CN109102128A - 基于人工鱼群算法的车辆路径设置方法、装置及终端 - Google Patents
基于人工鱼群算法的车辆路径设置方法、装置及终端 Download PDFInfo
- Publication number
- CN109102128A CN109102128A CN201811018498.9A CN201811018498A CN109102128A CN 109102128 A CN109102128 A CN 109102128A CN 201811018498 A CN201811018498 A CN 201811018498A CN 109102128 A CN109102128 A CN 109102128A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- website
- vehicle
- behavior
- target
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (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)
Abstract
本发明提供的基于人工鱼群算法的车辆路径设置方法、装置、终端及存储介质,所述设置方法首先获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;最后基于行为结果对各站点进行邻域搜索,进而能够针对车辆路径问题的特性,扩大算法的全局搜索范围,根据领域搜索结果确定所述车辆的目标车辆路径,相对于常规方法,本发明得到的目标车辆路径精确度更高,同时也使人工鱼群算法在一定范围内收敛速度加快,提高了算法的效率。
Description
技术领域
本发明涉及计算机信息技术领域,尤其涉及发明一种基于人工鱼群算法的车辆路径设置方法、装置、终端及存储介质。
背景技术
人工鱼群算法是一种基于模拟鱼群各种行为的随机搜索优化算法,目前,人工鱼群算法已经成功应用于解决车辆路径问题(Vehicle Routing Problem,VRP),但是传统的人工鱼群算法在解决车辆路径问题时候的忽略了结构车辆路径问题的结构导致搜索机制比较单一;传统的人工鱼群算法解决车辆路径问题时,在前期收敛速度快,能够较快的逼近极值(最优解),但在后期,鱼群种类的多样性变差,容易陷入局部极值点(局部最优解),算法精度变低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于人工鱼群算法的车辆路径设置方法、装置、终端及存储介质,旨在解决目前人工鱼群算法在设置车辆路径过程中由于后期鱼群种类的多样性变差造成得到的路径最优解不够精确的问题。
为实现上述目的,本发明提供一种基于人工鱼群算法的车辆路径设置方法,所述设置方法包括以下步骤:
获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;
基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;
对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;
基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径。
优选地,所述对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,具体包括:
对所述人工鱼群进行遍历,获取遍历到的第i个站点的目标人工鱼i的状态,并计算所述人工鱼i的状态的目标函数Yi;
通过预设人工鱼群算法确定所述目标人工鱼i视域范围内的人工鱼集合Si;
根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si对所述目标人工鱼i进行行为分析,以获取行为结果,所述行为结果至少为所述预设人工鱼群算法的追尾行为、聚群行为和觅食行为其中之一。
优选地,所述根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si对所述目标人工鱼i进行行为分析,以获取行为结果,具体包括:
对所述人工鱼集合Si进行遍历,直至所述集合Si的各站点上的人工鱼遍历完毕时,分别计算所述集合Si的各人工鱼的食物浓度;
从所述集合Si的各人工鱼的食物浓度中确定最大食物浓度Ymax,将所述最大食物浓度Ymax与所述目标函数Yi进行比较,若比较结果为Ymax/Nf>δ*Yi,则当前行为结果为追尾行为,其中,δ表示预设拥挤因子,Nf为所述集合Si中人工鱼的数量。
优选地,所述根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si对所述目标人工鱼i进行行为分析,以获取行为结果,具体包括:
从所述人工鱼集合Si获取中心位置站点c,获取所述中心位置站点c的人工鱼c的状态,并计算所述人工鱼c的状态的食物浓度Yc;
将所述食物浓度Yc所述目标函数Yi进行比较,若比较结果为Yc/Nf>δ*Yi,则当前行为结果为聚群行为,其中,δ表示预设拥挤因子,Nf为所述集合Si中人工鱼的数量。
优选地,所述根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si进行目标人工鱼i分析,以获取行为结果,具体包括:
对所述人工鱼集合Si进行遍历,获取遍历到的第j个站点的人工鱼j的状态,并计算所述人工鱼j的状态的食物浓度Yj;
将所述目标函数Yi与所述食物浓度Yj进行比较,若比较结果为Yi<Yj,则所述目标人工鱼i的行为结果为觅食行为。
优选地,所述基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径,具体包括:
对所述人工鱼集合Si进行遍历,确定遍历到的搜索站点;
基于行为结果并通过所述遍历到的搜索站点对所述初始车辆行驶线中的站点进行位置变更,记录每次站点位置后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的车辆路径集合,分别计算所述车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为目标车辆路径。
优选地,所述对所述人工鱼集合Si进行遍历,确定遍历到的搜索站点之后,还包括:
基于行为结果将所述搜索站点与所述初始车辆行驶线的第i个站点进行站点位置交换,记录每次站点位置插入后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的第一车辆路径集合,分别计算所述第一车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第一最佳路径;
基于行为结果将所述搜索站点插入至所述初始车辆行驶线的第i个站点的前一位置,记录每次站点位置插入后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的第二车辆路径集合,分别计算所述第二车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第二最佳路径;
基于行为结果将所述初始车辆行驶线中与所述搜索站点相邻的两站点进行位置互换,记录每次相邻位置互换后的新的行使路线,直至所述集合Si中各相邻站点遍历完毕,获取包含多条新的行使路线的第三车辆路径集合,分别计算所述第三车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第三最佳路径;
将所述第一最佳路径、所述第二最佳路径以及所述第三最佳路径进行比较,将行驶时间最短的车辆路径作为目标车辆路径。
此外,为实现上述目的,本发明还提出一种基于人工鱼群算法的车辆路径设置装置,所述装置包括:
获取模块,用于获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;
分配模块,用于基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;
遍历模块,用于对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;
搜索模块,用于基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径。
此外,为实现上述目的,本发明还提出一种终端,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于人工鱼群算法的车辆路径设置程序,所述基于人工鱼群算法的车辆路径设置程序配置为实现如上所述的基于人工鱼群算法的车辆路径设置方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于人工鱼群算法的车辆路径设置程序,所述基于人工鱼群算法的车辆路径设置程序被处理器执行时实现如上所述的基于人工鱼群算法的车辆路径设置方法的步骤。
本发明提供的基于人工鱼群算法的车辆路径设置方法,首先获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;最后基于行为结果对各站点进行邻域搜索,进而能够针对车辆路径问题的特性,扩大算法的全局搜索范围,根据领域搜索结果确定所述车辆的目标车辆路径,相对于常规方法,本发明得到的目标车辆路径精确度更高,同时也使人工鱼群算法在一定范围内收敛速度加快,提高了算法的效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的用于车辆路径设置的终端的结构示意图;
图2为本发明一种基于人工鱼群算法的车辆路径设置方法第一实施例的流程示意图;
图3为本发明一种基于人工鱼群算法的车辆路径设置方法第二实施例的流程示意图;
图4为本发明一实施例中邻域搜索方式的示意图;
图5为本发明一实施例中邻域搜索方式的又一示意图;
图6为本发明一实施例中邻域搜索方式的另一示意图;
图7为本发明一实施例中邻域搜索方式的再一示意图;
图8为本发明一种基于人工鱼群算法的车辆路径设置装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的用于车辆路径设置的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对所述终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,所述存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于人工鱼群算法的车辆路径设置程序。
在图1所示的终端中,网络接口1004主要用于数据通信;用户接口1003主要用于连接与用户的交互的设备,如键盘、显示屏等;本发明的终端通过处理器1001调用存储器1005中存储的在图1所示的终端中,网络接口1004主要用于数据通信;用户接口1003主要用于连接与用户的交互的设备,如键盘、显示屏等;本发明监控系统通过处理器1001调用存储器1005中存储的区块链节点监控程序,并执行基于人工鱼群算法的车辆路径设置方法的步骤。
本实施例提供的基于人工鱼群算法的车辆路径设置方法,首先获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;最后基于行为结果对各站点进行邻域搜索,进而能够针对车辆路径问题的特性,扩大算法的全局搜索范围,根据领域搜索结果确定所述车辆的目标车辆路径,相对于常规方法,本实施例得到的目标车辆路径精确度更高,同时也使人工鱼群算法在一定范围内收敛速度加快,提高了算法的效率。
参照图1,图1为本发明一种基于人工鱼群算法的车辆路径设置方法的第一实施例流程示意图;
本实施例中,所述设置方法包括以下步骤:
步骤S10,获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序。
可理解的是,针对车辆路径问题的结构,本实施例中的车辆需要从一行驶起点向行驶线路各个站点配送货物,该车辆除了行驶起点是这条行驶无线中已经确定的第一个需要经过的节点外,其他的各个站点的送货时间均不确定;因此在获取除行驶起点以外的各站点,对各站点进行随机排序,即若当前车辆的行驶线路的站点有n个,本实施例如果按照各站点与所述行驶起点的距离由近到远的顺序进行排序,即各站点的顺序为1,2,3,4,5…..n,上述一个数字即能代表一个站点;而在步骤S10中会对各站点进行随机排序,例如除了行驶起点以外有10个站点,这10个站点随机排序后的位置编码依次为6,9,5,1,4,3,10,8,7,2。
步骤S20,基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中。
可理解的是,步骤S10中各个站点已经赋予了对应的编码,那么在步骤S20中基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中,使得人工鱼的位置编码也按照1~n的位置排列。
步骤S30,对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;
可理解的是,人工鱼群算法一般有三种基本行为,即追尾行为,聚群行为,和觅食行为,人工鱼群算法通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为等基本行为,以寻求实际问题的最优解。
所述目标行为包括追尾行为、聚群行为和觅食行为;
相应地,所述步骤S30具体包括:
对所述人工鱼群进行遍历,获取遍历到的第i个站点的目标人工鱼i的状态,并计算所述人工鱼i的状态的目标函数Yi;
通过预设人工鱼群算法确定所述目标人工鱼i视域范围内的人工鱼集合Si;
对所述人工鱼集合Si进行遍历,获取遍历到的第j个站点的人工鱼j的状态,并计算所述人工鱼j的状态的食物浓度Yj;
将所述目标函数Yi与所述食物浓度Yj进行比较,若比较结果为Yi<Yj,则当前行为结果为觅食行为。
可理解的是,本实施例即目标人工鱼i的状态为矢量Xi,所述目标人工鱼当前所在的第i个站点的食物浓度表示为Yi=f(Xi),Yi为目标函数值;
相应地,所述人工鱼j的状态为Xj,那么当前所在的第i个站点的食物浓度表示为Yj=f(Xj),Yj为目标函数值;
将所述目标函数Yi与所述食物浓度Yj进行比较,若Yi<Yj,则说明Yj比Yi优,执行觅食行为以使得目标人工鱼i向第j个站点的位置方向移动一步。
进一步地,所述通过预设人工鱼群算法确定所述目标人工鱼i视域范围内的人工鱼集合Si之后,还包括:
对所述人工鱼集合Si进行遍历,直至所述集合Si的各站点上的人工鱼遍历完毕时,分别计算所述集合Si的各人工鱼的食物浓度;
从所述集合Si的各人工鱼的食物浓度中确定最大食物浓度Ymax,将所述最大食物浓度Ymax与所述目标函数Yi进行比较,若比较结果为Ymax/Nf>δ*Yi,则当前行为结果为追尾行为,其中δ表示预设拥挤因子,Nf为所述集合Si中人工鱼的数量。
可理解的是,人工鱼i搜索当前领域Si中的最大食物浓度Ymax的人工鱼所处站点,该人工鱼为最优伙伴,若Ymax/Nf>δ*Yi,则表明最优伙伴周围不会太拥挤,执行追尾行为以使得目标人工鱼i向最优伙伴所处的站点位置方向移动一步。
进一步地,所述通过预设人工鱼群算法确定所述目标人工鱼i视域范围内的人工鱼集合Si之后,还包括:
从所述人工鱼集合Si获取中心位置站点c,获取所述中心位置站点c的人工鱼c的状态,并计算所述人工鱼c的状态的食物浓度Yc;
将所述食物浓度Yc所述目标函数Yi进行比较,若比较结果为Yc/Nf>δ*Yi,则当前行为结果为聚群行为,δ表示预设拥挤因子,Nf为所述集合Si中人工鱼的数量。
可理解的是,人工鱼群算法在鱼聚群时所遵守的规则是尽量向临近伙伴的中心移动,且避免过分拥挤。当人工鱼i搜索当前领域Si的人工鱼数量Nf以及中心位置站点c时,若Yc/Nf>δ*Yi,则表明中心站点c的位置状态较优且不拥挤,执行聚群行为以使得目标人工鱼i向中心站点c的位置方向移动一步。
步骤S40,基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径。
需要说明的是,本实施例引入了相似片段距离,重新定义距离概念。例如位置编码a[5]=(2,5,3,4,1)和位置编码b[5]=(1,2,5,3,4)。若采取传统的方式,则位置编码a和b的距离是5,。实际上位置编码a和b的差异度是很小的,当采取滑动距离时,a和b的距离为2,因此在VRP离散化的人工鱼群算法中,需要对距离进行重新定义。定义距离的目的是区分位置编码的差异度,传统定义方式对VRP无法完全反映位置编码路径之间的差异度。
在具体实现中,对所述人工鱼集合Si进行遍历,确定遍历到的搜索站点;
基于行为结果并通过所述遍历到的搜索站点对所述初始车辆行驶线中的站点进行位置变更,记录每次站点位置后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的车辆路径集合,分别计算所述车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为目标车辆路径。
可理解的是,确定所述目标人工鱼i视域范围内的人工鱼集合Si之后,例如目标人工鱼i=1,位于初始车辆行驶线中(即按照6,9,5,1,4,3,10,8,7,2排列的各个站点)左数第4个站点,而人工鱼集合Si为{1,4,3,10,8},那么遍历到的搜索站点是{4,3,10,8}中的任一个站点,那么将{4,3,10,8}中站点顺序进行位置变更,获取集合{4,3,10,8}每个站点的所有可能的位置变更情况,记录每次站点位置后的新的行使路线,获取包含每种因位置变更情况而生产的新的行使路线,分别计算各路径的行驶时间,将行驶时间最短的路径作为目标车辆路径。
本实施例提供的基于人工鱼群算法的车辆路径设置方法,首先获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;最后基于行为结果对各站点进行邻域搜索,进而能够针对车辆路径问题的特性,根据领域搜索结果确定所述车辆的目标车辆路径,相对于常规方法,本实施例得到的目标车辆路径精确度更高,同时也使人工鱼群算法在一定范围内收敛速度加快,提高了算法的效率。
进一步的,参照图3,图3为本发明一种基于人工鱼群算法的车辆路径设置方法第二实施例流程示意图,基于上述图2所示的实施例,提出本发明一种基于人工鱼群算法的车辆路径设置方法第一实施例。
本实施例中,所述步骤S40中在对所述人工鱼集合Si进行遍历,确定遍历到的搜索站点之后,还包括:在具体包括:
步骤S401:基于行为结果将所述搜索站点与所述初始车辆行驶线的第i个站点进行站点位置交换,记录每次站点位置插入后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的第一车辆路径集合,分别计算所述第一车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第一最佳路径;
可理解的是,本实施例针对步骤S40中的邻域搜索,采取的是一种混合邻域搜索,与一共存在多种领域搜索方式,第一种方式为随机交换方式RandomSwap,对应步骤S401,参考图4;
具体地,确定所述目标人工鱼i视域范围内的人工鱼集合Si之后,例如目标人工鱼i=1,如图4所示,位于初始车辆行驶线中(即按照6,9,5,1,4,3,10,8,7,2排列的各个站点)左数第4个站点,而人工鱼集合Si为{1,4,3,10,8},那么遍历到的搜索站点是{1,4,3,10,8}中的任一个站点,那么将{4,3,10,8}中站点分别与目标人工鱼i=1对应站点进行随机位置交换,获取目标人工鱼i=1对应站点相对于集合Si中任一个站点交换后的位置变更情况,记录每次站点位置后的新的行使路线并将它们放入第一车辆路径集合中,获取包含每种因位置变更情况而生产的新的行使路线,分别计算各路径的行驶时间,将行驶时间最短的路径作为第一最佳路径。
步骤S402:基于行为结果将所述搜索站点插入至所述初始车辆行驶线的第i个站点的前一位置,记录每次站点位置插入后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的第二车辆路径集合,分别计算所述第二车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第二最佳路径;
可理解的是,本实施例混合邻域搜索的第二种邻域搜索为插入方式Insert,对应步骤S402;
具体地,参考图5,那么将{4,3,10,8}中站点分别插入与目标人工鱼i=1对应站点之前的站点位置,获取集合Si中任一个站点插入到目标人工鱼i=1对应站点前一位置的所有情况,记录每次站点位置插入后的新的行使路线并将它们放入第二车辆路径集合中,获取包含每种因位置变更情况而生产的新的行使路线,分别计算各路径的行驶时间,将行驶时间最短的路径作为第二最佳路径。
进一步地,本实施例混合邻域搜索的第三种邻域搜索为翻转交换方式TurnOver,参考图6,还可以将所述集合Si{1,4,3,10,8}中所有站点位置进行颠倒,和翻转。
步骤S403:基于行为结果将所述初始车辆行驶线中与所述搜索站点相邻的两站点进行位置互换,记录每次相邻位置互换后的新的行使路线,直至所述集合Si中各相邻站点遍历完毕,获取包含多条新的行使路线的第三车辆路径集合,分别计算所述第三车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第三最佳路径;
可理解的是,本实施例混合邻域搜索的第四种邻域搜索为相邻交换方式Adjacentexchange,对应步骤S403;
确定所述目标人工鱼i视域范围内的人工鱼集合Si之后,例如目标人工鱼i=1,位于初始车辆行驶线中(即按照6,9,5,1,4,3,10,8,7,2排列的各个站点)左数第4个站点,而人工鱼集合Si为{1,4,3,10,8},那么遍历到的搜索站点是{1,4,3,10,8}中的任一个站点,参考图7,如果遍历到的搜索站点是1,那么与所述搜索站点相邻的两站点的就是{4,3};如果遍历到的搜索站点是4,那么与所述搜索站点相邻的两站点的就是{3,10}…..,记录每次相邻位置互换后的新的行使路线,直至所述集合Si中各相邻站点遍历完毕,获取包含多条新的行使路线的第三车辆路径集合,分别计算所述第三车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第三最佳路径。
那么将{4,3,10,8}中站点分别与目标人工鱼i=1对应站点进行随机位置交换,获取目标人工鱼i=1对应站点相对于集合Si中任一个站点交换后的位置变更情况,记录每次站点位置后的新的行使路线并将它们放入第一车辆路径集合中,获取包含每种因位置变更情况而生产的新的行使路线,分别计算各路径的行驶时间,将行驶时间最短的路径作为第三最佳路径。
步骤S404:将所述第一最佳路径、所述第二最佳路径以及所述第三最佳路径进行比较,将行驶时间最短的车辆路径作为目标车辆路径。
可理解的是,本实施例的混合邻域搜索方式与现有技术人工鱼群算法使用的领域搜索不同,传统人工鱼群算法的邻域搜索,只适用于连续型优化问题;对VRP的传统离散人工鱼群算法,其邻域搜索主要采用2-opt(2-opt:随机选取两点i和k,将i之前的路径不变添加到新路径中,将i到k之间的路径翻转其编号后添加到新路径中,将k之后的路径不变添加到新路径中)。由于该邻域搜索执行的动作单一,使得路径变化单一,因此,会限制位置编码的变化广度,造成种群陷入局部最优。
本实施例针对该邻域搜索的缺陷,我们提出了混合邻域搜索的策略。每一次的混合邻域搜索都是在对VRP的三种到四种常用邻域搜索进行随机选择的过程,因此,邻域搜索的动作更加多样,路径的变化方式更加丰富,因此,扩大了种群的多样性,提高了算法的全局搜索能力,能够算出更加精确的目标车辆路径。
此外,参考图8,本发明实施例还提出一种基于人工鱼群算法的车辆路径设置装置,所述装置包括:
获取模块10,用于获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;
分配模块20,用于基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;
遍历模块30,用于对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;
搜索模块40,用于基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径。
可理解的是,本实施例的基于人工鱼群算法的车辆路径设置装置可以是一种用于车辆路径设置的应用程序软件,并装载于上述终端中,本实施例的车辆路径设置装置的具体实施方式请参照上述车辆路径设置方法实施例,本实施例在此不予赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于人工鱼群算法的车辆路径设置程序,所述基于人工鱼群算法的车辆路径设置程序被处理器执行时实现如上所述的基于人工鱼群算法的车辆路径设置方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人工鱼群算法的车辆路径设置方法,其特征在于,所述设置方法包括以下步骤:
获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;
基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;
对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;
基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径。
2.如权利要求1所述的设置方法,其特征在于,所述对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,具体包括:
对所述人工鱼群进行遍历,获取遍历到的第i个站点的目标人工鱼i的状态,并计算所述人工鱼i的状态的目标函数Yi;
通过预设人工鱼群算法确定所述目标人工鱼i视域范围内的人工鱼集合Si;
根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si对所述目标人工鱼i进行行为分析,以获取行为结果,所述行为结果至少为所述预设人工鱼群算法的追尾行为、聚群行为和觅食行为其中之一。
3.如权利要求2所述的设置方法,其特征在于,所述根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si对所述目标人工鱼i进行行为分析,以获取行为结果,具体包括:
对所述人工鱼集合Si进行遍历,直至所述集合Si的各站点上的人工鱼遍历完毕时,分别计算所述集合Si的各人工鱼的食物浓度;
从所述集合Si的各人工鱼的食物浓度中确定最大食物浓度Ymax,将所述最大食物浓度Ymax与所述目标函数Yi进行比较,若比较结果为Ymax/Nf>δ*Yi,则当前行为结果为追尾行为,其中,δ表示预设拥挤因子,Nf为所述集合Si中人工鱼的数量。
4.如权利要求2所述的设置方法,其特征在于,所述根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si对所述目标人工鱼i进行行为分析,以获取行为结果,具体包括:
从所述人工鱼集合Si获取中心位置站点c,获取所述中心位置站点c的人工鱼c的状态,并计算所述人工鱼c的状态的食物浓度Yc;
将所述食物浓度Yc所述目标函数Yi进行比较,若比较结果为Yc/Nf>δ*Yi,则当前行为结果为聚群行为,其中,δ表示预设拥挤因子,Nf为所述集合Si中人工鱼的数量。
5.如权利要求2所述的设置方法,其特征在于,所述根据所述目标人工鱼i的状态、所述目标函数Yi、以及所述人工鱼集合Si对所述目标人工鱼i进行行为分析,以获取行为结果,具体包括:
对所述人工鱼集合Si进行遍历,获取遍历到的第j个站点的人工鱼j的状态,并计算所述人工鱼j的状态的食物浓度Yj;
将所述目标函数Yi与所述食物浓度Yj进行比较,若比较结果为Yi<Yj,则所述目标人工鱼i的行为结果为觅食行为。
6.如权利要求2-5任一项所述的设置方法,其特征在于,所述基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径,具体包括:
对所述人工鱼集合Si进行遍历,确定遍历到的搜索站点;
基于行为结果并通过所述遍历到的搜索站点对所述初始车辆行驶线中的站点进行位置变更,记录每次站点位置后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的车辆路径集合,分别计算所述车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为目标车辆路径。
7.如权利要求6所述的设置方法,其特征在于,所述对所述人工鱼集合Si进行遍历,确定遍历到的搜索站点之后,还包括:
基于行为结果将所述搜索站点与所述初始车辆行驶线的第i个站点进行站点位置交换,记录每次站点位置插入后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的第一车辆路径集合,分别计算所述第一车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第一最佳路径;
基于行为结果将所述搜索站点插入至所述初始车辆行驶线的第i个站点的前一位置,记录每次站点位置插入后的新的行使路线,直至所述集合Si中各站点遍历完毕,获取包含多条新的行使路线的第二车辆路径集合,分别计算所述第二车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第二最佳路径;
基于行为结果将所述初始车辆行驶线中与所述搜索站点相邻的两站点进行位置互换,记录每次相邻位置互换后的新的行使路线,直至所述集合Si中各相邻站点遍历完毕,获取包含多条新的行使路线的第三车辆路径集合,分别计算所述第三车辆路径集合中各路径的行驶时间,将行驶时间最短的路径作为第三最佳路径;
将所述第一最佳路径、所述第二最佳路径以及所述第三最佳路径进行比较,将行驶时间最短的车辆路径作为目标车辆路径。
8.一种基于人工鱼群算法的车辆路径设置装置,其特征在于,所述装置包括:
获取模块,用于获取初始车辆路径中除行驶起点以外的各站点,对各站点进行随机排序;
分配模块,用于基于预设人工鱼群算法创建人工鱼群,将所述人工鱼群中的人工鱼分配到排序后的各站点中;
遍历模块,用于对所述人工鱼群进行遍历,对遍历到的目标人工鱼的状态进行行为分析,以获取行为结果;
搜索模块,用于基于行为结果对各站点进行邻域搜索,根据领域搜索结果确定所述车辆的目标车辆路径。
9.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于人工鱼群算法的车辆路径设置程序,所述基于人工鱼群算法的车辆路径设置程序配置为实现如权利要求1至7中任一项所述的基于人工鱼群算法的车辆路径设置方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于人工鱼群算法的车辆路径设置程序,所述基于人工鱼群算法的车辆路径设置程序被处理器执行时实现如权利要求1至7中任一项所述基于人工鱼群算法的车辆路径设置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018498.9A CN109102128A (zh) | 2018-08-31 | 2018-08-31 | 基于人工鱼群算法的车辆路径设置方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018498.9A CN109102128A (zh) | 2018-08-31 | 2018-08-31 | 基于人工鱼群算法的车辆路径设置方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102128A true CN109102128A (zh) | 2018-12-28 |
Family
ID=64864850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811018498.9A Pending CN109102128A (zh) | 2018-08-31 | 2018-08-31 | 基于人工鱼群算法的车辆路径设置方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102128A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978471A (zh) * | 2019-04-11 | 2019-07-05 | 聊城大学 | 一种带时间窗的冷链物流路径优化方法 |
CN113742999A (zh) * | 2021-08-12 | 2021-12-03 | 中国船舶重工集团公司第七一九研究所 | 印刷电路板式换热器设计方法及装置 |
CN117522071A (zh) * | 2023-12-01 | 2024-02-06 | 谷斗科技(上海)有限公司 | 基于llm引导alns算法的生产调度与资源分配协同系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
-
2018
- 2018-08-31 CN CN201811018498.9A patent/CN109102128A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
Non-Patent Citations (2)
Title |
---|
吕云虹: "基于混合禁忌分布估计算法的车辆路径问题的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
杨清波: "GIS环境下的动态交通最优路径算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978471A (zh) * | 2019-04-11 | 2019-07-05 | 聊城大学 | 一种带时间窗的冷链物流路径优化方法 |
CN113742999A (zh) * | 2021-08-12 | 2021-12-03 | 中国船舶重工集团公司第七一九研究所 | 印刷电路板式换热器设计方法及装置 |
CN113742999B (zh) * | 2021-08-12 | 2023-09-26 | 中国船舶重工集团公司第七一九研究所 | 印刷电路板式换热器设计方法及装置 |
CN117522071A (zh) * | 2023-12-01 | 2024-02-06 | 谷斗科技(上海)有限公司 | 基于llm引导alns算法的生产调度与资源分配协同系统 |
CN117522071B (zh) * | 2023-12-01 | 2024-04-26 | 谷斗科技(上海)有限公司 | 基于llm引导alns算法的生产调度与资源分配协同系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102128A (zh) | 基于人工鱼群算法的车辆路径设置方法、装置及终端 | |
CN110263244A (zh) | 内容推荐方法、装置、存储介质和计算机设备 | |
CN108463273A (zh) | 基于游戏者的移动历史来进行非游戏者角色的路径寻找的游戏系统等 | |
CN105740644A (zh) | 一种基于模型学习的清洁机器人最优目标路径规划方法 | |
CN104992240B (zh) | 一种优化拣货路径的方法及装置 | |
CN104133825B (zh) | 一种匹配客户端用户的方法及装置 | |
CN101840202B (zh) | 一种控制系统建模中的功能块智能布线方法 | |
CN109876444A (zh) | 数据展示方法和装置、存储介质及电子装置 | |
CN109697875A (zh) | 规划行驶轨迹的方法及装置 | |
CN106092085B (zh) | 导航方法和装置 | |
US10195521B2 (en) | Information processing apparatus and processing method | |
CN109276884A (zh) | 游戏路径生成方法和装置 | |
CN110536727A (zh) | 虚拟地图显示系统、程序以及方法 | |
CN106646554A (zh) | 一种gps定位数据的处理方法及装置,电子设备 | |
CN104750716A (zh) | 一种社交网站好友推荐方法及装置 | |
CN107861992A (zh) | 一种跑步路线处理方法和装置 | |
CN110095134A (zh) | 一种以用户的偏好为核心的路径规划和导航的方法及系统 | |
CN109598742A (zh) | 一种基于ssd算法的目标跟踪方法及系统 | |
WO2015095488A1 (en) | Systems and methods for a physically intuitive resource-constrained route planning task for enhanced cognition | |
CN114626175A (zh) | 多智能体仿真方法及采用该方法的平台 | |
CN106028088A (zh) | 媒体数据的插入方法和装置 | |
CN109214757A (zh) | 粮食运输路径的规划方法、用户设备、存储介质及装置 | |
CN103500017B (zh) | 一种光电互动模组多笔识别和跟踪方法 | |
CN105698796B (zh) | 一种多机器人调度系统的路径搜索方法 | |
CN114768254A (zh) | 虚拟场景的寻路方法、设备、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |
|
RJ01 | Rejection of invention patent application after publication |