CN110245776B - 一种基于多属性蚁群算法的智能交通路径规划方法 - Google Patents

一种基于多属性蚁群算法的智能交通路径规划方法 Download PDF

Info

Publication number
CN110245776B
CN110245776B CN201910341576.7A CN201910341576A CN110245776B CN 110245776 B CN110245776 B CN 110245776B CN 201910341576 A CN201910341576 A CN 201910341576A CN 110245776 B CN110245776 B CN 110245776B
Authority
CN
China
Prior art keywords
road
intersection
equal
degree
path
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
Application number
CN201910341576.7A
Other languages
English (en)
Other versions
CN110245776A (zh
Inventor
王震
方漫琳
宋晋湘
彭刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huizhou University
Original Assignee
Huizhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huizhou University filed Critical Huizhou University
Priority to CN201910341576.7A priority Critical patent/CN110245776B/zh
Publication of CN110245776A publication Critical patent/CN110245776A/zh
Application granted granted Critical
Publication of CN110245776B publication Critical patent/CN110245776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (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)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及路径规划技术领域，特别涉及一种基于多属性蚁群算法的智能交通路径规划方法，包括步骤：S1，将城市道路网络抽象为道路有向图，并将每一条离开路口方向的道路数学化为四个环境参数，分别是道路长度、道路宽度、道路等级与车辆平均速度；S2，将蚁群算法限定于道路有向图中，得出从起点到终点所经过的路口，生成导航路径。本发明解决了现有的路径规划仅能基于路径状况以及待规划的车辆数量进行简单的路径规划，但难以实现实时规划以及确保规划得出的路径为最优路径的问题。

Description

一种基于多属性蚁群算法的智能交通路径规划方法
技术领域
本发明涉及路径规划技术领域，特别涉及一种基于多属性蚁群算法的智能交通路径规划方法。
背景技术
蚁群算法(ant colony optimization，简称ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。蚁群算法是一种模拟进化算法，且具有一种新的模拟净化优化方法的有效性和应用价值。蚁群算法实现了以下内容：各个蚂蚁在没有是先告诉他们食物在什么地方的前提下开始寻找食物，当一只找到食物以后，它会向环境释放信息素，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物，有些蚂蚁并没有像其他蚂蚁一样总重复同样的路，它们会另辟蹊径，如果另开辟的道理比原来的道路更短，会有更多的蚂蚁被吸引到这条较短的道路上，最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。
智能交通系统(Intelligent Transportation System)是未来交通系统的发展方向，它是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。智能交通系统可以有效利用现有交通设施、较少交通负荷和环境污染、保证交通安全、提高运输效率。
现有的路径规划仅能基于路径状况以及待规划的车辆数量进行简单的路径规划，但难以实现实时规划以及确保规划得出的路径为最优路径，也即现有的路径规划难以确保车辆通过最优路径达到预设定的目的地。
发明内容
本发明的发明内容在于提供一种基于多属性蚁群算法的智能交通路径规划方法，其解决了现有的路径规划仅能基于路径状况以及待规划的车辆数量进行简单的路径规划，但难以实现实时规划以及确保规划得出的路径为最优路径的问题。
本发明提出了一种基于多属性蚁群算法的智能交通路径规划方法，包括步骤：
S1，将城市道路网络抽象为道路有向图，并将每一条离开路口方向的道路数学化为四个环境参数，分别是道路长度、道路宽度、道路等级与车辆平均速度；
S2，将蚁群算法限定于所述道路有向图中，得出从起点到终点所经过的路口，生成导航路径。
优选地，在所述步骤S1中，所述道路有向图中包括K个路口节点，离开所述路口节点方向的道路定义为出度，走向所述路口节点方向的道路定义为入度，假设一所述路口节点共有n个出度，则每个所述出度被数学化为所述四个环境参数，分别是道路长度、道路宽度、道路等级、车辆平均速度；
对于一所述路口节点的一编号为i的所述出度；
假设n个所述出度的道路长度分别为(L1L2L3…Ln)，而L-为其中最短距离，则所述道路长度定义为：
所述出度宽度根据出度行车道计算，若只有一个行车道，则Wi＝1；
所述道路等级根据所述出度的限速Ci计算，定义为：
所述车辆平均速度根据一时间段内所有车辆驶入所述出度到驶出所述出度的平均速度值计算，假设在某一时段内，共有m辆车经过所述出度，则每辆车的平均速度则所述车辆平均速度定义为：
其中，Li为所述出度的路段长度；Tstart为车辆进入所述出度的时间，Tend为车辆驶出所述出度的时间。
优选地，在所述步骤S2中，所述蚁群算法具体为，假设所述道路有向图中设有m个简单蚂蚁，则赋予每个所述简单蚂蚁以下特征：(1)根据以两个所述路口节点之间的信息素强度为变量的概率函数得出每个所述路口节点的每个所述出度的不同解值，而选择下一个所述路口节点；(2)在禁忌表的控制下走合法路线，除非到达目的地或者无路可走，不允许转到所述禁忌表中任一已访问路段；(3)完成周游后，在每一条访问的所述出度上更新所述信息素强度。
优选地，所述概率函数为：
初始时刻下不同所述出度上的所述信息素量不相等，设τij(0)＝c0；蚂蚁k(k＝1,2...,m)在运动过程中，会根据不同所述出度上所述信息素强度选择移动路径；表示在t时刻蚂蚁k由节点i转移至节点j的概率；
其中，所述禁忌表tabuk(k＝1,2,…m)，用于记录蚂蚁k当前所走过的所述路口，allowedk＝{0,1,…,n-1}-tabuk表示蚂蚁k在所述禁忌表下允许选择的所述路口；
ηij为启发函数，表示蚂蚁k从路口i到路口j的期望程度；设表示由路口i与路口j构成的边弧的能见度，dij表示节点i与节点j之间的距离，dij与ηij及/>成反比；α表示轨迹的相对重要性，β表示能见度的相对重要性。
优选地，所述更新所述信息素强度的程式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij (12)；
其中，ρ表示信息素挥发系数，则1-ρ表示信息素残留因子，表示第k只蚂蚁在本次循环中留在路径e(ij)上的信息量；Δτij表示本次循环中，即n时刻内路径e(ij)上的信息量。
优选地，所述每个所述路口节点的每个所述出度的不同解值，其求解过程为：
设所述路口共有(a1,a2,…am)个所述出度，每个所述出度共有4个所述参数，则可以形成矩阵，
其中，同一竖排的(a1i,a2i…ami)表示同一路口不同的所述出度路段；同一横排的(ai1,ai2…ai4)表示同一所述出度路段的不同所述参数；
为任一所述参数设置权值(w1、w2…w4),所述属性向量的初始权值为w’＝(w’1、w’2…w’4)，采用最大偏差法得出，
令
将权值wj从w′j归一化为
其中1≤j≤m. (11)；
根据所述权值，构建归一化的决策矩阵，并确定正理想解和负理想解如下，
zij＝wjrij (12)；
令z*＝[1],z-＝[0]；
得出任一所述路口上各所述出度路段的m度欧拉距离，
其中1≤j≤n (14)；
其中1≤j≤n (15)；
根据TOPSIS方法的定义，将离正理想解越近，而离负理想解/>越远的解设为所述出度路段的任一所述参数，
其中1≤i≤n, (16)。
优选地，方程(11)的计算过程为：
令
求偏导数得出，
其中1≤j≤m (18)；其中1≤j≤m (19)；
由所述方程式(7)得出，
其中1≤j≤m. (20)；
将所述方程式(20)代入方程式(19)中，得，
将所述方程式(22)代入方程式(20)，得，
其中1≤j≤m (23)。
优选地，由所述方程式(1)至(23)，以及实验数据，可得所述参数为，
α∈[1.0,2.0]
β∈[4.0,6.0]
ρ∈[0.5,0.8]
其中，Lij为路径(ij)的长度。
优选地，所述规划方法采用速度优先和时间优先的策略。
由上可知，应用本发明提供的技术方案可以得到以下有益效果：
本发明提出了一种基于多属性蚁群算法的智能交通路径规划方法，其主要将蚁群行径路径中，通过各路口上信息素的残留量选择移动路径的方式结合应用于交通路径规划上，根据各路段上的道路长度、道路宽度、道路等级与车辆平均速度，根据用户时间优先或路程优先的要求得出到达目的地的最优导航路径，进而实现路径的实时规划以及确保规划路线为最优路径。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动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。
现有的路径规划仅能基于路径状况以及待规划的车辆数量进行简单的路径规划，但难以实现实时规划以及确保规划得出的路径为最优路径的问题。
为了解决上述问题，本实施例提出了一种基于多属性蚁群算法的智能交通路径规划方法，其主要包括以下步骤：
S1，将城市道路网络抽象为道路有向图，并将每一条离开路口方向的道路数学化为四个环境参数，分别是道路长度、道路宽度、道路等级与车辆平均速度；
S2，将蚁群算法限定于道路有向图中，得出从起点到终点所经过的路口，生成导航路径。
在本实施例中，与蚁群算法中根据信息素的含量作为选择路口的依据一致，在交通规划中，将道路长度、道路宽度、道路等级与车辆平均速度作为衡量道路通行率的参数标准，从而对车辆作出最优的路径规划。
更具体的，在步骤S1中，道路有向图包括K个路口节点，离开路口节点方向的道路定义为出度，走向路口节点方向的道路定义为入度，加设一路口节点共有n个出度，则每个出度被数学化为四个环境参数，分别是道路长度、道路宽度、道路等级与车辆平均速度；
对于一路口节点的一编号为i的出度，具有以下四个参数，
假设n个出度的道路长度分别为(L1L2L3…Ln)，而L-为其中最短距离，则道路长度定义为：
出度宽度根据出度行车道计算，若只有一个行车道，则Wi＝1；
道路等级根据出度的限速Ci计算，定义为：
车辆平均速度根据一时间段内所有车辆驶入出度到驶出出度的平均速度值计算，假设在某一时段内，共有m辆车经过出度，则每辆车的平均速度则车辆平均速度定义为：
其中，Li为出度的路段长度；Tstart为车辆进入所述出度的时间，Tend为车辆驶出所述出度的时间。
在本实施例中，通过方程式(2)，可将道路等级划分为小于1的数，即令各不同的道路出度显而易见的比较得出大小关系，缩短本实施例中的路径规划方法的运行时间，同时提高本实施例中路径规划方法的运行准确性。
更具体的，在步骤S2中，蚁群算法具体为，假设道路有向图中设有m个简单蚂蚁，则赋予每个简单蚂蚁以下特征：(1)根据以两个路口节点之间的信息素强度为变量的概率函数得出每个路口节点的每个出度的不同解值，而选择下一个所述路口节点；(2)在禁忌表的控制下走合法路线，除非到达目的地或者无路可走，不允许转到禁忌表中任一已访问路段；(3)完成周游后，在每一条访问的出度上更新信息素强度。
在本实施例中，蚂蚁的移动路径受禁忌表的控制，也即在存在未访问路段的情况下，蚂蚁只能朝着未访问路段前进，令蚂蚁在路口路径的选择上，与交通路径规划相符，同时蚂蚁在完成周游后，会更新出度上的信息素含量，可理解为在有蚂蚁成功通过当前道路移动至目的地时，标志着开拓了一条全新的道路，也可将其应用于路径规划中，为路径规划提供了一种新的移动路径。
更具体的，概率函数为：
初始时刻下不同出度上的信息素量不相等，设τij(0)＝c0；蚂蚁k(k＝1,2...,m)在运动过程中，会根据不同出度上信息素强度选择移动路径；表示在t时刻蚂蚁k由节点i转移至节点j的概率；
其中，禁忌表tabuk(k＝1,2,…m)，用于记录蚂蚁k当前所走过的路口，allowedk＝{0,1,…,n-1}-tabuk表示蚂蚁k在禁忌表下允许选择的所述路口；
ηij为启发函数，表示蚂蚁k从路口i到路口j的期望程度；设表示由路口i与路口j构成的边弧的能见度，dij表示节点i与节点j之间的距离，dij与ηij及/>成反比；α表示轨迹的相对重要性，β表示能见度的相对重要性。
更具体的，更新所述信息素强度的程式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij (20)；
其中，ρ表示信息素挥发系数，则1-ρ表示信息素残留因子，表示第k只蚂蚁在本次循环中留在路径e(ij)上的信息量；Δτij表示本次循环中，即n时刻内路径e(ij)上的信息量。
更具体的，每个路口节点的每个出度的不同解值，其求解过程为：
设路口共有(a1,a2,…am)个所述出度，每个出度共有4个参数，则可以形成矩阵，
其中，同一竖排的(a1i,a2i…ami)表示同一路口不同的出度路段；同一横排的(ai1,ai2…ai4)表示同一出度路段的不同参数；
为任一参数设置权值(w1、w2…w4),属性向量的初始权值为w’＝(w’1、w’2…w’4)，采用最大偏差法得出，
令
将权值wj从w′j归一化为
其中1≤j≤m. (11)；
根据权值，构建归一化的决策矩阵，并确定正理想解和负理想解如下，
zij＝wjrij (12)；
令z*＝[1],z-＝[0]；
得出任一路口上各出度路段的m度欧拉距离，
其中1≤j≤n (14)；
其中1≤j≤n (15)；
根据TOPSIS方法的定义，将离正理想解越近，而离负理想解/>越远的解设为出度路段的任一参数，
其中1≤i≤n, (16)。
更具体的，方程(11)的计算过程为：
令
求偏导数得出，
其中1≤j≤m (18)；
其中1≤j≤m (19)；
由方程式(7)得出，
其中1≤j≤m. (20)；
将方程式(20)代入方程式(19)中，得，
将方程式(22)代入方程式(20)，得，
其中1≤j≤m (23)。
更具体的，由方程式(1)至(23)，以及实验数据，可得参数为，
α∈[1.0,2.0]
β∈[4.0,6.0]
ρ∈[0.5,0.8]
其中，Lij为路径(ij)的长度。
在本实施例中，规划方法采用速度优先和时间优先的策略。
在本实施例中，采用蚁群算法中对于选择移动路径计算过程，将道路规划中需要考虑的道路长度、道路宽度、道路等级与车辆平均速度并入公式中进行计算，而满足将蚁群算法应用于路径规划上，同时将计算结果应用于道路有向图上，为车辆实时规划移动路径。
综上所述，本实施例提出的一种基于多属性蚁群算法的智能交通移动路径规划方法，解决了现有路径规划中无法实现实时规划的问题，本实施例中采集实时参数，令路径规划结果实现实时更新，保证规划路径可满足车辆快速到达目的地的要求，从而避开拥挤或维护路段。
以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (7)

1.一种基于多属性蚁群算法的智能交通路径规划方法，其特征在于，包括步骤：
S1，将城市道路网络抽象为道路有向图，并将每一条离开路口方向的道路数学化为四个环境参数，分别是道路长度、道路宽度、道路等级与车辆平均速度；
S2，将蚁群算法限定于所述道路有向图中，得出从起点到终点所经过的路口，生成导航路径；
其中，在所述步骤S2中，所述蚁群算法具体为，
假设所述道路有向图中设有m个简单蚂蚁，则赋予每个所述简单蚂蚁以下特征，
(1)根据以两个路口节点之间的信息素强度为变量的概率函数得出每个所述路口节点的每个出度的不同解值，而选择下一个所述路口节点；
(2)在禁忌表的控制下走合法路线，除非到达目的地或者无路可走，不允许转到所述禁忌表中任一已访问路段；
(3)完成周游后，在每一条访问的所述出度上更新所述信息素强度；在所述步骤S1中，所述道路有向图中包括K个路口节点，离开所述路口节点方向的道路定义为出度，走向所述路口节点方向的道路定义为入度，假设一所述路口节点共有n个出度，则每个所述出度被数学化为所述四个环境参数，分别是道路长度、道路宽度、道路等级与车辆平均速度；
对于一所述路口节点的一编号为i的所述出度；
假设n个所述出度的道路长度分别为(L1L2L3…Ln)，而L-为其中最短距离，则所述道路长度定义为：
所述出度宽度根据出度行车道计算，若只有一个行车道，则Wi＝1；
所述道路等级根据所述出度的限速Ci计算，定义为：
所述车辆平均速度根据一时间段内所有车辆驶入所述出度到驶出所述出度的平均速度值计算，假设在某一时段内，共有m辆车经过所述出度，则每辆车的平均速度则所述车辆平均速度定义为：
其中，Li为所述出度的路段长度；Tstart为车辆进入所述出度的时间，Tend为车辆驶出所述出度的时间。
2.根据权利要求1所述的一种基于多属性蚁群算法的智能交通路径规划方法，其特征在于，所述概率函数为：
其中，τij(t)为不同所述出度上所述信息素量，且初始时刻下不同所述出度上的所述信息素量不相等，设τij(0)＝c0；简单蚂蚁k(k＝1,2...,m)在运动过程中，会根据不同所述出度上所述信息素强度选择移动路径；表示在t时刻蚂蚁k由节点i转移至节点j的概率；
其中，所述禁忌表tabuk(k＝1,2,…m)，用于记录蚂蚁k当前所走过的所述路口，allowedk＝{0,1,…,n-1}-tabuk表示蚂蚁k在所述禁忌表下允许选择的所述路口；
ηij为启发函数，表示蚂蚁k从路口i到路口j的期望程度；设表示由路口i与路口j构成的边弧的能见度，dij表示节点i与节点j之间的距离，dij与ηij及/>成反比；α表示轨迹的相对重要性，β表示能见度的相对重要性。
3.根据权利要求2所述的一种基于多属性蚁群算法的智能交通路径规划方法，其特征在于，所述更新所述信息素强度的程式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij (5)；
其中，ρ表示信息素挥发系数，则1-ρ表示信息素残留因子， 表示第k只蚂蚁在本次循环中留在路径e(ij)上的信息量；Δτij表示本次循环中，n时刻内路径e(ij)上的信息量。
4.根据权利要求3所述的一种基于多属性蚁群算法的智能交通路径规划方法，其特征在于，所述每个所述路口节点的每个所述出度的不同解值，其求解过程为：
设所述路口共有(a1,a2,…am)个所述出度，每个所述出度共有4个所述环境参数，则可以形成矩阵，
其中，同一竖排的(a1i,a2i…ami)表示同一路口不同的所述出度路段；同一横排的(ai1,ai2…ai4)表示同一所述出度路段的四个所述环境参数；
为任一所述环境参数设置属性向量(w1、w2…w4),所述属性向量的初始权值为w’＝(w’1、w’2…w’4)，采用最大偏差法构造非线性编程模型，
令将权值wj从w′j归一化为
其中1≤j≤m.(11)；
根据所述权值，构建归一化的决策矩阵，并确定正理想解和负理想解如下，
zij＝wjrij (12)；
令z*＝[1],z-＝[0]；
得出任一所述路口上各所述出度路段的m度欧拉距离，
其中1≤j≤n(14)；
其中1≤j≤n(15)；
根据TOPSIS方法的定义，将离正理想解越近，而离负理想解/>越远的解设为所述出度路段的任一所述环境参数，
其中1≤i≤n(16)。
5.根据权利要求4所述的一种基于多属性蚁群算法的智能交通路径规划方法，其特征在于，方程(11)的计算过程为：
令
求偏导数得出，
其中1≤j≤m(18)；
其中1≤j≤m(19)；
由所述方程式(7)得出，
其中1≤j≤m.(20)；
将所述方程式(20)代入方程式(19)中，得，
将所述方程式(22)代入方程式(20)，得，
其中1≤j≤m(23)。
6.根据权利要求5所述的一种基于多属性蚁群算法的智能交通路径规划方法，其特征在于：
由所述方程式(1)至(23)，以及实验数据，可得，
α∈[1.0,2.0]，
β∈[4.0,6.0]，
ρ∈[0.5,0.8]；
其中，Lij为路径(ij)的长度。
7.根据权利要求1所述的一种基于多属性蚁群算法的智能交通路径规划方法，其特征在于：所述导航路径的显示优先元素包括路程优先和时间优先。
CN201910341576.7A 2019-04-26 2019-04-26 一种基于多属性蚁群算法的智能交通路径规划方法 Active CN110245776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910341576.7A CN110245776B (zh) 2019-04-26 2019-04-26 一种基于多属性蚁群算法的智能交通路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910341576.7A CN110245776B (zh) 2019-04-26 2019-04-26 一种基于多属性蚁群算法的智能交通路径规划方法

Publications (2)

Publication Number Publication Date
CN110245776A CN110245776A (zh) 2019-09-17
CN110245776B true CN110245776B (zh) 2023-08-01

Family

ID=67883381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910341576.7A Active CN110245776B (zh) 2019-04-26 2019-04-26 一种基于多属性蚁群算法的智能交通路径规划方法

Country Status (1)

Country Link
CN (1) CN110245776B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139669B (zh) * 2020-01-17 2024-01-16 北京京邦达贸易有限公司 多目标路线规划的方法、装置、电子设备和存储介质
CN113406680B (zh) * 2021-06-18 2024-06-18 广州瀚信通信科技股份有限公司 应用于医联体的就诊路径推荐方法、装置及存储介质
CN118015818B (zh) * 2024-04-10 2024-06-18 山东博安智能科技股份有限公司 一种基于路径最优的车辆调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136080A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于满意决策蚁群智能无人作战飞机自适应航路规划方法
CN105938572A (zh) * 2016-01-14 2016-09-14 上海海事大学 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN106503789A (zh) * 2016-11-08 2017-03-15 西安电子科技大学宁波信息技术研究院 基于迪杰斯特拉和最大最小蚁群的无环最短路径搜索方法
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
CN108268959A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 基于主次种群蚁群算法的物流配送路径规划方法
CN108801261A (zh) * 2018-05-25 2018-11-13 东南大学 一种基于蚁群算法的汽车试验场试验路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136080A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于满意决策蚁群智能无人作战飞机自适应航路规划方法
CN105938572A (zh) * 2016-01-14 2016-09-14 上海海事大学 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN106503789A (zh) * 2016-11-08 2017-03-15 西安电子科技大学宁波信息技术研究院 基于迪杰斯特拉和最大最小蚁群的无环最短路径搜索方法
CN108268959A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 基于主次种群蚁群算法的物流配送路径规划方法
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
CN108801261A (zh) * 2018-05-25 2018-11-13 东南大学 一种基于蚁群算法的汽车试验场试验路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"城市智能交通系统拥堵规避算法的研究与实现";苏锦 等;《南阳理工学院学报》;20180331;第 10 卷(第 2 期);第41-44页 *

Also Published As

Publication number Publication date
CN110245776A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110245776B (zh) 一种基于多属性蚁群算法的智能交通路径规划方法
Nha et al. A comparative study of vehicles' routing algorithms for route planning in smart cities
CN105938572B (zh) 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN102176283B (zh) 一种简化交通路网模型的导航方法
Narzt et al. Self-organising congestion evasion strategies using ant-based pheromones
CN104121918A (zh) 一种实时路径规划的方法和系统
CN108444486B (zh) 一种导航路线排序方法和装置
CN112801399B (zh) 一种路径生成方法、装置、终端设备及存储介质
Kita et al. A game theoretic analysis of merging-giveway interaction: a joint estimation model
Kanamori et al. Evaluation of anticipatory stigmergy strategies for traffic management
Johansson et al. Strategic hub-based platoon coordination under uncertain travel times
CN111862590A (zh) 路况预测方法、装置及存储介质
Tatomir et al. Travel time prediction for dynamic routing using ant based control
Wang et al. Assessing the potential of the strategic formation of urban platoons for shared automated vehicle fleets
Doolan et al. Time-ants: an innovative temporal and spatial ant-based vehicular routing mechanism
Kanamori et al. Evaluation of traffic management strategies with anticipatory stigmergy
JP2020027023A (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
EP3779363B1 (en) Method and system for vehicle routing based on parking probabilities
Lemos et al. Co-adaptive reinforcement learning in microscopic traffic systems
Kponyo et al. A distributed intelligent traffic system using ant colony optimization: a NetLogo modeling approach
CN116629425A (zh) 车辆能耗的计算方法、装置、计算机可读介质及电子设备
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及系统
CN114419917B (zh) 一种基于单向图的交通拥堵疏导方法及系统
Raj et al. The time-dependent multiple flying sidekicks traveling salesman problem: Parcel delivery with traffic congestion
Xiao Optimal travel path planning and real time forecast system based on ant colony algorithm

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