CN109359740B - 基于多生境遗传算法的机动路径优选方法及存储介质 - Google Patents

Abstract

基于多生境遗传算法的单智能体机动路径优选方法及存储介质，本发明针对此类路径优选问题，运用多生境遗传算法和迪杰斯特拉算法，包括提出问题，分析问题，采用多生境遗传算法群体初始化，多生境遗传算法计算，解码及适应度计算，改进了迪杰斯特拉算法的用法，在少量的路径组中，搜索是否有连通路径，实现作战仿真中单智能体最短路径优选问题，显著提高了作战仿真过程中单智能体在约束条件下的路径优选的有效性和效率，降低了整体的运算量，高效地求得了该问题的最优解。

Description

基于多生境遗传算法的机动路径优选方法及存储介质

技术领域

本发明涉及计算机仿真领域，具体的，涉及一种以智能体建模为核心、以多生境遗传算法和改进的迪杰斯特拉算法路径优选为要点的机动路径优选建模方法。

背景技术

单智能体机动路径优选(以下简称路径优选)问题，属于典型的复杂组合优化问题。其研究的问题描述为：从单智能体出发点开始，有n个可选路径节点(简称为节点)，已知各个节点之间的距离、路况系数([0.0,1.0]，值越大路况越好)，以及各个节点之间敌情风险系数([1.0,+∞)，值越小敌情风险越小)。从单智能体出发点开始，要求优选出一条有效路径，合理避开敌情大的路径段，在合理的时间限度内，成功到达目标节点(机动终点)。因此类问题研究具有普遍性和重大经济价值，因而受到了国内外学者的广泛关注。

路径优选问题可以建模为一个带约束的优化问题，此类问题是交通规划、计算机科学、GIS等领域研究的一个热点问题，也是当今智能体研究领域的重点内容之一。路径规划过程中，要在所有可选的路径中，侧重考虑所选出路径总的机动时间是否符合要求，所选机动路径是否有效避开了敌情威胁等等。因此，路径规划时，要充分运用包括地理信息系统数据、已知敌情数据和上级要求，全面谋划，最终实现问题的求解。由于此类问题是NP类完全问题，随着路径节点的增加，其解呈指数级增长，用精确算法很难求得最优解。很多学者分别采用蚁群算法、粒子群算法、免疫算法、神经网络、模拟退火算法等开展过研究。

遗传算法是一种高度并行、随机、自适应搜索算法。它摒弃了传统的搜索方式，模拟自然界生物进化过程，将问题域中的可能解看作是群体的一个个体或染色体，并将每一个个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作(遗传、交叉和变异)，根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以全局并行搜索方式来搜索群体中的最优个体，求得满足要求的最优解。

但上述算法通常效率不高，并且存在着有效性的问题。因此，如何能够结合遗传算法提高路径优选算法的有效性和效率成为现有技术亟需解决的技术问题。

发明内容

本发明的目的是结合遗传算法提高路径优选算法的有效性和效率。

为达此目的，本发明采用以下技术方案：

一种基于多生境遗传算法的单智能体机动路径优选方法，包括如下步骤：

问题分析步骤S110:单智能体于在一定时刻T0以速度V，从出发节点P0，经过不同的时间间隔后，分别经过n个调整节点，其中所述调整节点为必经点，最终达到目标节点Pe,其中各路径段具有一定的各路径段路径长L、路况系数K和风险系数D；

问题表示步骤S120：根据待求解问题的已知条件，确定表示可行解的编码方式，根据必经节点个数n，将解空间分割到相应区段，确定出n+1个解空间，并确定所有个体在分割后的每个解空间中分布的百分比，并确定个体适应度的量化评价方法，计算时还应考虑各区段的时间限制。在算法进行过程中，搜索将在几个小的搜索域中同时进行；

多生境遗传算法群体初始化S130：确定多生境遗传算法的基本参数，所述基本参数包括群体规模M，交叉概率PC，变异概率Pm和遗传运算的终止条件T，按照既定的编码方式，随机生成M个个体作为初始群体，确定算法的交叉方式、变异方式，对个体基因型运用迪杰斯特拉算法进行解码，从而确定个体基因型是否包含有效连通路径；

多生境遗传算法计算步骤S140:根据初始化参数，利用多生境遗传算法在每个搜索域的每组个体中分别进行选择、交叉和变异；

解码及适应度计算步骤S150:每进化一代后，在每个搜索域中首先运用迪杰斯特拉算法对个体基因型进行解码，解码过程是运用迪杰斯特拉算法在个体编码组中，寻找区段有效路径的过程，将不能构成有效连通路径的个体适应度置为0，同时还需保证完成各段路径时间总和不得超区段总时间，否则个体适应度也置为0，然后运用所述个体适应度量化方法进行计算，有效个体是指个体编码能构成此搜索区段连通路径的个体，个体适应值非负，以个体适应值的大小作为个体适应度，越小越好，并以一代个体中适应度最小的个体作为最优解；

终止条件判断及确定最优路径步骤S160:保留各个搜索域中在每一代运算中的极小值，筛选每个搜索域得到该搜索域最终的极小值，综合各个搜索域的最终的极小值构成全程路径，即为最优优选路径，对终止条件进行判断，是否满足进化代数，以确定是退出遗传算法或者是跳转执行多生境遗传算法计算步骤S140。

可选的，在问题表示步骤S120中，为了减少计算的复杂度，将去掉无效路径段，即去掉不能直接连通的两个节点段。

可选的，在问题表示步骤S120中，所有个体在分割后的每个解空间中分布的百分比是结合路径优选实际复杂度而确定。

可选的，在问题表示步骤S120中，所述可行解的编码方式可以为包括确定路径段的路径自然编码方式。

可选的，在问题表示步骤S120中，个体适应度的量化评价方法为各路径段长度、(1-路径段路况系数)与路径段风险系数积的和，即L1*(1-K1)*D1+L2*(1-K2)*D2+…+Lm*(1-Km)*Dm，m为每个求解的路径段的数量。

可选的，在多生境遗传算法群体初始化S130中，具体参数的选择可以根据经验或者计算要求确定。

可选的，在多生境遗传算法计算步骤S140中，选择运算采用轮盘赌方式，交叉方式为奇数位单点交叉以保证有效路径段不被拆分开、变异方式为基本位变异。

进一步的，本发明还公开了一种存储介质，用于存储计算机可执行指令，其特征在于所述计算机可执行指令在被处理器执行时执行上述的基于多生境遗传算法的机动路径优选方法。

本发明针对单智能体路径优选问题，提出了基于多生境遗传算法，采用简洁有效的编码方法，解码采用迪杰斯特拉算法完成，对单智能体路径优选问题进行了研究。通过实例分析，算法求解过程收敛快，求解结果理想，实现作战仿真中单智能体最短路径优选问题，显著提高了作战仿真过程中单智能体在约束条件下的路径优选的有效性和效率，降低了整体的运算量，高效地求得了该问题的最优解。本发明对智能体路径规划问题具有普遍意义

附图说明

图1是根据本发明的基于多生境遗传算法的单智能体机动路径优选方法的流程图；

图2是根据本发明的具体实施例的智能体路径优选案例。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

多生境遗传算法是对于遗传算法的一种改进(“多生境遗传算法”，全国系统仿真学术年会论文集，2003年，P135页)，其考虑到自然界的生存环境的多样性：生存在每个小的生存、进化环境中的生物群，总会进化出适合本地小生存环境的优秀生物个体。多生境遗传算法重视每一生存环境中的优秀个体，从而对传统遗传算法进行一个有效改进，可应用于有多个节点限制的路径优选问题的高效求解。但多生境遗传算法无法判断优选出路径连通的有效性。

迪杰斯特拉算法是典型的最短路径路由算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。迪杰斯特拉算法能得出最短路径的最优解，但随着路径节点数增加，路径搜索组合会爆炸式增加，所以效率低。

本发明的路径优选问题同传统旅行商问题(TSP问题)并不等同：旅行商问题要求找出一条遍历给出的所有节点的最短路径；而路径优选问题要求在所有节点中优选出一些节点，连通路径中的必经节点，实现从出发节点到目标节点的一条最合理路径。必须强调的是，运用遗传算法求解此类路径优选问题和同求解传统旅行商问题相比，问题并不是简化了。由于路径节点连通性的限制，还有路径编解码长度的不定，问题的实际求解分析过程更加复杂了。

本发明的路径优选问题可以描述为：单智能体以既定速度，从出发节点开始，要求经过若干必经节点，满足限定时间，全面考虑各种因素，从多个可选路径节点中(各个路径节点之间的距离、路况系数和敌情风险系数等已知)选定一条路径，实现单智能体从出发节点到目标节点的机动。要求选定机动路径满足以下条件：(1)所选路径应包含规定关键节点(必经点)；(2)所选路径机动所需时间不得超过上级规定的总时间；(3)所选路径应有效避开敌情威胁大的路径(或可以接受的敌情威胁)；(4)所选路径应足够短(越短越好)。因此要综合以上各种影响因素才能做出合理的路径优选决策。

因此，本发明的要点为：基于多生境遗传算法，采用某种编码方法对路径进行编码，将由若干必经节点组成的多段路径优选问题，对应于多生境遗传算法中的多个生存环境，经过遗传算法操作(遗传、交叉和变异)，解码运用改进的迪杰斯特拉算法进行，综合考虑各限制因素，最终优选出最优路径。其中迪杰斯特拉算法保证了所选择路径是能够有效连通的。

因此，参见图1，本发明的路径优选方法包括如下步骤：

问题分析步骤S110:单智能体于在一定时刻T0以速度V，从出发节点P0，经过不同的时间间隔后，分别经过n个调整节点，其中所述调整节点为必经点，最终达到目标节点Pe,其中各路径段具有一定的各路径段路径长L、路况系数K和风险系数D，例如，要求于T0+T 1时，到达调整节点Pa(必经点)，于T0+T 2时，到达调整节点Pb(必经点)，并于T0+T3时，到达目标节点Pe，要求结合已知的各路径段路径长L、路况系数K和风险系数D，为单智能体优选出一条合理的机动路径；

问题表示步骤S120：根据待求解问题的已知条件，确定表示可行解的编码方式，根据必经节点个数n，将解空间分割到相应区段，确定出n+1个解空间，并确定所有个体在分割后的每个解空间中分布的百分比，并确定个体适应度的量化评价方法，计算时还应考虑各区段的时间限制。在算法进行过程中，搜索将在几个小的搜索域中同时进行。

其中，在该步骤中，为了减少计算的复杂度，将去掉无效路径段，即去掉不能直接连通的两个节点段。

并且所有个体在分割后的每个解空间中分布的百分比是结合路径优选实际复杂度而确定。

所述可行解的编码方式可以为包括确定路径段的路径自然编码方式。

个体适应度的量化评价方法为各路径段长度、(1-路径段路况系数)与路径段风险系数积的和，即L1*(1-K1)*D1+L2*(1-K2)*D2+…+Lm*(1-Km)*Dm，m为每个求解的路径段的数量。

多生境遗传算法群体初始化S130：确定多生境遗传算法的基本参数，所述基本参数包括群体规模M，交叉概率PC，变异概率Pm和遗传运算的终止条件T，按照既定的编码方式，随机生成M个个体作为初始群体，确定算法的交叉方式、变异方式，对个体基因型运用迪杰斯特拉算法进行解码，从而确定个体基因型是否包含有效连通路径。

该步骤主要是为了在下一步骤中具体进行多生境遗传算法计算确定相应的参数，以便利用多生境遗传算法进行具体的计算。上述参数的选择可以根据经验或者计算要求确定。

多生境遗传算法计算步骤S140:根据初始化参数，利用多生境遗传算法在每个搜索域的每组个体中分别进行选择、交叉和变异。

具体而言，即对每个解空间，例如下文案例中的三个搜索域[P00,P15]、[P15,P51]、[P51,P80]，每组个体就对应于三个搜索域中的三组个体，分别进行选择、交叉和变异。

在一个可选的实施例中，选择运算采用轮盘赌方式，交叉方式为奇数位单点交叉以保证有效路径段不被拆分开、变异方式为基本位变异。

解码及适应度计算步骤S150:每进化一代后，在每个搜索域中首先运用迪杰斯特拉算法对个体基因型进行解码，解码过程是运用迪杰斯特拉算法在个体编码组中，寻找区段有效路径的过程，将不能构成有效连通路径的个体适应度置为0，同时还需保证完成各段路径时间总和不得超区段总时间，否则个体适应度也置为0，然后运用所述个体适应度量化方法进行计算，有效个体是指个体编码能构成此搜索区段连通路径的个体，个体适应值非负，以个体适应值的大小作为个体适应度，越小越好，并以一代个体中适应度最小的个体作为最优解。

即在每个搜索域中，如下文案例中的三个搜索域[P00,P15]、[P15,P51]、[P51,P80]，分别运用迪杰斯特拉算法以及个体适应度的量化计算。

应当知道，所述量化方法并未为固定的，可以根据情况进行选择，并确定是最大还是最小的数值为最优解。

终止条件判断及确定最优路径步骤S160:保留各个搜索域中在每一代运算中的极小值，筛选每个搜索域得到该搜索域最终的极小值，综合各个搜索域的最终的极小值构成全程路径，即为最优优选路径，对终止条件进行判断，是否满足进化代数，以确定是退出遗传算法或者是跳转执行多生境遗传算法计算步骤S140。

例如，如后面案例中的三个搜索域[P00,P15]、[P15,P51]、[P51,P80]中的三个极小值路径，从[P00,P15]到[P15,P51]到[P51,P80]连接构成全程最短路径。每一代运算后，分别保留各搜索域在每一代计算的极小值，然后完成T次计算后，使用各搜索域中极小值路径，组成一条最优路径。

实施例1：

参见图2，示出了根据本发明的具体实施例的智能体路径优选案例。

问题分析步骤S110：单智能体计划于8时00分，以速度56公里/小时，从P00节点出发，要求于9时40分前，到达调整节点P15(必经点)，于14时45分前，到达调整节点P51(必经点)，并于18时25分前，到达目标节点P80。要求结合已知的各路径段路径长L(见表1)、路况系数K(见表2)和风险系数D(见表3)，为单智能体优选出一条合理的机动路径。

表1各路径段路径长L(单位：公里)

表2路况系数K

表3风险系数D

问题表示步骤S120：根据待求解问题的已知条件，结合表1，去掉无效的路径段，即不能直接连通的两个节点段，如：P00-P12、P00-P16……，依据表1、表2和表3，建立包含有路径段名、路径段长度、路径段路况系数和路径段风险系数的路径信息数组，确定表示可行解的编码方式为路径自然编码，如：00141516……，根据所包含的路径段确定编码长度40，因要求优选出的路径具有两个调整点，故将解空间有效分割为三个区段，并结合路径优选实际复杂度，确定所有个体在分割后的每个解空间中[P00,P15]、[P15,P51]、[P51,P80]分布的百分比为25％、50％、25％，并确定个体适应度的量化评价方法为各路径段长度、(1-路径段路况系数)与路径段风险系数积的和，计算时还应考虑各区段的时间限制，在算法进行过程中，问题解的搜索将在三个搜索域中[P00,P15]、[P15,P51]、[P51,P80]同时进行。

多生境遗传算法群体初始化S130：设定群体规模M＝500，需要强调的是，在生成群体时，为防止大量无效个体(表1、表2、表3中以“-”表示的元素)产生，应采用路径段有效集生成方式，即将有效有意义的路径段，建立一个路径数组，群体生成时，从这些有效数组中随机选择生成，交叉概率PC＝0.6，变异概率Pm＝0.08，终止条件由进化代数T(T＝300)控制，在划分的三个搜索域中，根据百分比，分别生成125、250和125个个体，确定选择运算采用轮盘赌方式，交叉方式为奇数位单点交叉(保证有效路径段不被拆分开)、变异方式为基本位变异，对个体基因型运用迪杰斯特拉算法进行解码。

多生境遗传算法计算步骤S140：按照既定的选择、交叉和变异方式，依次对初始群体进行选择、交叉和变异操作，但操作时注意应在每个搜索域中分别进行。

解码及适应度计算步骤S150:有效个体的适应值采用以个体各路径段长度、(1-路径段路况系数)与路径段风险系数积的和，即：L1*(1-K1)*D1+L2*(1-K2)*D2+…+Lm*(1-Km)*Dm，作为个体适应值，有效个体是指个体编码能构成此搜索区段连通路径的个体。个体适应值非负，所以以个体适应值的大小作为个体适应度，越小越好。并以一代个体中适应度最小的个体作为最优解。适应值计算时，先运用迪杰斯特拉算法对个体基因型进行解码，解码过程是运用迪杰斯特拉算法在个体编码组中，寻找区段有效路径的过程。将不能构成有效连通路径的个体适应度置为0，同时还需保证完成各段路径时间总和不得超区段总时间，否则个体适应度也置为0，并按照上面的设计，求得个体的适应度。

终止条件判断及确定最优路径步骤S160:保留各个搜索域中的极小值，各个搜索域中的极小值构成的全程路径，即为最优优选路径，对终止条件进行判断，看是否达到规定的进化代数，决定转步骤S140或退出。

在该实施例中，依照上面进行的问题分析并建立问题解数学模型，运用C++开发语言，开发出路径优选程序。经过程序运行，求得问题的优选路径为：路径1：P00-P14-P15……P79-P80；路径2：P00-P13-P14……P48-P80。实践证明，本发明针对此类路径优选问题，运用多生境遗传算法和迪杰斯特拉算法，改进了迪杰斯特拉算法的用法，在少量的路径组中，搜索是否有连通路径，降低了整体的运算量，高效地求得了该问题的最优解(满意解)。

进一步的，本发明还公开了一种存储介质，用于存储计算机可执行指令，其特征在于：所述计算机可执行指令在被处理器执行时执行上述的基于多生境遗传算法的机动路径优选方法。

显然，本领域技术人员应该明白，上述的本发明的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上,可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

Claims (7)

1.一种基于多生境遗传算法的单智能体机动路径优选方法，包括如下步骤：

问题分析步骤S110:单智能体于在一定时刻T0以速度V，从出发节点P0，经过不同的时间间隔后，分别经过n个调整节点，其中所述调整节点为必经点，最终达到目标节点Pe,其中各路径段具有一定的各路径段路径长L、路况系数K和风险系数D；

问题表示步骤S120：根据待求解问题的已知条件，确定表示可行解的编码方式，根据必经节点个数n，将解空间分割到相应区段，确定出n+1个解空间，并确定所有个体在分割后的每个解空间中分布的百分比，并确定个体适应度的量化评价方法，计算时还应考虑各区段的时间限制，在算法进行过程中，搜索将在几个小的搜索域中同时进行，所述个体适应度的量化评价方法为各路径段长度、(1-路径段路况系数)与路径段风险系数积的和，即L1*(1-K1)*D1+L2*(1-K2)*D2+…+Lm*(1-Km)*Dm，m为每个求解的路径段的数量；

多生境遗传算法群体初始化S130：确定多生境遗传算法的基本参数，所述基本参数包括群体规模M，交叉概率PC，变异概率Pm和遗传运算的终止条件T，按照既定的编码方式，随机生成M个个体作为初始群体，确定算法的交叉方式、变异方式，对个体基因型运用迪杰斯特拉算法进行解码，从而确定个体基因型是否包含有效连通路径；

多生境遗传算法计算步骤S140:根据初始化参数，利用多生境遗传算法在每个搜索域的每组个体中分别进行选择、交叉和变异；

解码及适应度计算步骤S150:每进化一代后，在每个搜索域中首先运用迪杰斯特拉算法对个体基因型进行解码，解码过程是运用迪杰斯特拉算法在个体编码组中，寻找区段有效路径的过程，将不能构成有效连通路径的个体适应度置为0，同时还需保证完成各段路径时间总和不得超区段总时间，否则个体适应度也置为0，然后运用所述个体适应度量化方法进行计算，有效个体是指个体编码能构成此搜索区段连通路径的个体，个体适应值非负，以个体适应值的大小作为个体适应度，并以一代个体中适应度最小的个体作为最优解；

终止条件判断及确定最优路径步骤S160:保留各个搜索域中在每一代运算中的极小值，筛选每个搜索域得到该搜索域最终的极小值，综合各个搜索域的最终的极小值构成全程路径，即为最优优选路径，对终止条件进行判断，是否满足进化代数，以确定是退出遗传算法或者是跳转执行多生境遗传算法计算步骤S140。

2.根据权利要求1所述的单智能体机动路径优选方法，其特征在于：

在问题表示步骤S120中，为了减少计算的复杂度，将去掉无效路径段，即去掉不能直接连通的两个节点段。

3.根据权利要求1所述的单智能体机动路径优选方法，其特征在于：

在问题表示步骤S120中，所有个体在分割后的每个解空间中分布的百分比是结合路径优选实际复杂度而确定。

4.根据权利要求1所述的单智能体机动路径优选方法，其特征在于：

在问题表示步骤S120中，所述可行解的编码方式可以为包括确定路径段的路径自然编码方式。

5.根据权利要求1所述的单智能体机动路径优选方法，其特征在于：

在多生境遗传算法群体初始化S130中，具体参数的选择可以根据经验或者计算要求确定。

6.根据权利要求1所述的单智能体机动路径优选方法，其特征在于：

在多生境遗传算法计算步骤S140中，选择运算采用轮盘赌方式，交叉方式为奇数位单点交叉以保证有效路径段不被拆分开、变异方式为基本位变异。

7.一种存储介质，用于存储计算机可执行指令，其特征在于：

所述计算机可执行指令在被处理器执行时执行权利要求1-6中任意一项所述的基于多生境遗传算法的单智能体 机动路径优选方法。

Images