CN109186619B - 一种基于实时路况的智能导航算法 - Google Patents

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

一种基于实时路况的智能导航算法

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：

ω_ij＝Q_ij/(d_ij*n_ij) (1)

上式(1)中ω_ij为车流量，Q_ij为路段ij的车辆数目，d_ij为该路段长度，n_ij为车道数；

公式(2)中，μ_ij为路段ij的道路畅通系数，μ_ij∈[0，1]，它与车流量ω_ij有关，当ω_ij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η_ij(η_ij＝1/d_ij)，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τ_ij(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；d_SE表示从点d到点E的直线距离，d_Sj和d_jE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→tabu^K，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，allowed_k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')τ_ij(t)+ρ'Δτ_ij(t) (5)

ρ'＝ρ+(1-μ_ij) (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'，Δτ_ij(t)为所有蚂蚁所释放的信息素总和；公式(6)中，Δτ_kij(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Δτ_kij(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)＝τ_ij(t)+σρΔτ_ij (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，L_i为第i代蚂蚁中的最优解路径长度，L_min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，ρ_a为蒸发率下限，ρ_b为蒸发率上限，gen_t为当前迭代到第t代，gen_t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：

ω_ij＝Q_ij/(d_ij*n_ij) (1)

上式(1)中ω_ij为车流量，Q_ij为路段ij的车辆数目，d_ij为该路段长度，n_ij为车道数；

公式(2)中，μ_ij为路段ij的道路畅通系数，μ_ij∈[0，1]，它与车流量ω_ij有关，当ω_ij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η_ij(η_ij＝1/d_ij)，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τ_ij(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；d_SE表示从点d到点E的直线距离，d_Sj和d_jE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→tabu^K，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，allowed_k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')τ_ij(t)+ρ'Δτ_ij(t) (5)

ρ'＝ρ+(1-μ_ij) (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'，Δτ_ij(t)为所有蚂蚁所释放的信息素总和；公式(6)中，Δτ_kij(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Δτ_kij(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)＝τ_ij(t)+σρΔτ_ij (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，L_i为第i代蚂蚁中的最优解路径长度，L_min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，ρ_a为蒸发率下限，ρ_b为蒸发率上限，gen_t为当前迭代到第t代，gen_t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：

ω_ij＝Q_ij/(d_ij*n_ij) (1)

上式(1)中ω_ij为车流量，Q_ij为路段ij的车辆数目，d_ij为该路段长度，n_ij为车道数；

公式(2)中，μ_ij为路段ij的道路畅通系数，μ_ij∈[0，1]，它与车流量ω_ij有关，当ω_ij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η_ij，其中η_ij＝1/d_ij，时间启发因子λ，并根据车流量ω_ij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τ_ij(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；d_SE表示从点S到点E的直线距离，d_Sj和d_jE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→tabu^K，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，allowed_k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')τ_ij(t)+ρ'Δτ_ij(t) (5)

ρ'＝ρ+(1-μ_ij) (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'，Δτ_ij(t)为所有蚂蚁所释放的信息素总和；公式(6)中，Δτ_kij(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Δτ_kij(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)＝τ_ij(t)+σρΔτ_ij (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，L_i为第i代蚂蚁中的最优解路径长度，L_min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，ρ_a为蒸发率下限，ρ_b为蒸发率上限，gen_t为当前迭代到第t代，gen_max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。

Images