CN113589819A - 一种专用无人驾驶观光车辆线网规划方法 - Google Patents

一种专用无人驾驶观光车辆线网规划方法 Download PDF

Info

Publication number
CN113589819A
CN113589819A CN202110922942.5A CN202110922942A CN113589819A CN 113589819 A CN113589819 A CN 113589819A CN 202110922942 A CN202110922942 A CN 202110922942A CN 113589819 A CN113589819 A CN 113589819A
Authority
CN
China
Prior art keywords
sightseeing
pheromone
sightseeing vehicle
path
route
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
CN202110922942.5A
Other languages
English (en)
Inventor
林中朴
周柳
安康
魏俊生
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.)
Shanghai Songhong Intelligent Automobile Technology Co ltd
Original Assignee
Shanghai Songhong Intelligent Automobile Technology Co ltd
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 Shanghai Songhong Intelligent Automobile Technology Co ltd filed Critical Shanghai Songhong Intelligent Automobile Technology Co ltd
Priority to CN202110922942.5A priority Critical patent/CN113589819A/zh
Publication of CN113589819A publication Critical patent/CN113589819A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal

Abstract

本发明介绍了一种专用无人驾驶观光车辆线网规划方法，其包括以下步骤：步骤一：使用原有的观光车路线作为算法的初始路径，并在其路径上放置一定量的信息素，并拟定观光车的路线；步骤二：采用最短路径分配法将OD需求矩阵中的客流分配给观光车线网中的所有观光车线路；步骤三：进行信息素的更新；步骤四：对不符合约束条件的解的出行，设置惩罚机制。该发明与采用固定线路，固定观光车停靠点的观光车服务模式相比，通过使用蚁群算法节约了成本，提高了观光车周转效率，在满足所有景点需求的情况下，找到了客流密度最大以及绕行最小的多辆观光车运行路径。

Description

一种专用无人驾驶观光车辆线网规划方法
技术领域
本发明涉及车辆线路规划，具体地说是一种专用无人驾驶观光车辆线网规划方法。
背景技术
无人驾驶汽车路径规划是指在一定的环境模型基础上，给定无人驾驶汽车起始点和目标点后，按照性能指标规划出一条无碰撞、能安全到达目标点的有效路径。而针对无人驾驶观光车来说，需要首先根据游客需求确定其固定停靠站点以及行驶的路径，根据输入的停靠点，无人驾驶观光车在环境地图中快速实时地搜索可行驶路径。
常规的做法为采用固定线路，固定观光车停靠点的观光车服务模式，但景区内观光车数量是固定的，为节约成本，提高观光车周转效率，需要在满足所有景点需求的情况下，找到客流密度最大以及绕行最小的多辆观光车运行路径。
蚁群算法是通过学习现实世界中蚂蚁群体的觅食行为而发展起来的一种群体智能进化算法。虽然单个蚂蚁看起来非常简单，但是由许多蚂蚁组成的蚁群却能表现出不同于个体的强大的能量。蚁群能够在蚂蚁巢穴到食物之间错综复杂的线路中找到一条最优的线路，适合本发明中复杂网络下的无人驾驶观光车线网规划问题。
如中国专利CN110032188A公布的一种基于无人驾驶观光电动车的自主避障方法，属于智能安全控制领域和无人驾驶智能交通领域，首先通过安装在观光电动车前身处的激光雷达传感器采集车辆前方的障碍物数据，然后对障碍物数据进行坐标系转换，并对坐标点进行区域划分，分成左中右三个区域，对每个区域进行障碍物聚类检测，根据每一个区域的检测结果进行判断并作出避障决策。一种基于无人驾驶观光电动车的自主避障方法可以解决观光电动车在景区、园区里无人驾驶的自主安全避障问题，适用于自助游览观光的低速观光电动车无人驾驶系统。虽然涉及无人驾驶领域，但只是对规避障碍进行方法设计，并没有对整体路线进行设计。
又如中国专利CN109979188B公布的一种智能化无人驾驶观光车队，目的在于通过多种系统组合成七种功能板块，七种功能板块组合形成正常观光车、巡逻与清洁多用途车、特殊人群保障车、巡逻无人机；达到正常观光车承载普通游客、特殊人群保障车承载老幼病残孕观光风景区以及因此减免雇佣司机的花销的目的；通过特殊人群保障车的独特设计使老幼病残孕人群在观光风景区过程中得到更加舒适的观光体验；通过巡逻与清洁多用途车对客流量进行采集以及路面垃圾进行清理，从而降低客流量采集人员以及路面垃圾清扫人员的投入成本；通过巡逻无人机对巡逻与清洁多用途车无法到达的区域进行客流密度采集以及垃圾拍照，使客流量采集结果更加完善、风景区垃圾清除更加彻底。在这项发明中，虽然观光车采用了无人驾驶技术，但是并不能在满足所有景点需求的情况下，找到客流密度最大及绕行最小的多辆观光车运行路径。
因此，如何设计一种专用无人驾驶观光车辆线网规划方法，能在满足所有景点需求的情况下，找到客流密度最大及绕行最小的多辆观光车运行路径，来节约成本，提高观光车周转效率是一件亟待解决的事情，具有十分重要的意义。
发明内容
有鉴于此，本申请的目的在于提供一种一种专用无人驾驶观光车辆线网规划方法。
为了达到上述目的，本申请提供如下技术方案。
一种专用无人驾驶观光车辆线网规划方法，其步骤包括：
步骤一：使用原有的观光车路线作为算法的初始路径，并在其路径上放置一定量的信息素，并拟定观光车的路线；
步骤二：采用最短路径分配法将OD需求矩阵中的客流分配给观光车线网中的所有观光车线路；
步骤三：进行信息素的更新；
步骤四：对不符合约束条件的解的出行，设置惩罚机制。
优选地，观光车辆线网规划的目标为客流密度最大以及非直线系数最小的观光车线路集合，目标函数为：
maxf＝max∑r∈Rfr；
Figure BDA0003208109350000021
Figure BDA0003208109350000031
其设置有约束条件为：
Figure BDA0003208109350000032
其中，fr是评价函数，R是观光车运行线路的集合；
Figure BDA0003208109350000033
是线路r的客流量；lr是线路r的长度；lmin是最短长度限制，lmax是最长长度限制，Zr是线路r的非直线系数，dr线路起终点间的直线距离。
优选地，步骤一中放置的信息素的公式为
Figure BDA0003208109350000034
i，j为初始线路r上相邻观光车停靠点,ft是评价函数,τ是信息素。
优选地，步骤一中的转移公式基于当前观光车停靠点和下一个观光车停靠点间的信息素强度和启发式信息，转移公式如下：
Figure BDA0003208109350000035
其中，
Figure BDA0003208109350000036
为第k只蚂蚁从当前观光车停靠点选择下一个观光车停靠点j的概率；τij为路径上(i，j)上的信息素强度，ηij为路径(i，j)上的启发式信息。
优选地，步骤一中启发式信息的公式为：
Figure BDA0003208109350000037
其中，start为起点，nij为经过ij的观光车线路条数，p为常数，Od为游客数量，l为线路长度，从公式上可以看出，该启发式信息中包含了从起点到下一个观光车停靠点j的游客数量之和、起点到下一个观光车停靠点j的线路长度以及起点到下一个j己有的观光车线路条数(这样可以减少线路的重复率，服务更多的游客)。
优选地，步骤二包括以下步骤：
S201：为每条观光车线路分配一个初始发车频次funit；
S202：观光车停靠点间运行费用的计算；
S203：将ODij分配给费用最少的路线；
S204：重新计算该线路中所有观光车的发车频次。
优选地，步骤S202中运行费用的计算公式为：
Figure BDA0003208109350000041
其中，
Figure BDA0003208109350000042
为从观光车停靠点i到观光车停靠点j选择路线r的费用；
Figure BDA0003208109350000043
为路线r的等待时间(等于路线r中所有观光车线路发车间隔总和的一半)；Cw为等待时间的权重；C1表示一次换乘的惩罚，需要一次换乘时X1为1，否则为0；C2表示二次换乘的惩罚,需要二次换乘时X2为1，否则为0；
Figure BDA0003208109350000044
表示观光车停靠点i到观光车停靠点j选择线路route的乘车时间；Ct为权重。
优选地，步骤S204中，发车频率的计算公式为：
Figure BDA0003208109350000045
其中，
Figure BDA0003208109350000046
是观光车线路r上最大断面客流(单位：人/小时)，CAP是标准车辆的最大载客量，并且Fr不能超过最大的发车频次Fmax。
优选地，步骤三包括以下步骤：
S301：通过模拟自然界中信息素的蒸发去减少每一条边上的信息素数量；
S302：计算每一只蚂蚁所走过的路径上的信息素增量。
优选地，步骤三中信息素的更新公式为：
Figure BDA0003208109350000051
其中，
Figure BDA0003208109350000052
是更新之后的信息素，
Figure BDA0003208109350000053
是更新之前的信息素；ρ是控制信息素挥发的常数；k是第几只蚂蚁；
Figure BDA0003208109350000054
是第k只蚂蚁在ij上更新的信息素量。
优选地，第k只蚂蚁在ij上更新的信息素量具体计算公式如下：
Figure BDA0003208109350000055
其中，wk是第k只蚂蚁搜索得到的观光车线路，fwk是wk的评价函数值。
优选地，步骤四中不符合约束条件的解包括：
第一，搜索过程中出现回路；
第二，搜索得到的路径r不符合线路长度约束；
第三，搜索得到的路径r不符合非直线系数约束。
优选地，步骤四中，惩罚机制为在信息素更新之后再对需要进行惩罚的蚂蚁所经过的路径进行额外的信息素蒸发，其公式为：
Figure BDA0003208109350000056
其中，Lpenalty表示需要惩罚的蚂蚁所搜索得到的路径，ρpenalty表示额外信息素挥发参数。
相比于现有技术，本发明技术方案具有以下有益效果：
(1)与采用固定线路，固定观光车停靠点的观光车服务模式相比，通过使用蚁群算法减少了观光车行驶的时间和路程，提高了观光车周转效率，提高了经济收益，在满足所有景点需求的情况下，找到了客流密度最大以及绕行最小的多辆观光车运行路径。
(2)在将OD需求矩阵中的客流分配给分配给观光车线网中的所有观光车线路时，充分考虑了不换乘、单次换乘及多次换乘各种情况的费用，在保证满足所有景点的情况下，减少了观光车行驶的时间和路程，提高了经济收益。
(3)通过信息素的更新，提供了观光车的周转效率。
(4)通过约束条件和惩罚机制对不符合实用性的观光车路线进行消除，提高了路线规划的精准度和实用性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明提供的一种专用无人驾驶观光车辆线网规划方法的流程图；
图2为本发明提供的一种专用无人驾驶观光车辆线网规划方法的蚁群算法的流程图；
图3为本发明提供的一种专用无人驾驶观光车辆线网规划方法的算法设计流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，实施例中省略了对已知功能和构造的描述。
应该理解，说明书通篇中提到的“一个实施例”或“本实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“一个实施例”或“本实施例”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
此外，本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身并不指示所讨论各种实施例和/或设置之间的关系。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。
本文中术语“至少一种”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B的至少一种，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
实施例1
本实施例介绍了一种专用无人驾驶观光车辆线网规划方法。
请参考图1，图1为本发明提供的一种专用无人驾驶观光车辆线网规划方法的流程图，其展示了一种专用无人驾驶观光车龄线网规划方法，包括以下步骤：
步骤一：使用原有的观光车路线作为算法的初始路径，并在其路径上放置一定量的信息素，并拟定观光车的路线；
步骤二：采用最短路径分配法将OD需求矩阵中的客流分配给观光车线网中的所有观光车线路；
步骤三：进行信息素的更新；
步骤四：对不符合约束条件的解的出行，设置惩罚机制。
进一步的，观光车辆线网规划的目标为客流密度最大以及非直线系数最小的观光车线路集合，目标函数为：
maxf＝max∑r∈rFr；
Figure BDA0003208109350000071
Figure BDA0003208109350000081
其设置有约束条件为：
Figure BDA0003208109350000082
其中，fr是评价函数，R是观光车运行线路的集合；
Figure BDA0003208109350000083
是线路r的客流量；lr是线路r的长度；lmin是最短长度限制，lmax是最长长度限制，Zr是线路r的非直线系数，dr线路起终点间的直线距离。
实施例2
基于上述实施例1，本实施例主要介绍了一种专用无人驾驶观光车辆线网规划方法中的应用到的蚁群算法及步骤一。
首先应用到的蚁群算法，请参考图2，图2为本发明提供的一种专用无人驾驶观光车辆线网规划方法的蚁群算法的流程图，其展示了蚁群算法包括以下步骤：
S101：初始化蚁群大小antSize以及迭代次数K；
S102：将antSize只蚂蚁分配到起点，并将起点加入禁忌表中；
S103：每只蚂蚁根据启发式信息以及信息素强度按照下面的概率选择公式选择下一个结点，若到达终点或找不到可选择的下一个节点则搜索停止，否则继续搜索。
Figure BDA0003208109350000084
其中，
Figure BDA0003208109350000085
为第k只蚂蚁从当前节点i选择下一个节点j的概率，
Figure BDA0003208109350000086
为边(i，j)上的信息素强度；
Figure BDA0003208109350000087
表示边(i，j)上的启发式信息；α和β分别为信息素和启发式信息的影响因子；α的大小表示一群再路径搜索过程中信息素作用的强度，值越大，蚂蚁选择以前搜索得到的最优路径的可能性就会越大，这样搜索的随机性就会减弱，但当α值过大，蚁群会过早的陷入局部最优；β的大小表示蚁群再路径搜索过程中启发式信息作用的强度，值越大，蚂蚁选择局部最短路径的可能性越大，而β的值过大，蚁群也会过早的陷入局部最优；tabuk为第k只蚂蚁访问过的节点集合以及不可访问节点集合。
S104：计算每只蚂蚁得到解的评价函数。
S105：根据每只蚂蚁得到的评价函数，利用下面进行信息素的更新。
Figure BDA0003208109350000091
其中
Figure BDA0003208109350000092
是更新之后的信息素，
Figure BDA0003208109350000093
是更新之前的信息素，ρ是控制信息素挥发的常数，antsize是蚁群种群大小，
Figure BDA0003208109350000094
是第k只蚂蚁在(i，j)上更新的信息素量。
接着介绍运用了蚁群算法的步骤一。
请参考图3，图3为本发明提供的一种专用无人驾驶观光车辆线网规划方法的算法设计流程图，其展示了步骤一：使用原有的观光车路线作为算法的初始路径，并在其路径上放置一定量的信息素，并拟定观光车的路线。
在用蚁群算法开始搜索路径之前，使用原有的观光车路线作为算法的初始路径，并在其路径上放置一定量的信息素，为蚁群算法的搜索过程提供一定的指导，防止蚁群算法搜索得到的路径偏离原始路线太多。具体的公式如下：
Figure BDA0003208109350000095
其中，i，j为初始线路r上相邻观光车停靠点,fr是评价函数，τ是信息素。
使用蚁群算法实现线路调整过程时，每个蚂蚁都是从起点i点开始时构建路线，不断的选择下一个观光车停靠点j，直到到达终点站或者没有下一个可以选择的观光车停靠点为止。如果搜索得到的观光车线路优于当前线路，则用新线路替换原线路。但是，一条可行的观光车路线也应该满足前面所说的长度约束，非直线系数约束等。当蚂蚁选择下一个观光车停靠点时，它不是随机进行选择，而是根据转移公式进行选择的。它们基于当前观光车停靠点和下一个观光车停靠点间的信息素强度和启发式信息来进行选择的。而信息素信息和启发式信息则是蚁群算法的关键点，信息素通常与其评价函数有关。而启发式信息是通过贪心算法得到的，它鼓励蚂蚁去选择局部最优的路径，而在线路规划中主要包括客流量以及观光车停靠点间距离等。具体计算公式如下：
Figure BDA0003208109350000101
其中，start为起点，nij为经过ij的观光车线路条数，p为常数，Od为游客数量，l为线路长度，从公式上可以看出，该启发式信息中包含了从起点到下一个观光车停靠点j的游客数量之和、起点到下一个观光车停靠点j的线路长度以及起点到下一个j己有的观光车线路条数(这样可以减少线路的重复率，服务更多的游客)。第k只蚂蚁在观光车停靠点i使用如下概率公式选择下一个观光车停靠点j：
Figure BDA0003208109350000102
其中，
Figure BDA0003208109350000103
为第k只蚂蚁从当前观光车停靠点选择下一个观光车停靠点j的概率；τij为路径上(i，j)上的信息素强度，ηij为路径(i，j)上的启发式信息。
与采用固定线路，固定观光车停靠点的观光车服务模式相比，通过使用蚁群算法减少了观光车行驶的时间和路程，提高了观光车周转效率，提高了经济收益，在满足所有景点需求的情况下，找到了客流密度最大以及绕行最小的多辆观光车运行路径。
实施例3
基于上述实施例2，本实施例主要介绍了一种专用无人驾驶观光车辆线网规划方法中的步骤二。
步骤二：采用最短路径分配法将OD需求矩阵中的客流分配给观光车线网中的所有观光车线路。
在蚁群算法中，每只蚂蚁都试图为一条观光车线路寻找一条新的路线。当蚂蚁找到新的路线时，需要使用评价函数对它进行计算。而为了去计算评价函数值，
Figure BDA0003208109350000111
必须计算。
为了评估蚂蚁新生成的路线，用新生成的路线替代原来需要调整的线路，然后将新的线路和原观光车线网中的其他观光车线路组成一个新的观光车线网。因为在观光车线网调整的过程中，需要考虑到整个观光车网络的性能。需要重新分配网络中的客流，并将这些客流重新分配给网络中所有的观光车线路用整个新构成的观光车网络的评价函数值来计算新产生的路线。
采用最短路径分配法将OD需求矩阵中的客流分配给观光车线网中的所有观光车线路，每条观光车线路都是有容量限制的，它是由观光车车载客数量和发车频次决定的。
具体分配方法包括以下步骤：
S201:为每条观光车线路分配一个初始发车频次finit；
S202：观光车停靠点间运行费用的计算；
S203：将ODij分配给费用最少的路线；
S204：重新计算该线路中所有观光车的发车频次。
进一步的，步骤S202中，对于每两个观光车停靠点ODij，这里可能有许多路线能从观光车停靠点i到达观光车停靠点j。把ODij分配给一条观光车线路(没有换乘)、两条观光车线路(一次换乘)或三条观光车线路(两次换乘)之中费用最低的路线。假设这条路线是从观光车停靠点i到观光车停靠点j的路径，它包含一、二或三条观光车线路，而这取决于是否需要换乘运行费用的计算公式为：
Figure BDA0003208109350000112
其中，
Figure BDA0003208109350000121
为从观光车停靠点i到观光车停靠点j选择路线r的费用；
Figure BDA0003208109350000122
为路线r的等待时间(等于路线r中所有观光车线路发车间隔总和的一半)；Cw为等待时间的权重；C1表示一次换乘的惩罚,需要一次换乘时X1为1，否则为0；C2表示二次换乘的惩罚,需要二次换乘时X2为1，否则为0；
Figure BDA0003208109350000123
表示观光车停靠点i到观光车停靠点j选择线路route的乘车时间；Ct为权重。
进一步的，步骤S204中，发车频率的计算公式为：
Figure BDA0003208109350000124
其中，
Figure BDA0003208109350000125
是观光车线路r上最大断面客流(单位：人/小时)，CAP是标准车辆的最大载客量。并且Fr不能超过最大的发车频次Fmax。如果Fr小于或等于Fmax，则更新发车频次，否则，按照同样的方式将剩下的客流分配给能从观光车停靠点i到达j的其他路线。为了确保观光车线路r在接下来的分配过程中不被选中，将观光车线路r的等待时间设置为一个较大的常数。直到所有的观光车停靠点都被选择完毕。
在将OD需求矩阵中的客流分配给分配给观光车线网中的所有观光车线路时，充分考虑了不换乘、单次换乘及多次换乘各种情况的费用，在保证满足所有景点的情况下，减少了观光车行驶的时间和路程，提高了经济收益。
实施例4
基于上述实施例3，本实施例主要介绍了一种专用无人驾驶观光车辆线网规划方法中的步骤三和四。
步骤三：进行信息素的更新；
信息素是蚁群算法中蚂蚁之间进行交流的重要信息，需要在所有蚂蚁搜索广域完路径之后进行更新。而在更新信息素之前需要对每只蚂蚁搜索得到的路线按进行客流分配，然后根据客流分配的结果用评价函数进行计算，评价函数计算过后，可以根据每条线路的评价函数进行信息素的更新。
进一步的，信息素的更新包括以下步骤：
S301：通过模拟自然界中信息素的蒸发去减少每一条边上的信息素数量；
S302：计算每一只蚂蚁所走过的路径上的信息素增量。
进一步的，步骤三中信息素的更新公式为：
Figure BDA0003208109350000131
其中，
Figure BDA0003208109350000132
是更新之后的信息素，
Figure BDA0003208109350000133
是更新之前的信息素；ρ是控制信息素挥发的常数；k是第几只蚂蚁；
Figure BDA0003208109350000134
是第k只蚂蚁在ij上更新的信息素量。
进一步的，第k只蚂蚁在ij上更新的信息素量具体计算公式如下：
Figure BDA0003208109350000135
其中，wk是第k只蚂蚁搜索得到的观光车线路，fwk是wk的评价函数值。
步骤四：对不符合约束条件的解的出行，设置惩罚机制。
蚁群算法搜索过程中可能会出现一些不符合约束条件的解，而如果不符合约束条件的解过多势必会影响解的质量，因此，为了减少不符合约束条件的解的出行，决定加入惩罚机制。当出现以下情况时需要进行惩罚。
第四，搜索过程中出现回路。
第五，搜索得到的路径r不符合线路长度约束
第六，搜索得到的路径r不符合非直线系数约束
惩罚的具体做法是在信息素更新之后再对需要进行惩罚的蚂蚁所经过的路径进行额外的信息素蒸发，其公式为：
Figure BDA0003208109350000136
其中，Lpenalty表示需要惩罚的蚂蚁所搜索得到的路径，ρpenalty表示额外信息素挥发参数。
本发明通过信息素的更新，提供了观光车的周转效率。
本发明通过约束条件和惩罚机制对不符合实用性的观光车路线进行消除，提高了路线规划的精准度和实用性。
以上所述仅为本发明的优选实施例而已，其并非因此限制本发明的保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，通过常规的替代或者能够实现相同的功能在不脱离本发明的原理和精神的情况下对这些实施例进行变化、修改、替换、整合和参数变更均落入本发明的保护范围内。

Claims (10)

1.一种专用无人驾驶观光车辆线网规划方法，其特征在于，其步骤包括：
步骤一：使用原有的观光车路线作为算法的初始路径，并在其路径上放置一定量的信息素，并拟定观光车的路线；
步骤二：采用最短路径分配法将OD需求矩阵中的客流分配给观光车线网中的所有观光车线路；
步骤三：进行信息素的更新；
步骤四：对不符合约束条件的解的出行，设置惩罚机制。
2.根据权利要求1所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤一中放置的信息素的公式为
Figure FDA0003208109340000011
i，j为初始线路r上相邻观光车停靠点,fr是评价函数，τ是信息素。
3.根据权利要求2所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤一中的转移规则基于当前观光车停靠点和下一个观光车停靠点间的信息素强度和启发式信息，转移规则的公式如下：
Figure FDA0003208109340000012
其中，
Figure FDA0003208109340000013
为第k只蚂蚁从当前观光车停靠点选择下一个观光车停靠点j的概率；τij为路径上(i，j)上的信息素强度，nij为路径(i，j)上的启发式信息。
4.根据权利要求3所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤一中启发式信息的公式为：
Figure FDA0003208109340000014
其中，start为起点，nij为经过ij的观光车线路条数，p为常数，Od为游客数量，l为线路长度，从公式上可以看出，该启发式信息中包含了从起点到下一个观光车停靠点j的游客数量之和、起点到下一个观光车停靠点j的线路长度以及起点到下一个j己有的观光车线路条数。
5.根据权利要求1-4任一项所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤二包括以下步骤：
S201:为每条观光车线路分配一个初始发车频次finit；
S202：观光车停靠点间运行费用的计算；
S203：将ODij分配给费用最少的路线；
S204：重新计算该线路中所有观光车的发车频次。
6.根据权利要求5所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤S202中运行费用的计算公式为：
Figure FDA0003208109340000021
其中，
Figure FDA0003208109340000022
为从观光车停靠点i到观光车停靠点j选择路线r的费用；
Figure FDA0003208109340000023
为路线r的等待时间；Cw为等待时间的权重；C1表示一次换乘的惩罚,需要一次换乘时X1为1，否则为0；C2表示二次换乘的惩罚,需要二次换乘时X2为1，否则为0；
Figure FDA0003208109340000024
表示观光车停靠点i到观光车停靠点j选择线路route的乘车时间；Ct为权重。
7.根据权利要求6所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤S204中，发车频率的计算公式为：
Figure FDA0003208109340000025
其中，
Figure FDA0003208109340000026
是观光车线路r上最大断面客流，CAP是标准车辆的最大载客量且Fr不能超过最大的发车频次Fmax。
8.根据权利要求1-4或6或7任一项所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤三包括以下步骤：
S301：通过模拟自然界中信息素的蒸发去减少每一条边上的信息素数量；
S302：计算每一只蚂蚁所走过的路径上的信息素增量。
步骤三中信息素的更新公式为：
Figure FDA0003208109340000031
其中，
Figure FDA0003208109340000032
是更新之后的信息素，
Figure FDA0003208109340000033
是更新之前的信息素；ρ是控制信息素挥发的常数；k是第几只蚂蚁；
Figure FDA0003208109340000034
是第k只蚂蚁在ij上更新的信息素量。
9.根据权利要求8所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，第k只蚂蚁在ij上更新的信息素量具体计算公式如下：
Figure FDA0003208109340000035
其中，wk是第k只蚂蚁搜索得到的观光车线路，fwk是wk的评价函数值。
10.根据权利要求1-4或6或7或9任一项所述的一种专用无人驾驶观光车辆线网规划方法，其特征在于，步骤四中不符合约束条件的解包括：
第一，搜索过程中出现回路；
第二，搜索得到的路径r不符合线路长度约束；
第三，搜索得到的路径r不符合非直线系数约束；
步骤四中，惩罚机制为在信息素更新之后再对需要进行惩罚的蚂蚁所经过的路径进行额外的信息素蒸发，其公式为：
Figure FDA0003208109340000036
其中，Lpenalty表示需要惩罚的蚂蚁所搜索得到的路径，ρpenalty表示额外信息素挥发参数。
CN202110922942.5A 2021-08-12 2021-08-12 一种专用无人驾驶观光车辆线网规划方法 Pending CN113589819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110922942.5A CN113589819A (zh) 2021-08-12 2021-08-12 一种专用无人驾驶观光车辆线网规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110922942.5A CN113589819A (zh) 2021-08-12 2021-08-12 一种专用无人驾驶观光车辆线网规划方法

Publications (1)

Publication Number Publication Date
CN113589819A true CN113589819A (zh) 2021-11-02

Family

ID=78257384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110922942.5A Pending CN113589819A (zh) 2021-08-12 2021-08-12 一种专用无人驾驶观光车辆线网规划方法

Country Status (1)

Country Link
CN (1) CN113589819A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009098813A1 (ja) * 2008-02-06 2009-08-13 Daishi Hiki 路線バス料金精算システム
CN106228275A (zh) * 2016-08-01 2016-12-14 广州星唯信息科技有限公司 基于蚁群算法定制公交线路的方法
CN107657330A (zh) * 2017-08-16 2018-02-02 深圳先进技术研究院 一种候选公交线路计算方法、系统及电子设备
CN110555473A (zh) * 2019-08-28 2019-12-10 海南纽康信息系统有限公司 行车线路规划方法、服务器及系统
CN112418514A (zh) * 2020-11-20 2021-02-26 华南理工大学 一种运用蚁群系统优化校园公交线路规划的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009098813A1 (ja) * 2008-02-06 2009-08-13 Daishi Hiki 路線バス料金精算システム
CN106228275A (zh) * 2016-08-01 2016-12-14 广州星唯信息科技有限公司 基于蚁群算法定制公交线路的方法
CN107657330A (zh) * 2017-08-16 2018-02-02 深圳先进技术研究院 一种候选公交线路计算方法、系统及电子设备
CN110555473A (zh) * 2019-08-28 2019-12-10 海南纽康信息系统有限公司 行车线路规划方法、服务器及系统
CN112418514A (zh) * 2020-11-20 2021-02-26 华南理工大学 一种运用蚁群系统优化校园公交线路规划的方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
倪捷;刘志强;: "基于蚂蚁算法的公交网络优化方法研究", 交通与计算机, no. 01 *
刘倩;卫文学;张鲁;: "改进蚁群算法在景区路径规划中的应用研究", 信息技术与信息化, no. 06 *
孙琼;李林;: "旅游路线规划蚁群算法的伪随机比例规则优化", 科技通报, no. 01 *
张敖木翰;钟仰晋;何世伟;: "基于蚁群算法的公交线网规划研究", 交通标准化, no. 14 *
徐锋;杜军平;: "改进蚁群算法在旅游路线规划中的应用研究", 计算机工程与应用, no. 23 *
李娜;刘天时;杨莹;: "蚁群算法在公交路径查询中的应用", 计算机时代, no. 02 *
李志涛;陈超;史丹丹;: "基于最大服务客流密度的公交线路优化设计模型研究", 现代交通技术, no. 04 *
胡启洲;邓卫;田新现;: "基于四维消耗的公交线网优化模型及蚁群算法", 东南大学学报(自然科学版), no. 02 *
金孟合;王慧;: "基于蚁群算法的公交路线走向模型及其求解", 江南大学学报(自然科学版), no. 02 *
高菲菲;: "密集人流区域的合理化调度数学建模仿真", 计算机仿真, no. 12 *

Similar Documents

Publication Publication Date Title
CN109657843B (zh) 一种城市接驳公交系统的一体化规划决策支持系统
Narzt et al. Self-organising congestion evasion strategies using ant-based pheromones
Kuan et al. Solving the feeder bus network design problem by genetic algorithms and ant colony optimization
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN101692271A (zh) 多交通方式综合诱导方法
CN113870602B (zh) 一种多agv泊车调度的方法和系统
Soon et al. Proactive eco-friendly pheromone-based green vehicle routing for multi-agent systems
CN111311002B (zh) 一种考虑乘客在途主动换乘的公交出行规划方法
Karoń Travel demand and transportation supply modelling for agglomeration without transportation model
Hou et al. Towards efficient vacant taxis cruising guidance
CN115222156A (zh) 基于分时对偶路网考虑用户需求响应的汽车充电调度方法
CN111882092B (zh) 一种适用于共享出行的出租车车辆搜索方法
Kasim et al. Comparative Study of BRT and Multimodal Transportation in Makassar City and Rio de Jenairo City
CN112418514B (zh) 一种运用蚁群系统优化校园公交线路规划的方法
CN113589819A (zh) 一种专用无人驾驶观光车辆线网规划方法
Nakazato et al. Parking lot allocation based on matching theory using prediction-based optimal vehicle routing
CN110245776B (zh) 一种基于多属性蚁群算法的智能交通路径规划方法
Kanamori et al. Evaluation of traffic management strategies with anticipatory stigmergy
Raj et al. The time-dependent multiple flying sidekicks traveling salesman problem: Parcel delivery with traffic congestion
Uchimura et al. The dial‐a‐ride problem in a public transit system
Aboud et al. A Case Study on Roundabout under Congestion: Proposal to Improve Current Traffic Operation
Zhang et al. Faster parking and less cruise for public parking spot discovery: Modeling and analysis based on timed petri nets
CN115083198A (zh) 一种多车运力资源调度方法及装置
CN113932813A (zh) 智能空地载具、其风险地图构建及航路规划方法与装置
Hadded et al. Platoon Route Optimization for Picking up Automated Vehicles in an Urban Network

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