CN113341976A - 基于锚定效应的新能源汽车混合蚁群路径规划方法 - Google Patents

基于锚定效应的新能源汽车混合蚁群路径规划方法 Download PDF

Info

Publication number
CN113341976A
CN113341976A CN202110639848.9A CN202110639848A CN113341976A CN 113341976 A CN113341976 A CN 113341976A CN 202110639848 A CN202110639848 A CN 202110639848A CN 113341976 A CN113341976 A CN 113341976A
Authority
CN
China
Prior art keywords
path
pheromone
new energy
point
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
CN202110639848.9A
Other languages
English (en)
Other versions
CN113341976B (zh
Inventor
施佺
陈九宇
邵叶秦
高锐锋
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.)
Nantong University
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN202110639848.9A priority Critical patent/CN113341976B/zh
Publication of CN113341976A publication Critical patent/CN113341976A/zh
Application granted granted Critical
Publication of CN113341976B publication Critical patent/CN113341976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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

Abstract

本发明公开了一种基于锚定效应的新能源汽车混合蚁群路径规划方法，包括：对新能源汽车长途起讫点周边范围划分可行与非可行区域，进行基于MAKLINK图论的环境建模仿真；绘制新能源汽车的长途行驶路径拓扑图；利用Dijkstra算法对拓扑图进行全局遍历寻优；针对当前可行路径区域环境进行蚁群算法参数初始化，并通过基于锚定效应改进的蚁群算法进行循环搜索寻优和路径长度计算，以解决新能源车行驶中的“里程焦虑”问题。本发明相比较传统智能路径规划算法，输出结果更小、收敛速度更快、运行速度优势显著；当结合算法原理进行设计时，可直接利用地图拓扑路径作次优路径规划，通过与地图系统匹配，在地图上选出最符合混合蚁群算法规划结果的路径。

Description

基于锚定效应的新能源汽车混合蚁群路径规划方法
技术领域
本发明属于决策心理学和新能源汽车智能路径规划方法领域，具体为一种基于锚定效应的新能源汽车混合蚁群路径规划方法。
背景技术
随着我国智能汽车技术和城市建设的不断发展，汽车长途路径规划越来越趋于综合化、复杂化。这加剧了安全隐患，也因此提高了对具有更好汽车长途路径规划效果的新型路径规划方法的研究需求。就新能源汽车而言，因其需要结合实践中可能存在的，影响算法实施的物理环境外因及驾驶员心理内因，在与其相关的智能路径规划方法中，结合各类数学模型的动态智能算法，如改进的Dijkstra算法、蚁群算法(Ant Colony Optimization,AC0)、遗传算法(Genetic Algorithm,GA)等算法会有出色表现。其中，蚁群算法因具有较强的全局搜索能力并易于其他算法融合而得到广泛应用。研究者可以通过参数优化和算法混合的方法来改善蚁群算法收敛速度慢、容易陷入局部最优的缺点。尽管有研究考量了新能源汽车综合充电、经济、环保成本的最优路径规划方法，但却少有研究考量新能源汽车驾驶员长途旅行条件下的心理因素影响以改善里程焦虑问题。
发明内容
发明目的：针对上述问题，本发明提出了一种基于锚定效应的新能源汽车混合蚁群路径规划方法。该算法强调决策心理学中的锚定效应对时间、电量约束条件下对新能源汽车驾驶员影响的显著性，通过考量锚定效应对驾驶员的心理影响以减少新能源汽车行驶过程中带来的里程焦虑带来的对算法的影响；在Dijkstra算法规划得出的长途次优路径的基础上，设计了一种混合蚁群算法，获得远比Dijkstra规划路径短的最优长途驾驶路径；同时对混合蚁群算法继续引入基于锚定效应的影响因子和自适应参数，变化调整初始化参数，从而改进混合蚁群算法；算法仿真获得了相比未考量锚定效应影响的混合算法和传统算法更加小的输出结果、更快的收敛速度、优势更显著的运行速度。
技术方案：一种基于锚定效应的新能源汽车混合蚁群路径规划方法，包括如下步骤：
步骤1)将不可行障碍区域顶点、边界点及链路端点数据录入MATLAB，基于MAKLINK图论建立仿真环境模型，忽略可行区域纹理；
步骤2)采用Dijkstra算法规划出一条路径作为次优路径；
步骤3)蚁群算法参数初始化；
步骤4)选出次优路径经过的链接线；
步骤5)循环搜索，根据公式计算每一只蚂蚁下一路径点选择概率，计算里程焦虑程度，通过轮盘赌选择下一个节点；
步骤6)根据公式进行信息素局部更新，降低当前已走路段信息素浓度，增加未走过路段被选概率；
步骤7)判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5。否则跳转步骤8；
步骤8)当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，并根据公式进行信息素全局更新；
步骤9)判断是否达到最大迭代数Nc，若尚未达到，则返回步骤5。否则输出结果。
进一步地，所述步骤1中，按新能源汽车长途行驶路径拓扑图建立规格大小为M*N的网格空间，设置新能源汽车起讫点并录入数据；录入到MATLAB中的数据中不可行障碍区域顶点、边界点数据为坐标形式，由不可行障碍区域端点数据编号得出链路端点数据，并基于录入数据描绘链接线及中点绘制出环境模型；基于建立好的环境模型绘制出可行路径拓扑图。
进一步地，所述步骤2中，使用单源最短路径Dijkstra算法规划出混合算法所需要的次优路径，集合S记录已求出最短路径的顶点及起点与其他各顶点间的现存最短路径，集合U记录尚未求得最短路径的顶点及其他各顶点间的距离。具体步骤如下：
步骤2-1：初始化。集合S中仅含起点位置s，集合U中则含除起点位置s以外的其他所有顶点。将到各个顶点距离标为起点s到该顶点的距离，对不直接相连的顶点则标记顶点距离为无穷大。即为：S{}＝s，U{}＝其他顶点，ds＝0。起始原点标为s，其他点暂未处理。
步骤2-2：遍历集合U中其他所有点到起点s的距离，选出距离最小的顶点k，并将点k加入到集合S之中，再从集合U中删除点k。即dsk＝min[dsj]；其中dsj为U中各点j到起点s的距离，dsk为U中到起点距离最小的顶点k到s的距离。
步骤2-3：更新起点s到集合U中的所有其他顶点的距离。步骤3-2中确定了k为最短路径中的顶点，可能会存在前一顶点，即Step2中起点s经过顶点k到达下一顶点时的路径长度比直接达到下一顶点时的路径长度小的情况，因此需要再次更新最短路径，以最小化距离为判断标准，即dsv＝min[dsv,dsk+dkv]；其中公式左侧的dsv为起点s达到下一顶点时的最短路径长度，公式右侧的dsv为起点s直接达到下一顶点时的路径长度，dkv为顶点k到达下一顶点的路径长度。
步骤2-4：重复Step2和3，直到遍历完所有顶点结束。最后输出的结果为包含所有顶点的集合S，集合U为空。集合S中的路径距离即为起点s到各个顶点的最短距离。
进一步地，所述步骤3中，对混合蚁群算法的参数进行初始化，包括：经过的线段数量、信息素重要因子、启发值程度重要因子、信息素选择阈值、信息素增量、蚂蚁数量、启发值、信息素、循环迭代次数、禁忌表、每次循环的最短路径长度及路径节点、蒸发系数、锚定波动因子、里程焦虑自锚定系数。
进一步地，所述步骤4中，选出次优路径经过的链接线，即得出经过各链接线中点时，线段两端端点的坐标。
进一步地，所述步骤5中，进行混合蚁群算法循环搜索，计算里程焦虑程度，具体步骤如下：
步骤5-1：利用Logistic增长型函数定义自适应变化的蒸发系数ρ；Logistic增长型函数由以下公式确定：
Figure BDA0003107134970000031
其中θ1为增长型函数上限，θ2为增长型函数下限，θ3为增长型函数中心点横坐标值，θ4为增长型函数的增长速度；设外循环迭代总次数为Nc，则自适应蒸发系数为：
Figure BDA0003107134970000032
步骤5-2：计算里程焦虑程度，用里程焦虑的程度来决定返程或就近充电的概率，根据经验需要充电的次数越多概率越大，利用概率来约束一下节点选择。驾驶员是否到达里程焦虑由以下公式判断：carenergy≤if_range_anxiety，其中carenergy为当前新能源汽车剩余电量，if_range_anxiety为里程焦虑判断值，计算公式如下：if_range_anxiety＝energyB×anchoring；energyB是当前返程需要消耗的电量，anchoring是根据经验的自锚定系数，系数越大，里程焦虑程度越低，计算公式为anchoring＝exp(exprience)，exprience为经验强度(0<exprience<1)。驾驶员是否决定返程或就近充电由下面的关系式判断：ifback<P_range_anxiety。其中ifback是(0,1)范围中随机的一个常数值，P_range_anxiety由下面的公式计算：
Figure BDA0003107134970000033
add是可控返程充电经验因子，是一个大于1的常数。
步骤5-3：蚂蚁每走过节点间的一段路径就将其记录进禁忌表tabuk中，蚂蚁在选择下一节点时将因此不会选择到已经经过的节点；蚂蚁选择路径时根据以下公式计算来确定下一节点：j＝argl∈allowedmax{τil(ηil)β}if q≤q0；j＝J else，其中τil、ηil分别为蚂蚁i在路径l上的信息素浓度、启发值大小，β为启发值重要程度因子，allowed为在禁忌表之外的节点集合，q为在[0,1]上均匀分布的随机变量，q0是信息素阈值为[0,1]上的常数，J根据状态转移公式得到：
Figure BDA0003107134970000041
其中α为信息素重要程度因子，allowedk是蚂蚁k能到达的下一节点表；ηij为启发值是节点间距离及本次外循环中已经过的路径长度之和的倒数，计算公式为：ηij＝1/(Lpassed+dij)，其中dij是节点(i,j)之间的欧式距离，Lpassed是当前蚂蚁在本次外循环中已经过的路径长度。
进一步地，所述步骤6中，每只蚂蚁选择完节点进路后进行信息素局部更新。信息素局部更新公式为
Figure BDA0003107134970000042
其中τ0为信息素浓度初始值，
Figure BDA0003107134970000043
为蚂蚁k经过后路段上的信息素浓度。
进一步地，所述步骤7中，判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5，否则跳转步骤8。具体步骤如下：
步骤7-1：判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5，同时计算当前蚂蚁走过路径的路径长度及信息素增量；
步骤7-2：否则跳转步骤8，计算一次外循环的总信息素增量，若全部蚂蚁所走路径上的信息素增量中的最大值仍小于判断值，算法给初始信息素强度Q加权。加权系数公式如下：λ＝1+ΔQ，其中λ即信息素强度Q的动态加权系数，
Figure BDA0003107134970000044
为蚂蚁k所走路径信息素增量，Δτij(t)为总信息素增量。
进一步地，所述步骤8中，当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，进行信息素全局更新。具体步骤如下：
步骤8-1：从一次循环中的路径中寻找出最短路径，并标记蚂蚁k的序号。
步骤8-2：对于寻找到最优路径的最优蚂蚁，利用混沌系统中的Logistic混沌映射，将该映射形成的混沌变量作为锚定波动因子(AF因子)加入到每次算法迭代搜索中，进行信息素全局更新；AF因子公式为AF(t+1)＝θAF(t)(1-AF(t))，其中AF(t)即为AF因子，θ为控制因子；引入AF因子后的信息素全局更新公式，即下一时刻t+n时各路径上的信息素更新公式如下：Tl(t+n)＝(1-ρ)Tl(t)+ΔTl(t)+γAF(t)if l＝lbest；其中m个蚂蚁的总信息素增量为
Figure BDA0003107134970000045
由如下公式得到
Figure BDA0003107134970000046
if the kth antuse k in its route；
Figure BDA0003107134970000047
其中，γ为可调节系数，T(k)为最优蚂蚁在其最佳全局路径上更新前后的信息素浓度，lbest表示每次外循环得到的最佳全局路径，Lk为最优蚂蚁所走过的路径长度之和。
步骤8-3：对于未寻找到最优路径的非最优蚂蚁，直接进行信息素全局更新：Tl(t+n)＝(1-ρ)Tl(t)if l≠lbest。
进一步地，所述步骤9中，判断是否达到最大迭代数Nc，若尚未达到，返回步骤5；否则计算比例和分点坐标，输出规划路径结果，完成算法。
有益效果：本发明的混合蚁群算法，该算法强调决策心理学中的锚定效应对时间、电量约束条件下对新能源汽车驾驶员影响的显著性，通过考量锚定效应对驾驶员的心理影响以减少新能源汽车里程焦虑带来的对算法的影响；在Dijkstra算法规划得出的长途次优路径的基础上，设计了一种混合蚁群算法，获得远比Dijkstra规划路径短的最优长途驾驶路径；同时对混合蚁群算法继续引入基于锚定效应的影响因子和自适应参数，变化调整初始化参数，从而改进混合蚁群算法；改进混合算法的仿真获得了相比未考量锚定效应影响的混合算法和传统算法更加小的输出结果、更快的收敛速度、优势更显著的运行速度。当结合算法原理进行设计时，可直接利用地图拓扑路径作次优路径规划，通过与地图系统匹配，在地图上选出最符合混合蚁群算法规划结果的路径，即为面向新能源汽车长途路径规划的锚定蚁群算法的最优规划路径结果。
针对蚁群算法收敛速度慢、容易陷入局部最优等缺点及新能源汽车长途路径规划方法研究中缺乏考量人员里程焦虑等心理因素影响的问题，本发明提出了一种基于锚定效应的新能源汽车混合蚁群路径规划方法，强调了决策心理学中的锚定效应对对新能源汽车驾驶员影响的显著性；在Dijkstra算法规划得出的次优路径的基础上，设计了一种混合蚁群算法(DA算法)，获得远比Dijkstra规划路径短的最优长途驾驶路径；同时对混合蚁群算法继续引入基于锚定效应的影响因子和自适应参数，变化调整初始化参数，从而改进混合蚁群算法；改进混合算法(DAAF算法)的仿真结果相比未考量锚定效应影响的混合算法和传统算法输出结果更小、收敛速度更快、运行速度优势更显著。结果同时也证明了锚定效应在该领域应用层面上的有效性，拓宽了其应用范畴，对决策心理学应用及新能源汽车里程焦虑改善均具有很好的创新意义。
附图说明
图1为本发明的基于锚定效应的新能源汽车混合蚁群路径规划方法步骤示意图；
图2为本发明的基于锚定效应的新能源汽车混合蚁群路径规划方法流程图；
图3为本发明的路径规划仿真环境模型图，规格为20km×20km；
图4为Dijkstra算法、本发明的算法仿真结果对比图；
图5为本发明的改进混合蚁群算法的路径规划结果对比表图；
图6为本发明的混合蚁群算法与传统蚁群算法的算法仿真迭代收敛变化趋势图；
图7为本发明的混合蚁群算法在环境v1-v2段为不可行路段时的动态规划仿真效果图；
图8为本发明的混合蚁群算法在环境v1-v2段为不可行路段时的动态规划仿真迭代图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1-2所示，一种基于锚定效应的新能源汽车混合蚁群路径规划方法，包括如下步骤：
步骤1)将不可行障碍区域顶点、边界点及链路端点数据录入MATLAB，基于MAKLINK图论建立环境模型，忽略可行区域纹理；路径规划仿真环境模型图如图3所示；
所述步骤1中，按新能源汽车长途行驶路径拓扑图建立规格大小为2000m*2000m的网格空间，设置新能源汽车起讫点并录入数据；录入到MATLAB中的数据中不可行障碍区域顶点、边界点数据为坐标形式，由不可行障碍区域端点数据编号得出链路端点数据，并基于录入数据描绘链接线及中点绘制出环境模型；基于建立好的环境模型绘制出可行路径拓扑图。
步骤2)采用Dijkstra算法规划出一条路径作为次优路径；
所述步骤2中，使用单源最短路径Dijkstra算法规划出混合算法所需要的次优路径，集合S记录已求出最短路径的顶点及起点与其他各顶点间的现存最短路径，集合U记录尚未求得最短路径的顶点及其他各顶点间的距离。具体步骤如下：
步骤2-1：初始化。集合S中仅含起点位置s，集合U中则含除起点位置s以外的其他所有顶点。将到各个顶点距离标为起点s到该顶点的距离，对不直接相连的顶点则标记顶点距离为无穷大。即为：S{}＝s，U{}＝其他顶点，ds＝0。起始原点标为s，其他点暂未处理。
步骤2-2：遍历集合U中其他所有点到起点s的距离，选出距离最小的顶点k，并将点k加入到集合S之中，再从集合U中删除点k。即dsk＝min[dsj]。
步骤2-3：更新起点s到集合U中的所有其他顶点的距离。步骤3-2中确定了k为最短路径中的顶点，可能会存在前一顶点，即Step2中起点s经过顶点k到达下一顶点时的路径长度比直接达到下一顶点时的路径长度小的情况，因此需要再次更新最短路径，以最小化距离为判断标准，即dsv＝min[dsv,dsk+dkv]。
步骤2-4：重复Step2和3，直到遍历完所有顶点结束。最后输出的结果为包含所有顶点的集合S，集合U为空。集合S中的路径距离即为起点s到各个顶点的最短距离。
步骤3)蚁群算法参数初始化；
所述步骤3中，对混合蚁群算法的参数进行初始化，包括：经过的线段数量、信息素重要因子、启发值程度重要因子、信息素选择阈值、信息素增量、蚂蚁数量、启发值、信息素、循环迭代次数、禁忌表、每次循环的最短路径长度及路径节点、蒸发系数、锚定波动因子、里程焦虑自锚定系数。
步骤4)选出次优路径经过的链接线；
所述步骤4中，所述步骤4中，选出次优路径经过的链接线，即得出经过各链接线中点时，线段两端端点的坐标。
步骤5)循环搜索，根据公式计算每一只蚂蚁下一路径点选择概率，通过轮盘赌选择下一个节点；
所述步骤5中，进行混合蚁群算法循环搜索，具体步骤如下：
步骤5-1：利用Logistic增长型函数定义自适应变化的蒸发系数ρ；Logistic增长型函数由以下公式确定：
Figure BDA0003107134970000071
其中θ1为增长型函数上限，θ2为增长型函数下限，θ3为增长型函数中心点横坐标值，θ4为增长型函数的增长速度；设外循环迭代总次数为Nc，则自适应蒸发系数为：
Figure BDA0003107134970000072
步骤5-2：计算里程焦虑程度，用里程焦虑的程度来决定返程或就近充电的概率，根据经验需要充电的次数越多概率越大，利用概率来约束一下节点选择。驾驶员是否到达里程焦虑由以下公式判断：carenergy≤if_range_anxiety，其中carenergy为当前新能源汽车剩余电量，if_range_anxiety为里程焦虑判断值，计算公式如下：if_range_anxiety＝energyB×anchoring；energyB是当前返程需要消耗的电量，anchoring是根据经验的自锚定系数，系数越大，里程焦虑程度越低，计算公式为anchoring＝exp(exprience)，exprience为经验强度(0<exprience<1)。驾驶员是否决定返程或就近充电由下面的关系式判断：ifback<P_range_anxiety。其中ifback是(0,1)范围中随机的一个常数值，P_range_anxiety由下面的公式计算：
Figure BDA0003107134970000073
add是可控返程充电经验因子，是一个大于1的常数。
步骤5-3：蚂蚁每走过节点间的一段路径就将其记录进禁忌表tabuk中，蚂蚁在选择下一节点时将因此不会选择到已经经过的节点；蚂蚁选择路径时根据以下公式计算来确定下一节点：j＝argl∈allowedmax{τil(ηil)β}if q≤q0；j＝J else，其中allowed为在禁忌表之外的节点集合，q为在[0,1]上均匀分布的随机变量，q0是信息素阈值为[0,1]上的常数，J根据状态转移公式得到：
Figure BDA0003107134970000081
其中allowedk是蚂蚁k能到达的下一节点表；ηij为启发值是节点间距离及本次外循环中已经过的路径长度之和的倒数，计算公式为：ηij＝1/(Lpassed+dij)，其中dij是节点(i,j)之间的欧式距离，Lpassed是当前蚂蚁在本次外循环中已经过的路径长度。
步骤6)根据公式进行信息素局部更新，降低当前已走路段信息素浓度，增加未走过路段被选概率；
所述步骤6中，每只蚂蚁选择完节点进路后进行信息素局部更新。信息素局部更新公式为
Figure BDA0003107134970000082
其中τ0为信息素浓度初始值，
Figure BDA0003107134970000083
为蚂蚁k经过后路段上的信息素浓度。
步骤7)判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5。否则跳转步骤8；
所述步骤7中，判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5，否则跳转步骤8。具体步骤如下：
步骤7-1：判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5，同时计算当前蚂蚁走过路径的路径长度及信息素增量；
步骤7-2：否则跳转步骤8，计算一次外循环的总信息素增量，若全部蚂蚁所走路径上的信息素增量中的最大值仍小于判断值，算法给初始信息素强度Q加权。加权系数公式如下：λ＝1+ΔQ，其中λ即信息素强度Q的动态加权系数，
Figure BDA0003107134970000084
为蚂蚁k所走路径信息素增量，Δτij(t)为总信息素增量。
步骤8)当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，并根据公式进行信息素全局更新；
所述步骤8中，当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，进行信息素全局更新。具体步骤如下：
步骤8-1：从一次循环中的路径中寻找出最短路径，并标记蚂蚁k的序号。
步骤8-2：对于寻找到最优路径的最优蚂蚁，利用混沌系统中的Logistic混沌映射，将该映射形成的混沌变量作为锚定波动因子(AF因子)加入到每次算法迭代搜索中，进行信息素全局更新；AF因子公式为AF(t+1)＝θAF(t)(1-AF(t))，其中AF(t)即为AF因子，θ为控制因子；引入AF因子后的信息素全局更新公式如下：Tl(t+n)＝(1-ρ)Tl(t)+ΔTl(t)+γAF(t)if l＝lbest；其中
Figure BDA0003107134970000091
由如下公式得到
Figure BDA0003107134970000092
ifthe kth ant use k in its route；
Figure BDA0003107134970000093
其中，γ为可调节系数，T(k)为最优蚂蚁在其最佳全局路径上更新前后的信息素浓度，lbest表示每次外循环得到的最佳全局路径，Lk为最优蚂蚁所走过的路径长度之和。
步骤8-3：对于未寻找到最优路径的非最优蚂蚁，直接进行信息素全局更新：Tl(t+n)＝(1-ρ)Tl(t)if l≠lbest。
步骤9)判断是否达到最大迭代数Nc，若尚未达到，则返回步骤5。否则输出结果。展示形式为对比仿真结果图和在拓扑路径有障情况下动态规划仿真结果图，结果如图4-8。
所述步骤9中，判断是否达到最大迭代数Nc，若尚未达到，返回步骤5；否则计算比例和分点坐标，输出规划路径结果，完成算法。
本发明针对蚁群算法收敛速度慢、容易陷入局部最优等缺点及新能源汽车长途路径规划方法研究中缺乏考量人员里程焦虑等心理因素影响的问题，提出了一种基于锚定效应的新能源汽车混合蚁群路径规划方法，强调决策心理学中的锚定效应对时间、电量约束条件下对新能源汽车驾驶员影响的显著性，通过考量锚定效应对驾驶员的心理影响以减少新能源汽车里程焦虑带来的对算法的影响；在Dijkstra算法规划得出的长途次优路径的基础上，设计了一种混合蚁群算法，获得远比Dijkstra规划路径短的最优长途驾驶路径；同时对混合蚁群算法继续引入基于锚定效应的影响因子和自适应参数，变化调整初始化参数，从而改进混合蚁群算法；改进混合算法的仿真获得了相比未考量锚定效应影响的混合算法和传统算法更加小的输出结果、更快的收敛速度、优势更显著的运行速度。当结合算法原理进行设计时，可直接利用地图拓扑路径作次优路径规划，通过与地图系统匹配，在地图上选出最符合混合蚁群算法规划结果的路径，即为面向新能源汽车长途路径规划的锚定蚁群算法的最优规划路径结果。结果同时也证明了锚定效应在该领域应用层面上的有效性，拓宽了其应用范畴，对决策心理学应用及新能源汽车里程焦虑改善均具有很好的创新开拓意义。
以上所述仅为本发明在20km×20km规格的仿真模型中较好的实施方式，本发明保护范围并不以上述实施方式为限制，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修改和其他修饰变化，皆应纳入权利要求书记载的保护。

Claims (10)

1.一种基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：包括如下步骤：
步骤1)将不可行障碍区域顶点、边界点及链路端点数据录入MATLAB，基于MAKLINK图论建立仿真环境模型，忽略可行区域纹理；
步骤2)采用Diikstra算法规划出一条路径作为次优路径；
步骤3)蚁群算法参数初始化；
步骤4)选出次优路径经过的链接线；
步骤5)循环搜索，计算每一只蚂蚁下一路径点选择概率，计算里程焦虑程度，通过轮盘赌选择下一个节点；
步骤6)进行信息素局部更新，降低当前已走路段信息素浓度，增加未走过路段被选概率；
步骤7)判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5)，否则跳转步骤8)；
步骤8)当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，并根据公式进行信息素全局更新；
步骤9)判断是否达到最大迭代数Nc，若尚未达到，则返回步骤5)，否则输出结果。
2.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤1)中，按新能源汽车长途行驶路径拓扑图建立规格大小为Mm*Nm的网格空间，设置新能源汽车起讫点并录入数据；录入到MATLAB中的数据中不可行障碍区域顶点、边界点数据为坐标形式，由不可行障碍区域端点数据编号得出链路端点数据，并基于录入数据描绘链接线及中点绘制出环境模型；基于建立好的环境模型绘制出可行路径拓扑图。
3.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤2)中，使用单源最短路径Dijkstra算法规划出混合算法所需要的次优路径，集合S记录已求出最短路径的顶点及起点与其他各顶点间的现存最短路径，集合U记录尚未求得最短路径的顶点及其他各顶点间的距离；具体步骤如下：
步骤2-1：初始化；集合S中仅含起点位置s，集合U中则含除起点位置s以外的其他所有顶点；将到各个顶点距离标为起点s到该顶点的距离，对不直接相连的顶点则标记顶点距离为无穷大，即为：S{}＝s，U{}＝其他顶点，ds＝0，起始原点标为s，其他点暂未处理；
步骤2-2：遍历集合U中其他所有点到起点s的距离，选出距离最小的顶点k，并将点k加入到集合S之中，再从集合U中删除点k，即dsk＝min[dsj]；其中dsj为U中各点j到起点s的距离，dsk为U中到起点距离最小的顶点k到s的距离；
步骤2-3：更新起点s到集合U中的所有其他顶点的距离；步骤2-2中确定了k为最短路径中的顶点，可能会存在前一顶点，即Step2中起点s经过顶点k到达下一顶点时的路径长度比直接达到下一顶点时的路径长度小的情况，因此需要再次更新最短路径，以最小化距离为判断标准，即dsv＝min[dsv，dsk+dkv]；其中公式左侧的dsv为起点s达到下一顶点时的最短路径长度，公式右侧的dsv为起点s直接达到下一顶点时的路径长度，dkv为顶点k到达下一顶点的路径长度；
步骤2-4：重复Step2-2和2-3，直到遍历完所有顶点结束；最后输出的结果为包含所有顶点的集合S，集合U为空；集合S中的路径距离即为起点s到各个顶点的最短距离。
4.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤3)中，对混合蚁群算法的参数进行初始化，包括：经过的线段数量、信息素重要因子、启发值程度重要因子、信息素选择阈值、信息素增量、蚂蚁数量、启发值、信息素、循环迭代次数、禁忌表、每次循环的最短路径长度及路径节点、蒸发系数、锚定波动因子、里程焦虑自锚定系数。
5.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤4)中，选出次优路径经过的链接线，即得出经过各链接线中点时，线段两端端点的坐标。
6.根据权力要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤5)中，进行混合蚁群算法循环搜索，计算里程焦虑程度，具体步骤如下：
步骤5-1：利用Logistic增长型函数定义自适应蒸发系数ρ；Logistic增长型函数由以下公式确定：
Figure FDA0003107134960000021
其中θ1为增长型函数上限，θ2为增长型函数下限，θ3为增长型函数中心点横坐标值，θ4为增长型函数的增长速度；设外循环迭代总次数为Nc，则自适应蒸发系数为：
Figure FDA0003107134960000022
步骤5-2：计算里程焦虑程度，用里程焦虑的程度来决定返程或就近充电的概率，根据经验需要充电的次数越多概率越大，利用概率来约束一下节点选择；驾驶员是否到达里程焦虑由以下公式判断：carenergy≤if_range_anxiety，其中carenergy为当前新能源汽车剩余电量，if_range_anxiety为里程焦虑判断值，计算公式如下：if_range_anxiety＝energyB×anchoring；energyB是当前返程需要消耗的电量，anchoring是根据经验的自锚定系数，系数越大，里程焦虑程度越低，计算公式为anchoring＝exp(exprience)，exprience为经验强度，0＜exprience＜1；驾驶员是否决定返程或就近充电由下面的关系式判断：ifback＜P_range_anxiety；其中ifback是(0，1)范围中随机的一个常数值，P_range_anxiety由下面的公式计算：
Figure FDA0003107134960000031
add是可控返程充电经验因子，是一个大于1的常数；
步骤5-3：蚂蚁每走过节点间的一段路径就将其记录进禁忌表tabuk中，蚂蚁在选择下一节点时将因此不会选择到已经经过的节点；蚂蚁选择路径时根据以下公式计算来确定下一节点：j＝argl∈allowedmax{τil(ηil)β}if q≤q0；j＝Jelse，其中τil、ηil分别为蚂蚁i在路径1上的信息素浓度、启发值大小，β为启发值重要程度因子，allowed为在禁忌表之外的节点集合，q为在[0，1]上均匀分布的随机变量，q0是信息素阈值为[0，1]上的常数，J根据状态转移公式得到：
Figure FDA0003107134960000032
其中α为信息素重要程度因子，allowedk是蚂蚁k能到达的下一节点表；ηij为启发值是节点间距离及本次外循环中已经过的路径长度之和的倒数，计算公式为：ηij＝1/(Lpassed+dij)，其中dij是节点(i，j)之间的欧式距离，Lpassed是当前蚂蚁在本次外循环中已经过的路径长度。
7.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤6)中，每只蚂蚁选择完节点进路后进行信息素局部更新；信息素局部更新公式为
Figure FDA0003107134960000033
其中τ0为信息素浓度初始值，
Figure FDA0003107134960000034
为蚂蚁k经过后路段上的信息素浓度，ρ为自适应蒸发系数。
8.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤7)中，判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5)，否则跳转步骤8)；具体步骤如下：
步骤7-1：判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5)，同时计算当前蚂蚁走过路径的路径长度及信息素增量；
步骤7-2：否则跳转步骤8)，计算一次外循环的总信息素增量，若全部蚂蚁所走路径上的信息素增量中的最大值仍小于判断值，算法给初始信息素强度Q加权；加权系数公式如下：λ＝1+ΔQ，其中λ即信息素强度Q的动态加权系数，
Figure FDA0003107134960000035
Figure FDA0003107134960000036
为蚂蚁k所走路径信息素增量，Δτij(t)为总信息素增量。
9.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤8)中，当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，进行信息素全局更新；具体步骤如下：
步骤8-1：从一次循环中的路径中寻找出最短路径，并标记蚂蚁k的序号；
步骤8-2：对于寻找到最优路径的最优蚂蚁，利用混沌系统中的Logistic混沌映射，将该映射形成的混沌变量作为锚定波动因子加入到每次算法迭代搜索中，进行信息素全局更新；AF因子公式为AF(t+1)＝θAF(t)(1-AF(t))，其中AF(t)即为AF因子，θ为控制因子；引入AF因子后的信息素全局更新公式，即下一时刻t+n时各路径上的信息素更新公式如下：Tl(t+n)＝(1-ρ)Tl(t)+ΔTl(t)+γAF(t)if l＝lbest；其中m个蚂蚁的总信息素增量为
Figure FDA0003107134960000041
每个蚂蚁的信息素增量
Figure FDA0003107134960000042
由如下公式得到
Figure FDA0003107134960000043
ifthe kth ant use k in its route；
Figure FDA0003107134960000044
其中，γ为可调节系数，T(k)为最优蚂蚁在其最佳全局路径上更新前后的信息素浓度，lbest表示每次外循环得到的最佳全局路径，Lk为最优蚂蚁所走过的路径长度之和，ρ为自适应蒸发系数，Q为信息素强度；
步骤8-3：对于未寻找到最优路径的非最优蚂蚁，直接进行信息素全局更新：Tl(t+n)＝(1-ρ)Tl(t)if l≠lbest。
10.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤9)中，判断是否达到最大迭代数Nc，若尚未达到，返回步骤5)；否则计算比例和分点坐标，输出规划路径结果，完成算法。
CN202110639848.9A 2021-06-09 2021-06-09 基于锚定效应的新能源汽车混合蚁群路径规划方法 Active CN113341976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110639848.9A CN113341976B (zh) 2021-06-09 2021-06-09 基于锚定效应的新能源汽车混合蚁群路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110639848.9A CN113341976B (zh) 2021-06-09 2021-06-09 基于锚定效应的新能源汽车混合蚁群路径规划方法

Publications (2)

Publication Number Publication Date
CN113341976A true CN113341976A (zh) 2021-09-03
CN113341976B CN113341976B (zh) 2022-10-04

Family

ID=77475447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110639848.9A Active CN113341976B (zh) 2021-06-09 2021-06-09 基于锚定效应的新能源汽车混合蚁群路径规划方法

Country Status (1)

Country Link
CN (1) CN113341976B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132009A (zh) * 2023-09-07 2023-11-28 云南电网有限责任公司电力科学研究院 一种基于配网智慧运维的临近环网线路规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589461A (zh) * 2015-11-18 2016-05-18 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN105760954A (zh) * 2016-02-15 2016-07-13 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN107610511A (zh) * 2017-09-15 2018-01-19 山东建筑大学 一种融合超声波探测和图像采集的反向寻车系统及方法
CN110095122A (zh) * 2019-05-10 2019-08-06 安徽工程大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110211405A (zh) * 2019-05-22 2019-09-06 南京理工大学 一种基于交通信息素模型的出行路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589461A (zh) * 2015-11-18 2016-05-18 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN105760954A (zh) * 2016-02-15 2016-07-13 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN107610511A (zh) * 2017-09-15 2018-01-19 山东建筑大学 一种融合超声波探测和图像采集的反向寻车系统及方法
CN110095122A (zh) * 2019-05-10 2019-08-06 安徽工程大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110211405A (zh) * 2019-05-22 2019-09-06 南京理工大学 一种基于交通信息素模型的出行路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132009A (zh) * 2023-09-07 2023-11-28 云南电网有限责任公司电力科学研究院 一种基于配网智慧运维的临近环网线路规划方法
CN117132009B (zh) * 2023-09-07 2024-02-09 云南电网有限责任公司电力科学研究院 一种基于配网智慧运维的临近环网线路规划方法

Also Published As

Publication number Publication date
CN113341976B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN110530388B (zh) 多agv的路径规划方法及系统
JP6717860B2 (ja) ハイブリッドモータ車両の燃料および電気消費を管理するための設定点を計算するための方法
CN112435498B (zh) 一种基于方向性诱导的城市路网最短路径获取方法
CN107490386A (zh) 一种电动汽车最优路径和驾驶方式的规划方法及系统
CN111220157A (zh) 基于区域分割的导航路径规划方法及计算机可读存储介质
CN111891130B (zh) 一种车辆运行方法和装置
CN113393690B (zh) 考虑自动驾驶专用车道的混合交通均衡分配方法
CN111290390A (zh) 一种基于天牛须搜索的智能船舶路径规划方法
CN106355291A (zh) 基于门店点群平分线的物流路径规划方法
CN113415288B (zh) 分段式纵向车速规划方法、装置、设备及存储介质
CN113341976B (zh) 基于锚定效应的新能源汽车混合蚁群路径规划方法
CN111337047B (zh) 基于多任务点约束的非结构化道路宏观路径规划方法
Li et al. Mobile robot path planning based on improved genetic algorithm with A-star heuristic method
CN115953104A (zh) 一种基于蜣螂优化算法的混合车队调度方法
Yang et al. Real-time energy management for a hybrid electric vehicle based on heuristic search
Aljaidi et al. A reinforcement learning-based assignment scheme for evs to charging stations
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN116414139B (zh) 基于A-Star算法的移动机器人复杂路径规划方法
CN115547087B (zh) 基于两阶段法与方向诱导的城市路网最短路径获取方法及应用
CN113110431A (zh) 无人靶车野外试验路径实时规划方法
CN116822194A (zh) 一种基于蚁群优化算法的电动汽车充电站选址方法
Xiao Optimal travel path planning and real time forecast system based on ant colony algorithm
CN114879665A (zh) 用于车辆远程召唤系统的安全节能运动规划方法及系统
Jiao et al. The Optimization Model of E-Commerce Logistics Distribution Path Based on GIS Technology
CN112598153A (zh) 一种基于天牛须搜索算法的旅行商问题求解方法

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