CN110941267B - 蚁群算法用于拥堵环境下的动态路径规划方法 - Google Patents
蚁群算法用于拥堵环境下的动态路径规划方法 Download PDFInfo
- Publication number
- CN110941267B CN110941267B CN201911125419.9A CN201911125419A CN110941267B CN 110941267 B CN110941267 B CN 110941267B CN 201911125419 A CN201911125419 A CN 201911125419A CN 110941267 B CN110941267 B CN 110941267B
- Authority
- CN
- China
- Prior art keywords
- road
- environment
- time
- path
- factor
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 10
- 239000003016 pheromone Substances 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 25
- 241000257303 Hymenoptera Species 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 6
- 206010021033 Hypomenorrhoea Diseases 0.000 claims description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000004387 environmental modeling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种蚁群算法用于拥堵环境下的动态路径规划方法,包括:步骤1,进行环境建模,得到表示拥堵环境下的拥堵情况的环境因子;步骤2,将环境因子代替蚁群算法中道路的距离后,利用环境因子的动态变化进行动态路径规划。本发明提出了体现交通拥堵的环境因子,使用环境建模的方法得到在拥堵环境下的环境因子,通过将环境因子代替蚁群算法中的道路的距离来实现将蚁群算法用于拥堵环境下的动态路径规划,弥补了现有的路径规划算法中没有考虑环境拥堵情况动态变化的因素,提高了在拥堵环境下路径规划最优解的准确性,更加符合现在城市交通拥堵的实情。
Description
技术领域
本发明涉及交通技术领域,尤其是一种蚁群算法用于拥堵环境下的动态路径规划方法。
背景技术
现有的路径规划算法,在针对交通网络的应用中,一般只是在交通路网中快速找到两点之间的最短路径,而没有考虑到环境对出行的影响。环境尤其是拥堵环境对出行影响很大,在拥堵环境下的两点之间最短路径往往存在拥堵严重、车辆前进缓慢、等待时间长的问题,严重耽误了出行时间,不是最佳出行路径。而现在大城市中道路拥堵是一个常见的问题,环境拥堵成为了在进行路径规划时必须考虑的因素。
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,提供一种蚁群算法用于拥堵环境下的动态路径规划方法。
本发明采用的技术方案如下:
一种蚁群算法用于拥堵环境下的动态路径规划方法,包括:
步骤1,进行环境建模,得到表示拥堵环境下的拥堵情况的环境因子;
步骤2,将环境因子代替蚁群算法中的道路的距离后,利用环境因子的动态变化进行动态路径规划。
进一步,所述步骤1进行环境建模的方法为:在交通路网中存在n个路口,m条道路,将每个路口抽象为一个点,路口之间相连的道路抽象为一条边;则每条边在t时刻有一个环境因子Efi(t);
Efi(t)=c1*Sfi+c2*Cfi(t)
其中,
c1、c2是常数;
Sfi是道路i静态属性;Sfi=sc1*di+sc2*li+sc3*sli;sc1、sc2、sc3是常数,di是道路i的长度,li是道路i的车道数,sli是道路i的信号灯周期;
Cfi(t)是t时刻道路i的拥堵因子;Cfi(t)=cf1*CTfi(t)+cf2*CLfi(t);cf1是常数,代表时间拥堵率对拥堵因子的重要程度;cf2是常数,代表长度拥堵率对拥堵因子的重要程度;
CTfi(t)表示t时刻道路i的时间拥堵率;
CTfi(t)表示t时刻道路i的时间拥堵率;tini(j)表示车辆j驶入道路i的时间,touti(j)表示车辆j驶出道路i的时间;ni(t)表示t时刻道路i的车辆数;di表示道路i的长度,vi表示道路i上的合理车速;
CLfi(t)表示t时刻道路i的长度拥堵率;
CLfi(t)表示t时刻道路i的长度拥堵率;fini(t)表示t时刻道路i驶入车流量;fouti(t)表示t时刻道路i驶出车流量;L表示每辆车的平均长度。
进一步,所述蚁群算法为:
步骤2.1,初始化:设置常量参数,t=0,τij(t)=C(C为常量),Δτij=0,其中τij(t)为初始的信息素浓度;
步骤2.2,随机放置蚂蚁:将m只蚂蚁随机放在n个路口,对于每一个蚂蚁设置Jk={除了蚂蚁k起点路口外的所有路口}
步骤2.3,路口选择:对于每一个蚂蚁根据转移概率公式计算蚂蚁k从i-j(j∈Jk(i))的所有概率,其中t时刻从i路口转移到j路口的概率概率最大的路口为下一个到达地,并且将该路口从该蚂蚁的Jk中移除;概率转移公式如下:
τij(t)代表t时刻道路(i,j)上的信息素浓度;α是常量,表示信息素因子;ηij(t)代表蚂蚁从i到j的期望程度;β是常量,表示启发函数因子; dij表示路口i与路口j之间的距离,Jk是蚂蚁k待去路口的集合,ρ:t到t+n时刻信息素的挥发率;
步骤2.4,信息素更新:走完路口回到起点后,得到目前的最优路径,根据信息素更新公式,更新信息素矩阵;信息素更新公式如下:
τij(t+n)=(1-ρ)·τij(t)+Δτij
步骤2.5,退出:满足迭代次数或者最优路径长时间没改变,则输出最优路径,否则回到步骤2.3进行路口选择。
进一步,所述步骤二中将环境因子代替蚁群算法中的道路的距离后,利用环境因子的动态变化进行动态路径规划的方法为:
步骤3.1,输入地图信息,并设置参数;所述参数包括:
(1)路口数量n;
(2)路口之间道路数量m,;
(3)起点和终点{start,end};
(4)初始时刻t=0;
(5)初始化环境因子集合Ef(t);
(6)环境因子变化量阈值ΔEfmax;
(7)环境因子最大值Efmax;
(8)初始化已经走过的路径长度ar=0;
步骤3.2,利用蚁群算法得到t=0时刻起点到终点的最优路径;
步骤3.3,t+=1,执行步骤3.4;
步骤3.4,判断是否满足ΔEf>ΔEfmax或者Efi(t)>Efmax,若是则执行步骤3.5,否则执行步骤3.7;其中,ΔEf为判断环境因子变化量,ΔEf=Efi(t+1)-Efi(t);Efi(t)表示道路i在t时刻的环境因子;
步骤3.5,利用蚁群算法重新规划从当前时刻的路口到终点的路径:
(1)将当前时刻的路口设置为起点;
(2)利用蚁群算法得到当前时刻起点到终点的新规划路径;
(3)判断新规划路径与已走过的路径长度ar之和是否小于当前最优路径对最优路径进行优化:若是,则执行步骤3.6,否则执行步骤3.7;
步骤3.6,将新规划路径与已走过的路径长度ar之和赋值给最优路径,然后执行步骤3.8;
步骤3.7,通过累加当前时刻所处道路的环境因子更新已经走过的路径长度ar,然后执行步骤3.8;
步骤3.8,判断是否到达终点:若是,则输出当前时刻的最优路径,否则执行步骤3.4。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明提出了体现交通拥堵的环境因子,使用环境建模的方法得到在拥堵环境下的环境因子,通过将环境因子代替蚁群算法中的道路的距离来实现将蚁群算法用于拥堵环境下的动态路径规划,弥补了现有的路径规划算法中没有考虑环境拥堵情况动态变化的因素,提高了在拥堵环境下路径规划最优解的准确性,更加符合现在城市交通拥堵的实情。
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为本发明的流程框图。
图2为本发明的动态路径规划详细流程框图。
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以以各种不同的配置来布置和设计。因此,以下对在附图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蚁群算法用于拥堵环境下的动态路径规划方法,包括:
步骤1,进行环境建模,得到表示拥堵环境下的拥堵情况的环境因子;
步骤2,将环境因子代替蚁群算法中的道路的距离后,利用环境因子的动态变化进行动态路径规划。
也就是说,本发明主要包括环境建模,蚁群算法,以及应用蚁群算法进行动态路径规划三个部分。
1、环境建模
在交通路网中存在n个路口,m条道路,将每个路口抽象为一个点,路口之间相连的道路抽象为一条边;则每条边在t时刻有一个环境因子Efi(t);
Efi(t)=c1*Sfi+c2*Cfi(t)
其中,
c1、c2是常数;
Sfi是道路i静态属性;Sfi=sc1*di+sc2*li+sc3*sli;sc1、sc2、sc3是常数,di是道路i的长度,li是道路i的车道数,sli是道路i的信号灯周期;
Cfi(t)是t时刻道路i的拥堵因子;Cfi(t)=cf1*CTfi(t)+cf2*CLfi(t);cf1是常数,代表时间拥堵率对拥堵因子的重要程度;cf2是常数,代表长度拥堵率对拥堵因子的重要程度;
CTfi(t)表示t时刻道路i的时间拥堵率;
CTfi(t)表示t时刻道路i的时间拥堵率;tini(j)表示车辆j驶入道路i的时间,touti(j)表示车辆j驶出道路i的时间;ni(t)表示t时刻道路i的车辆数;di表示道路i的长度,vi表示道路i上的合理车速;
CLfi(t)表示t时刻道路i的长度拥堵率;
CLfi(t)表示t时刻道路i的长度拥堵率;fini(t)表示t时刻道路i驶入车流量;fouti(t)表示t时刻道路i驶出车流量;L表示每辆车的平均长度。
通过环境建模得到的环境因子在不同时刻随着参数变化而不同,因此环境因子是动态变化的,可以用于动态路径规划。
2、蚁群算法
步骤2.1,初始化:
设置常量参数,t=0,τij(t)=C(C为常量),Δτij=0,其中τij(t)为初始的信息素浓度;
步骤2.2,随机放置蚂蚁:
将m只蚂蚁随机放在n个路口,对于每一个蚂蚁设置Jk={除了蚂蚁k起点路口外的所有路口}
步骤2.3,路口选择:
τij(t)代表t时刻道路(i,j)上的信息素浓度;α是常量,表示信息素因子;ηij(t)代表蚂蚁从i到j的期望程度;β是常量,表示启发函数因子; dij表示路口i与路口j之间的距离,Jk是蚂蚁k待去路口的集合,ρ:t到t+n时刻信息素的挥发率;
步骤2.4,信息素更新:
走完路口回到起点后,得到目前的最优路径,根据信息素更新公式,更新信息素矩阵;信息素更新公式如下:
τij(t+n)=(1-ρ)·τij(t)+Δτij
步骤2.5,退出:
满足迭代次数或者最优路径长时间没改变,则输出最优路径,否则回到步骤2.3进行路口选择。
3、将使用环境建模方法得到环境因子(Ef(t))代替蚁群算法中的道路的距离(di)后,利用环境因子的动态变化进行动态路径规划,如图2所示:
步骤3.1,输入地图信息,并设置参数;所述参数包括:
(1)路口数量n;
(2)路口之间道路数量m,;
(3)起点和终点{start,end};
(4)初始时刻t=0;
(5)初始化环境因子集合Ef(t);
(6)环境因子变化量阈值ΔEfmax;
(7)环境因子最大值Efmax;
(8)初始化已经走过的路径长度ar=0;
步骤3.2,利用蚁群算法得到t=0时刻起点到终点的最优路径;
步骤3.3,t+=1,执行步骤3.4;
步骤3.4,判断是否满足ΔEf>ΔEfmax或者Efi(t)>Efmax,若是则执行步骤3.5,否则执行步骤3.7;其中,ΔEf为判断环境因子变化量,ΔEf=Efi(t+1)-Efi(t);Efi(t)表示道路i在t时刻的环境因子;
步骤3.5,利用蚁群算法重新规划从当前时刻的路口到终点的路径:
(1)将当前时刻的路口设置为起点;
(2)利用蚁群算法得到当前时刻起点到终点的新规划路径;
(3)判断新规划路径与已走过的路径长度ar之和是否小于当前最优路径对最优路径进行优化:若是,则执行步骤3.6,否则执行步骤3.7;
步骤3.6,将新规划路径与已走过的路径长度ar之和赋值给最优路径,然后执行步骤3.8;
步骤3.7,通过累加当前时刻所处道路的环境因子更新已经走过的路径长度ar(即ar+=Efi(t)),然后执行步骤3.8;
步骤3.4-3.6的代码表达如下:
if newtour+ar<besttour;
besttour=newtour+ar;
else ar+=Efi(t);
其中,
besttour为最优路径,newtour为新规划路径。
步骤3.8,判断是否到达终点:若是,则输出当前时刻的最优路径,否则执行步骤3.4。
通过上述可知,本发明具有的有益效果如下:
本发明提出了体现交通拥堵的环境因子,使用环境建模的方法得到在拥堵环境下的环境因子,通过将环境因子代替蚁群算法中的道路的距离来实现将蚁群算法用于拥堵环境下的动态路径规划,弥补了现有的路径规划算法中没有考虑环境拥堵情况动态变化的因素,提高了在拥堵环境下路径规划最优解的准确性,更加符合现在城市交通拥堵的实情。
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 (3)
1.一种蚁群算法用于拥堵环境下的动态路径规划方法,其特征在于,包括:
步骤1,进行环境建模,得到表示拥堵环境下的拥堵情况的环境因子;
步骤2,将环境因子代替蚁群算法中的道路的距离后,利用环境因子的动态变化进行动态路径规划;
所述步骤1进行环境建模的方法为:在交通路网中存在n个路口,m条道路,将每个路口抽象为一个点,路口之间相连的道路抽象为一条边;则每条边在t时刻有一个环境因子Efi(t);
Efi(t)=c1*Sfi+c2*Cfi(t)
其中,
c1、c2是常数;
Sfi是道路i静态属性;Sfi=sc1*di+sc2*li+sc3*sli;sc1、sc2、sc3是常数,di是道路i的长度,li是道路i的车道数,sli是道路i的信号灯周期;
Cfi(t)是t时刻道路i的拥堵因子;Cfi(t)=cf1*CTfi(t)+cf2*CLfi(t);cf1是常数,代表时间拥堵率对拥堵因子的重要程度;cf2是常数,代表长度拥堵率对拥堵因子的重要程度;
CTfi(t)表示t时刻道路i的时间拥堵率;
CTfi(t)表示t时刻道路i的时间拥堵率;tini(j)表示车辆j驶入道路i的时间,touti(j)表示车辆j驶出道路i的时间;ni(t)表示t时刻道路i的车辆数;di表示道路i的长度,vi表示道路i上的合理车速;
CLfi(t)表示t时刻道路i的长度拥堵率;
CLfi(t)表示t时刻道路i的长度拥堵率;fini(t)表示t时刻道路i驶入车流量;fouti(t)表示t时刻道路i驶出车流量;L表示每辆车的平均长度。
2.根据权利要求1所述的蚁群算法用于拥堵环境下的动态路径规划方法,其特征在于,所述蚁群算法为:
步骤2.1,初始化:设置常量参数,t=0,τij(t)=C(C为常量),Δτij=0,其中τij(t)为初始的信息素浓度;
步骤2.2,随机放置蚂蚁:将m只蚂蚁随机放在n个路口,对于每一个蚂蚁设置Jk={除了蚂蚁k起点路口外的所有路口}
步骤2.3,路口选择:对于每一个蚂蚁根据转移概率公式计算蚂蚁k从i-j(j∈Jk(i))的所有概率,其中t时刻从i路口转移到j路口的概率概率最大的路口为下一个到达地,并且将该路口从该蚂蚁的Jk中移除;概率转移公式如下:
τij(t)代表t时刻道路(i,j)上的信息素浓度;α是常量,表示信息素因子;ηij(t)代表蚂蚁从i到j的期望程度;β是常量,表示启发函数因子; dij表示路口i与路口j之间的距离,Jk是蚂蚁k待去路口的集合,ρ:t到t+n时刻信息素的挥发率;
步骤2.4,信息素更新:走完路口回到起点后,得到目前的最优路径,根据信息素更新公式,更新信息素矩阵;信息素更新公式如下:
τij(t+n)=(1-ρ)·τij(t)+Δτij
步骤2.5,退出:满足迭代次数或者最优路径长时间没改变,则输出最优路径,否则回到步骤2.3进行路口选择。
3.根据权利要求2所述的蚁群算法用于拥堵环境下的动态路径规划方法,其特征在于,所述步骤二中将环境因子代替蚁群算法中的道路的距离后,利用环境因子的动态变化进行动态路径规划的方法为:
步骤3.1,输入地图信息,并设置参数;所述参数包括:
(1)路口数量n;
(2)路口之间道路数量m,;
(3)起点和终点{start,end};
(4)初始时刻t=0;
(5)初始化环境因子集合Ef(t);
(6)环境因子变化量阈值ΔEfmax;
(7)环境因子最大值Efmax;
(8)初始化已经走过的路径长度ar=0;
步骤3.2,利用蚁群算法得到t=0时刻起点到终点的最优路径;
步骤3.3,t+=1,执行步骤3.4;
步骤3.4,判断是否满足ΔEf>ΔEfmax或者Efi(t)>Efmax,若是则执行步骤3.5,否则执行步骤3.7;其中,ΔEf为判断环境因子变化量,ΔEf=Efi(t+1)-Efi(t);Efi(t)表示道路i在t时刻的环境因子;
步骤3.5,利用蚁群算法重新规划从当前时刻的路口到终点的路径:
(1)将当前时刻的路口设置为起点;
(2)利用蚁群算法得到当前时刻起点到终点的新规划路径;
(3)判断新规划路径与已走过的路径长度ar之和是否小于当前最优路径对最优路径进行优化:若是,则执行步骤3.6,否则执行步骤3.7;
步骤3.6,将新规划路径与已走过的路径长度ar之和赋值给最优路径,然后执行步骤3.8;
步骤3.7,通过累加当前时刻所处道路的环境因子更新已经走过的路径长度ar,然后执行步骤3.8;
步骤3.8,判断是否到达终点:若是,则输出当前时刻的最优路径,否则执行步骤3.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125419.9A CN110941267B (zh) | 2019-11-18 | 2019-11-18 | 蚁群算法用于拥堵环境下的动态路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125419.9A CN110941267B (zh) | 2019-11-18 | 2019-11-18 | 蚁群算法用于拥堵环境下的动态路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110941267A CN110941267A (zh) | 2020-03-31 |
CN110941267B true CN110941267B (zh) | 2021-05-25 |
Family
ID=69907006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911125419.9A Active CN110941267B (zh) | 2019-11-18 | 2019-11-18 | 蚁群算法用于拥堵环境下的动态路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941267B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396278B (zh) * | 2020-04-30 | 2022-11-22 | 青岛慧拓智能机器有限公司 | 一种基于露天无人矿山的卡车调度方法 |
CN111708369B (zh) * | 2020-07-17 | 2021-07-23 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN112508344B (zh) * | 2020-11-12 | 2023-02-07 | 青岛慧拓智能机器有限公司 | 一种考虑设备利用率的露天矿车流规划方法 |
CN114518750B (zh) * | 2021-12-15 | 2023-08-15 | 电子科技大学 | 一种基于阿米巴运动机制的路径规划方法 |
CN114418056B (zh) * | 2022-01-06 | 2023-07-21 | 电子科技大学 | 一种基于道路拥堵问题的改进蚁群算法 |
Citations (2)
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 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9536192B2 (en) * | 2014-06-23 | 2017-01-03 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN106052701B (zh) * | 2016-05-23 | 2018-08-14 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
CN110333714B (zh) * | 2019-04-09 | 2022-06-10 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
CN110244733B (zh) * | 2019-06-20 | 2020-06-30 | 西南交通大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
-
2019
- 2019-11-18 CN CN201911125419.9A patent/CN110941267B/zh active Active
Patent Citations (2)
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 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于改进蚁群算法的智能物流配送路径优化方法;周显春;《内蒙古师范大学学报》;20171130;全文 * |
基于改进蚁群算法的校车路径规划问题研究;薛伟莲;《交通科学与工程》;20170331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110941267A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941267B (zh) | 蚁群算法用于拥堵环境下的动态路径规划方法 | |
CN111489553B (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
Jagadeesh et al. | Heuristic techniques for accelerating hierarchical routing on road networks | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
US9222791B2 (en) | Query scenarios for customizable route planning | |
JP6257313B2 (ja) | 道路網動的適応ヒエラルキーおよびルーティングのための方法およびシステム | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
JP5081734B2 (ja) | 交通情報を生成するための交通情報提供システム、及び、カーナビゲーションシステム | |
CN109186619B (zh) | 一种基于实时路况的智能导航算法 | |
CN101308555A (zh) | 多模式公交出行路径寻优方法 | |
WO2014024264A1 (ja) | 交通量予測装置および方法 | |
CN104331422A (zh) | 一种路段类型推测方法 | |
CN103245347A (zh) | 基于路况预测的智能导航方法及系统 | |
CN107123260A (zh) | 基于出行者预算限制的交通分配方法 | |
CN107490384A (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN106845703B (zh) | 一种考虑转向延误的城市路网时变k最短路径搜索方法 | |
US11257362B2 (en) | Determining traffic congestion patterns | |
CN109726852A (zh) | 基于改进蚁群算法的路线规划方法、装置、终端及介质 | |
CN110245776B (zh) | 一种基于多属性蚁群算法的智能交通路径规划方法 | |
CN116935656B (zh) | 道路交通数据处理方法、装置、电子设备及存储介质 | |
CN112598305B (zh) | 基于局域结构流量的城市路网重要节点识别方法 | |
CN115330067B (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
Bieker et al. | Evaluation of opening Bus Lanes for private Traffic triggered via V2X Communication | |
Fu et al. | A path planning algorithm based on dynamic networks and restricted searching area | |
CN110211381B (zh) | 交通线路分配方法及装置 |
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 |