CN109186619B - 一种基于实时路况的智能导航算法 - Google Patents
一种基于实时路况的智能导航算法 Download PDFInfo
- Publication number
- CN109186619B CN109186619B CN201810720510.4A CN201810720510A CN109186619B CN 109186619 B CN109186619 B CN 109186619B CN 201810720510 A CN201810720510 A CN 201810720510A CN 109186619 B CN109186619 B CN 109186619B
- Authority
- CN
- China
- Prior art keywords
- pheromone
- road
- road section
- formula
- ants
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于实时路况的智能导航算法,本发明将蚁群算法应用到汽车导航领域上,将车流量因素考虑进来,以车流量作为一个影响蚁群信息素的参数,使得车辆尽量选择距离较短且交通畅通的路段,实现避免拥塞路段、道路网络车流量负载均衡的目标,另外针对道路网络节点增大时,蚁群算法收敛速度慢、易陷入局部的缺点,通过对蒸发率进行动态调整以及引入精英蚂蚁的思想,使得算法的性能大大提高。
Description
技术领域
本发明涉及车辆导航领域,更具体地,涉及一种基于实时路况的智能导航算法。
背景技术
随着经济的发展和人们生活水平的提高,城市道路上的车辆急剧增加,大大推动了车辆导航产业的发展。传统的导航产品,大都是根据事先存储的地图,基于图论的思想,采用迪杰斯特拉算法、A*算法等算法得到最短路径。现有的导航算法有随道路网络增大计算时间急剧增加、导航路线忽略实时状况,不考虑道路拥塞等缺点,容易出现某些路段聚集大批车辆,造成车流量分布不均衡、道路拥塞等问题。
在处理大规模复杂动态坏境的路径规划问题时,智能优化算法往往有较好的性能。蚁群算法作为智能优化算法之一,其思想来源于蚁群觅食行为的探索,蚂蚁觅食过程中,在走过的道路留下一定信息素,随着信息素浓度的增加从而指引蚁群觅食。由于其具有正反馈、鲁棒性好、可并行等优点,已被广泛应用于如旅行商问题TSP、车间任务调度JSP等经典的组合优化问题中。
发明内容
本发明的目的是解决上述一个或多个缺陷,提出一种基于实时路况的智能导航算法。
为实现以上发明目的,采用的技术方案是:
一种基于实时路况的智能导航算法,包括以下步骤:
S1:将交通网络的路况信息上传到数据中心,该信息包括路段长度、车辆数目、车道数,并根据以上信息估算车流量以及道路畅通系数:
ωij=Qij/(dij*nij) (1)
上式(1)中ωij为车流量,Qij为路段ij的车辆数目,dij为该路段长度,nij为车道数;
公式(2)中,μij为路段ij的道路畅通系数,μij∈[0,1],它与车流量ωij有关,当ωij很大时,道路畅通系数趋于0,反之,道路畅通系数趋于1;
S2:初始化信息启发因子α、期望启发因子β、路径启发因子ηij(ηij=1/dij),时间启发因子λ,并根据道路畅通系数及路段连接节点与最短直线的偏移程度h来初始化信息素浓度,信息素浓度的初始化具体计算如公式(3)所示:
其中τij(0)为节点i和j之间路段的信息素浓度,S为所求路径的起点,E为终点;dSE表示从点d到点E的直线距离,dSj和djE同理;该公式表示初始信息素浓度随着路段偏移程度h增大而减少,随着道路畅通系数增大而增大,即路段越靠近中心直线、道路越畅通,信息素浓度越大;
S3:计算路段节点转移矩阵,为蚂蚁k构造解路线;
将蚂蚁k放在起点S,修改禁忌表,将S放入禁忌表中S→tabuK,蚂蚁k从路段节点i到下一路段节点j的转移规则为:生成一个随机数r∈(0,1),r<=阈值时,选取概率最大的路段节点j,即:当r>阈值时,采用轮盘赌的方式选取,如公式(4):
其中,allowedk为蚂蚁k的候选访问路段节点表,即未被访问过的路段节点集合;
S4:信息素浓度的局部更新,当蚂蚁完成搜索后一部分信息素会挥发,同时蚂蚁会在走过的路段节点释放信息素,对信息素更新规则进行如下改进:
τ'ij(t+1)=(1-ρ')τij(t)+ρ'Δτij(t) (5)
ρ'=ρ+(1-μij) (7)
其中,公式(5)表示下一次迭代中,信息素浓度等于挥发后剩余浓度加上蚂蚁新释放的信息素浓度,设信息素蒸发率和蚂蚁的信息素释放速率均为ρ',Δτij(t)为所有蚂蚁所释放的信息素总和;公式(6)中,Δτkij(t)为蚂蚁k在路段(i,j)释放的信息素,若蚂蚁k经过该路段,否则Δτkij(t)=0;公式(7)对信息素蒸发率进行改进,将其与道路畅通系数联系起来,ρ为传统意义上的蒸发率,ρ'为重新定义后的蒸发率;
S5:信息素浓度的全局更新,每次迭代完成后,对最优解的信息素浓度进行更新,规则如下:
τ'ij(t)=τij(t)+σρΔτij (8)
其中,公式(8)表示对所有蚂蚁中最优解的信息素进行更新,σ为信息素的奖励系数,σ∈[0,1],公式(9)中,Li为第i代蚂蚁中的最优解路径长度,Lmin为全局最优解的路径长度,为局部最优解的平均长度;
S6:随着迭代次数动态调整蒸发率,使得蒸发率随着迭代深度的增加而减少:
其中,ρa为蒸发率下限,ρb为蒸发率上限,gent为当前迭代到第t代,gent为最大的迭代次数;
S7:重复步骤S2-S6,直到迭代N代,算法停止;
S8:输出最优导航路线。
与现有技术相比,本发明的有益效果是:
1)根据路段连接节点与最短中心直线的偏移程度来初始化信息素,控制蚂蚁的搜索范围,避免了蚂蚁的盲目搜索;
2)在选择路段节点构造路线时,考虑路段畅通程度,对路段节点设置不同的概率,根据道路畅通系数选择下一节点,进行基于路况信心的实时导航。通过设置随机数选择不同的概率设置方法,使得一部分蚂蚁直接选择当前最优的路段节点,加快收敛速度,另一部分蚂蚁通过轮盘赌进行选择,在一定程度上避免蚂蚁陷入局部最优;
3)对信息素浓度局部更新时考虑道路畅通系数,路段越畅通,信息素蒸发越慢,路段越拥塞,信息素蒸发越快,将道路畅通系数与蒸发率结合起来,使得蚂蚁尽可能选择当前较畅通的路段,避免蚂蚁聚集在某一路段,造成路段拥塞;
4)引入精英蚂蚁的思想,对最优蚂蚁的信息素浓度进行更新,对它进行额外奖励,引入这种额外的信息素强化手段有助于更好地引导蚂蚁搜索的偏向,使得蚂蚁向最优解路线靠拢,大大加快算法的收敛速度;
5)随着迭代次数动态调整蒸发率,使得蒸发率随着迭代深度的增加而减少,使得算法在探索全局最优值的同时,在一定程度上保证了收敛速度。
附图说明
图1为基于实时路况的智能导航算法的流程图;
图2为路段连接节点与最短中心直线偏移的示意图;
图3为最优导航路线的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
一种基于实时路况的智能导航算法,请参考图1,包括以下步骤:
S1:将交通网络的路况信息上传到数据中心,该信息包括路段长度、车辆数目、车道数,并根据以上信息估算车流量以及道路畅通系数:
ωij=Qij/(dij*nij) (1)
上式(1)中ωij为车流量,Qij为路段ij的车辆数目,dij为该路段长度,nij为车道数;
公式(2)中,μij为路段ij的道路畅通系数,μij∈[0,1],它与车流量ωij有关,当ωij很大时,道路畅通系数趋于0,反之,道路畅通系数趋于1;
S2:初始化信息启发因子α、期望启发因子β、路径启发因子ηij(ηij=1/dij),时间启发因子λ,并根据道路畅通系数及路段连接节点与最短直线的偏移程度h来初始化信息素浓度,如图2所示,信息素浓度的初始化具体计算如公式(3)所示:
其中τij(0)为节点i和j之间路段的信息素浓度,S为所求路径的起点,E为终点;dSE表示从点d到点E的直线距离,dSj和djE同理;该公式表示初始信息素浓度随着路段偏移程度h增大而减少,随着道路畅通系数增大而增大,即路段越靠近中心直线、道路越畅通,信息素浓度越大;
S3:计算路段节点转移矩阵,为蚂蚁k构造解路线;
将蚂蚁k放在起点S,修改禁忌表,将S放入禁忌表中S→tabuK,蚂蚁k从路段节点i到下一路段节点j的转移规则为:生成一个随机数r∈(0,1),r<=阈值时,选取概率最大的路段节点j,即:当r>阈值时,采用轮盘赌的方式选取,如公式(4):
其中,allowedk为蚂蚁k的候选访问路段节点表,即未被访问过的路段节点集合;
S4:信息素浓度的局部更新,当蚂蚁完成搜索后一部分信息素会挥发,同时蚂蚁会在走过的路段节点释放信息素,对信息素更新规则进行如下改进:
τ'ij(t+1)=(1-ρ')τij(t)+ρ'Δτij(t) (5)
ρ'=ρ+(1-μij) (7)
其中,公式(5)表示下一次迭代中,信息素浓度等于挥发后剩余浓度加上蚂蚁新释放的信息素浓度,设信息素蒸发率和蚂蚁的信息素释放速率均为ρ',Δτij(t)为所有蚂蚁所释放的信息素总和;公式(6)中,Δτkij(t)为蚂蚁k在路段(i,j)释放的信息素,若蚂蚁k经过该路段,否则Δτkij(t)=0;公式(7)对信息素蒸发率进行改进,将其与道路畅通系数联系起来,ρ为传统意义上的蒸发率,ρ'为重新定义后的蒸发率;
S5:信息素浓度的全局更新,每次迭代完成后,对最优解的信息素浓度进行更新,规则如下:
τ'ij(t)=τij(t)+σρΔτij (8)
其中,公式(8)表示对所有蚂蚁中最优解的信息素进行更新,σ为信息素的奖励系数,σ∈[0,1],公式(9)中,Li为第i代蚂蚁中的最优解路径长度,Lmin为全局最优解的路径长度,为局部最优解的平均长度;
S6:随着迭代次数动态调整蒸发率,使得蒸发率随着迭代深度的增加而减少:
其中,ρa为蒸发率下限,ρb为蒸发率上限,gent为当前迭代到第t代,gent为最大的迭代次数;
S7:重复步骤S2-S6,直到迭代N代,算法停止;
S8:输出最优导航路线,如图3所示。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于实时路况的智能导航算法,其特征在于,包括以下步骤:
S1:将交通网络的路况信息上传到数据中心,该信息包括路段长度、车辆数目、车道数,并根据以上信息估算车流量以及道路畅通系数:
ωij=Qij/(dij*nij) (1)
上式(1)中ωij为车流量,Qij为路段ij的车辆数目,dij为该路段长度,nij为车道数;
公式(2)中,μij为路段ij的道路畅通系数,μij∈[0,1],它与车流量ωij有关,当ωij很大时,道路畅通系数趋于0,反之,道路畅通系数趋于1;
S2:初始化信息启发因子α、期望启发因子β、路径启发因子ηij,其中ηij=1/dij,时间启发因子λ,并根据车流量ωij及路段连接节点与最短直线的偏移程度h来初始化信息素浓度,信息素浓度的初始化具体计算如公式(3)所示:
其中τij(0)为节点i和j之间路段的信息素浓度,S为所求路径的起点,E为终点;dSE表示从点S到点E的直线距离,dSj和djE同理;该公式表示初始信息素浓度随着路段偏移程度增大而减少,随着道路畅通系数增大而增大,即路段越靠近中心直线、道路越畅通,信息素浓度越大;
S3:计算路段节点转移矩阵,为蚂蚁k构造解路线;
将蚂蚁k放在起点S,修改禁忌表,将S放入禁忌表中S→tabuK,蚂蚁k从路段节点i到下一路段节点j的转移规则为:生成一个随机数r∈(0,1),r<=阈值时,选取概率最大的路段节点j,即:当r>阈值时,采用轮盘赌的方式选取,如公式(4):
其中,allowedk为蚂蚁k的候选访问路段节点表,即未被访问过的路段节点集合;
S4:信息素浓度的局部更新,当蚂蚁完成搜索后一部分信息素会挥发,同时蚂蚁会在走过的路段节点释放信息素,对信息素更新规则进行如下改进:
τ'ij(t+1)=(1-ρ')τij(t)+ρ'Δτij(t) (5)
ρ'=ρ+(1-μij) (7)
其中,公式(5)表示下一次迭代中,信息素浓度等于挥发后剩余浓度加上蚂蚁新释放的信息素浓度,设信息素蒸发率和蚂蚁的信息素释放速率均为ρ',Δτij(t)为所有蚂蚁所释放的信息素总和;公式(6)中,Δτkij(t)为蚂蚁k在路段(i,j)释放的信息素,若蚂蚁k经过该路段,否则Δτkij(t)=0;公式(7)对信息素蒸发率进行改进,将其与道路畅通系数联系起来,ρ为传统意义上的蒸发率,ρ'为重新定义后的蒸发率;
S5:信息素浓度的全局更新,每次迭代完成后,对最优解的信息素浓度进行更新,规则如下:
τ'ij(t)=τij(t)+σρΔτij (8)
其中,公式(8)表示对所有蚂蚁中最优解的信息素进行更新,σ为信息素的奖励系数,σ∈[0,1],公式(9)中,Li为第i代蚂蚁中的最优解路径长度,Lmin为全局最优解的路径长度,为局部最优解的平均长度;
S6:随着迭代次数动态调整蒸发率,使得蒸发率随着迭代深度的增加而减少:
其中,ρa为蒸发率下限,ρb为蒸发率上限,gent为当前迭代到第t代,genmax为最大的迭代次数;
S7:重复步骤S2-S6,直到迭代N代,算法停止;
S8:输出最优导航路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810720510.4A CN109186619B (zh) | 2018-07-02 | 2018-07-02 | 一种基于实时路况的智能导航算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810720510.4A CN109186619B (zh) | 2018-07-02 | 2018-07-02 | 一种基于实时路况的智能导航算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109186619A CN109186619A (zh) | 2019-01-11 |
CN109186619B true CN109186619B (zh) | 2022-07-12 |
Family
ID=64948840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810720510.4A Active CN109186619B (zh) | 2018-07-02 | 2018-07-02 | 一种基于实时路况的智能导航算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109186619B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559516A (zh) * | 2019-01-14 | 2019-04-02 | 浙江工业大学 | 基于改进tasep模型路网交通流优化方法 |
CN110211405B (zh) * | 2019-05-22 | 2021-11-09 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110345960B (zh) * | 2019-06-13 | 2022-05-13 | 福建工程学院 | 一种规避交通障碍的路线规划智能优化方法 |
CN110212970A (zh) * | 2019-06-14 | 2019-09-06 | 广东电网有限责任公司 | 一种用于卫星网络的通信方法、装置和设备 |
CN110264019B (zh) * | 2019-07-19 | 2022-11-01 | 江西理工大学 | 一种基于蚁群算法的拥堵路段路径优化方法 |
CN110609557B (zh) * | 2019-10-09 | 2022-12-09 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划方法 |
CN110992697A (zh) * | 2019-12-19 | 2020-04-10 | 江苏金晓电子信息股份有限公司 | 一种高精度、高拓展性的用于规划交通最优路径的方法 |
CN111708369B (zh) * | 2020-07-17 | 2021-07-23 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
CN106323293A (zh) * | 2016-10-14 | 2017-01-11 | 淮安信息职业技术学院 | 基于多目标搜索的两群多向机器人路径规划方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493329B (zh) * | 2008-01-23 | 2011-04-27 | 华东师范大学 | 一种多目标点路径规划方法和装置 |
CN102278996B (zh) * | 2011-04-29 | 2012-11-07 | 西南交通大学 | 一种大规模多目标智能移动路径选择的蚁群优化处理方法 |
CN104766484B (zh) * | 2015-03-23 | 2017-11-14 | 南京邮电大学 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN107330561B (zh) * | 2017-07-05 | 2020-12-04 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥-泊位调度优化方法 |
-
2018
- 2018-07-02 CN CN201810720510.4A patent/CN109186619B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
CN106323293A (zh) * | 2016-10-14 | 2017-01-11 | 淮安信息职业技术学院 | 基于多目标搜索的两群多向机器人路径规划方法 |
Non-Patent Citations (5)
Title |
---|
Ant Colony Inspired Algorithm for Adaptive Traffic Routing;Pavel Kromer 等;《IEEE》;20111001;329-334 * |
Research on the Selection Strategy for Optimal Anchor Nodes Based on Ant Colony Optimization;Baoxin ZHAO 等;《Sensors & Transducers》;20140131;第162卷(第1期);161-166 * |
基于交通拥堵指数的蚁群改进算法研究;李枭等;《软件导刊》;20180315(第03期);74-77 * |
基于蚁群算法的拥堵交通最短路径研究;杨浩雄 等;《计算机仿真》;20150331;第32卷(第3期);186-191 * |
有时间窗的车辆路径问题改进蚁群算法研究;董攀 等;《物流科技》;20141231(第7期);135-138 * |
Also Published As
Publication number | Publication date |
---|---|
CN109186619A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186619B (zh) | 一种基于实时路况的智能导航算法 | |
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN108847037B (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN107944605A (zh) | 一种基于数据预测的动态交通路径规划方法 | |
CN110941267B (zh) | 蚁群算法用于拥堵环境下的动态路径规划方法 | |
Koh et al. | Reinforcement learning for vehicle route optimization in SUMO | |
CN112033403A (zh) | 一种基于势场改进蚁群算法的无人机最优路径搜索方法 | |
CN114020045B (zh) | 一种基于改进蚁群算法的无人机航迹规划方法 | |
CN112614341B (zh) | 基于群智进化蚁群算法的交通规划系统 | |
CN114167865B (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
CN109115220B (zh) | 一种用于停车场系统路径规划的方法 | |
Elbery et al. | Eco-routing: an ant colony based approach | |
CN111210065A (zh) | 一种基于重优化技术的物流网络高效k最短路径算法 | |
CN114550482A (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
CN115713856A (zh) | 一种基于交通流预测与实际路况的车辆路径规划方法 | |
CN112384759B (zh) | 用于为车辆路线规划确定路线的方法和设备 | |
CN114675655A (zh) | 一种车辆控制方法及装置 | |
Cong et al. | A new ant colony routing approach with a trade-off between system and user optimum | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN110245776B (zh) | 一种基于多属性蚁群算法的智能交通路径规划方法 | |
CN117420824A (zh) | 一种基于具有学习能力的智能蚁群算法的路径规划方法 | |
CN112561160A (zh) | 一种动态目标遍历访问序列规划方法与系统 | |
Niu et al. | Optimisation and application research of ant colony algorithm in vehicle routing problem |
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 |