CN111027759A - 一种基于蚁狮算法的城市交通应急调度方法 - Google Patents

一种基于蚁狮算法的城市交通应急调度方法 Download PDF

Info

Publication number
CN111027759A
CN111027759A CN201911192615.8A CN201911192615A CN111027759A CN 111027759 A CN111027759 A CN 111027759A CN 201911192615 A CN201911192615 A CN 201911192615A CN 111027759 A CN111027759 A CN 111027759A
Authority
CN
China
Prior art keywords
ant
lion
emergency
ants
ant lion
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
Application number
CN201911192615.8A
Other languages
English (en)
Inventor
严灵毓
姚姝宇
王春枝
董新华
刘芳瑞
盛梦涵
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.)
Hubei University of Technology
Original Assignee
Hubei University of 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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201911192615.8A priority Critical patent/CN111027759A/zh
Publication of CN111027759A publication Critical patent/CN111027759A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明公开了一种基于蚁狮算法的城市交通应急调度方法。本方法有较高的搜索能力和准确性。主要步骤为设定蚁狮算法参数；对城市应急交通调度进行建模；初始化蚂蚁和蚁狮位置，将其存入位置矩阵；蚂蚁随机游走，轮盘赌的形式决定被哪只蚁狮捕食，根据适应度高的蚁狮捕食能力强，根据适应度选出精英蚁狮；如果没有达到迭代次数，回到捕食步骤，达到迭代次数以后，输出精英蚁狮，为全局最优解，即为本方法的所需的从应急调度点到应急地点的路径方案。

Description

一种基于蚁狮算法的城市交通应急调度方法
技术领域
本发明属于城市交通应急调度领域，具体是一种基于蚁狮算法的城市交通应急调度方法，用于交通应急调度。
背景技术
城市交通是城市重要的生命线，城市规模扩大和经济发展都离不开城市交通，快捷的交通在提高居民出行幸福的同时也为经济发展带来便利，但这些都在不知不觉中增加了对交通枢纽的依赖，所以一旦出现突发事件，可能造成交通路线拥堵应急车辆无法及时到达目的地，然而，作为城市交通系统的骨干，突发事件的产生很可能会进一步对整个城市的交通系统造成局部或者全面瘫痪，所以，城市应急交通枢纽在城市交通中有着至关重要的地位。
一直以来，众多学者对政府应对突发事件的应急管理有众多研究，但是对于交通应急调度还缺乏深入研究，把调度问题转化为理想模式下的静态最短类路径的数学规划问题与实际情况存在一定的差距，针对如何在最短时间内找到最佳路径到达目的地的问题，虽然研究人员有针对性提出解决方案，但是用于实际应用中，还是存在一定的不足。
蚁狮算法(The Ant Lion Optimizer，ALO)是Seyedali Mirjalili于2015年提出的一种新型元启发式群智能算法。名字来源于它独特的狩猎行为。该算法包括蚂蚁、蚁狮和精英蚁狮，要通过蚂蚁的随机游走、构建陷阱、诱捕蚂蚁入陷阱、捕获蚂蚁和重构陷阱来实现算法。蚂蚁代表随机解，蚂蚁四处游周会落入哪一个蚁狮构建的陷阱由轮盘赌决定，适应度越高的蚁狮有着更大的几率捕获蚂蚁，在其中，蚁狮代表着局部的最优解。随着蚂蚁的游走，相当于多次迭代，在适应度高的蚁狮中通过迭代结果的更新选择更好的蚁狮来作为精英蚁狮，这里的精英蚁狮代表着全局最优解。因此，本发明在此基础上提出一种能在突发事件发生时，提高城市交通应急调度效率的办法：基于蚁狮算法的城市交通应急调度方法。
发明内容
针对现有技术的不足，本发明采用提供一种采用蚁狮算法进行城市交通应急调度的方法。
本发明的技术方案是一种采用蚁狮算法来进行城市交通应急调度的方法，包括以下步骤：
一种基于蚁狮算法的城市交通应急调度方法，其特征在于：包括
步骤1：设置数据参数包括：城市应急出警调度点、适应半径、蚂蚁数量、蚁狮迭代次数，并对描述城市交通应急调度问题进行建模，在适应半径内，在适应半径内所有m个应急调度点，L(xi,q)表示从第i个应急调度点到应急地点q的经过路径，(x1,x2,…,xm)为所有的到达应急目标点q的路径方案，TL(xi,q)为第i个应急调度点到达应急目标q所花费的时间；m个应急点到达应急目标点q花费的最大时间为TLmax,花费的最小时间为TLmin；
步骤2：使用蒙特卡罗方法(Monte Carlo method)初始化蚁狮核蚂蚁在解空间上的位置，所有随机解蚂蚁的位置存储在矩阵Zant中，蚁狮位置存储在Zantlion中
Figure BDA0002293949500000021
Figure BDA0002293949500000022
其中，存储蚂蚁位置的矩阵Zant中的元素代表初始化的每个蚂蚁的位置，存储蚁狮位置的矩阵Zantlion中的元素代表初始化的每个蚁狮位置信息；
步骤3：蚂蚁每一步都随机行走来更新自己的位置，其中随机行为表示为：X(t)＝[0,cumsum(2r(t1)-1),cumsum(2r(t2)-1),…,cumsum(2r(tn)-1)]；其中cumsum为累积和，n为蚂蚁的数目，t为目前的迭代次数，r(t)的表达式为：
Figure BDA0002293949500000023
其中h为0～1之间的随机数；
为防止越界以保证蚂蚁在搜索空间内随机游走，需要对蚂蚁的位置进行理查标准化：
Figure BDA0002293949500000024
其中
Figure BDA0002293949500000025
和
Figure BDA0002293949500000026
分别代表第n只蚂蚁第d个变量随机游走的最大值和最小值；ld(t)和ud(t)分别代表第t次迭代第d个变量的下届和上界；
蚂蚁的位置指适应半径内应急点到应急目标点q的路径方案，随机行走的蚂蚁受到蚁狮陷阱的影响；
步骤4：采用轮盘赌的方法来决定哪只蚂蚁被蚁狮捕获，具体做法为：
(1)计算出蚂蚁中每个个体的适应度f(i＝1,2,…,M)，M为群体的大小；
(2)计算出每个个体被遗传到下一代群体中的概率
Figure BDA0002293949500000031
(3)计算出每个个体积累的概率
Figure BDA0002293949500000032
(4)在[0，1]区间产生一个均匀分布的伪随机数r；
(5)如果r<q[1]选择个体1，否则选择个体k，使q[k-1]<rq[k]；
(6)重复上述4、5步共M次；适应度越高的蚁狮捕获蚂蚁的能力越强，越有能力捕食蚂蚁，如果蚂蚁被捕获，蚁狮根据概率，蚂蚁的位置更新自身当前的位置搜索全盘蚁狮，即
Figure BDA0002293949500000033
其中
Figure BDA0002293949500000034
表示第t代所选中的第j个蚁狮的位置，而
Figure BDA0002293949500000035
表示第t代第i个蚂蚁的位置；
步骤5：每次迭代获得的适应度最好的蚁狮被认为是精英蚁狮Gpick，影响着迭代过程中所有的蚂蚁的游走；随着迭代次数的增加，上界和下界减少；每个蚂蚁，轮盘赌蚁狮，精英蚁狮都被视作一个可行解，这个可行解表示为一个可行性路径；如果没有达到迭代次数则跳转回步骤4；
步骤6：当达到蚁狮迭代次数之后，算法结束；输出精英蚁狮代表全局最优解，此处为合适半径内，最合适的应急点i到达应急目标点的最合适的路径方案。
本发明的有益效果是：本算法模仿蚁狮捕食蚂蚁的行为，搜索能力强，有良好的收敛性和准确性。对解决城市应急交通调度有良好的适应性和应用性。
附图说明
图1是本发明使用蚁狮算法进行城市应急交通调度的方法的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
步骤1：设置蚁狮算法参数
参数包括：，适应半径、适应半径内的应急调度点、道路约束条件、蚂蚁数量、蚁狮迭代次数；
步骤2：使用蒙特卡罗方法(Monte Carlo method)初始化蚁狮和蚂蚁的位置，通过适应度函数，将适应度较好的解设置为局部最优解Ra(蚁狮)。针对本城市应急调度问题，可以描述为适应半径范围内m个应急调度点到达应急目标点，L(xi,q)表示从第i(i＝1,2,…,m)个应急调度点到应急地点q的经过路径，(x1,x2,…,xm)为所有的到达应急目标点q的路径方案，TL(xi,q)为第i个应急调度点到达应急目标q路径所花费的时间。m个应急点到达应急目标点q花费的最大时间为TLmax,花费的最小时间为TLmin。
所有初始化值(蚂蚁)的位置存储在矩阵Zant中，蚁狮位置存储在Zantlion中
Figure BDA0002293949500000041
Figure BDA0002293949500000042
其中，存储蚂蚁位置的矩阵Zant中的元素代表初始化的每个蚂蚁的位置，存储蚁狮位置的矩阵Zantlion中的元素代表初始化的每个蚁狮位置信息。
步骤3：蚂蚁的随机行为表达式为：
X(t)＝[0,cumsum(2r(t1)-1),cumsum(2r(t2)-1),…,cumsum(2r(tn)-1)]。其中cumsum为累积和，n为蚂蚁的数目，t为目前的迭代次数，r(t)的表达式为：
Figure BDA0002293949500000043
其中h为0～1之间的随机数。
为防止越界以保证蚂蚁在搜索空间内随机游走，需要对蚂蚁的位置进行理查标准化：
Figure BDA0002293949500000044
其中
Figure BDA0002293949500000045
和
Figure BDA0002293949500000046
分别代表第n只蚂蚁第d个变量随机游走的最大值和最小值。ld(t)和ud(t)分别代表第t次迭代第d个变量的下届和上界。
步骤4：每个蚂蚁，通过轮盘赌的方式选择一个蚁狮，蚂蚁将围绕适应度最好的蚁狮Rp和普通蚁狮RE随机游走，当蚂蚁的适应度强于Rp时，蚁狮进行捕食，将Rp的位置替换为蚂蚁的位置。搜索全盘蚁狮，将当前适应度最好的蚁狮设置为Rp。即
Figure BDA0002293949500000051
其中
Figure BDA0002293949500000052
表示第t代所选中的第j个蚁狮的位置，而
Figure BDA0002293949500000053
表示第t代第i个蚂蚁的位置，f为适应度函数。
步骤5：将适应度最好的蚁狮称为精英蚁狮，代表着一个可行解，即可行调度行驶路径。每只蚂蚁的随机游走都受到精英蚁狮和轮盘赌选择的蚁狮的影响，表达式为：
Figure BDA0002293949500000054
Figure BDA0002293949500000055
为第t代绕精英蚁狮的随机游走，
Figure BDA0002293949500000056
为第t代绕轮盘赌蚁狮的随机游走。如果没有达到迭代次数，返回步骤4，再次循环。
步骤6：算法结束，输出精英蚁狮，此处精英蚁狮代表全局最优解即最佳应急调度点到达应急目标点的路径选择方案。
本文中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以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，但并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 (1)

1.一种基于蚁狮算法的城市交通应急调度方法，其特征在于：包括
步骤1：设置数据参数包括：城市应急出警调度点、适应半径、蚂蚁数量、蚁狮迭代次数，并对描述城市交通应急调度问题进行建模，在适应半径内，在适应半径内所有m个应急调度点，L(xi,q)表示从第i个应急调度点到应急地点q的经过路径，(x1,x2,…,xm)为所有的到达应急目标点q的路径方案，TL(xi,q)为第i个应急调度点到达应急目标q所花费的时间；m个应急点到达应急目标点q花费的最大时间为TLmax,花费的最小时间为TLmin；
步骤2：使用蒙特卡罗方法(Monte Carlo method)初始化蚁狮核蚂蚁在解空间上的位置，所有随机解蚂蚁的位置存储在矩阵Zant中，蚁狮位置存储在Zantlion中
Figure FDA0002293949490000011
Figure FDA0002293949490000012
其中，存储蚂蚁位置的矩阵Zant中的元素代表初始化的每个蚂蚁的位置，存储蚁狮位置的矩阵Zantlion中的元素代表初始化的每个蚁狮位置信息；
步骤3：蚂蚁每一步都随机行走来更新自己的位置，其中随机行为表示为：X(t)＝[0,cumsum(2r(t1)-1),cumsum(2r(t2)-1),…,cumsum(2r(tn)-1)]；其中cumsum为累积和，n为蚂蚁的数目，t为目前的迭代次数，r(t)的表达式为：
Figure FDA0002293949490000013
其中h为0～1之间的随机数；
为防止越界以保证蚂蚁在搜索空间内随机游走，需要对蚂蚁的位置进行理查标准化：
Figure FDA0002293949490000014
其中
Figure FDA0002293949490000016
和
Figure FDA0002293949490000015
分别代表第n只蚂蚁第d个变量随机游走的最大值和最小值；ld(t)和ud(t)分别代表第t次迭代第d个变量的下届和上界；
蚂蚁的位置指适应半径内应急点到应急目标点q的路径方案，随机行走的蚂蚁受到蚁狮陷阱的影响；
步骤4：采用轮盘赌的方法来决定哪只蚂蚁被蚁狮捕获，具体做法为：
(1)计算出蚂蚁中每个个体的适应度f(i＝1,2,…,M)，M为群体的大小；
(2)计算出每个个体被遗传到下一代群体中的概率
Figure FDA0002293949490000021
(3)计算出每个个体积累的概率
Figure FDA0002293949490000022
(4)在[0，1]区间产生一个均匀分布的伪随机数r；
(5)如果r<q[1]选择个体1，否则选择个体k，使q[k-1]<rq[k]；
(6)重复上述4、5步共M次；适应度越高的蚁狮捕获蚂蚁的能力越强，越有能力捕食蚂蚁，如果蚂蚁被捕获，蚁狮根据概率，蚂蚁的位置更新自身当前的位置搜索全盘蚁狮，即
Figure FDA0002293949490000023
其中
Figure FDA0002293949490000024
表示第t代所选中的第j个蚁狮的位置，而
Figure FDA0002293949490000025
表示第t代第i个蚂蚁的位置；
步骤5：每次迭代获得的适应度最好的蚁狮被认为是精英蚁狮Gpick，影响着迭代过程中所有的蚂蚁的游走；随着迭代次数的增加，上界和下界减少；每个蚂蚁，轮盘赌蚁狮，精英蚁狮都被视作一个可行解，这个可行解表示为一个可行性路径；如果没有达到迭代次数则跳转回步骤4；
步骤6：当达到蚁狮迭代次数之后，算法结束；输出精英蚁狮代表全局最优解，此处为合适半径内，最合适的应急点i到达应急目标点的最合适的路径方案。
CN201911192615.8A 2019-11-28 2019-11-28 一种基于蚁狮算法的城市交通应急调度方法 Pending CN111027759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911192615.8A CN111027759A (zh) 2019-11-28 2019-11-28 一种基于蚁狮算法的城市交通应急调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911192615.8A CN111027759A (zh) 2019-11-28 2019-11-28 一种基于蚁狮算法的城市交通应急调度方法

Publications (1)

Publication Number Publication Date
CN111027759A true CN111027759A (zh) 2020-04-17

Family

ID=70203146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911192615.8A Pending CN111027759A (zh) 2019-11-28 2019-11-28 一种基于蚁狮算法的城市交通应急调度方法

Country Status (1)

Country Link
CN (1) CN111027759A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985678A (zh) * 2020-07-06 2020-11-24 上海交通大学 一种光伏功率短期预测方法
CN114330933A (zh) * 2022-03-09 2022-04-12 北京峰玉科技有限公司 基于gpu并行计算的元启发式优化算法及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062664A (zh) * 2018-07-25 2018-12-21 南京邮电大学 基于蚁狮优化算法的云计算任务调度方法
CN109858816A (zh) * 2019-02-02 2019-06-07 湖北工业大学 一种采用蚁狮算法进行生产调度的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062664A (zh) * 2018-07-25 2018-12-21 南京邮电大学 基于蚁狮优化算法的云计算任务调度方法
CN109858816A (zh) * 2019-02-02 2019-06-07 湖北工业大学 一种采用蚁狮算法进行生产调度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于建芳等: "基于柯西变异的蚁狮优化算法", 《微电子学与计算机》 *
李宗妮等: "一种采用改进蚁狮优化算法的图像增强方法", 《计算机应用研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985678A (zh) * 2020-07-06 2020-11-24 上海交通大学 一种光伏功率短期预测方法
CN114330933A (zh) * 2022-03-09 2022-04-12 北京峰玉科技有限公司 基于gpu并行计算的元启发式优化算法及电子设备

Similar Documents

Publication Publication Date Title
Tang et al. A deep value-network based approach for multi-driver order dispatching
Ariyasingha et al. Performance analysis of the multi-objective ant colony optimization algorithms for the traveling salesman problem
Skinderowicz An improved ant colony system for the sequential ordering problem
US20040143560A1 (en) Path searching system using multiple groups of cooperating agents and method thereof
CN110147099A (zh) 一种基于改进鸽群优化的多无人机协同搜索方法
CN102843743B (zh) 基于菌群觅食优化算法的无线传感网层次化路由方法
CN105429877B (zh) 一种基于粒子群优化的路径寻优方法
CN111027759A (zh) 一种基于蚁狮算法的城市交通应急调度方法
CN114611801A (zh) 一种基于改进的鲸鱼优化算法的旅行商问题求解方法
CN110675004A (zh) 一种基于灰狼算法的路径规划方法
Kou et al. Multiobjective optimization of evacuation routes in stadium using superposed potential field network based ACO
CN114217607A (zh) 一种外卖派送路径规划方法、系统及存储介质
CN113778090A (zh) 基于蚁群优化和prm算法的移动机器人路径规划方法
Taetragool et al. NeSS: A modified artificial bee colony approach based on nest site selection behavior
Goel et al. Evolutionary ant colony algorithm using firefly-based transition for solving vehicle routing problems
Sadeghi et al. Using bees algorithm to solve the resource constrained project scheduling problem in PSPLIB
Zhang et al. Intelligent scheduling of public traffic vehicles based on a hybrid genetic algorithm
Martynova et al. Ant colony algorithm for rational transit network design of urban passenger transport
CN108921354A (zh) 一种基于粒子群优化的蚁群算法求解tsp问题的方法
CN115145280A (zh) 一种基于装配过程的零件搬运路径规划方法及系统
Sabbani et al. Simulation results for a daily activity chain optimization method based on ant colony algorithm with time windows
Bouhedda et al. Smart traffic signal controller design and hardware implementation based ant colony system
Hulianytskyi et al. Ant colony optimization algorithms with diversified search in the problem of optimization of airtravel itinerary
KR20220093798A (ko) 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법
Dong et al. Modified discrete glowworm swarm optimization algorithm based on time window division for multi-objective vrptw

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: 20200417

RJ01 Rejection of invention patent application after publication