CN111428910A - 基于时延Petri网的车辆最短时间交通路径处理方法 - Google Patents

基于时延Petri网的车辆最短时间交通路径处理方法 Download PDF

Info

Publication number
CN111428910A
CN111428910A CN202010127671.XA CN202010127671A CN111428910A CN 111428910 A CN111428910 A CN 111428910A CN 202010127671 A CN202010127671 A CN 202010127671A CN 111428910 A CN111428910 A CN 111428910A
Authority
CN
China
Prior art keywords
time
path
list
vehicle
open
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
CN202010127671.XA
Other languages
English (en)
Other versions
CN111428910B (zh
Inventor
王荣
胡核算
马艳
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202010127671.XA priority Critical patent/CN111428910B/zh
Publication of CN111428910A publication Critical patent/CN111428910A/zh
Application granted granted Critical
Publication of CN111428910B publication Critical patent/CN111428910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通路径规划技术领域，公开了一种基于时延Petri网的车辆最短时间交通路径处理方法，将已知的交通路径图由时延Petri网建模，用时延Petri网将复杂的交通路径用简洁的方式表示出；计算模型的可达图，将车辆从起始地点出发，在每个交叉口根据启示式函数进行选择路径，直到到达目标地点的过程转化为计算初始标识到目标标识的最短时间序列。本发明提供计算最短时间序列的算法，适用于由时延Petri网建模的城市交通，为车辆寻找一条最短时间的路径，旨在缓解城市局部交通拥挤状况，降低出行。本发明使用时延Petri网对真实的交通环境进行建模，模拟车辆在实时交通中选择最优路径到达目的地，避免拥堵，节省时间。

Description

基于时延Petri网的车辆最短时间交通路径处理方法
技术领域
本发明属于交通路径规划技术领域，尤其涉及一种基于时延Petri网的车辆最短时间交通路径处理方法。
背景技术
目前，Petri网作为一种重要的数学建模工具广泛应用于柔性系统模型、计算机集成制造、人工智能、系统分析等领域，Petri网模型自然，直观，简单易懂的描述了分析并行系统的状态行为的技术。然而原型Petri网的模拟能力有限，对原型Petri网的扩充可以提高其模拟能力。时延Petri网是一种重要的含时间因素的Petri网，已广泛应用于并发系统的建模，通过对库所(P)或者变迁(T)赋予一定的时间来模拟真实的系统环境，在时延Petri网中，从初始标识到目标标识耗时最短的变迁发射序列被称为最短时间序列。对动态环境下路径规划问题的研究具有非常重要的理论意义和现实意义，能够改善现有算法的不足，结合实时信息，动态寻优，为先进的道路交通管理系统和道路交通信息系统提供理论基础和理论指导，有助于缓解城市局部交通拥挤状况、降低出行成本、提高运作效率、减少资源浪费和环境污染、降低交通事故发生率等。在我国尽快开展动态车辆导航系统的研究具有极大的应用价值和极强的研究意义。
近年来，随着网络技术、通信技术以及信息技术的发展，关于时延Petri网最短时间路径的寻优算法学者们提出过很多算法，但有些方法仍存在一些不足，具体体现如下：1.最经典的是Dijkstra算法，可以基本上实现可达性和发射序列计算问题，通过搜索部分可达图找到从初始标识到目标标识的路径，但其中存在的问题是当初始标识和目标标识相差很远时可达图会变得很庞大，从而导致搜索难度呈指数上升。2.基于部分可达图搜索算法，该算法需要依赖参数的选取，对于不同的参数得到的结果有很大差异，并且该算法无法证明最终的结果是最优的。3.蚁群算法用于解决那些没有成熟算法的问题，收敛时间依赖选择的参数，只能适用于小规模的问题。
综上所述，现有技术存在的问题是：
(1)现有Dijkstra算法存在当初始标识和目标标识相差很远时可达图会变得很庞大的问题，导致搜索难度呈指数上升，运用在寻找最短时间路径上导致搜索时长变长，对于实际的车辆导航有局限性。
(2)现有基于部分可达图搜索算法对于不同的参数得到的结果有很大差异，并且该算法无法证明最终的结果是最优的，若应用在实际工程中，对于不同路径的参数选择有较大差异，计算结果可能和实际最短时间路径的差异较大，不能保证所求结果是最优的。
(3)现有蚁群算法收敛时间依赖选择的参数，只能适用于小规模的问题；蚁群算法同理，依赖于参数选择，选择不同路径时对于参数的选择有较大差异，这个参数不一定可以得到最优路径。
解决上述技术问题的难度：车辆导航技术的实时动态特性，对最短时间路径算法也提出了相应的要求，它需要在行驶过程中利用接收到的实时信息进行路径的重计算。以上常用的最短路径算法在解决大规模动态路径规划问题时所显现出一些缺陷和不足，因此探寻新的适用于城市动态交通网络的最短时间路径算法是相当必要的。
解决上述技术问题的意义：本发明提出的算法以A*为基础，修改A*的启发式函数，增加时间因子，其中启发式函数的各函数选择是固定的，时间因子根据实时路况进行适当调整，算法不需要依赖于参数，参数选择的不同而导致不同结果，对于可达图的庞大问题，由于本发明是实时算法只是在每条需要选择的交叉口进行计算，在可达图反映的只是一个状态到达下一个可达状态的选择问题，其搜索难度并不高，因此该算法有效避免了以上问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于时延Petri网的车辆最短时间交通路径处理方法。
本发明是这样实现的，一种基于时延Petri网的车辆最短时间交通路径处理方法，所述基于时延Petri网的车辆最短时间交通路径处理方法包括：
第一步，将已知的交通路径图由时延Petri网建模，用时延Petri网将复杂的交通路径用简洁的方式表示出；库所pBi,pFi分别代表起始库所及目标库所，即起始地点及目标地点；库所pR1-pR12代表路径，变迁t1-t20代表选择某条路径，库所pc1-pc6为资源库所，路径pR1-pR12的通行时间随着资源库所pc1-pc6中的托肯数n而变化；
第二步，计算模型的可达图，将车辆从起始地点出发，在每个交叉口根据启示式函数进行选择路径，直到到达目标地点的过程转化为计算初始标识到目标标识的最短时间序列。
进一步，所述基于时延Petri网的车辆最短时间交通路径处理方法的车辆路径导航算法包括：
步骤一，初始化open_list，close_list，其中，open_list表示待检验的标识的集合，close_list表示已经检验完毕的标识的集合，将初始标识M0加入到open_list中；
步骤二，若open_list为空，算法结束；
步骤三，将open_list中的各标识分别按照启发式算法计算花费后选择最小的标识Mk添加进close_list并从open_list中移除；
步骤四，若Mk为目标标识Mf，得到从初始标识M0到目标标识Mf的最短时间路径，跳至步骤二；
步骤五，将所有通过可发射变迁到达下一状态的标识Mk+1分别按照启发式算法计算花费后，将指针从Mk+1指向Mk。
进一步，其中对于每一个可到达的标识Mk+1做以下步骤：
(1)若Mk+1不存在于open_list和close_list中，将其放入open_list中；
(2)若Mk+1已存在于open_list中，并且更短时间序列已经找到，那么沿当前路径重定向指针；
(3)若Mk+1已存在于close_list中，并且更短时间序列已经找到，将其从close_list中移除并添加至open_list中，沿当前路径重定向指针；
(4)跳至步骤2)。
进一步，所述基于时延Petri网的车辆最短时间交通路径处理方法实时启发式算法包括：
1)初始标识M0到当前标识Mk的花费G(Mk)定义为；常规情况下为0，当计算标识的时间函数值相同时，则取初始的T(Mk)时间；
2)从当前标识Mk到达目标标识MF的花费H(Mk)定义为-dep(Mk)；其中dep(Mk)代表标识Mk在可达图中的深度；
3)从当前标识到达下一个标识的时间花费首先定义为固定时间T(Mk)，时间函数为T(Mk)c＝T(Mk)*5/capacity；其中T(Mk)c代表实时通行时间，capacity代表发射某变迁所对应的资源库所容量；
4)从当前标识到目标标识的总花费F定义为F(Mk)＝G(Mk)+H(Mk)+T(Mk)；
5)根据F值，对open_list的标识进行排序选择最小F值标识选择路径。
进一步，所述基于时延Petri网的车辆最短时间交通路径处理方法包括一辆车从起始库所到达终止库所的最短时间路径选择；
首先，初始标识为M1＝pB1+5pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pB2，将其放入open_list中并且创建空列表close_list，因此G(M1)＝0，H(M1)＝-1，T(M1)＝0，F(M1)＝G(M1)+H(M1)+T(M1)＝-1，并且它是open_list中最小的花费，则将其移出open_list并加入到close_list中。下一个可以到达的标识为M2＝pR1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pB2，M3＝pB1+5pc1+5pc2+5pc3+5pc4+5pc5+4pc6+pR7，由于M2、M3均不在open_list和close_list中，因此将其二加入到open_list中。
第二步，由于M2、M3代表托肯同时从初始库所出发，因此分布式计算左右两侧车辆的最短时间路径。判断由M1到达M2、M3的时间，以选择较短时间的标识。T(M2)＝2，T(M3)＝0.5，因此以M3为准，通过两个时间单位可以到达的下一标识为M4＝pB1+4pc1+5pc2+5pc3+4pc4+5pc5+5pc6+pR9和M5＝pB1+4pc1+5pc2+5pc3+5pc4+4pc5+5pc6+pR8，其中G(M4)＝0，H(M4)＝-2，T(M4)＝1，F(M4)＝G(M4)+H(M4)+T(M4)＝-1，G(M5)＝0，H(M5)＝-2，T(M4)＝2，F(M5)＝G(M5)+H(M5)+T(M5)＝0，因此将M4移除open_list放入close_list中，将M5移出open_list。同理可以计算由M2到达的下一标识，直至找到目标标识MF＝pF1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pF2。
进一步，所述基于时延Petri网的车辆最短时间交通路径处理方法由可达图可以计算出最短时间序列：
在时刻0，双侧车辆A1,B1同时出发，分别发射t1和t11，进入pR1和pR7路径，此时，pR1通行时间为2个时间单位，pR7通行时间为0.5个时间单位，资源库所pc1，pc6的托肯数分别为4。
在时刻0.5，右侧车辆B1行驶至交叉口，根据pR8和pR9的花费选择较小花费的路径，根据启发式函数计算，pR8的花费较少，且通行时间为1个时间单位。因此在时刻0.5发射t12进入pR8路径，此时pc6库所中的托肯数为5，pc5库所中的托肯数为4。
在时刻1.5，车辆B1可以发射t14或t15选择pR10或pR11路径，依旧计算pR10和pR11花费选择较小花费的路径，根据计算结果，选择发射t14进入pR10路径，通行时间为2个时间单位，此时pc3库所中的托肯数为4，此时影响pR2路径的通行时间，pR2在通畅时通行时间为1个时间单位，当有车辆驶入则根据时间函数通行时间将延长，此时，pR2的通行时间变为1.25个时间单位。
在时刻2，车辆A1可以发射t2或t3选择pR2或pR3路径，计算pR2和pR3花费选择较小花费的路径，根据计算结果，选择发射t3进入pR3路径，通行时间为1个时间单位，此时，pc2库所中的托肯数为4，pc1库所中的托肯数为5。
在时刻3，车辆A1可以发射t5或t7选择pR4或pR5路径，计算pR4和pR5花费选择较小花费的路径，此时pc5库所中托肯数为5，根据计算结果，选择发射t5进入pR4路径，通行时间为2个时间单位，此时pc5库所中托肯数为4。
在时刻3.5，pc1库所中的托肯数为5，车辆B1发射t18进入pR12路径，通行时间为1个时间单位，此时pc1库所中的托肯数为4。在4.5时刻到达终止库所pF2。总通行时间为4.5个时间单位。
车辆A1以同样的方式选择最短时间路径，在时刻7到达终止库所pF1。
进一步，所述基于时延Petri网的车辆最短时间交通路径处理方法实现三辆车从起始库所到达终止库所的最短时间路径选择，从起始库所出发的是三辆车，但这里对第一辆车和第二辆车之间设置延时1个时间单位，第二辆车和第三辆车之间设置延时2个时间单位，让六辆车在一段时间内分布于Petri网上，对于每辆车选择最短时间路径；对于三个托肯，通过变迁的发射序列找到每辆车的最短时间序列。
综上所述，本发明的优点及积极效果为：本发明提供一种计算最短时间序列的算法，该算法适用于由时延Petri网建模的城市交通，为车辆寻找一条最短时间的路径，旨在缓解城市局部交通拥挤状况，降低出行。本发明使用时延Petri网对真实的交通环境进行建模，模拟车辆在实时交通中选择最优路径到达目的地，避免拥堵，节省时间；节省时间是说本算法是最短时间路径的算法，为所要导航的车辆节省时间。现有的车辆导航的技术大多是使用人工智能，使用Petri网的较少。我率先提出使用时延Petri网进行车辆导航，提供了一个新的方向。
与现有技术相比，本发明具有以下优势：
(1)本发明使用时延Petri网对交通路径进行建模，利用可达图的特性模拟汽车在实时交通中的选择路径的情景，利用Petri网的分析特性为无人驾驶等方向提供一种新的思路。
(2)本发明以简洁的方式将复杂的交通网络表示出来，通过资源库所的容量来展示路径的拥堵程度，不仅是为一辆车寻找最短时间路径，多辆车在交通网中的最短时间路径也可计算出。
(3)本发明在实时情况下，通过判断资源库所中的容量来判断是否有车辆通行此路径并计算此路径的动态通行时间。在不必知道全局的情况下来进行路径选择。
附图说明
图1是本发明实施例提供的基于时延Petri网的车辆最短时间交通路径处理方法流程图。
图2是本发明实施例提供的道路拥挤程度建模示意图。
图3是本发明实施例提供的时延Petri网建模示意图。
图4是本发明实施例提供的双侧两辆车最短时间序列结果示意图。
图5是本发明实施例提供的双侧六辆车最短时间序列结果示意图。
图6是本发明实施例提供的双侧六辆车具体时间路径选择示意图。
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仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于时延Petri网的车辆最短时间交通路径处理方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于时延Petri网的车辆最短时间交通路径处理方法包括以下步骤：
S101：将已知的交通路径图由时延Petri网建模，用时延Petri网将复杂的交通路径用简洁的方式表示出；
S102：计算模型的可达图，将车辆从起始地点出发，在每个交叉口根据启示式函数进行选择路径，直到到达目标地点的过程转化为计算初始标识到目标标识的最短时间序列。
下面结合附图对本发明的技术方案作进一步的描述。
本发明实施例提供的基于时延Petri网的车辆最短时间交通路径处理方法首先提出一种模拟交通路径拥挤程度的建模方法如图2。
由图2可以看出pR代表交通路径，pc代表资源库所，其中n代表资源库所的容量，当发射t1到达pR路径的时候，资源库所pc也需要提供一个托肯，代表pR路径此刻不是完全空闲状态。
该算法将已知的交通路径图由时延Petri网建模(如图3)，用时延Petri网将复杂的交通路径用简洁的方式表示出。库所(pBi,pFi)分别代表起始库所及目标库所，即起始地点及目标地点。库所(pR1-pR12)代表路径，变迁(t1-t20)代表选择某条路径，库所(pc1-pc6)为资源库所，路径(pR1-pR12)的通行时间随着资源库所中的托肯数n而变化。计算模型的可达图，将车辆从起始地点出发，在每个交叉口根据启示式函数进行选择路径，直到到达目标地点的过程转化为计算初始标识到目标标识的最短时间序列。
本发明实施例的车辆路径导航算法的步骤如下：
步骤1)初始化open_list，close_list，其中，open_list表示待检验的标识的集合，close_list表示已经检验完毕的标识的集合，将初始标识M0加入到open_list中。
步骤2)若open_list为空，算法结束。
步骤3)将open_list中的各标识分别按照启发式算法计算花费后选择最小的标识Mk添加进close_list并从open_list中移除。
步骤4)若Mk为目标标识Mf，得到从初始标识M0到目标标识Mf的最短时间路径，跳至步骤2)。
步骤5)将所有通过可发射变迁到达下一状态的标识Mk+1分别按照启发式算法计算花费后，将指针从Mk+1指向Mk。
其中对于每一个可到达的标识Mk+1做以下步骤：
步骤1)若Mk+1不存在于open_list和close_list中，将其放入open_list中；
步骤2)若Mk+1已存在于open_list中，并且更短时间序列已经找到，那么沿当前路径重定向指针；
步骤3)若Mk+1已存在于close_list中，并且更短时间序列已经找到，将其从close_list中移除并添加至open_list中，沿当前路径重定向指针。
步骤4)跳至步骤2)。
所述实时启发式算法包括以下步骤：
1)初始标识M0到当前标识Mk的花费G(Mk)定义为；常规情况下为0，当计算标识的时间函数值相同时，则取初始的T(Mk)时间。
2)从当前标识Mk到达目标标识MF的花费H(Mk)定义为-dep(Mk)；其中dep(Mk)代表标识Mk在可达图中的深度。
3)从当前标识到达下一个标识的时间花费首先定义为固定时间T(Mk)，但是会随着资源库所中的托肯数而变化，这里定义的时间函数为T(Mk)c＝T(Mk)*5/capacity；其中T(Mk)c代表实时通行时间，capacity代表发射某变迁所对应的资源库所容量。
4)从当前标识到目标标识的总花费F定义为F(Mk)＝G(Mk)+H(Mk)+T(Mk)。
5)根据F值，对open_list的标识进行排序选择最小F值标识选择路径。
在所建立的模型中，起始库所中每一个托肯来说都代表一辆车，每辆车都按照实时的车辆导航算法来执行。当某一辆车在交叉路口选择路径时，根据此时刻影响该路径资源库所中的剩余库所数计算该路径实时通行时间，最终使得每辆车选择的路径都是最短时间的。
下面结合具体实施例对本发明的技术方案作进一步的描述。
现有的关于最短时间路径的问题，比如说经典的Dijkstra算法，部分可达图搜索方法等，在初始标识到目标标识比较远的情况下，就会使得计算量急剧上升，并且并不适用于本发明的交通路径的计算。本发明在A*算法的基础上，建立新的启发式搜索函数，将交通网络使用时延Petri网建模，利用Petri网的分析方法——可达图来进行计算最短时间路径。本发明实施例提供了一种交通路径导航算法，根据实时返回的交通拥挤信息进行路径选择。在模型中，起始库所pBi中的托肯同时出发，代表车辆同时出发，再由资源库所中的托肯数依据时间函数动态改变路径通行时间，从而选择最短时间路径。从可达图的角度出发，触发某个变迁代表选择唯一路径，由于可达图到达下一个标识即为发射唯一变迁，对于本发明交通路径的选择具有可标志性，本发明建立的模型左右对称，将实际复杂的交通网络转化为可视的简洁的Petri网模型，资源库所中的托肯数表示着路径的拥挤程度。
本发明实现了一辆车、三辆车同时分别从起始库所pBi同时出发，在每个路径交叉点选择下一条较短时间的路径，根据道路拥挤程度实时变换路径，到达终止库所，最终得到每辆车的最短时间路径及最短时间。
实施例1：
本发明实例实现一辆车从起始库所到达终止库所的最短时间路径选择，所述路径导航算法如下：
步骤1)初始化open_list，close_list，其中，open_list表示待检验的标识的集合，close_list表示已经检验完毕的标识的集合，将初始标识M0加入到open_list中。
步骤2)若open_list为空，算法结束。
步骤3)将open_list中的各标识分别按照启发式算法计算花费后选择最小的标识Mk添加进close_list并从open_list中移除。
步骤4)若Mk为目标标识Mf，得到从初始标识M0到目标标识Mf的最短时间路径，跳至步骤2)。
步骤5)将所有通过可发射变迁到达下一状态的标识Mk+1分别按照启发式算法计算花费后，将指针从Mk+1指向Mk。
其中对于每一个可到达的标识Mk+1做以下步骤：
步骤1)若Mk+1不存在于open_list和close_list中，将其放入open_list中。
步骤2)若Mk+1已存在于open_list中，并且更短时间序列已经找到，那么沿当前路径重定向指针。
步骤3)若Mk+1已存在于close_list中，并且更短时间序列已经找到，将其从close_list中移除并添加至open_list中，沿当前路径重定向指针。
步骤4)跳至步骤2)。
本发明实施例的实时启发式算法包括以下步骤：
1)初始标识M0到当前标识Mk的花费G(Mk)定义为常规情况下为0，当计算标识的时间函数值相同时，则取初始的T(Mk)时间。
2)从当前标识Mk到达目标标识MF的花费H(Mk)定义为-dep(Mk)；其中dep(Mk)代表标识Mk在可达图中的深度。
3)从当前标识到达下一个标识的时间花费首先定义为固定时间T(Mk)，但是会随着资源库所中的托肯数而变化，这里定义的时间函数为T(Mk)c＝T(Mk)*5/capacity；其中T(Mk)c代表实时通行时间，capacity代表发射某变迁所对应的资源库所容量。
4)从当前标识到目标标识的总花费F定义为F(Mk)＝G(Mk)+H(Mk)+T(Mk)。
5)根据F值，对open_list的标识进行排序选择最小F值标识选择路径。
表1是每个库所所携带的时间，即每条路径的通行时间：
表1 每个库所所携带的时间
库所 时间(单位)
p<sub>R1</sub> 2
p<sub>R2</sub> 1
p<sub>R3</sub> 1.8
p<sub>R4</sub> 2
p<sub>R5</sub> 1.5
p<sub>R6</sub> 2
p<sub>R7</sub> 0.5
p<sub>R8</sub> 1
p<sub>R9</sub> 2
p<sub>R10</sub> 1
p<sub>R11</sub> 1.5
p<sub>R12</sub> 1
实现算法的具体过程如下：
首先，初始标识为M1＝pB1+5pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pB2，将其放入open_list中并且创建空列表close_list，因此G(M1)＝0，H(M1)＝-1，T(M1)＝0，F(M1)＝G(M1)+H(M1)+T(M1)＝-1，并且它是open_list中最小的花费，则将其移出open_list并加入到close_list中。下一个可以到达的标识为M2＝pR1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pB2，M3＝pB1+5pc1+5pc2+5pc3+5pc4+5pc5+4pc6+pR7，由于M2、M3均不在open_list和close_list中，因此将其二加入到open_list中。
第二步，由于M2、M3代表托肯同时从初始库所出发，因此分布式计算左右两侧车辆的最短时间路径。判断由M1到达M2、M3的时间，以选择较短时间的标识。T(M2)＝2，T(M3)＝0.5，因此以M3为准，通过两个时间单位可以到达的下一标识为M4＝pB1+4pc1+5pc2+5pc3+4pc4+5pc5+5pc6+pR9和M5＝pB1+4pc1+5pc2+5pc3+5pc4+4pc5+5pc6+pR8，其中G(M4)＝0，H(M4)＝-2，T(M4)＝1，F(M4)＝G(M4)+H(M4)+T(M4)＝-1，G(M5)＝0，H(M5)＝-2，T(M4)＝2，F(M5)＝G(M5)+H(M5)+T(M5)＝0，因此将M4移除open_list放入close_list中，将M5移出open_list。同理可以计算由M2到达的下一标识，直至找到目标标识MF＝pF1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pF2。
由可达图可以计算出最短时间序列，下面从模型出发描述具体过程：
在时刻0，双侧车辆A1,B1同时出发，分别发射t1和t11，进入pR1和pR7路径，此时，pR1通行时间为2个时间单位，pR7通行时间为0.5个时间单位，资源库所pc1，pc6的托肯数分别为4。
在时刻0.5，右侧车辆B1行驶至交叉口，根据pR8和pR9的花费选择较小花费的路径，根据启发式函数计算，pR8的花费较少，且通行时间为1个时间单位。因此在时刻0.5发射t12进入pR8路径，此时pc6库所中的托肯数为5，pc5库所中的托肯数为4。
在时刻1.5，车辆B1可以发射t14或t15选择pR10或pR11路径，依旧计算pR10和pR11花费选择较小花费的路径，根据计算结果，选择发射t14进入pR10路径，通行时间为2个时间单位，此时pc3库所中的托肯数为4，此时影响pR2路径的通行时间，pR2在通畅时通行时间为1个时间单位，当有车辆驶入则根据时间函数通行时间将延长，此时，pR2的通行时间变为1.25个时间单位。
在时刻2，车辆A1可以发射t2或t3选择pR2或pR3路径，计算pR2和pR3花费选择较小花费的路径，根据计算结果，选择发射t3进入pR3路径，通行时间为1个时间单位，此时，pc2库所中的托肯数为4，pc1库所中的托肯数为5。
在时刻3，车辆A1可以发射t5或t7选择pR4或pR5路径，计算pR4和pR5花费选择较小花费的路径，此时pc5库所中托肯数为5，根据计算结果，选择发射t5进入pR4路径，通行时间为2个时间单位，此时pc5库所中托肯数为4。
在时刻3.5，pc1库所中的托肯数为5，车辆B1发射t18进入pR12路径，通行时间为1个时间单位，此时pc1库所中的托肯数为4。在4.5时刻到达终止库所pF2。总通行时间为4.5个时间单位。
车辆A1以同样的方式选择最短时间路径，在时刻7到达终止库所pF1，至此得到车辆A1,B1的最短时间序列为图4。
每个时刻对应的模型中参数变化如图5(注：为了编程方便，将初始标识M0写为M1)。
表2 每个时刻对应参数变化
Figure BDA0002394891440000141
实施例2：
本发明实施例实现三辆车从起始库所到达终止库所的最短时间路径选择，路径导航算法如下：
步骤1)初始化open_list，close_list，其中，open_list表示待检验的标识的集合，close_list表示已经检验完毕的标识的集合，将初始标识M0加入到open_list中。
步骤2)若open_list为空，算法结束。
步骤3)将open_list中的各标识分别按照启发式算法计算花费后选择最小的标识Mk添加进close_list并从open_list中移除。
步骤4)若Mk为目标标识Mf，得到从初始标识M0到目标标识Mf的最短时间路径，跳至步骤2)。
步骤5)将所有通过可发射变迁到达下一状态的标识Mk+1分别按照启发式算法计算花费后，将指针从Mk+1指向Mk。
其中对于每一个可到达的标识Mk+1做以下步骤：
步骤1)若Mk+1不存在于open_list和close_list中，将其放入open_list中。
步骤2)若Mk+1已存在于open_list中，并且更短时间序列已经找到，那么沿当前路径重定向指针。
步骤3)若Mk+1已存在于close_list中，并且更短时间序列已经找到，将其从close_list中移除并添加至open_list中，沿当前路径重定向指针。
步骤4)跳至步骤2)。
本发明实施例的实时启发式算法包括以下步骤：
1)初始标识M0到当前标识Mk的花费G(Mk)定义为常规情况下为0，当计算标识的时间函数值相同时，则取初始的T(Mk)时间。
2)从当前标识Mk到达目标标识MF的花费H(Mk)定义为-dep(Mk)；其中dep(Mk)代表标识Mk在可达图中的深度。
3)从当前标识到达下一个标识的时间花费首先定义为固定时间T(Mk)，但是会随着资源库所中的托肯数而变化，这里定义的时间函数为T(Mk)c＝T(Mk)*5/capacity；其中T(Mk)c代表实时通行时间，capacity代表发射某变迁所对应的资源库所容量。
4)从当前标识到目标标识的总花费F定义为F(Mk)＝G(Mk)+H(Mk)+T(Mk)。
5)根据F值，对open_list的标识进行排序选择最小F值标识选择路径。
在本发明实施例中，从起始库所出发的是三辆车，但这里对第二辆车之间设置延时1个时间单位，第三辆车设置延时2个时间单位。这样就会让六辆车在一段时间内分布于Petri网上，又在互相影响的情况下，对于每辆车来说，选择最短时间路径。对于三个托肯来说，在由INA中计算的可达图中只是数字3，但是由于有时间延时，可以通过变迁的发射序列找到每辆车的最短时间序列。表3是每个库所所携带的时间，即每条路径的通行时间。
表3 每个库所所携带的时间
库所 时间(单位)
p<sub>R1</sub> 1
p<sub>R2</sub> 2
p<sub>R3</sub> 0.5
p<sub>R4</sub> 1
p<sub>R5</sub> 3
p<sub>R6</sub> 2
p<sub>R7</sub> 2
p<sub>R8</sub> 3
p<sub>R9</sub> 5
p<sub>R10</sub> 3
p<sub>R11</sub> 1
p<sub>R12</sub> 2
下面结合附图对本发明的技术效果作详细的描述。
实现算法的具体过程如下：
首先，初始标识为M1＝3pB1+5pc1+5pc2+5pc3+5pc4+5pc5+5pc6+3pB2，将其放入open_list中并且创建空列表close_list，因此G(M1)＝0，H(M1)＝-1，T(M1)＝0，F(M1)＝G(M1)+H(M1)+T(M1)＝-1，并且它是open_list中最小的花费，则将其移出open_list并加入到close_list中。下一个可以到达的标识为M2＝2pB1+pR1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+3pB2，M3＝3pB1+5pc1+5pc2+5pc3+5pc4+5pc5+4pc6+pR7+2pB2，由于M2、M3均不在open_list和close_list中，因此将其二加入到open_list中。
第二步，由于M2、M3代表托肯同时从初始库所出发，因此分布式计算左右两侧车辆的最短时间路径。判断由M1到达M2、M3的时间，以选择较短时间的标识。T(M2)＝1，T(M3)＝2，因此以M2为准，通过两个时间单位可以到达的下一标识为M4＝2pB1+pR2+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+3pB2、M5＝2pB1+pR3+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+3pB2、M6＝pB1+2pR1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+3pB2、M7＝pB1+pR1+pR2+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+3pB2和M8＝pB1+pR1+pR3+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+3pB2，由于pR1通行时间为1个时间单位，因此这五个状态中M6是瞬时可达，本发明将其省略，并且其中状态M4和状态M5是描述第一辆车的通行路径，因此先计算这两个状态的花费。其中G(M4)＝0，H(M4)＝-2，T(M4)＝2，F(M4)＝G(M4)+H(M4)+T(M4)＝0，G(M5)＝0，H(M5)＝-2，T(M5)＝0.5，F(M5)＝G(M5)+H(M5)+T(M5)＝-1.5，因此将M5移除open_list放入close_list中，将M4移出open_list。其余两个状态，状态M7和状态M8代表的是第二个托肯的路径选择，因此可以通过相同的花费计算为下一辆车选择路径。同理可以计算由M3到达的下一标识，直至找到目标标识MF＝pF1+5pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pF2。
由可达图可以计算出最短时间序列，下面从模型出发描述具体过程：
在时刻0，双侧车辆A1,B1同时出发，分别发射t1和t11，进入pR1和pR7路径，此时，pR1通行时间为1个时间单位，pR7通行时间为2个时间单位，此时资源库所pc1，pc6的托肯数分别为4。
在时刻1，车辆A1行驶至交叉口，根据pR2和pR3的花费选择较小花费的路径，根据启发式函数计算，pR3的花费较少，且通行时间为0.5个时间单位。同时，车辆A2、B2从初始库所pB1和pB2出发。由于车辆A1选择pR3路径，因此在时刻1发射t3进入pR3路径，通行时间为0.5个时间单位，此时pc1库所中的托肯数为5，pc2库所中的托肯数为4。
在时刻1.5，车辆A1行驶至交叉口，，此时pc5库所中的托肯数为5，pc4库所中的托肯数为5，根据pR4和pR5的花费选择较小花费的路径，根据启发式函数计算，pR4的花费较少，且通行时间为1个时间单位，发射t5进入路径pR4，此时pc5库所中的托肯数为4。
在时刻2，车辆A2行驶至交叉口，此时，pc1库所中的托肯数为5，根据pR2和pR3的花费选择较小花费的路径，根据启发式函数计算，pR3的花费较少，且通行时间为0.5个时间单位。因此选择路径pR3行驶。
车辆B1可以发射t12或t13选择pR8或pR9路径，依旧计算pR8和pR9花费选择较小花费的路径，根据计算结果，选择发射t12进入pR8路径，通行时间为3个时间单位，此时pc5库所中的托肯数为4，此时影响pR4路径的通行时间，pR4在通畅时通行时间为1个时间单位，当有车辆驶入则根据时间函数通行时间将延长，根据提出的时间函数，路径pR2的通行时间变为1.25个时间单位，但此刻没有车辆驶入路径pR2。
在时刻2.5，车辆A1可以发射t8选择pR6，但此时资源库所pc6剩余托肯数为4，因此需要计算此刻的通行时间，原始通行时间为2个时间单位，经过时间函数计算，通行时间变为2.5个时间单位，即车辆A1别在路径pR6的通行时间为2.5个时间单位，即在时刻5到达终止库所pF1。此时，资源库所pc6中剩余托肯数为3。
车辆A2可以发射t4或t7选择路径pR4或者pR5，但此时资源库所pc5剩余托肯数为4，因此需要计算此刻路径pR4的通行时间，原始通行时间为1个时间单位，经过计算得到此时通行时间为1.25个时间单位，同时计算花费较小的路径为路径pR4或，此时资源库所pc5剩余托肯数为3，后续车辆通行会受到影响。
在时刻3，车辆B2可以发射t12或t13选择pR8或pR9路径，计算pR8和pR9花费选择较小花费的路径，此时pc5库所中托肯数为3，pc4库所中托肯数为5，计算pR8的通行时间为5个时间单位，路径pR9依旧为原始通行时间为5，这里本发明根据G所定义的值来选择路径，根据G值的定义，则选择花费较小的路径pR8，根据计算结果，选择发射t12进入pR8路径，通行时间为5个时间单位，此时pc5库所中托肯数为2。
此刻车辆A3和车辆B3同时从初始库所出发，分别经过一个时间单位和两个时间单位通行完路径pR1和路径pR7。
在时刻3.75，车辆A2选择发射t8发进入pR6路径，此时pc6库所中的托肯数为4，通行时间变为2.5个时间单位，在时刻6.25到达终止库所。总通行时间为5.25个时间单位。
各车辆均在交叉口根据其他车辆的行驶状况以同样的方式选择最短时间路径，最终到达终止库所pF1，至此得到各车辆的最短时间序列为图5。
根据时间线看出各车辆的选择路径如图6。
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 (6)

1.一种基于时延Petri网的车辆最短时间交通路径处理方法，其特征在于，所述基于时延Petri网的车辆最短时间交通路径处理方法包括：
第一步，将已知的交通路径图由时延Petri网建模，用时延Petri网将复杂的交通路径用简洁的方式表示出；库所pBi,pFi分别代表起始库所及目标库所，即起始地点及目标地点；库所pR1-pR12代表路径，变迁t1-t20代表选择某条路径，库所pc1-pc6为资源库所，路径pR1-pR12的通行时间随着资源库所pc1-pc6中的托肯数n而变化；
第二步，计算模型的可达图，将车辆从起始地点出发，在每个交叉口根据启示式函数进行选择路径，直到到达目标地点的过程转化为计算初始标识到目标标识的最短时间序列。
2.如权利要求1所述的基于时延Petri网的车辆最短时间交通路径处理方法，其特征在于，所述基于时延Petri网的车辆最短时间交通路径处理方法的车辆路径导航算法包括：
步骤一，初始化open_list，close_list，其中，open_list表示待检验的标识的集合，close_list表示已经检验完毕的标识的集合，将初始标识M0加入到open_list中；
步骤二，若open_list为空，算法结束；
步骤三，将open_list中的各标识分别按照启发式算法计算花费后选择最小的标识Mk添加进close_list并从open_list中移除；
步骤四，若Mk为目标标识Mf，得到从初始标识M0到目标标识Mf的最短时间路径，跳至步骤二；
步骤五，将所有通过可发射变迁到达下一状态的标识Mk+1分别按照启发式算法计算花费后，将指针从Mk+1指向Mk。
3.如权利要求2所述的基于时延Petri网的车辆最短时间交通路径处理方法，其特征在于，其中对于每一个可到达的标识Mk+1做以下步骤：
(1)若Mk+1不存在于open_list和close_list中，将其放入open_list中；
(2)若Mk+1已存在于open_list中，并且更短时间序列已经找到，那么沿当前路径重定向指针；
(3)若Mk+1已存在于close_list中，并且更短时间序列已经找到，将其从close_list中移除并添加至open_list中，沿当前路径重定向指针；
(4)跳至步骤2)。
4.如权利要求2所述的基于时延Petri网的车辆最短时间交通路径处理方法，其特征在于，所述基于时延Petri网的车辆最短时间交通路径处理方法实时启发式算法包括：
1)初始标识M0到当前标识Mk的花费G(Mk)定义为；常规情况下为0，当计算标识的时间函数值相同时，则取初始的T(Mk)时间；
2)从当前标识Mk到达目标标识MF的花费H(Mk)定义为-dep(Mk)；其中dep(Mk)代表标识Mk在可达图中的深度；
3)从当前标识到达下一个标识的时间花费首先定义为固定时间T(Mk)，时间函数为T(Mk)c＝T(Mk)*5/capacity；其中T(Mk)c代表实时通行时间，capacity代表发射某变迁所对应的资源库所容量；
4)从当前标识到目标标识的总花费F定义为F(Mk)＝G(Mk)+H(Mk)+T(Mk)；
5)根据F值，对open_list的标识进行排序选择最小F值标识选择路径。
5.如权利要求1所述的基于时延Petri网的车辆最短时间交通路径处理方法，其特征在于，所述基于时延Petri网的车辆最短时间交通路径处理方法包括一辆车从起始库所到达终止库所的最短时间路径选择；
首先，初始标识为M1＝pB1+5pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pB2，将其放入open_list中并且创建空列表close_list，因此G(M1)＝0，H(M1)＝-1，T(M1)＝0，F(M1)＝G(M1)+H(M1)+T(M1)＝-1，并且它是open_list中最小的花费，则将其移出open_list并加入到close_list中；下一个可以到达的标识为M2＝pR1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pB2，M3＝pB1+5pc1+5pc2+5pc3+5pc4+5pc5+4pc6+pR7，由于M2、M3均不在open_list和close_list中，因此将其二加入到open_list中；
第二步，由于M2、M3代表托肯同时从初始库所出发，因此分布式计算左右两侧车辆的最短时间路径；判断由M1到达M2、M3的时间，以选择较短时间的标识，T(M2)＝2，T(M3)＝0.5，以M3为准，通过两个时间单位可以到达的下一标识为M4＝pB1+4pc1+5pc2+5pc3+4pc4+5pc5+5pc6+pR9和M5＝pB1+4pc1+5pc2+5pc3+5pc4+4pc5+5pc6+pR8，其中G(M4)＝0，H(M4)＝-2，T(M4)＝1，F(M4)＝G(M4)+H(M4)+T(M4)＝-1，G(M5)＝0，H(M5)＝-2，T(M4)＝2，F(M5)＝G(M5)+H(M5)+T(M5)＝0，因此将M4移除open_list放入close_list中，将M5移出open_list；同理计算由M2到达的下一标识，直至找到目标标识MF＝pF1+4pc1+5pc2+5pc3+5pc4+5pc5+5pc6+pF2；
进一步，所述基于时延Petri网的车辆最短时间交通路径处理方法由可达图可以计算出最短时间序列：
在时刻0，双侧车辆A1,B1同时出发，分别发射t1和t11，进入pR1和pR7路径，此时，pR1通行时间为2个时间单位，pR7通行时间为0.5个时间单位，资源库所pc1，pc6的托肯数分别为4；
在时刻0.5，右侧车辆B1行驶至交叉口，根据pR8和pR9的花费选择较小花费的路径，根据启发式函数计算，pR8的花费较少，且通行时间为1个时间单位；因此在时刻0.5发射t12进入pR8路径，此时pc6库所中的托肯数为5，pc5库所中的托肯数为4；
在时刻1.5，车辆B1可以发射t14或t15选择pR10或pR11路径，依旧计算pR10和pR11花费选择较小花费的路径，根据计算结果，选择发射t14进入pR10路径，通行时间为2个时间单位，此时pc3库所中的托肯数为4，此时影响pR2路径的通行时间，pR2在通畅时通行时间为1个时间单位，当有车辆驶入则根据时间函数通行时间将延长，此时，pR2的通行时间变为1.25个时间单位；
在时刻2，车辆A1可以发射t2或t3选择pR2或pR3路径，计算pR2和pR3花费选择较小花费的路径，根据计算结果，选择发射t3进入pR3路径，通行时间为1个时间单位，此时，pc2库所中的托肯数为4，pc1库所中的托肯数为5；
在时刻3，车辆A1可以发射t5或t7选择pR4或pR5路径，计算pR4和pR5花费选择较小花费的路径，此时pc5库所中托肯数为5，根据计算结果，选择发射t5进入pR4路径，通行时间为2个时间单位，此时pc5库所中托肯数为4；
在时刻3.5，pc1库所中的托肯数为5，车辆B1发射t18进入pR12路径，通行时间为1个时间单位，此时pc1库所中的托肯数为4，在4.5时刻到达终止库所pF2，总通行时间为4.5个时间单位；
车辆A1以同样的方式选择最短时间路径，在时刻7到达终止库所pF1。
6.如权利要求1所述的基于时延Petri网的车辆最短时间交通路径处理方法，其特征在于，所述基于时延Petri网的车辆最短时间交通路径处理方法实现三辆车从起始库所到达终止库所的最短时间路径选择，从起始库所出发的是三辆车，但这里对第一辆车和第二辆车之间设置延时1个时间单位，第二辆车和第三辆车之间设置延时2个时间单位，让六辆车在一段时间内分布于Petri网上，对于每辆车选择最短时间路径对应着三个托肯，通过变迁的发射序列找到每辆车的最短时间序列。
CN202010127671.XA 2020-02-28 2020-02-28 基于时延Petri网的车辆最短时间交通路径处理方法 Active CN111428910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010127671.XA CN111428910B (zh) 2020-02-28 2020-02-28 基于时延Petri网的车辆最短时间交通路径处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010127671.XA CN111428910B (zh) 2020-02-28 2020-02-28 基于时延Petri网的车辆最短时间交通路径处理方法

Publications (2)

Publication Number Publication Date
CN111428910A true CN111428910A (zh) 2020-07-17
CN111428910B CN111428910B (zh) 2023-12-05

Family

ID=71551722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010127671.XA Active CN111428910B (zh) 2020-02-28 2020-02-28 基于时延Petri网的车辆最短时间交通路径处理方法

Country Status (1)

Country Link
CN (1) CN111428910B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010008852A (ko) * 1999-07-05 2001-02-05 정선종 에이티엠 통신망에서의 가상경로 브렌칭 노드를 이용한 지연에민감한 서비스용 멀티캐스트 경로의 할당방법
KR20030014551A (ko) * 2001-08-11 2003-02-19 명지대학교 비콘 시스템을 이용한 동적 순환 최단 시간경로 탐색시스템 및 그 탐색 방법
KR20070055469A (ko) * 2007-05-10 2007-05-30 이성렬 개미 알고리즘을 이용한 택배 배송 시스템 및 그 시스템에따른 택배 배송 최단경로 생성 방법
CN104268634A (zh) * 2014-07-10 2015-01-07 西南交通大学 基于时间着色Petri网的列车冲突预测和化解方法
CN105427635A (zh) * 2015-11-03 2016-03-23 浙江工商大学 一种基于时间同步Petri网的急救车优先通行建模方法
CN105702073A (zh) * 2016-04-13 2016-06-22 徐亚国 一种基于路网决策点行程时间索引值的动态转向导航方法
CN106933737A (zh) * 2017-01-19 2017-07-07 北京航空航天大学 一种基于时间扩展petri网的嵌入式软件可靠性评估方法
WO2017177953A1 (zh) * 2016-04-14 2017-10-19 华为技术有限公司 在存储服务器中为应用设置数据处理路径的方法及装置
CN107978161A (zh) * 2016-10-25 2018-05-01 浙江工商大学 一种基于Petri网的急救车优先行驶建模方法
CN109238270A (zh) * 2018-10-21 2019-01-18 浙江浙大中控信息技术有限公司 基于改进的a星算法的智能导航方法
CN109447317A (zh) * 2018-09-21 2019-03-08 江苏大学 一种基于多人同时拣货的仓库最短路径优化方法
CN109598949A (zh) * 2018-11-29 2019-04-09 南京理工大学 基于赋时Petri网的T形路口紧急车辆抢占控制方法
CN109947098A (zh) * 2019-03-06 2019-06-28 天津理工大学 一种基于机器学习策略的距离优先最佳路径选择方法
CN110046810A (zh) * 2019-04-02 2019-07-23 南京理工大学 一种基于赋时Petri网的车间制造系统多目标调度方法
CN110334837A (zh) * 2019-04-11 2019-10-15 浙江同筑科技有限公司 一种基于petri网分解的多AGV调度方法
CN110716522A (zh) * 2019-11-04 2020-01-21 南京理工大学 基于任意时间a*启发式搜索的制造企业车间调度优化方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010008852A (ko) * 1999-07-05 2001-02-05 정선종 에이티엠 통신망에서의 가상경로 브렌칭 노드를 이용한 지연에민감한 서비스용 멀티캐스트 경로의 할당방법
KR20030014551A (ko) * 2001-08-11 2003-02-19 명지대학교 비콘 시스템을 이용한 동적 순환 최단 시간경로 탐색시스템 및 그 탐색 방법
KR20070055469A (ko) * 2007-05-10 2007-05-30 이성렬 개미 알고리즘을 이용한 택배 배송 시스템 및 그 시스템에따른 택배 배송 최단경로 생성 방법
CN104268634A (zh) * 2014-07-10 2015-01-07 西南交通大学 基于时间着色Petri网的列车冲突预测和化解方法
CN105427635A (zh) * 2015-11-03 2016-03-23 浙江工商大学 一种基于时间同步Petri网的急救车优先通行建模方法
CN105702073A (zh) * 2016-04-13 2016-06-22 徐亚国 一种基于路网决策点行程时间索引值的动态转向导航方法
WO2017177953A1 (zh) * 2016-04-14 2017-10-19 华为技术有限公司 在存储服务器中为应用设置数据处理路径的方法及装置
CN107978161A (zh) * 2016-10-25 2018-05-01 浙江工商大学 一种基于Petri网的急救车优先行驶建模方法
CN106933737A (zh) * 2017-01-19 2017-07-07 北京航空航天大学 一种基于时间扩展petri网的嵌入式软件可靠性评估方法
CN109447317A (zh) * 2018-09-21 2019-03-08 江苏大学 一种基于多人同时拣货的仓库最短路径优化方法
CN109238270A (zh) * 2018-10-21 2019-01-18 浙江浙大中控信息技术有限公司 基于改进的a星算法的智能导航方法
CN109598949A (zh) * 2018-11-29 2019-04-09 南京理工大学 基于赋时Petri网的T形路口紧急车辆抢占控制方法
CN109947098A (zh) * 2019-03-06 2019-06-28 天津理工大学 一种基于机器学习策略的距离优先最佳路径选择方法
CN110046810A (zh) * 2019-04-02 2019-07-23 南京理工大学 一种基于赋时Petri网的车间制造系统多目标调度方法
CN110334837A (zh) * 2019-04-11 2019-10-15 浙江同筑科技有限公司 一种基于petri网分解的多AGV调度方法
CN110716522A (zh) * 2019-11-04 2020-01-21 南京理工大学 基于任意时间a*启发式搜索的制造企业车间调度优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段任航: "基于Petri网的最短路径算法的研究", vol. 24, no. 1, pages 92 - 98 *

Also Published As

Publication number Publication date
CN111428910B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
Thibault et al. A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction
CN104462190B (zh) 一种基于海量空间轨迹挖掘的在线的位置预测方法
Kong et al. Big data‐driven machine learning‐enabled traffic flow prediction
CN108021686B (zh) 一种快速匹配电子地图中公交线路与道路网络的方法
CN109635914B (zh) 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN106228265A (zh) 基于改进粒子群优化的总拖期运输计划调度算法
De Nunzio et al. Bi-objective eco-routing in large urban road networks
CN110889530A (zh) 基于递归神经网络的目的地预测方法及服务器
CN115186446A (zh) 一种基于离散网格结构的交叉口全链路交通仿真方法
Zhao et al. Path $ k\hbox {NN} $ Query Processing in Mobile Systems
CN115560771A (zh) 基于采样的路径规划方法及装置、自动行驶设备
Zhu et al. The Path Optimization Algorithm of Car Navigation System considering Node Attributes under Time‐Invariant Network
CN112965500B (zh) 一种过必经点集且有额外硬约束的路径规划方法及设备
Garcia et al. Development of an energy-efficient routing algorithm for electric vehicles
Wang et al. Application of A* algorithm in intelligent vehicle path planning
Panovski et al. Real-time public transportation prediction with machine learning algorithms
CN111428910A (zh) 基于时延Petri网的车辆最短时间交通路径处理方法
Liu et al. An improved path planning algorithm based on fuel consumption
Shi et al. An adaptive route guidance model considering the effect of traffic signals based on deep reinforcement learning
Lingqiu et al. A LSTM based bus arrival time prediction method
Meng et al. Optimization and application of artificial intelligence routing algorithm
CN111260947B (zh) 一种基于洪泛算法的路网可达范围分析方法
CN113392106A (zh) 一种多智能体交通仿真数据存储与更新方法
Tariq et al. Efficient parking control algorithms for self-driving cars

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