CN110264019A - 一种基于蚁群算法的拥堵路段路径优化方法 - Google Patents

一种基于蚁群算法的拥堵路段路径优化方法 Download PDF

Info

Publication number
CN110264019A
CN110264019A CN201910651938.2A CN201910651938A CN110264019A CN 110264019 A CN110264019 A CN 110264019A CN 201910651938 A CN201910651938 A CN 201910651938A CN 110264019 A CN110264019 A CN 110264019A
Authority
CN
China
Prior art keywords
matrix
node
pheromone
distance
ant
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.)
Granted
Application number
CN201910651938.2A
Other languages
English (en)
Other versions
CN110264019B (zh
Inventor
周才英
李康权
罗楚翔
蒋俊康
江紫薇
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.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
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 Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN201910651938.2A priority Critical patent/CN110264019B/zh
Publication of CN110264019A publication Critical patent/CN110264019A/zh
Application granted granted Critical
Publication of CN110264019B publication Critical patent/CN110264019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Automation & Control Theory (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)

Abstract

本发明涉及路径优化算法领域，尤其是涉及一种基于改良后的蚁群算法的路径优化方法。本发明根据城市交通的实际情况对片区的标志点、道路、干扰因素等进行了量化，然后利用改进后的蚁群算法对量化后的城市交通模型进行了路径优化，可以得到路径的最优解，即选择所需时间最短的路径。

Description

一种基于蚁群算法的拥堵路段路径优化方法
技术领域
本发明涉及路径优化算法领域，尤其是涉及一种基于改良后的蚁群算法的路径优化方法。
背景技术
随着社会的不断发展与科学技术的不断进步，人们的生活水平逐渐提高，在以前被当做奢侈品的汽车也开始变得十分平常。截止2018年年底，我国汽车保有量已达2.4亿辆。平均下来一个家庭就有一辆汽车。但是汽车给生活带来便利的同时也会使得道路交通十分拥堵，特别是北京、上海、广州等一线城市。而现今市面上的手机导航app基本只是根据地图规划路线，并不会考虑道路的路况，这就导致跟着导航走反而所需时间更长的情况出现。这种情况下就需要我们研究一个更好的路径优化算法规划路线，不仅仅是根据路线的长短，还需要考虑到中途路段的各种会影响通行时间的情况。
蚁群系统(Ant System或Ant Colony System)是由意大利学者Dorigo、Maniezzo等人于20世纪90年代首先提出来的。他们在研究蚂蚁觅食的过程中，发现虽然单个蚂蚁的行为比较简单，但是整个蚂蚁群体却可以展现出一些智能的行为。例如蚁群常常可以在许多地形各异的环境下，轻而易举的找出最短到达目的地的路径。而出现这种现象的原因是因为自然界中蚁群内的蚂蚁可以通过某种信息机制进行信息的传递。后面又经过进一步研究发现，蚂蚁都会在其经过的路径上释放一种能够传达信息的通常称之为“信息素”的物质，蚁群内的蚂蚁能够感应到路径上的“信息素”，并且能分辨出信息素的浓度，在分辨出路径的浓度后它们会顺着“信息素”浓度较高路径行走，而每只路过的蚂蚁都会在路上留下“信息素”，形成一种类似正反馈的机制，这样经过一段时间后，最短的路径上留下的信息素会变得最浓，整个蚁群就会沿着最短路径找到食物了。
发明内容
本发明的目的是提供一种基于蚁群算法的拥堵路段路径优化方法，通过更改蚁群算法前期的选择算法与信息素的影响程度使蚁群算法不容易陷入局部最优路径。
本发明的技术方案：一种基于蚁群算法的拥堵路段路径优化方法，包括以下步骤：
步骤1，建立一个标记点(又称节点)的坐标矩阵，根据所划定区域的标记建筑物将各个标记点的横坐标、纵坐标更新到坐标矩阵buildings中，然后根据标记点之间的距离建立一个通行道路矩阵buildings-data，量化后得到坐标图；
步骤2，建立红绿灯矩阵trafficlights、事故路段矩阵caraccition、行车缓慢路段矩阵slow，并分别将信号灯等待信息、事故路段信息和行车缓慢信息数据输入相应的矩阵；以坐标矩阵buildings、红绿灯矩阵trafficlights、事故路段矩阵caraccition以及行车缓慢路段矩阵slow数据为基础，通过干扰因素转换规则进行数据转换并组成节点之间距离矩阵D；
步骤3，设定好蚁群数量m、迭代次数runtime、信息素矩阵pheromone、信息素影响程度因子pheromone-inf、信息素挥发因子masin、距离影响程度因子dasin；
步骤4，开始前5次迭代，具体如下：
步骤4.1，将蚁群放在起始点，随机选择下一个节点，将此节点记录到迭代路径矩阵table中；并把已去过的节点放到已过节点矩阵tabu中；
步骤4.2，通过与所有节点的比较，并根据通行道路矩阵buildings-data所记录的节点间距离进行筛选，得出目前蚂蚁所在节点能去的下一个节点，放在下一节点矩阵allow中；
步骤4.3，将能选择的下一个节点放入下一节点概率矩阵p中；
步骤4.4，根据信息素含量和节点之间的距离，计算下一个节点的概率：P(k)＝Pheromone(tabu(end),allow(k))^pheromone-inf*buildings-data(tabu(end),allow(k))^dasin；其中end为矩阵tabu中已通过的最近一个节点，k为allow矩阵中当前能去的下一个节点；
步骤4.5，把步骤4.4得到的概率做归一化处理，并将要去的下一个节点根据概率排序；
步骤4.6，利用随机函数rand得到一个小于1的数，判断该数在哪个概率区间，从而选择下一个节点target；
步骤4.7，重复步骤4.1—步骤4.6，直到蚂蚁到达目的地；
步骤4.8，迭代一次后，根据迭代路径矩阵table与信息素挥发因子masin对信息素矩阵pheromone进行更新；
步骤4.9，重复步骤4.1—步骤4.8进行下一次迭代，直至5次迭代结束；
步骤5，将所有蚁群放在起始点，根据通行道路矩阵buildings-data、信息素矩阵pheromone、信息素影响程度因子pheromone-inf、距离矩阵D以及距离影响程度因子dasin选择下一个蚁群的节点；根据道路换算后的距离以及道路上残留的信息素浓度选择道路，并将该路径记录到迭代路径矩阵table中；
步骤6，将剩下的节点放入下一节点矩阵allow中，转步骤5，直到蚂蚁到达目的地；
步骤7，迭代一次后，根据迭代路径矩阵table与信息素挥发因子masin对信息素矩阵pheromone进行更新；
步骤8，重复步骤5—步骤7，进行下一次迭代；
步骤9，完成步骤3规定的迭代次数runtime后，信息素矩阵中的信息素含量最浓的路径就是经过蚁群算法优化后的最优路径。
本发明根据城市交通的实际情况对片区的标志点、道路、干扰因素等进行了量化，然后利用改进后的蚁群算法对量化后的城市交通模型进行了路径优化，可以得到路径的最优解，即选择所需时间最短的路径。
附图说明
图1为原城市地图。
图2为图1经过量化后的坐标图。
图3为图2经优化后的最优路径图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
步骤1，为图1所示的原图建立一个标记点的坐标矩阵，根据所划定区域的标记建筑物将各个标记点的横坐标、纵坐标更新到坐标矩阵buildings中。然后根据标记点之间的距离(不能为无穷大)建立一个道路矩阵buildings-data，可得一量化后的坐标图如图2所示。
步骤2，建立红绿灯矩阵trafficlights、事故路段矩阵caraccition、行车缓慢路段矩阵slow，并分别将信号灯等待信息、事故路段信息和行车缓慢信息数据输入相应矩阵；以坐标矩阵buildings、红绿灯矩阵trafficlights、事故路段矩阵caraccition以及行车缓慢路段矩阵slow数据为基础，通过干扰因素转换规则进行转换并组成节点之间距离矩阵D；
首先利用节点的坐标计算出道路的实际距离，用D1(i,j)表示，i、j分别为该节点横坐标和纵坐标：D1(i,j)＝sqrt(sum((points(i,:)-points(:,j))^2))；
再计算该节点等红绿灯增加的距离D2(i,j)，其中gtraflt为红绿灯节点等待时间，以秒的数据代入：D2(i,j)＝1000*gtraflt(i,j)/15；
然后计算该节点事故路段影响的距离D3(i,j)，其中gaction为事故路段影响的时间，以秒的数据代入：D3(i,j)＝8*gaction(i,j)/3；
行车缓慢而影响的距离：D4(i,j)按D1(i,j)、D2(i,j)、D3(i,j)三者之和的一半计算，D4(i,j)＝[D1(i,j)+D2(i,j)+D3(i,j)]*1/2；
得到节点之间的总距离为D(i,j)＝D1(i,j)+D2(i,j)+D3(i,j)+D4(i,j)；
步骤3，设定蚁群数量m＝100，迭代次数runtime＝200，信息素矩阵pheromone初始值都为1，信息素影响程度因子pheromone-inf＝1，信息素挥发因子masin＝1，距离影响程度因子dasin＝5。
步骤4，开始前5次迭代，具体如下：
步骤4.1，将蚁群放在起始点，随机选择下一个节点，将此节点记录到迭代路径矩阵table中；并把已去过的节点放到已过节点矩阵tabu中；
步骤4.2，通过与所有节点的比较，并根据通行道路矩阵buildings-data所记录的节点间距离进行筛选(无穷大不选，其他可选)，得出目前蚂蚁所在节点能去的下一个节点，放在下一节点矩阵allow中；
步骤4.3，将能选择的下一个节点放入下一节点概率矩阵p中；
步骤4.4，根据信息素含量和节点之间的距离，计算下一个节点的概率：P(k)＝Pheromone(tabu(end),allow(k))^pheromone-inf*buildings-data(tabu(end),allow(k))^dasin；
步骤4.5，把步骤4.4得到的概率利用公式P＝P/sum(P)进行归一化处理，并将要去的下一个节点根据概率排好序；
步骤4.6，利用随机函数rand得到一个小于1的数，看该数落在哪个概率区间，从而选择相应的节点为下一个节点target；
步骤4.7，重复步骤4.1—步骤4.6，直到蚂蚁到达目的地；
步骤4.8，迭代一次后，根据迭代路径矩阵table与信息素挥发因子masin对信息素矩阵pheromone进行更新。设定Delta_Tau为矩阵点的信息素含量，Q为总信息素，Length(e)为信息素在每条路径上的浓度。利用公式：Delta_Tau(Table(e,f),Table(e,f+1))＝Delta_Tau(Table(e,f),Table(e,f+1))+Q/Length(e)；计算并更新每一个矩阵点的信息素含量，其中e为Table矩阵的行，f为Table矩阵的列。
步骤4.9，重复步骤4.1—步骤4.8，进行下一次迭代，直至5次迭代结束；
步骤5，将所有蚁群放在起始点，根据通行道路矩阵矩阵buildings-data、信息素矩阵pheromone、信息素影响程度因子pheromone-inf、距离矩阵D以及距离影响程度因子dasin选择下一个蚁群的节点。根据道路换算后的距离以及道路上残留的信息素浓度选择道路，并将该路径记录到迭代路径矩阵table中。
步骤6，将剩下的节点放入下一节点矩阵allow中，转步骤5，直到蚂蚁到达目的地；
步骤7，迭代一次后，根据迭代路径矩阵table与信息素挥发因子masin对信息素矩阵pheromone进行更新；
步骤8，重复步骤5—步骤7，进行下一次迭代；
步骤9，完成步骤3规定的迭代次数runtime＝200后，信息素矩阵中的信息素最浓的路径就是经过蚁群算法优化后的最优路径，如图3所示。
本文所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于蚁群算法的拥堵路段路径优化方法，其特征是，包括以下步骤：
步骤1，建立一个标记点的坐标矩阵，根据所划定区域的标记建筑物将各个标记点的横坐标、纵坐标更新到坐标矩阵buildings中，然后根据标记点之间的距离建立一个通行道路矩阵buildings-data，量化后得到坐标图；
步骤2，建立红绿灯矩阵trafficlights、事故路段矩阵caraccition、行车缓慢路段矩阵slow，并分别将信号灯等待信息、事故路段信息和行车缓慢信息数据输入相应的矩阵；以坐标矩阵buildings、红绿灯矩阵trafficlights、事故路段矩阵caraccition以及行车缓慢路段矩阵slow数据为基础，通过干扰因素转换规则进行数据转换并组成节点之间距离矩阵D；
步骤3，设定好蚁群数量m、迭代次数runtime、信息素矩阵pheromone、信息素影响程度因子pheromone-inf、信息素挥发因子masin、距离影响程度因子dasin；
步骤4，开始前5次迭代，具体如下：
步骤4.1，将蚁群放在起始点，随机选择下一个节点，将此节点记录到迭代路径矩阵table中；并把已去过的节点放到已过节点矩阵tabu中；
步骤4.2，通过与所有节点的比较，并根据通行道路矩阵buildings-data所记录的节点间距离进行筛选，得出目前蚂蚁所在节点能去的下一个节点，放在下一节点矩阵allow中；
步骤4.3，将能选择的下一个节点放入下一节点概率矩阵p中；
步骤4.4，根据信息素含量和节点之间的距离，计算下一个节点的概率：
P(k)＝Pheromone(tabu(end),allow(k))^pheromone-inf*buildings-data(tabu(end),allow(k))^dasin；其中end为矩阵tabu中已通过的最近一个节点，k为allow矩阵中当前能去的下一个节点；
步骤4.5，把步骤4.4得到的概率做归一化处理，并将要去的下一个节点根据概率排序；
步骤4.6，利用随机函数rand得到一个小于1的数，判断该数在哪个概率区间，从而选择下一个节点target；
步骤4.7，重复步骤4.1—步骤4.6，直到蚂蚁到达目的地；
步骤4.8，迭代一次后，根据迭代路径矩阵table与信息素挥发因子masin对信息素矩阵pheromone进行更新；
步骤4.9，重复步骤4.1—步骤4.8进行下一次迭代，直至5次迭代结束；
步骤5，将所有蚁群放在起始点，根据通行道路矩阵buildings-data、信息素矩阵pheromone、信息素影响程度因子pheromone-inf、距离矩阵D以及距离影响程度因子dasin选择下一个蚁群的节点；根据道路换算后的距离以及道路上残留的信息素浓度选择道路，并将该路径记录到迭代路径矩阵table中；
步骤6，将剩下的节点放入下一节点矩阵allow中，转步骤5，直到蚂蚁到达目的地；
步骤7，迭代一次后，根据迭代路径矩阵table与信息素挥发因子masin对信息素矩阵pheromone进行更新；
步骤8，重复步骤5—步骤7，进行下一次迭代；
步骤9，完成步骤3规定的迭代次数runtime后，信息素矩阵中的信息素含量最浓的路径就是经过蚁群算法优化后的最优路径。
2.根据权利要求1所述的一种基于蚁群算法的拥堵路段路径优化方法，其特征是：所述的距离矩阵D是指：
首先利用节点的坐标计算出道路的实际距离，用D1(i,j)表示，i、j分别为该节点横坐标和纵坐标：D1(i,j)＝sqrt(sum((points(i,:)-points(:,j))^2))；
再计算该节点等红绿灯增加的距离D2(i,j)，其中gtraflt为红绿灯节点等待时间，以秒的数据代入：D2(i,j)＝1000*gtraflt(i,j)/15；
然后计算该节点事故路段影响的距离D3(i,j)，其中gaction为事故路段影响的时间，以秒的数据代入：D3(i,j)＝8*gaction(i,j)/3；
行车缓慢而影响的距离：D4(i,j)按D1(i,j)、D2(i,j)、D3(i,j)三者之和的一半计算，D4(i,j)＝[D1(i,j)+D2(i,j)+D3(i,j)]*1/2；
得到节点之间的总距离为D(i,j)＝D1(i,j)+D2(i,j)+D3(i,j)+D4(i,j)。
CN201910651938.2A 2019-07-19 2019-07-19 一种基于蚁群算法的拥堵路段路径优化方法 Active CN110264019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910651938.2A CN110264019B (zh) 2019-07-19 2019-07-19 一种基于蚁群算法的拥堵路段路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910651938.2A CN110264019B (zh) 2019-07-19 2019-07-19 一种基于蚁群算法的拥堵路段路径优化方法

Publications (2)

Publication Number Publication Date
CN110264019A true CN110264019A (zh) 2019-09-20
CN110264019B CN110264019B (zh) 2022-11-01

Family

ID=67926960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910651938.2A Active CN110264019B (zh) 2019-07-19 2019-07-19 一种基于蚁群算法的拥堵路段路径优化方法

Country Status (1)

Country Link
CN (1) CN110264019B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115793716A (zh) * 2023-02-13 2023-03-14 成都翼比特自动化设备有限公司 用于无人机航线自动优化方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289712A (zh) * 2011-08-10 2011-12-21 天津商业大学 基于鱼群蚁群算法的时间最短应急物流路径的优化方法
CN102708698A (zh) * 2012-06-12 2012-10-03 北京理工大学 基于车联网的车辆最优路径导航方法
CN105717926A (zh) * 2015-11-09 2016-06-29 江苏理工学院 基于改进蚁群算法的移动机器人旅行商优化方法
US20160307136A1 (en) * 2015-04-17 2016-10-20 Camelot ITLab GmbH System and method for high-mix wheels for capacity planning resource planning and material resource planning
US20160334235A1 (en) * 2013-03-19 2016-11-17 The Florida International University Board Of Trustees Itpa informed traveler program and application
CN107798423A (zh) * 2017-10-11 2018-03-13 南京邮电大学 基于多种智能算法的车辆路径规划仿真实验平台
CN109117997A (zh) * 2018-08-02 2019-01-01 武汉理工光科股份有限公司 基于集成多种算法的消防救援路径的优化方法及系统
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN109489667A (zh) * 2018-11-16 2019-03-19 楚天智能机器人（长沙）有限公司 一种基于权值矩阵的改进蚁群路径规划方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289712A (zh) * 2011-08-10 2011-12-21 天津商业大学 基于鱼群蚁群算法的时间最短应急物流路径的优化方法
CN102708698A (zh) * 2012-06-12 2012-10-03 北京理工大学 基于车联网的车辆最优路径导航方法
US20160334235A1 (en) * 2013-03-19 2016-11-17 The Florida International University Board Of Trustees Itpa informed traveler program and application
US20160307136A1 (en) * 2015-04-17 2016-10-20 Camelot ITLab GmbH System and method for high-mix wheels for capacity planning resource planning and material resource planning
CN105717926A (zh) * 2015-11-09 2016-06-29 江苏理工学院 基于改进蚁群算法的移动机器人旅行商优化方法
CN107798423A (zh) * 2017-10-11 2018-03-13 南京邮电大学 基于多种智能算法的车辆路径规划仿真实验平台
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN109117997A (zh) * 2018-08-02 2019-01-01 武汉理工光科股份有限公司 基于集成多种算法的消防救援路径的优化方法及系统
CN109489667A (zh) * 2018-11-16 2019-03-19 楚天智能机器人（长沙）有限公司 一种基于权值矩阵的改进蚁群路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUANG, MIN: "An Improved Ant Colony Algorithm and Its Application in Vehicle Routing Problem", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
樊纪山等: "基于蚁群算法的k条路径生成研究", 《计算机应用研究》 *
翟辉: "基于优化蚁群算法的废旧手机回收站逆向物流路径优化问题研究", 《中国优秀硕士学位论文全文数据库(经济与管理科学辑)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115793716A (zh) * 2023-02-13 2023-03-14 成都翼比特自动化设备有限公司 用于无人机航线自动优化方法及系统
CN115793716B (zh) * 2023-02-13 2023-05-09 成都翼比特自动化设备有限公司 用于无人机航线自动优化方法及系统

Also Published As

Publication number Publication date
CN110264019B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN109000668B (zh) 基于车联网的实时智能导航方法
CN111445093B (zh) 一种输电线路应急抢修路径优化系统及方法
CN108629455B (zh) 一种基于车辆自组织网的实时路径规划方法
CN100583182C (zh) 一种基于多信息源的动态交通信息的车辆导航方法
JP2002536648A (ja) 関連交通情報を得るためかつ動的経路最適化のための方法、および、装置
CN104931063A (zh) 路径规划方法
WO2020220456A1 (zh) 路况提醒方法、装置、车辆、计算机设备及其存储介质
JP2010048655A (ja) 運転評価システム及び運転評価プログラム
WO2018232889A1 (zh) 一种基于物联网的停车方法及系统
JP2017096636A (ja) 推奨予定経路取得システム、方法およびプログラム
CN112347596B (zh) 一种城市公交线网优化方法
CN103458482B (zh) Vanet中解决rsu接入问题的演化博弈方法
US20210241628A1 (en) Management apparatus, management method, and vehicle
CN110887501B (zh) 一种面向可变目的地的交通导航方法及装置
CN108650656A (zh) 一种基于交叉路口的分布式城市车联网路由方法
CN114550482A (zh) 一种基于低碳目标的导航方法及停车场导航方法
Tasseron et al. The potential impact of vehicle-to-vehicle and sensor-to-vehicle communication in urban parking
CN110264019A (zh) 一种基于蚁群算法的拥堵路段路径优化方法
CN113191029B (zh) 基于集群计算的交通仿真方法、程序及介质
Doolan et al. Time-ants: an innovative temporal and spatial ant-based vehicular routing mechanism
CN115060278A (zh) 基于多目标遗传算法的车辆智能换电导航方法和系统
CN109902391A (zh) 一种基于随机挥发系数蚁群算法的油气管道规划方法
CN117151321A (zh) 一种基于最优化算法的物流运输管理方法
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN110175703B (zh) 一种应急物资配送线路的车辆运输时间评估及优化方法

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