CN114418056B - 一种基于道路拥堵问题的改进蚁群算法 - Google Patents

一种基于道路拥堵问题的改进蚁群算法 Download PDF

Info

Publication number
CN114418056B
CN114418056B CN202210011109.XA CN202210011109A CN114418056B CN 114418056 B CN114418056 B CN 114418056B CN 202210011109 A CN202210011109 A CN 202210011109A CN 114418056 B CN114418056 B CN 114418056B
Authority
CN
China
Prior art keywords
pheromone
congestion
road
route
content
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.)
Active
Application number
CN202210011109.XA
Other languages
English (en)
Other versions
CN114418056A (zh
Inventor
戎宇杰
佘堃
胡成华
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210011109.XA priority Critical patent/CN114418056B/zh
Publication of CN114418056A publication Critical patent/CN114418056A/zh
Application granted granted Critical
Publication of CN114418056B publication Critical patent/CN114418056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

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

Abstract

本发明涉及路径引导技术领域，具体涉及一种基于道路拥堵问题的改进蚁群算法；引入拥堵系数，通过所述拥堵系数分配初始信息素含量，并基于所述信息素含量计算状态转移概率；基于所述初始信息素含量对信息素进行迭代更新，得到迭代信息，并基于所述状态转移概率决定蚂蚁下个位置；蚂蚁寻找完所述路线后，根据所述迭代信息循环构建路线和选择位置，得出最优路线，通过引入拥堵系数C，不拥堵的路段信息素含量会快速发生变化，因此在路段拥堵环境发生变化时能根据信息素含量的变化快速对拥堵因素做出反应，达到拥环境下进行路径规划的目的，解决传统蚁群算法没有考虑道路拥堵因素，导致算法收敛较慢的问题。

Description

一种基于道路拥堵问题的改进蚁群算法
技术领域
本发明涉及路径引导技术领域，尤其涉及一种基于道路拥堵问题的改进蚁群算法。
背景技术
蚁群算法应用场景为对拥堵车辆进行路径规划，原始蚁群算法原理如下，蚂蚁在搜寻路线的时候会在经过的道路中遗留一种特殊的分泌物。当遇到没有信息素的路口时，蚂蚁将随机挑选一条道路。并且在这条道路中遗留一定量的分泌物。当下一只蚂蚁走到该路口时，可以察觉到上一只蚂蚁遗留到该路口的信息素并且也能知道信息素的强度，这只蚂蚁会选择上一只蚂蚁同样的路径前进。当大量蚂蚁都这样选择和遗留信息素的时候，就形成了信息的正向反馈：越多蚂蚁走过的路线，上面的信息素浓度就越强，这将增大后面蚂蚁挑选这条路线的概率；反之，越少蚂蚁走过的路线，信息素浓度也就越少，该路线被挑选的概率就大大减少了。
蚁群算法就是建立在真实蚁群的基础上，通过模拟真实蚁群的寻找路径的行为进行优化计算的智能算法，但传统蚁群算法没有考虑道路拥堵因素，导致算法收敛较慢，不能及时根据拥堵因素重新规划路径。
发明内容
本发明的目的在于提供一种基于道路拥堵问题的改进蚁群算法，旨在解决传统蚁群算法没有考虑道路拥堵因素，导致算法收敛较慢的问题。
为实现上述目的，本发明提供了一种基于道路拥堵问题的改进蚁群算法，包括以下步骤：
S1引入拥堵系数，通过所述拥堵系数分配初始信息素含量，并基于所述信息素含量计算状态转移概率；
S2基于所述状态转移概率决定蚂蚁构建路径；
S3循环步骤S1至S2，对所述路径进行迭代更新，得出最优路径。
其中，所述拥堵系数由若干节点组成，所述拥堵系数取值范围为(0,1)。
其中，所述通过所述拥堵系数分配初始信息素含量的具体方式为：
S11测量若干所述节点中相邻两个节点之间距离，得到路线；
S12测量与所述路线对应的时间在所述路线上的信息素含量，得到所述初始信息素含量。
其中，所述基于所述状态转移概率构建路径的具体方式为：
S21基于所述状态转移概率决定蚂蚁选择的下一个移动位置；
S22通过禁忌表来记录蚂蚁当前所走过的位置，并根据蚂蚁的位置变化进行动态调整，构建路径。
其中，所述循环步骤S1至S2，对所述路径进行迭代更新，得出最优路线的具体方式为：
S31循环步骤S1至S2，对所述路径进行迭代更新，得到更新路径，每完成一次迭代循环，对所述更新路径上残留的信息素进行更新处理；直至迭代循环次数到达预设值，得出最优路线。
本发明的一种基于道路拥堵问题的改进蚁群算法，引入拥堵系数，通过所述拥堵系数分配初始信息素含量，并基于所述信息素含量计算状态转移概率；基于所述初始信息素含量对信息素进行迭代更新，得到迭代信息，并基于所述状态转移概率决定蚂蚁下个位置；蚂蚁寻找完所述路线后，根据所述迭代信息循环构建路线和选择位置，得出最优路线，根据拥堵系素分配初始信息素含量从而能够快速确定不拥堵的路段；由于改进后的信息素更新公式中引入了拥堵系数C，不拥堵的路段信息素含量会快速发生变化，因此在路段拥堵环境发生变化时能根据信息素含量的变化快速对拥堵因素做出反应，达到拥环境下进行路径规划的目的，解决传统蚁群算法没有考虑道路拥堵因素，导致算法收敛较慢的问题。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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。
图1是本发明提供的一种基于道路拥堵问题的改进蚁群算法流程图。
图2是所述通过所述拥堵系数分配初始信息素含量的具体方式的流程图。
图3是所述并基于所述信息素含量计算状态转移概率的具体方式的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1至图3，本发明提供一种基于道路拥堵问题的改进蚁群算法，包括以下步骤：
S1引入拥堵系数，通过所述拥堵系数分配初始信息素含量，并基于所述信息素含量计算状态转移概率；
具体的，设集合C是由n个节点组成的；m表示蚂蚁的数量；节点i和节点j两个节点的距离用Dij来表示；t时刻在路线(i,j)上的信息素含量用τij(t)来表示，以此来模拟实际情况中蚂蚁的分泌物。
传统的算法，蚂蚁k(k＝1,…,m)在寻找路线时，是由信息素决定移动路线的。蚂蚁k当前所走过的位置通过禁忌表tabuk(k＝1,…,m)来记录，位置变化会使得也tabuk做动态调整。蚂蚁在寻找路线的过程中，是通过每条路线上的信息素含量来计算状态转移概率。状态转移概率通过Pij k(t)来表示，该变量代表t时刻蚂蚁k从i位置转移到j位置的可能性，公式如下：
公式中allowedk表示蚂蚁k接下来可能会挑选的目的位置集合。τij(t)表示信息素浓度，ηij(t)表示路径(i,j)距离的倒数，通过上式可知，和路径(i,j)的信息素含量成正比，和路径(i,j)的距离成反比。
改进的算法，设置道路拥堵系数为c，其取值范围为(0,1)；根据路段拥堵情况分配初始信息素含量(原蚁群算法中初始信息素含量都相同)，分配公式为：
其中，τij(0)为路段(i,j)的初始信息素含量；Cmin表示所有路段中最小的拥堵因素，Dmin表示最小拥堵因素对应的路段长度，Dij表示节点i和节点j之间的距离，τ0表示信息素常数。即用拥堵系数与路段长度的乘积来表示路段的相对长度，以此为标准来分配初始信息素含量，所述拥堵系数由若干节点组成，所述拥堵系数取值范围为(0,1)。
所述通过所述拥堵系数分配初始信息素含量的具体方式为：
S11测量若干所述节点中相邻两个节点之间距离，得到路线；
具体的，相邻两个节点对应上述描述的节点i和节点j。
S12测量与所述路线对应的时间在所述路线上的信息素含量，得到所述初始信息素含量。
具体的，所述路线对应的时间t在路线(i,j)上的信息素含量用τij(t)来表示。
S2基于所述状态转移概率构建路径；
S21基于所述状态转移概率决定蚂蚁选择的下一个移动位置；
S22通过禁忌表来记录蚂蚁当前所走过的位置，并根据蚂蚁的位置变化进行动态调整，构建路径。
具体的，传统算法，在迭代过程中，路径上的信息素含量会不断堆积，所以要避免残留信息素过多，在完成一个循环后，要更新信息素。在t+n时刻路径(i,j)上的信息素进行如下调整：
τij(t+n)＝(1-ρ)τij(t)+Δτij
信息素残留因子通过ρ表示，信息素的挥发系数通过1-ρ表示，这样可以有效防止信息素的无限积累，ρ的取值范围为(0,1)；路径(i,j)上本次循环的信息素增量由Δτij表示，在起始时刻Δτij＝0；在本次循环中第k只蚂蚁留在路径(i,j)上的信息素量由Δτij表示。
改进的算法，在迭代过程中根据改进的信息素更新公式来更新某路段的信息素含量，更新公式为：
其中，τij(t+1)和τij(t)分别为t+1时刻及t时刻路段(i，j)的信息素含量；Q为信息素强度(常数)；Cij(t)为t时刻路段(i，j)的拥堵系数。
S3循环步骤S1至S2，对所述路径进行迭代更新，得出最优路径。
具体实施方式为：
S31循环步骤S1至S2，对所述路径进行迭代更新，得到更新路径，每完成一次迭代循环，对所述更新路径上残留的信息素进行更新处理；直至迭代循环次数到达预设值，得出最优路线。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (2)

1.一种基于道路拥堵问题的改进蚁群算法，其特征在于，包括以下步骤：
S1引入拥堵系数，通过所述拥堵系数分配初始信息素含量，并基于所述信息素含量计算状态转移概率；其中，设置道路拥堵系数为c，其取值范围为(0,1)；节点i和节点j两个节点的距离用Dij来表示；t时刻在路线(i,j)上的信息素含量用τij(t)来表示；分配公式为：
其中，τij(0)为路段(i,j)的初始信息素含量；cmin表示所有路段中最小的拥堵因素，Dmin表示最小拥堵因素对应的路段长度，Dij表示节点i和节点j之间的距离，τ0表示信息素常数；cij(t)为t时刻路段(i，j)的拥堵系数；
S11测量若干所述节点中相邻两个节点之间距离，得到路线；所述路线对应的时间t在路线(i,j)上的信息素含量用τij(t)来表示；
S12测量与所述路线对应的时间在所述路线上的信息素含量，得到所述初始信息素含量；
S2基于所述状态转移概率构建路径；
S21基于所述状态转移概率决定蚂蚁选择的下一个移动位置；
S22通过禁忌表来记录蚂蚁当前所走过的位置，并根据蚂蚁的位置变化进行动态调整，构建路径；根据改进的信息素更新公式来更新某路段的信息素含量，更新公式为：
其中，τij(t+1)和τij(t)分别为t+1时刻及t时刻路段(i，j)的信息素含量；Q为信息素强度，所述Q为信息素强度为常数；cij(t)为t时刻路段(i，j)的拥堵系数；
S3循环步骤S1至S2，对所述路径进行迭代更新，得出最优路径。
2.如权利要求1所述的一种基于道路拥堵问题的改进蚁群算法，其特征在于，
所述循环步骤S1至S2，对所述路径进行迭代更新，得出最优路线的具体方式为：
S31循环步骤S1至S2，对所述路径进行迭代更新，得到更新路径，每完成一次迭代循环，对所述更新路径上残留的信息素进行更新处理；直至迭代循环次数到达预设值，得出最优路线。
CN202210011109.XA 2022-01-06 2022-01-06 一种基于道路拥堵问题的改进蚁群算法 Active CN114418056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210011109.XA CN114418056B (zh) 2022-01-06 2022-01-06 一种基于道路拥堵问题的改进蚁群算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210011109.XA CN114418056B (zh) 2022-01-06 2022-01-06 一种基于道路拥堵问题的改进蚁群算法

Publications (2)

Publication Number Publication Date
CN114418056A CN114418056A (zh) 2022-04-29
CN114418056B true CN114418056B (zh) 2023-07-21

Family

ID=81272242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210011109.XA Active CN114418056B (zh) 2022-01-06 2022-01-06 一种基于道路拥堵问题的改进蚁群算法

Country Status (1)

Country Link
CN (1) CN114418056B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109489667A (zh) * 2018-11-16 2019-03-19 楚天智能机器人（长沙）有限公司 一种基于权值矩阵的改进蚁群路径规划方法
CN110941267A (zh) * 2019-11-18 2020-03-31 电子科技大学 蚁群算法用于拥堵环境下的动态路径规划方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11176817B2 (en) * 2018-10-08 2021-11-16 Wenlun Li Guiding signs system and information processing method thereof
CN113222520A (zh) * 2021-06-16 2021-08-06 江苏佳利达国际物流股份有限公司 一种基于蚁群算法的货物优化配送方法及系统
CN113343575B (zh) * 2021-06-21 2022-05-10 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109489667A (zh) * 2018-11-16 2019-03-19 楚天智能机器人（长沙）有限公司 一种基于权值矩阵的改进蚁群路径规划方法
CN110941267A (zh) * 2019-11-18 2020-03-31 电子科技大学 蚁群算法用于拥堵环境下的动态路径规划方法

Also Published As

Publication number Publication date
CN114418056A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN107272679B (zh) 基于改进的蚁群算法的路径规划方法
CN108667734A (zh) 一种基于q学习和lstm神经网络的快速路由决策算法
CN109945881B (zh) 一种蚁群算法的移动机器人路径规划方法
CN109186619B (zh) 一种基于实时路况的智能导航算法
CN103281245B (zh) 确定业务路由路径的方法及装置
US20150102945A1 (en) Multi-agent reinforcement learning for integrated and networked adaptive traffic signal control
US20210348928A1 (en) Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network
CN104506435B (zh) Sdn控制器和sdn中的最短路径确定方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN113014484B (zh) 一种基于bp神经网络蚁群算法的网络路由规划方法及系统
CN107332770B (zh) 一种必经点路由路径选择方法
Koh et al. Reinforcement learning for vehicle route optimization in SUMO
CN107483079A (zh) 低压电力线载波通信的双种群遗传蚁群路由算法
CN106685745B (zh) 一种网络拓扑构建方法及装置
CN113068224B (zh) 一种用于网状传输系统构建的蚁群算法实现方法和装置
CN109211242B (zh) 一种融合rrt与蚁群算法的三维空间多目标路径规划方法
CN114418056B (zh) 一种基于道路拥堵问题的改进蚁群算法
CN114675643A (zh) 一种无线传感网络的信息传输路径规划方法及装置
CN112415997A (zh) 一种用于多机器人协作的路径规划方法及系统
CN107888502A (zh) 内容中心网络中非混合式蚁群路由方法
CN108551661A (zh) 一种基于蚁群路由算法连通预测的能效最优化方法
CN111800339B (zh) 混合sdn场景下带有路径数目约束的路由优化方法
CN115018211B (zh) 一种运输调度线路设定方法和装置
CN112183822A (zh) 一种基于改进蚁群算法的无人机航路规划
US7623462B2 (en) Algorithm for network route selection

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