CN114355955A - 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 - Google Patents
蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 Download PDFInfo
- Publication number
- CN114355955A CN114355955A CN202210277105.6A CN202210277105A CN114355955A CN 114355955 A CN114355955 A CN 114355955A CN 202210277105 A CN202210277105 A CN 202210277105A CN 114355955 A CN114355955 A CN 114355955A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- migration
- section
- point
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005012 migration Effects 0.000 claims abstract description 111
- 238000013508 migration Methods 0.000 claims abstract description 111
- 239000003016 pheromone Substances 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000007704 transition Effects 0.000 claims description 52
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 4
- 206010039203 Road traffic accident Diseases 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开一种蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，包括：获取目标区域内适合电动车辆行驶的所有路径，并对获取的所有路径分别进行迁移点设置；相邻两个迁移点之间形成一区段，电动车辆每经过一区段，标记一信息素浓度；通过多元宇宙算法确定最优电动车辆群体行驶路线；获取最优电动车辆群体行驶路线上每个区段的信息素浓度，并根据每个区段的信息素浓度对确定的最优电动车辆群体行驶路线进行局部优化，得到电动车辆群体行驶规划路径。本发明通过实时的路径优化达到减少电动车辆交通事故的目的。
Description
技术领域
本发明涉及电动车辆群体的路径规划技术领域，尤其涉及多元宇宙算法和蚁群算法在电动车全局控制领域上的应用，具体为一种蚁群算法启发的多元宇宙电动车辆群体的路径规划方法。
背景技术
随着优化问题在现实生活中变得越来越复杂，使用传统的基于梯度的方法来解决这类问题变得越来越困难。群智能算法作为一种模拟昆虫、动物、鸟类和鱼类的群体行为的算法，被广泛应用于解决这类问题。由于群智能算法的简单、高效和低计算复杂度，许多研究者提出了很多先进的群智能算法，如多元宇宙优化算法，该算法具有很强的解决最优方案的能力。因此，已经有许多研究者提出了各种多元宇宙优化算法的改进版本，并将其应用到了各个领域。
但是，多元宇宙优化算法有限的搜索能力和较慢的收敛速度，使求解易陷入局部最小值，导致电动车辆群体控制效率较低。同时求解大规模优化问题的性能较差,算法缺乏跳出局部极值的能力,导致无法寻取全局最优解。
现有利用多元宇宙算法确定最优的电动车辆群体行驶路线时，未考虑所选路段是否存在障碍物或受天气影响是否适合实际通行等情况，而外卖用电动车辆因为车辆体积小，行驶速度快，极易受前方路段障碍物或天气因素影响而出现交通事故，因此，需要对现有多元宇宙算法确定的行驶路线进行优化，使得计算出的行驶路径尽可能符合当前的实际路况及天气情况，避免因短期突然出现的障碍物或恶劣天气对依据原规划路径行驶车辆的影响。
发明内容
为克服上述现有技术的不足，本发明提供一种蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，通过实时的路径优化来达到减少电动车辆交通事故的目的。
本发明是通过以下技术方案予以实现的：
蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，包括：
获取目标区域内适合电动车辆行驶的所有路径，并对获取的所有路径分别进行迁移点设置；
相邻两个迁移点之间形成一区段，电动车辆每经过一区段，标记一信息素浓度；
通过多元宇宙算法确定最优电动车辆群体行驶路线；
获取最优电动车辆群体行驶路线上每个区段的信息素浓度，并根据每个区段的信息素浓度对确定的最优电动车辆群体行驶路线进行局部优化，得到电动车辆群体行驶规划路径。
上述技术方案应用于外卖电动车辆的路径规划，在确定目标区域后，获取目标区域内适用于电动车辆行驶的所有路径，对这些路径进行迁移点设置，使每条路径由至少两个迁移点构成；任一电动车辆行驶经过两个迁移点之间的区段时，由电动车辆的骑手进行信息素浓度标记，以便于及时更新每一区段的实时信息素浓度；在通过多元宇宙算法确定最优电动车辆群体行驶路线后，获取该路线上各区段的实时信息素浓度，并根据实时信息素浓度对该路线进行逐区段的优化，以得到符合当前实际路况的电动车辆群体行驶规划路径，从而解决因现有多元宇宙算法确定的最优路径不能跟随实际路况而实时调整的问题，达到根据各区段实时信息素浓度而实时更新规划路径的技术效果，确保能够通过路径优化来达到减少电动车辆交通事故的目的。
由于外卖用电动车辆体积小、易于变道，也易于行驶在容易被障碍物遮挡的较窄路段，因此，针对这类电动车辆的路径规划需要跟随实际路况实时更新，本发明通过信息素浓度标记的方式，由行驶通过路段的电动车辆骑手来实时更新每一区段的实际路况，从而为后面欲行驶经过同一区段的电动车辆提供准确的实时路况，便于后面的电动车辆能够及时优化更新到最佳行驶路径。
作为进一步的技术方案，所述方法进一步包括：实时获取并统计每一区段的信息素浓度，根据每一区段的信息素浓度确定每一区段的可通行度；信息素浓度高，则区段的可通行度高；信息素浓度低，则区段的可通行度低。
电动车辆每经过一区段，其骑手对该区段进行信息素浓度标记，通过对区段上信息素浓度的统计分析，能够得到目标区域内各区段的实时信息素浓度，即可获取目标区域内各区段的可通行度。该可通行度是实时更新的，电动车辆可根据实时的可通行度进行区段的选择，获取最优行驶路径，从而达到电动车辆最优路径与实时路况相匹配的目的。
作为进一步的技术方案，根据每个区段的信息素浓度对确定的最优电动车辆群体行驶路线进行局部优化，进一步包括：构建电动车辆从一个迁移点到下一个迁移点的概率计算公式；根据概率计算公式，获取电动车辆在最优电动车辆群体行驶路线上各迁移点之间的迁移概率；根据迁移概率，对最优电动车辆群体行驶路线上的迁移点逐个进行局部优化，保留达到预设目标的迁移点，去除未达到预设目标的迁移点并用新的迁移点代替，得到局部优化之后的路线作为电动车辆群体的规划路径。
上述技术方案对最优电动车辆群体行驶路线上的各迁移点进行逐区段优化，通过迁移点之间的迁移概率决定是否迁移，即是否将位于两个迁移点之间的该区段纳入规划路径，对于迁移概率不符合预设目标的迁移点，则从原路线上去除该迁移点，并从当前迁移点附近选用新的迁移点进行替补，将符合预设目标的迁移点与当前迁移点之间的区段纳入规划路径，直至将最优电动车辆群体行驶路线上的所有迁移点全部遍历，得到符合预设目标的迁移点与替补迁移点构成的优化后电动车辆群体行驶路径。
作为进一步的技术方案，根据电动车辆从当前迁移点转移到下一迁移点的期望程度及两个迁移点之间区段上的信息素浓度，构建电动车辆在迁移点之间进行迁移的概率计算公式。
电动车辆从当前迁移点转移到下一迁移点的期望程度表示电动车辆到达下一迁移点的期望值，期望值越高，行驶通过当前区段的概率越高，可以通过不同大小的数值来表示不同的期望值。两个迁移点之间区段上的信息素浓度由骑手来标记，可以通过不同大小的数值来标记不同的信息素浓度。
作为进一步的技术方案，在当前迁移点与下一迁移点之间的迁移概率低于预设目标时，获取与当前迁移点距离在目标范围内的其他迁移点集合；分别计算当前迁移点与其他迁移点之间的迁移概率，选择迁移概率达到预设目标的下一迁移点。
上述技术方案中，若有多个迁移点与当前迁移点之间的迁移概率达到预设目标，则选择距离最近的迁移点作为下一迁移点。若目标范围内的其他迁移点与当前迁移点之间的迁移概率均达不到预设目标，则将目标范围扩大，直至能够得到至少一个符合预设目标的迁移点。
作为进一步的技术方案，设电动车辆的数量为m，迁移点的数量为n，迁移点i与迁移点j之间相距
，t时刻迁移点i与迁移点j连接的区段上的信息素浓度为
，初始时刻每个区段上的信息素浓度相等，
表示t时刻电动车辆从迁移点i转移的概率，概率计算公式如下：
其中，
为启发函数，
，表示电动车辆从迁移点i转移到迁移点j的期望程度；
为电动车辆k即将访问迁移点的集合；
为信息素重要程度因子，
为启发函数重要程度因子。
作为进一步的技术方案，在对最优电动车辆群体行驶路线进行局部优化开始前，
中有n-1个元素，电动车辆每到达下一个迁移点，
中的元素便减少一个，直至空集。
上述技术方案中，除起始点外，每一元素对应一迁移点，在对最优电动车辆群体行驶路线上的所有迁移点进行遍历时，每遍历一个迁移点，
中的元素便减少一个，避免重复遍历导致收敛速度变慢。
作为进一步的技术方案，电动车辆每行驶通过一区段，由电动车辆的骑手完成对当前路段的信息素标记，标记信息上传至后台进行统计分析。通过骑手实时上传各区段实时路况的方式，保证能够及时获取最新的路况信息，使得后续电动车辆的行驶路径既与实际路况相适配，又符合电动车辆骑手的行驶习惯，提升骑手的驾驶体验。
与现有技术相比，本发明的有益效果在于：
（1）本发明应用于外卖电动车辆的路径规划，在确定目标区域后，获取目标区域内适用于电动车辆行驶的所有路径，对这些路径进行迁移点设置，使每条路径由至少两个迁移点构成；任一电动车辆行驶经过两个迁移点之间的区段时，由电动车辆的骑手进行信息素浓度标记，以便于及时更新每一区段的实时信息素浓度；在通过多元宇宙算法确定最优电动车辆群体行驶路线后，获取该路线上各区段的实时信息素浓度，并根据实时信息素浓度对该路线进行逐区段的优化，以得到符合当前实际路况的电动车辆群体行驶规划路径，从而解决因现有多元宇宙算法确定的最优路径不能跟随实际路况而实时调整的问题，达到根据各区段实时信息素浓度而实时更新规划路径的技术效果，确保能够通过路径优化来达到减少电动车辆交通事故的目的。
（2）本发明通过骑手实时上传各区段实时路况的方式，保证能够及时获取最新的路况信息，使得后续电动车辆的行驶路径既与实际路况相适配，又符合电动车辆骑手的行驶习惯，提升骑手对规划路径的行驶体验。
（3）本发明采用蚁群算法改进多元宇宙算法的电动车辆群体的路径规划方法，在根据多元宇宙优化算法确定行驶路线之后，再根据蚁群算法进一步在局部寻求最优解，且确保收敛速度较快。通过进行动态的路径规划提高了电动车辆控制效率，同时解决了搜索能力有限和收敛速度较慢的问题。
附图说明
图1为根据本发明实施例的蚁群算法启发的多元宇宙电动车辆群体的路径规划方法的示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
由于外卖用电动车辆体积小、易于变道，也易于行驶在容易被障碍物遮挡的较窄路段，因此，针对这类电动车辆的路径规划需要跟随实际路况实时更新，本发明通过信息素浓度标记的方式，由行驶通过路段的电动车辆骑手来实时更新每一区段的实际路况，从而为后面欲行驶经过同一区段的电动车辆提供准确的实时路况，便于后面的电动车辆能够及时优化更新到最佳行驶路径。
本发明提供一种蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，如图1所示，包括：
（1）迁移点设置。
在电动车辆群体行驶的区域内，获取适合电动车辆行驶的所有路径，并根据路段特点对获取的所有路径分别进行迁移点设置。迁移点指的是单行道、弯道或交通路口等地点，电动车辆一旦确定了从这些地点开始的行驶路段，那么只能行驶到下一迁移点才能换道或换方向。换言之，相邻迁移点之间的最小区段是行驶方向和道路固定的路段。
在电动车辆行驶过程中，实时获取并统计每一区段的信息素浓度，并根据每一区段的信息素浓度确定每一区段的可通行度；信息素浓度高，则区段的可通行度高；信息素浓度低，则区段的可通行度低。信息素浓度由骑手来标记，可用来表示骑手对当前区段可通行度的认可度，由骑手来进行信息素浓度标记，可能获取到最真实的路况信息，也更容易为后续电动车辆提供更精确的路径规划。
（2）信息素浓度标记。
相邻两个迁移点之间形成一区段，电动车辆每经过一区段，标记一信息素浓度。
电动车辆每经过一区段，其骑手对该区段进行信息素浓度标记，通过对区段上信息素浓度的统计分析，能够得到目标区域内各区段的实时信息素浓度，即可获取目标区域内各区段的可通行度。该可通行度是实时更新的，电动车辆可根据实时的可通行度进行区段的选择，获取最优行驶路径，从而达到电动车辆最优路径与实时路况相匹配的目的。
（3）初始路线规划
通过多元宇宙算法确定初始的最优电动车辆群体行驶路线。
首先利用多元宇宙算法来完成电动车群自己的运动，电动车群的随机初始化U定义为
其中，n是电动车群体的数量，对应的是电动车群的规模，d是每个电动车群体中电动车的数量。
由于每个单独的群体有不同的膨胀率，更新过程遵循轮盘机制，单个群体中的车辆通过初始位置和需到达位置轨道转移，如下式所示：
其中，
为第 i个电动车群体的归一化膨胀率；
为［0，1］范围内的一个随机数；
为由轮盘机制选择的第 
个群体的第
个对象，
为第
个群体的第
个对象。
在不考虑膨胀率大小的情况下，电动车群为了实现局部改变和改进自身膨胀率会激发车辆向当前最优电动车群的最优路径移动。这一过程按照下面等式执行：
其中，
为当前最优电动车群体（能耗最少）的第
个对象；
、
分别为
的下限和上限；
、
、
均是
范围内的随机数。WEP为初始化参数，在电动车行驶过程中可能会遇到通往终点的最佳行驶路线中的某个路口，也可能没有遇到，WEP即表示这个路口存在的概率。TDR为最优路径的步长，运用轮盘机制得到的多个步长连起来就是初始的最优路径。
（4）基于初始最优路径的局部优化
获取最优电动车辆群体行驶路线上每个区段的信息素浓度，并根据每个区段的信息素浓度对确定的最优电动车辆群体行驶路线进行局部优化，得到电动车辆群体行驶规划路径。
作为一种实施方式，根据每个区段的信息素浓度对确定的最优电动车辆群体行驶路线进行局部优化具体为：
步骤1，构建电动车辆从一个迁移点到下一个迁移点的概率计算公式。根据电动车辆从当前迁移点转移到下一迁移点的期望程度及两个迁移点之间区段上的信息素浓度，构建电动车辆在迁移点之间进行迁移的概率计算公式。
电动车辆从当前迁移点转移到下一迁移点的期望程度表示电动车辆到达下一迁移点的期望值，期望值越高，行驶通过当前区段的概率越高，可以通过不同大小的数值来表示不同的期望值。两个迁移点之间区段上的信息素浓度由骑手来标记，可以通过不同大小的数值来标记不同的信息素浓度。
具体地，设电动车辆的数量为m，迁移点的数量为n，迁移点i与迁移点j之间相距
，t时刻迁移点i与迁移点j连接的区段上的信息素浓度为
，初始时刻每个区段上的信息素浓度相等，
表示t时刻电动车辆从迁移点i转移的概率，概率计算公式如下：
其中，
为启发函数，
，表示电动车辆从迁移点i转移到迁移点j的期望程度；
为电动车辆k即将访问迁移点的集合；
为信息素重要程度因子，值越大，表明信息素的浓度在转移中起到的作用越大，也就是说骑手选择距离近的下一个地点的概率更大；
为启发函数重要程度因子。
在对最优电动车辆群体行驶路线进行局部优化开始前，
中有n-1个元素，除起始点外，每一元素对应一迁移点，电动车辆每到达下一个迁移点，
中的元素便减少一个，直至空集，从而可以避免重复遍历导致的收敛速度变慢。
步骤2，根据概率计算公式，获取电动车辆在最优电动车辆群体行驶路线上各迁移点之间的迁移概率。从起始点开始，依次获取当前起始点与下一迁移点之间的迁移概率。
步骤3，根据迁移概率，对最优电动车辆群体行驶路线上的迁移点逐个进行局部优化，保留达到预设目标的迁移点，去除未达到预设目标的迁移点并用新的迁移点代替，得到局部优化之后的路线作为电动车辆群体的规划路径。
对最优电动车辆群体行驶路线上的各迁移点进行逐区段优化，通过迁移点之间的迁移概率决定是否迁移，即是否将位于两个迁移点之间的该区段纳入规划路径，对于迁移概率不符合预设目标的迁移点，则从原路线上去除该迁移点，并从当前迁移点附近选用新的迁移点进行替补，将符合预设目标的迁移点与当前迁移点之间的区段纳入规划路径，直至将最优电动车辆群体行驶路线上的所有迁移点全部遍历，得到符合预设目标的迁移点与替补迁移点构成的优化后电动车辆群体行驶路径。
在当前迁移点与下一迁移点之间的迁移概率低于预设目标时，获取与当前迁移点距离在目标范围内的其他迁移点集合；分别计算当前迁移点与其他迁移点之间的迁移概率，选择迁移概率达到预设目标的下一迁移点。
若有多个迁移点与当前迁移点之间的迁移概率达到预设目标，则选择距离最近的迁移点作为下一迁移点。若目标范围内的其他迁移点与当前迁移点之间的迁移概率均达不到预设目标，则将目标范围扩大，直至能够得到至少一个符合预设目标的迁移点。
本发明应用于外卖电动车辆的路径规划，通过迁移点设置、区段划分、初始路线规划、基于迁移概率的初始路线优化来确定最终的规划路径，且最终的规划路径与当前实际路况相适配，解决了因现有多元宇宙算法确定的最优路径不能跟随实际路况而实时调整的问题，达到根据各区段实时信息素浓度而实时更新规划路径的技术效果，确保能够通过路径优化来达到减少电动车辆交通事故的目的。
在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。
Claims (8)
1.蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，包括：
获取目标区域内适合电动车辆行驶的所有路径，并对获取的所有路径分别进行迁移点设置；
相邻两个迁移点之间形成一区段，电动车辆每经过一区段，标记一信息素浓度；
通过多元宇宙算法确定最优电动车辆群体行驶路线；
获取最优电动车辆群体行驶路线上每个区段的信息素浓度，并根据每个区段的信息素浓度对确定的最优电动车辆群体行驶路线进行局部优化，得到电动车辆群体行驶规划路径。
2.根据权利要求1所述蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，所述方法进一步包括：实时获取并统计每一区段的信息素浓度，根据每一区段的信息素浓度确定每一区段的可通行度；信息素浓度高，则区段的可通行度高；信息素浓度低，则区段的可通行度低。
3.根据权利要求1所述蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，根据每个区段的信息素浓度对确定的最优电动车辆群体行驶路线进行局部优化，进一步包括：构建电动车辆从一个迁移点到下一个迁移点的概率计算公式；根据概率计算公式，获取电动车辆在最优电动车辆群体行驶路线上各迁移点之间的迁移概率；根据迁移概率，对最优电动车辆群体行驶路线上的迁移点逐个进行局部优化，保留达到预设目标的迁移点，去除未达到预设目标的迁移点并用新的迁移点代替，得到局部优化之后的路线作为电动车辆群体的规划路径。
4.根据权利要求3所述蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，根据电动车辆从当前迁移点转移到下一迁移点的期望程度及两个迁移点之间区段上的信息素浓度，构建电动车辆在迁移点之间进行迁移的概率计算公式。
5.根据权利要求4所述蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，在当前迁移点与下一迁移点之间的迁移概率低于预设目标时，获取与当前迁移点距离在目标范围内的其他迁移点集合；分别计算当前迁移点与其他迁移点之间的迁移概率，选择迁移概率达到预设目标的下一迁移点。
6.根据权利要求4所述蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，设电动车辆的数量为m，迁移点的数量为n，迁移点i与迁移点j之间相距
，t时刻迁移点i与迁移点j连接的区段上的信息素浓度为
，初始时刻每个区段上的信息素浓度相等，
表示t时刻电动车辆从迁移点i转移的概率，概率计算公式如下：
其中，
为启发函数，
，表示电动车辆从迁移点i转移到迁移点j的期望程度；
为电动车辆k即将访问迁移点的集合；
为信息素重要程度因子，
为启发函数重要程度因子。
7.根据权利要求6所述蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，在对最优电动车辆群体行驶路线进行局部优化开始前，
中有n-1个元素，电动车辆每到达下一个迁移点，
中的元素便减少一个，直至空集。
8.根据权利要求1所述蚁群算法启发的多元宇宙电动车辆群体的路径规划方法，其特征在于，电动车辆每行驶通过一区段，由电动车辆的骑手完成对当前路段的信息素标记，标记信息上传至后台进行统计分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210277105.6A CN114355955A (zh) | 2022-03-21 | 2022-03-21 | 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210277105.6A CN114355955A (zh) | 2022-03-21 | 2022-03-21 | 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114355955A true CN114355955A (zh) | 2022-04-15 |
Family
ID=81094302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210277105.6A Pending CN114355955A (zh) | 2022-03-21 | 2022-03-21 | 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114355955A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118190004A (zh) * | 2024-03-25 | 2024-06-14 | 大满贯智能科技有限公司 | 基于北斗卫星导航的骑行路径规划方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
| CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
| CN112085288A (zh) * | 2020-09-16 | 2020-12-15 | 浙江财经大学 | 一种基于两阶段优化的物流配送路线推荐方法及系统 |
| US20210103286A1 (en) * | 2019-10-04 | 2021-04-08 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Systems and methods for adaptive path planning |
| CN112819211A (zh) * | 2021-01-21 | 2021-05-18 | 安徽农业大学 | 一种基于蚁群迭代算法的多区域调度航线规划方法 |
| CN112949942A (zh) * | 2021-04-08 | 2021-06-11 | 湘潭大学 | 基于多目标多元宇宙优化算法的智能楼宇负荷优化调度方法 |
| CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
| CN114089760A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种基于混合蚁群算法的agv路径规划方法 |
-
2022
- 2022-03-21 CN CN202210277105.6A patent/CN114355955A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
| US20210103286A1 (en) * | 2019-10-04 | 2021-04-08 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Systems and methods for adaptive path planning |
| CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
| CN112085288A (zh) * | 2020-09-16 | 2020-12-15 | 浙江财经大学 | 一种基于两阶段优化的物流配送路线推荐方法及系统 |
| CN112819211A (zh) * | 2021-01-21 | 2021-05-18 | 安徽农业大学 | 一种基于蚁群迭代算法的多区域调度航线规划方法 |
| CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
| CN112949942A (zh) * | 2021-04-08 | 2021-06-11 | 湘潭大学 | 基于多目标多元宇宙优化算法的智能楼宇负荷优化调度方法 |
| CN114089760A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种基于混合蚁群算法的agv路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈孟元: "《移动机器人SLAM目标跟踪及路径规划》", 31 May 2018, 北京航空航天大学出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118190004A (zh) * | 2024-03-25 | 2024-06-14 | 大满贯智能科技有限公司 | 基于北斗卫星导航的骑行路径规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108847037B (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
| CN109215355A (zh) | 一种基于深度强化学习的单点交叉口信号配时优化方法 | |
| CN111080018A (zh) | 一种基于道路交通环境的智能网联汽车车速预测方法 | |
| CN115713856B (zh) | 一种基于交通流预测与实际路况的车辆路径规划方法 | |
| CN114863699B (zh) | 一种基于数字孪生的城市车路协同交通流预测方法 | |
| US20230057564A1 (en) | Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums | |
| CN109269516A (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
| CN112927505B (zh) | 一种车联网环境下基于多智能体深度强化学习的信号灯自适应控制方法 | |
| CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
| CN117173895B (zh) | 一种用于城市道路自动照明调节的管理监测系统 | |
| CN116524745B (zh) | 一种云边协同区域交通信号动态配时系统及方法 | |
| CN114355955A (zh) | 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法 | |
| CN108806287B (zh) | 一种基于协同优化的交通信号配时方法 | |
| CN114120670B (zh) | 用于交通信号控制的方法和系统 | |
| CN113724507B (zh) | 基于深度强化学习的交通控制与车辆诱导协同方法和系统 | |
| CN113077642B (zh) | 一种交通信号灯控制方法、装置及计算机可读存储介质 | |
| Song et al. | Path planning in urban environment based on traffic condition perception and traffic light status | |
| CN116758767B (zh) | 基于多策略强化学习的交通信号灯控制方法 | |
| CN117420824A (zh) | 一种基于具有学习能力的智能蚁群算法的路径规划方法 | |
| He et al. | Heterogeneous pointer network for travelling officer problem | |
| CN113189998A (zh) | 一种基于深度强化学习的多乘客动态车辆路径优化方法 | |
| Xiao | Optimal travel path planning and real time forecast system based on ant colony algorithm | |
| Wang et al. | A reinforcement learning approach to CAV and intersection control for energy efficiency | |
| CN112004208B (zh) | 车联网中人工鱼群分簇方法、存储介质和装置 | |
| CN114550456A (zh) | 基于强化学习的城市交通堵塞调度方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220415 |
|
| RJ01 | Rejection of invention patent application after publication |