CN110119150A - 一种基于蚁群算法的多用户实时路径规划方法和系统 - Google Patents
一种基于蚁群算法的多用户实时路径规划方法和系统 Download PDFInfo
- Publication number
- CN110119150A CN110119150A CN201910427726.6A CN201910427726A CN110119150A CN 110119150 A CN110119150 A CN 110119150A CN 201910427726 A CN201910427726 A CN 201910427726A CN 110119150 A CN110119150 A CN 110119150A
- Authority
- CN
- China
- Prior art keywords
- path
- vehicle
- ant group
- user
- group algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000003016 pheromone Substances 0.000 claims abstract description 53
- 230000007704 transition Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000009401 outcrossing Methods 0.000 claims 2
- 230000010485 coping Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于蚁群算法的多用户实时路径规划方法和系统,所述方法包括:步骤S1,初始化进行路径寻优的参数;步骤S2,通过改进后的蚁群算法进行路径寻优得到最优路径;所述改进后的蚁群算法包括:在进行路径寻优时,引入流量因子进行信息素浓度更新的计算。本发明通过在现有的算法的基础上,再加入一个流量因子,来更好的应对城市交通复杂路网下的车辆的路径规划问题,使各个车辆能够在不影响其他车辆行驶的前提下,更短的时间内到达目的地。
Description
技术领域
本发明涉及路径规划,尤其是一种基于蚁群算法的多用户实时路径规划方法和系统。
背景技术
对于现有的路径规划算法,在针对交通网络的应用中,一般只考虑到在复杂的交通路网中快速寻找两点之间的最短路径,而没有考虑到实时的道路车流量,即使有些路段是最短路径,但是如果同一时间内行驶的车辆多,那就不再是最优解,并且,如果多个用户同时使用该方法来规划最短路径,一旦各用户之间交叉的路段多,那各用户之间的路径规划会受到影响。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供一种基于蚁群算法的多用户实时路径规划方法和系统,通过在现有的算法的基础上,再加入一个流量因子,来更好的应对城市交通复杂路网下的车辆的路径规划问题,使各个车辆能够在不影响其他车辆行驶的前提下,更短的时间内到达目的地。
本发明提供的一种基于蚁群算法的多用户实时路径规划方法,包括:
步骤S1,初始化进行路径寻优的参数;
步骤S2,通过改进后的蚁群算法进行路径寻优得到最优路径;所述改进后的蚁群算法包括:在进行路径寻优时,引入流量因子进行信息素浓度更新的计算。
进一步地,所述步骤S1中初始化进行路径寻优的参数的过程包括:
对多个用户的车辆进行标号;
初始化对每个用户的信息素浓度,形成多个用户的信息素浓度表;其中,每个用户的信息素浓度初始时都相等:τij(0)=C,其中,τij(0)为初始的信息素浓度,C为一个常量。
进一步地,所述步骤S2中通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括:
步骤S10,每个用户的车辆按照转移概率公式选择下一个路口,直到每个用户的车辆到达终点,输出本次迭代的寻优路径;
步骤S20,若本次迭代的寻优路径比当前的最优路径短,则更新本次迭代的寻优路径作为最优路径;
步骤S30,判断是否达到预定的迭代次数:若是,则停止迭代并输出当前的最优路径;否则重复执行步骤S10~S20。
进一步地,所述转移概率公式为:
式中:为转移概率;Jk(i)为车辆k待去路口的集合,包括除了车辆k出发路口的其余所有路口,随着时间推移,其中的路口越来越少,直到为空,表示遍历完所有的路口;
τij(t)表示在t时刻,路段(i,j)上的信息素浓度;α为信息素因子;
ηij(t)为启发函数,表示车辆从路口i到路口j的期望程度;启发函数的计算公式为:dij表示路口i与路口j之间的距离;β为启发函数因子。
进一步地,更新信息素浓度的计算公式为:
τij(t+n)=(1-ρ)·τij(t)+Δτij-f;
f=s+g(t);
式中:f为车流量;s为流量因子,表示t时刻路段(i,j)的可能车流量;g(t)为在t时刻走同一路段的车辆数;
Δτij为本次迭代路段(i,j)上的信息素浓度增量;
为车辆k在本次迭代中留在路段(i,j)上的信息素浓度;Q为一个正常数;Lk为车辆k在本次周游中所走路径的长度。
本发明还提供一种基于蚁群算法的多用户实时路径规划系统,包括:
用于初始化进行路径寻优的参数的初始化模块;
用于通过改进后的蚁群算法进行路径寻优得到最优路径的蚁群算法迭代模块;其中,蚁群算法迭代模块在进行路径寻优时,引入流量因子进行信息素浓度更新的计算。
进一步地,所述初始化模块初始化进行路径寻优的参数的过程包括:
对多个用户的车辆进行标号;
初始化对每个用户的信息素浓度,形成多个用户的信息素浓度表;其中,每个用户的信息素浓度初始时都相等:τij(0)=C,其中,τij(0)为初始的信息素浓度,C为一个常量。
进一步地,所述蚁群算法迭代模块通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括:
步骤S10,每个用户的车辆按照转移概率公式选择下一个路口,直到每个用户的车辆到达终点,输出本次迭代的寻优路径;
步骤S20,若本次迭代的寻优路径比当前的最优路径短,则更新本次迭代的寻优路径作为最优路径;
步骤S30,判断是否达到预定的迭代次数:若是,则停止迭代并输出当前的最优路径;否则重复执行步骤S10~S20。
进一步地,所述转移概率公式为:
式中:为转移概率;Jk(i)为车辆k待去路口的集合,包括除了车辆k出发路口的其余所有路口,随着时间推移,其中的路口越来越少,直到为空,表示遍历完所有的路口;
τij(t)表示在t时刻,路段(i,j)上的信息素浓度;α为信息素因子;
ηij(t)为启发函数,表示车辆从路口i到路口j的期望程度;启发函数的计算公式为:dij表示路口i与路口j之间的距离;β为启发函数因子。
进一步地,所述蚁群算法迭代模块在进行路径寻优时,引入流量因子进行信息素浓度更新的计算公式为:
τij(t+n)=(1-ρ)·τij(t)+Δτij-f;
f=s+g(t);
式中:f为车流量;s为流量因子,表示t时刻路段(i,j)的可能车流量;g(t)为在t时刻走同一路段的车辆数;
Δτij为本次迭代路段(i,j)上的信息素浓度增量;
为车辆k在本次迭代中留在路段(i,j)上的信息素浓度;Q为一个正常数;Lk为车辆k在本次周游中所走路径的长度。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明通过在现有的算法的基础上,再加入一个流量因子,来更好的应对城市交通复杂路网下的车辆的路径规划问题,使各个车辆能够在不影响其他车辆行驶的前提下,更短的时间内到达目的地。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的路径规划方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
本实施例提供的一种基于蚁群算法的多用户实时路径规划方法,包括:
步骤S1,初始化进行路径寻优的参数;
步骤S2,通过改进后的蚁群算法进行路径寻优得到最优路径;所述改进后的蚁群算法包括:在进行路径寻优时,引入流量因子进行信息素浓度更新的计算。
进一步地,所述步骤S1中初始化进行路径寻优的参数的过程包括:
对多个用户的车辆进行标号;
初始化对每个用户的信息素浓度,形成多个用户的信息素浓度表;其中,每个用户的信息素浓度初始时都相等:τij(0)=C,其中,τij(0)为初始的信息素浓度,C为一个常量。
进一步地,所述步骤S2中通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括:
步骤S10,每个用户的车辆按照转移概率公式选择下一个路口,直到每个用户的车辆到达终点,输出本次迭代的寻优路径;
步骤S20,若本次迭代的寻优路径比当前的最优路径短,则更新本次迭代的寻优路径作为最优路径;
步骤S30,判断是否达到预定的迭代次数:若是,则停止迭代并输出当前的最优路径;否则重复执行步骤S10~S20。预定的迭代次数根据用户的实际需求设定。
进一步地,所述转移概率公式为:
式中:为转移概率;Jk(i)为车辆k待去路口的集合,包括除了车辆k出发路口的其余所有路口,随着时间推移,其中的路口越来越少,直到为空,表示遍历完所有的路口;
τij(t)表示在t时刻,路段(i,j)上的信息素浓度;α为信息素因子;
ηij(t)为启发函数,表示车辆从路口i到路口j的期望程度;启发函数的计算公式为:dij表示路口i与路口j之间的距离;β为启发函数因子。
进一步地,所述在进行路径寻优时,引入流量因子进行信息素浓度更新的计算公式为:
τij(t+n)=(1-ρ)·τij(t)+Δτij-f;
f=s+g(t);
式中:f为车流量;s为流量因子,表示t时刻路段(i,j)的可能车流量;g(t)为在t时刻走同一路段的车辆数;该时刻路段(i,j)的可能车流量,可以通过对该路段下历史的交通流数据的统计分析,然后得出其交通流平均流量。例如:A路段在1月1日8:30分内的车流量是30,然后将每个月1日A路段每天的8:30分的车流量都加起来做一个平均值,假定为20,那么20就是在8:30分时的流量因子s。
Δτij为本次迭代路段(i,j)上的信息素浓度增量;
为车辆k在本次迭代中留在路段(i,j)上的信息素浓度;Q为一个正常数;Lk为车辆k在本次周游中所走路径的长度。
实施例2
本实施例提供的一种基于蚁群算法的多用户实时路径规划系统,包括:
用于初始化进行路径寻优的参数的初始化模块;
用于通过改进后的蚁群算法进行路径寻优得到最优路径的蚁群算法迭代模块;其中,蚁群算法迭代模块在进行路径寻优时,引入流量因子进行信息素浓度更新的计算。
进一步地,所述初始化模块初始化进行路径寻优的参数的过程包括:
对多个用户的车辆进行标号;
初始化对每个用户的信息素浓度,形成多个用户的信息素浓度表;其中,每个用户的信息素浓度初始时都相等:τij(0)=C,其中,τij(0)为初始的信息素浓度,C为一个常量。
进一步地,所述蚁群算法迭代模块通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括:
步骤S10,每个用户的车辆按照转移概率公式选择下一个路口,直到每个用户的车辆到达终点,输出本次迭代的寻优路径;
步骤S20,若本次迭代的寻优路径比当前的最优路径短,则更新本次迭代的寻优路径作为最优路径;
步骤S30,判断是否达到预定的迭代次数:若是,则停止迭代并输出当前的最优路径;否则重复执行步骤S10~S20。
进一步地,所述转移概率公式为:
式中:为转移概率;Jk(i)为车辆k待去路口的集合,包括除了车辆k出发路口的其余所有路口,随着时间推移,其中的路口越来越少,直到为空,表示遍历完所有的路口;
τij(t)表示在t时刻,路段(i,j)上的信息素浓度;α为信息素因子;
ηij(t)为启发函数,表示车辆从路口i到路口j的期望程度;启发函数的计算公式为:dij表示路口i与路口j之间的距离;β为启发函数因子。
进一步地,所述蚁群算法迭代模块在进行路径寻优时,引入流量因子进行信息素浓度更新的计算公式为:
τij(t+n)=(1-ρ)·τij(t)+Δτij-f;
f=s+g(t);
式中:f为车流量;s为流量因子,表示t时刻路段(i,j)的可能车流量;g(t)为在t时刻走同一路段的车辆数;
Δτij为本次迭代路段(i,j)上的信息素浓度增量;
为车辆k在本次迭代中留在路段(i,j)上的信息素浓度;Q为一个正常数;Lk为车辆k在本次周游中所走路径的长度。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于蚁群算法的多用户实时路径规划方法,其特征在于,包括:
步骤S1,初始化进行路径寻优的参数;
步骤S2,通过改进后的蚁群算法进行路径寻优得到最优路径;所述改进后的蚁群算法包括:在进行路径寻优时,引入流量因子进行信息素浓度更新的计算。
2.根据权利要求1所述的基于蚁群算法的多用户实时路径规划方法,其特征在于,所述步骤S1中初始化进行路径寻优的参数的过程包括:
对多个用户的车辆进行标号;
初始化对每个用户的信息素浓度,形成多个用户的信息素浓度表;其中,每个用户的信息素浓度初始时都相等:τij(0)=C,其中,τij(0)为初始的信息素浓度,C为一个常量。
3.根据权利要求2所述的基于蚁群算法的多用户实时路径规划方法,其特征在于,所述步骤S2中通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括:
步骤S10,每个用户的车辆按照转移概率公式选择下一个路口,直到每个用户的车辆到达终点,输出本次迭代的寻优路径;
步骤S20,若本次迭代的寻优路径比当前的最优路径短,则更新本次迭代的寻优路径作为最优路径;
步骤S30,判断是否达到预定的迭代次数:若是,则停止迭代并输出当前的最优路径;否则重复执行步骤S10~S20。
4.根据权利要求3所述的基于蚁群算法的多用户实时路径规划方法,其特征在于,所述转移概率公式为:
式中:为转移概率;Jk(i)为车辆k待去路口的集合,包括除了车辆k出发路口的其余所有路口,随着时间推移,其中的路口越来越少,直到为空,表示遍历完所有的路口;
τij(t)表示在t时刻,路段(i,j)上的信息素浓度;α为信息素因子;
ηij(t)为启发函数,表示车辆从路口i到路口j的期望程度;启发函数的计算公式为:dij表示路口i与路口j之间的距离;β为启发函数因子。
5.根据权利要求3所述的基于蚁群算法的多用户实时路径规划方法,其特征在于,所述在进行路径寻优时,引入流量因子进行信息素浓度更新的计算公式为:
τij(t+n)=(1-ρ)·τij(t)+Δτij-f;
f=s+g(t);
式中:f为车流量;s为流量因子,表示t时刻路段(i,j)的可能车流量;g(t)为在t时刻走同一路段的车辆数;
Δτij为本次迭代路段(i,j)上的信息素浓度增量;
为车辆k在本次迭代中留在路段(i,j)上的信息素浓度;Q为一个正常数;Lk为车辆k在本次周游中所走路径的长度。
6.一种基于蚁群算法的多用户实时路径规划系统,其特征在于,包括:
用于初始化进行路径寻优的参数的初始化模块;
用于通过改进后的蚁群算法进行路径寻优得到最优路径的蚁群算法迭代模块;其中,蚁群算法迭代模块在进行路径寻优时,引入流量因子进行信息素浓度更新的计算。
7.根据权利要求6所述的基于蚁群算法的多用户实时路径规划系统,其特征在于,所述初始化模块初始化进行路径寻优的参数的过程包括:
对多个用户的车辆进行标号;
初始化对每个用户的信息素浓度,形成多个用户的信息素浓度表;其中,每个用户的信息素浓度初始时都相等:τij(0)=C,其中,τij(0)为初始的信息素浓度,C为一个常量。
8.根据权利要求7所述的基于蚁群算法的多用户实时路径规划系统,其特征在于,所述蚁群算法迭代模块通过蚁群算法进行路径寻优得到最优路径的过程包括:
步骤S10,每个用户的车辆按照转移概率公式选择下一个路口,直到每个用户的车辆到达终点,输出本次迭代的寻优路径;
步骤S20,若本次迭代的寻优路径比当前的最优路径短,则更新本次迭代的寻优路径作为最优路径;
步骤S30,判断是否达到预定的迭代次数:若是,则停止迭代并输出当前的最优路径;否则重复执行步骤S10~S20。
9.根据权利要求8所述的基于蚁群算法的多用户实时路径规划系统,其特征在于,所述转移概率公式为:
式中:为转移概率;Jk(i)为车辆k待去路口的集合,包括除了车辆k出发路口的其余所有路口,随着时间推移,其中的路口越来越少,直到为空,表示遍历完所有的路口;
τij(t)表示在t时刻,路段(i,j)上的信息素浓度;α为信息素因子;
ηij(t)为启发函数,表示车辆从路口i到路口j的期望程度;启发函数的计算公式为:dij表示路口i与路口j之间的距离;β为启发函数因子。
10.根据权利要求8所述的基于蚁群算法的多用户实时路径规划系统,其特征在于,所述蚁群算法迭代模块在进行路径寻优时,引入流量因子进行信息素浓度更新的计算:
τij(t+n)=(1-ρ)·τij(t)+Δτij-f;
f=s+g(t);
式中:f为车流量;s为流量因子,表示t时刻路段(i,j)的可能车流量;g(t)为在t时刻走同一路段的车辆数;
Δτij为本次迭代路段(i,j)上的信息素浓度增量;
为车辆k在本次迭代中留在路段(i,j)上的信息素浓度;Q为一个正常数;Lk为车辆k在本次周游中所走路径的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427726.6A CN110119150A (zh) | 2019-05-22 | 2019-05-22 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427726.6A CN110119150A (zh) | 2019-05-22 | 2019-05-22 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110119150A true CN110119150A (zh) | 2019-08-13 |
Family
ID=67523060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910427726.6A Pending CN110119150A (zh) | 2019-05-22 | 2019-05-22 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119150A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111152214A (zh) * | 2019-12-13 | 2020-05-15 | 珠海格力电器股份有限公司 | 一种四自由度码垛机器人、控制系统、码垛路径规划方法 |
CN111880542A (zh) * | 2020-08-04 | 2020-11-03 | 昆山九毫米电子科技有限公司 | 基于改进蚁群算法的多个无人靶车路径规划方法 |
CN113497761A (zh) * | 2020-03-20 | 2021-10-12 | 罗伯特·博世有限公司 | 车载设备和通信系统以及数据传输方法 |
CN114355955A (zh) * | 2022-03-21 | 2022-04-15 | 武汉理工大学 | 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 |
CN117151321A (zh) * | 2023-10-31 | 2023-12-01 | 临沂慧商物流信息技术有限公司 | 一种基于最优化算法的物流运输管理方法 |
Citations (5)
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 |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN108510227A (zh) * | 2018-03-23 | 2018-09-07 | 东华大学 | 一种基于机器学习的车载物流配送实时规划系统 |
CN109764884A (zh) * | 2019-01-02 | 2019-05-17 | 北京科技大学 | 一种校车路径规划方法及规划装置 |
-
2019
- 2019-05-22 CN CN201910427726.6A patent/CN110119150A/zh active Pending
Patent Citations (5)
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 |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN108510227A (zh) * | 2018-03-23 | 2018-09-07 | 东华大学 | 一种基于机器学习的车载物流配送实时规划系统 |
CN109764884A (zh) * | 2019-01-02 | 2019-05-17 | 北京科技大学 | 一种校车路径规划方法及规划装置 |
Non-Patent Citations (3)
Title |
---|
CHUNJIANG WU 等: "Dynamic Path Planning Based on Improved Ant Colony Algorithm in Traffic Congestion", 《IEEE》 * |
李露蓉 等: "基于优化蚁群算法的动态路径规划问题研究", 《广西大学学报: 自然科学版》 * |
王蕾 : "基于蚁群算法的动态交通流分配模型研究", 《CNKI》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111152214A (zh) * | 2019-12-13 | 2020-05-15 | 珠海格力电器股份有限公司 | 一种四自由度码垛机器人、控制系统、码垛路径规划方法 |
CN111152214B (zh) * | 2019-12-13 | 2021-08-03 | 珠海格力电器股份有限公司 | 一种四自由度码垛机器人、控制系统、码垛路径规划方法 |
CN113497761A (zh) * | 2020-03-20 | 2021-10-12 | 罗伯特·博世有限公司 | 车载设备和通信系统以及数据传输方法 |
CN111880542A (zh) * | 2020-08-04 | 2020-11-03 | 昆山九毫米电子科技有限公司 | 基于改进蚁群算法的多个无人靶车路径规划方法 |
CN111880542B (zh) * | 2020-08-04 | 2022-12-27 | 昆山九毫米电子科技有限公司 | 基于改进蚁群算法的多个无人靶车路径规划方法 |
CN114355955A (zh) * | 2022-03-21 | 2022-04-15 | 武汉理工大学 | 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 |
CN117151321A (zh) * | 2023-10-31 | 2023-12-01 | 临沂慧商物流信息技术有限公司 | 一种基于最优化算法的物流运输管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119150A (zh) | 一种基于蚁群算法的多用户实时路径规划方法和系统 | |
CN105608896B (zh) | 城市交通网络中的交通瓶颈识别方法 | |
US9116007B2 (en) | System and method for journey planning, finding K shortest paths through a time/space network | |
Modesti et al. | A utility measure for finding multiobjective shortest paths in urban multimodal transportation networks | |
Gavalas et al. | Web application for recommending personalised mobile tourist routes | |
Colorni et al. | Modeling and optimizing dynamic dial‐a‐ride problems | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
CN110222786A (zh) | 基于出行信息的动态拼车方法及系统 | |
CN109186619A (zh) | 一种基于实时路况的智能导航算法 | |
CN113393690B (zh) | 考虑自动驾驶专用车道的混合交通均衡分配方法 | |
Li et al. | A dynamic and scalable user-centric route planning algorithm based on polychromatic sets theory | |
CN107134137A (zh) | 一种考虑实时信息的动态路径选择方法 | |
Grzybek et al. | Aspects and trends in realistic VANET simulations | |
CN106052692A (zh) | 一种最短路径规划导航方法及系统 | |
CN111898793A (zh) | 一种组合出行方式下考虑用户感知差异性的路径选择方法 | |
CN107451613A (zh) | 异构信息网络的半监督学习方法及装置 | |
Cheng et al. | The adaptive recommendation mechanism for distributed group in mobile environments | |
Huang et al. | Schedule-based path-finding algorithms for transit trip-planning systems | |
CN110487293A (zh) | 一种基于大规模道路网络的高效且隐私的路径规划方法 | |
Dibbelt | Engineering algorithms for route planning in multimodal transportation networks | |
Beed et al. | A hybrid multi-objective carpool route optimization technique using genetic algorithm and A* algorithm | |
EP3779363B1 (en) | Method and system for vehicle routing based on parking probabilities | |
Davidson | A new approach to transport modelling-the Stochastic Segmented Slice Simulation (4S) model and its recent applications | |
Yousefi et al. | The optimal routing of cars in the car navigation system by taking the combination of divide and conquer method and ant colony algorithm into consideration | |
Habibi et al. | Improvement of Multi-agent Routing Guidance with an Intelligent Traffic Light Scheduling and the Ability to Select Intermediate Destinations |
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: 20190813 |
|
RJ01 | Rejection of invention patent application after publication |