次所提取的经纬度位置信息相同或相差在一个极小的误差范围内,d可取10,误差可取10-5)、意外(提取到当前路段为不连通等无效路段)等情况发生,子问题随时间t的变化出现突变,即当前时刻下发生变化,而当前时刻之前的设定时间范围内未发生变化。
对于情况二,采用路段变化自检算子判断路段是否发生改变,若发生改变则自动跟踪路段的改变继续寻找新的最优解,转步骤(6)。
路段变化自检算子ε(t):
其中,表示第t次路段变化对应子问题的目标空间中的Pareto最好理想解;分别表示第t次路段变化对应子问题的目标空间中的Pareto最差理想解,对应第t次路段变化下获得的N个Pareto最优解,同样为第t-1次路段变化下获得的N个Pareto最优解,||V||2为向量V在实数m维空间Rm(m为向量V的维数)上的2-范数,N是当前种群规模。
如果ε(t)>η,η是给定的阈值,则认为路段发生改变,重新进入下一个新路段的搜索,转步骤(6)。
实施例2:提供了基于分解的动态多目标多路径诱导系统;
基于分解的动态多目标多路径诱导系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
实施例3:提供了一种计算机可读存储介质;
一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
实施例4:
首先将一个驾驶者所要求的诸如路程最短、用时最少、红绿灯个数最少,甚至带有驾驶者偏好(如必须经过某个路段)的m个目标最优路径选择问题转换为N个单目标路径优化选择子问题i(i=1,2,...,N),N为方法所设置的种群规模,如图1所示,然后采用群智能算法同时优化这N个子问题。每个子问题对应一个m个目标函数的聚合函数,该聚合函数的权向量为即每个子问题对应一个权向量对于每个子问题i(i=1,2,...,N),路径优化目标j(j=1,2,...,m)所占的权重为满足将多目标路径选择优化问题转换为N个单目标聚合子问题,采用加权Lp范式分解方法,转换后的子问题描述如公式(3)所示。对于每个权向量要求满足且N个权向量λ1,λ2,...,λN要求在[0,1]m空间上均匀分布,采用均匀设计方法设计权向量λ1,λ2,...,λN。
对于分解后的N个子问题,本发明的技术解决方案是:采用进化算法,在一次进化过程中同时优化这N个子问题。每个子问题的进化,只需要用到它周围的邻居信息(邻居的个数设置为T),而邻居的数目T远小于种群的规模N,因此算法具有较小的计算复杂度,能够更好地满足多目标多路径诱导系统的动态路段实时性要求。问题的邻居关系通过问题所对应的权向量的邻居关系来定义。如前所述,分解后的子问题与其权向量之间存在着一一对应的关系,因此若两个权向量之间互为邻居关系,则认为它们所对应的问题互为邻居。例如,问题i的邻居为问题i所对应的权向量的邻居所对应的问题。而两个权向量之间是否互为邻居关系则由权向量之间欧氏距离的大小决定。N个权向量λ1,λ2,...,λN,计算两两之间的欧氏距离j=1,2,...,N。对于每个权向量λi,选择T个最小的dij(j=1,2,...,N)所对应的权向量作为λi的邻居。问题i的邻居可记作B(i)={a,b,...,T},其中λa,λb,...,λT是距离λi最近的T个权向量。权向量的邻居关系示意图如图2所示。
对于动态交通路段下的多目标多路径诱导,还需考虑问题路段的变化。设计采用的路段变化自检算子如公式(4)所示,在车辆行驶过程中,等间隔地对当前的路径进行检测,当ε(t)≤η(η是给定的阈值)时,认为路段未发生剧烈改变,车辆行驶在同一或相似路段上,问题随时间t是连续缓慢变化的,即在整个时间段上动态优化问题的变化较平稳,其变化幅度保持在一个较小的误差范围内。对于此种情况,本发明的技术解决方案是:将连续变化的时间变量区间[t0,ts]等区间分割成若干个子区间[ti-1,ti],i=1,2,…,s,t0<t1<…<ts.对当子区间[ti-1,ti]的长度充分小时,将每个子区间[ti-1,ti](i=1,2,…,s)上的动态多目标路径优化选择问题近似地看作是[ti-1,ti]上某固定时刻(路段)点处的一个静态多目标路径优化选择问题。可以取固定点为[ti-1,ti]上的右端点ti,这样,原来随时间连续变化的动态多目标优化选择问题就近似地转化为时间取值在若干个时刻点ti(i=1~s)上的静态多目标路径优化选择问题。在路段检测过程中,当ε(t)>η(η是给定的阈值)时,此时认为路段发生了较大改变,进入了不同路段或有拥堵、意外等情况发生,重新进入下一个新路段的搜索。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.基于分解的动态多目标多路径诱导方法,其特征是,包括:
步骤(1):开始导航,采集用户当前行驶路径和用户输入的多个目标;所述用户的多个目标,包括:距离最短f1(x,t)、时间最短f2(x,t)、速度最快f3(x,t)或红绿灯路口最少f4(x,t);将一个动态多目标多路径优化选择问题分解转换为N个动态单目标路径优化选择子问题,每个子问题的优化目标是一个关于各个路径优化目标函数的聚合函数;
步骤(2):对于分解后的N个子问题,采用进化算法,在一次进化过程中同时优化N个子问题:初始化算法终止条件,所述算法终止条件,包括:路段变化次数Tmax到达上限或者行驶到达目的地;初始化初始种群popk(t)、交叉概率pc、变异概率pm和最大迭代次数gmax(t),令路段变化计数因子t=0,计数器k=1,计算任意两个聚合权向量之间的欧氏距离,为每个权向量选出最近的T个向量作为它的邻居;
步骤(3):假设种群popk(t)包括N个个体,每个个体代表待优化的路径;对于种群popk(t)中的所有的个体路径xi进行优化;进入步骤(4);
步骤(4):判断k是否大于gmax(t),如果k>gmax(t),则输出popk(t)中的所有解路径供用户选择,接收用户新选择的路径,令t=t+1,转步骤(6);否则,转步骤(5);
步骤(5):判断采集的当前路段是否发生变化,如果发生变化,令t=t+1,转步骤(6);否则,令popk+1(t)=popk(t),计数器k+1;转步骤(3);
步骤(6):判断t是否大于Tmax或到达目的地,如果t>Tmax或到达目的地,结束;否则,利用前t次路段变化产生的种群popk(t)作为分布估计法的初始值,按照分布估计法产生第t+1次路段变化下的初始种群popk(t+1),令t=t+1,k=1,转步骤(3)。
2.如权利要求1所述的基于分解的动态多目标多路径诱导方法,其特征是,所述步骤(1)中,若令X是n维路径优化问题的决策向量空间,Y是m维目标向量空间,t为一个取值于连续或离散实值空间的路段变化参数变量,未分解前的动态多目标多路径优化选择问题F(x,t)表示为:
其中,F(x,t):X×T→Y定义了m个由决策空间到目标空间的映射函数,T表示时间路段变量t的取值空间,fi(x,t)表示目标函数,i=1,2,...,m,x表示待优化的路径;
采用加权Lp范式分解方法,分解转换后的动态单目标路径优化子问题统一表示为:
其中,表示经过Lp转换、将多个目标综合考虑的待优化的路径目标函数,λk表示第k个目标在综合考虑中所占的权重,fk(x,t)表示第k个目标函数,表示所要达到的第k个目标的理想值,k=1,2,...,m,p表示范式的类型,取值p>0。
3.如权利要求2所述的基于分解的动态多目标多路径诱导方法,其特征是,将一个动态多目标多路径优化选择问题分解转换为N个动态单目标路径优化选择子问题,转换后的每个子问题对应一个聚合函数,聚合函数中所使用的N个聚合权向量在[0,1]m空间上均匀分布,m为用户设置的路径优化的目标个数;其中,m≤4;
每个分解后的单目标路径优化子问题详细表示为:
其中,为子问题i在决策空间上的当前解, 表示经过Lp转换、将多个目标综合考虑的子问题i的待优化的路径目标函数,表示子问题i中第k个目标在综合考虑中所占的权重,fk(xi,t)表示子问题i的第k个目标函数;λi为子问题i所对应的聚合权向量,为子问题在目标空间上的理想值。
4.如权利要求1所述的基于分解的动态多目标多路径诱导方法,其特征是,所述步骤(3)的对于种群popk(t)中的每一个个体路径xi进行优化具体步骤为:
步骤(3.1):从路径xi的邻居中随机选出一个个体,将其与xi以杂交概率pc进行杂交生成杂交个体将杂交个体以变异概率pm对进行变异,生成的后代个体路径记为y,若y为不可行路径,所述不可行路径是指不连通路径,则将y还原为或xi;转入步骤(3.2);
步骤(3.2):计算步骤(3.1)生成的后代个体路径y所对应的各个目标上的函数值,若后代个体路径y所对应的当前目标上的函数值优于当前目标的理想值,则利用后代个体路径y所对应的当前目标的函数值更新当前目标的理想值;进入步骤(3.3);
步骤(3.3):更新当前路径,针对当前子问题i,若生成的后代个体路径y优于当前路径,则利用后代个体路径y更新当前路径;进入步骤(3.4);
步骤(3.4):更新邻域路径信息,对当前子问题i中的邻居进行检查,若生成的后代个体路径y优于邻居的当前路径,则用后代个体路径y替代更新当前路径;转入步骤(4)。
5.如权利要求4所述的基于分解的动态多目标多路径诱导方法,其特征是,所述步骤(3.4)中,当前子问题的邻居通过当前子问题所对应的权向量的邻居来定义;分解后子问题与权向量之间存在着一一对应的关系,因此如果两个权向量之间互为邻居关系,则认为两个权向量各自所对应的问题互为邻居。
6.如权利要求1所述的基于分解的动态多目标多路径诱导方法,其特征是,步骤(5)中,考虑子问题随时间变化的强度或随时间变化的频率,分为两种情况:
情况一:在同一路段上,子问题的变化幅度保持在一个设定的范围内,子问题的变化幅度即前后两次所采集的路段差别;
对于情况一,将连续变化的时间变量区间[t0,ts]等区间分割成若干个子区间[tk-1,tk],k=1,2,…,s,t0<t1<…<ts;对由于动态路径优化问题的目标函数是时间t的连续函数,因此,当子区间[tk-1,tk]小于设定值时,定义在[tk-1,tk]上的动态多目标路径优化选择问题随时间的变化忽略不计;将每个子区间[tk-1,tk]上的动态多目标路径优化选择问题看作是[tk-1,tk]上某固定时刻点处的一个静态多目标路径优化选择问题,可取固定点为[tk-1,tk]的右端点tk,原来随时间连续变化的动态多目标优化选择问题就转化为时间取值在若干个时刻点tk上的静态多目标路径优化选择问题
情况二:进入不同路段或有拥堵、意外情况发生,子问题随时间t的变化出现突变,即当前时刻下发生变化,而当前时刻之前的设定时间范围内未发生变化;
对于情况二,采用路段变化自检算子判断路段是否发生改变,若发生改变则自动跟踪路段的改变继续寻找新的最优解,转步骤(6)。
7.如权利要求6所述的基于分解的动态多目标多路径诱导方法,其特征是,路段变化自检算子ε(t):
其中,表示第t次路段变化对应子问题的目标空间中的Pareto最好理想解;分别表示第t次路段变化对应子问题的目标空间中的Pareto最差理想解,对应第t次路段变化获得的N个Pareto最优解,同样为第t-1次路段变化获得的N个Pareto最优解,||V||2为向量V在实数m维空间Rm上的2-范数,N是当前种群规模;
如果ε(t)>η,η是给定的阈值,则认为路段发生改变,重新进入下一个新路段的搜索,转步骤(6)。
8.基于分解的动态多目标多路径诱导系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-7任一方法所述的步骤。
9.一种计算机可读存储介质,其特征是,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-7任一方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970723.2A CN109102124B (zh) | 2018-08-24 | 2018-08-24 | 基于分解的动态多目标多路径诱导方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970723.2A CN109102124B (zh) | 2018-08-24 | 2018-08-24 | 基于分解的动态多目标多路径诱导方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102124A true CN109102124A (zh) | 2018-12-28 |
CN109102124B CN109102124B (zh) | 2021-07-20 |
Family
ID=64851233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810970723.2A Expired - Fee Related CN109102124B (zh) | 2018-08-24 | 2018-08-24 | 基于分解的动态多目标多路径诱导方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102124B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085027A (zh) * | 2019-03-28 | 2019-08-02 | 中国公路工程咨询集团有限公司 | 一种大规模路网群体车流诱导任务的分解方法 |
CN111191076A (zh) * | 2019-12-30 | 2020-05-22 | 北京工业大学 | 基于前景理论与多目标进化的电影推荐方法 |
CN111461447A (zh) * | 2020-04-09 | 2020-07-28 | 南方科技大学 | 一种路径规划方法、装置、电子设备和存储介质 |
CN111835634A (zh) * | 2020-07-14 | 2020-10-27 | 中国电子科技集团公司第二十研究所 | 基于业务分配的动态多径路由方法 |
CN112685651A (zh) * | 2021-01-29 | 2021-04-20 | 湖南安蓉科技有限公司 | 基于多目标属性的最近邻搜索的服务推荐方法 |
CN113320542A (zh) * | 2021-06-24 | 2021-08-31 | 厦门大学 | 一种自动驾驶车辆的跟踪控制方法 |
CN113344320A (zh) * | 2021-04-26 | 2021-09-03 | 山东师范大学 | 多目标下的物流机器人配送路径动态自动规划方法及系统 |
CN116834037A (zh) * | 2023-09-01 | 2023-10-03 | 广东技术师范大学 | 基于动态多目标优化的采摘机械臂轨迹规划方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493329A (zh) * | 2008-01-23 | 2009-07-29 | 华东师范大学 | 一种多目标点路径规划方法和装置 |
CN101853294A (zh) * | 2010-05-21 | 2010-10-06 | 中国科学院地理科学与资源研究所 | 一种基于遗传算法的多模式多标准路径选择方法 |
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 |
CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
-
2018
- 2018-08-24 CN CN201810970723.2A patent/CN109102124B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493329A (zh) * | 2008-01-23 | 2009-07-29 | 华东师范大学 | 一种多目标点路径规划方法和装置 |
CN101853294A (zh) * | 2010-05-21 | 2010-10-06 | 中国科学院地理科学与资源研究所 | 一种基于遗传算法的多模式多标准路径选择方法 |
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 |
CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
Non-Patent Citations (3)
Title |
---|
刘淳安: "《几类动态与静态优化问题的进化算法》", 《中国博士学位论文全文数据库信息科技辑》 * |
庞斓: "《基于遗传算法的动态交通路径诱导研究》", 《万方数据》 * |
谭艳艳: "《几种改进的分解多目标进化算法及其应用》", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085027A (zh) * | 2019-03-28 | 2019-08-02 | 中国公路工程咨询集团有限公司 | 一种大规模路网群体车流诱导任务的分解方法 |
CN111191076A (zh) * | 2019-12-30 | 2020-05-22 | 北京工业大学 | 基于前景理论与多目标进化的电影推荐方法 |
CN111461447A (zh) * | 2020-04-09 | 2020-07-28 | 南方科技大学 | 一种路径规划方法、装置、电子设备和存储介质 |
CN111461447B (zh) * | 2020-04-09 | 2023-04-18 | 南方科技大学 | 一种路径规划方法、装置、电子设备和存储介质 |
CN111835634A (zh) * | 2020-07-14 | 2020-10-27 | 中国电子科技集团公司第二十研究所 | 基于业务分配的动态多径路由方法 |
CN111835634B (zh) * | 2020-07-14 | 2022-04-08 | 中国电子科技集团公司第二十研究所 | 基于业务分配的动态多径路由方法 |
CN112685651A (zh) * | 2021-01-29 | 2021-04-20 | 湖南安蓉科技有限公司 | 基于多目标属性的最近邻搜索的服务推荐方法 |
CN113344320A (zh) * | 2021-04-26 | 2021-09-03 | 山东师范大学 | 多目标下的物流机器人配送路径动态自动规划方法及系统 |
CN113320542A (zh) * | 2021-06-24 | 2021-08-31 | 厦门大学 | 一种自动驾驶车辆的跟踪控制方法 |
CN113320542B (zh) * | 2021-06-24 | 2022-05-17 | 厦门大学 | 一种自动驾驶车辆的跟踪控制方法 |
CN116834037A (zh) * | 2023-09-01 | 2023-10-03 | 广东技术师范大学 | 基于动态多目标优化的采摘机械臂轨迹规划方法及装置 |
CN116834037B (zh) * | 2023-09-01 | 2023-10-31 | 广东技术师范大学 | 基于动态多目标优化的采摘机械臂轨迹规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109102124B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102124B (zh) | 基于分解的动态多目标多路径诱导方法、系统及存储介质 | |
Ebrahimnejad et al. | A novel artificial bee colony algorithm for shortest path problems with fuzzy arc weights | |
Bi et al. | Type-2 fuzzy multi-intersection traffic signal control with differential evolution optimization | |
Liu et al. | Energy-efficient UAV crowdsensing with multiple charging stations by deep learning | |
Liang et al. | Applying genetic algorithm and ant colony optimization algorithm into marine investigation path planning model | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN105302858B (zh) | 一种分布式数据库系统的跨节点查询优化方法及系统 | |
CN112101676B (zh) | 一种乘车路径规划方法、装置、计算机设备及存储介质 | |
CN114697229A (zh) | 一种分布式路由规划模型的构建方法及应用 | |
Zhu et al. | Intelligent traffic network control in the era of internet of vehicles | |
Wang et al. | Adaptive traffic signal control using distributed marl and federated learning | |
Zhao et al. | Adaptive swarm intelligent offloading based on digital twin-assisted prediction in VEC | |
Manalastas et al. | Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets | |
CN117519244B (zh) | 无人机集群协同探测多目标的路径规划方法及系统 | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
Liu et al. | Modeling trajectories with multi-task learning | |
Fu et al. | A learning approach for multi-agent travelling problem with dynamic service requirement in mobile IoT | |
Shoaib et al. | Data aggregation for Vehicular Ad-hoc Network using particle swarm optimization | |
Xu et al. | Integration of Model‐Based Signal Control and Queue Spillover Control for Urban Oversaturated Signalized Intersection | |
Mao et al. | GMDNet: A graph-based mixture density network for estimating packages’ multimodal travel time distribution | |
CN116229720A (zh) | 一种智能车路系统的交通事故判别方法 | |
Soleimany et al. | Hierarchical federated learning model for traffic light management in future smart | |
Zhao et al. | Learning multi-agent communication with policy fingerprints for adaptive traffic signal control | |
Su et al. | Dynamic Route Guidance System Based on Real-time Vehicle-Road Collaborations with Deep Reinforcement Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210720 |