CN115355922A - 一种基于改进蚁群算法的出行路径规划方法及系统 - Google Patents
一种基于改进蚁群算法的出行路径规划方法及系统 Download PDFInfo
- Publication number
- CN115355922A CN115355922A CN202210982780.9A CN202210982780A CN115355922A CN 115355922 A CN115355922 A CN 115355922A CN 202210982780 A CN202210982780 A CN 202210982780A CN 115355922 A CN115355922 A CN 115355922A
- Authority
- CN
- China
- Prior art keywords
- path
- pheromone
- ant colony
- colony algorithm
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000003016 pheromone Substances 0.000 claims abstract description 114
- 241000257303 Hymenoptera Species 0.000 claims description 47
- 238000010276 construction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 230000002431 foraging effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009024 positive feedback mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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"
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于改进蚁群算法的出行路径规划方法及系统，属于智能交通决策技术领域,使用栅格法构建城市出行路径网络，设置区域的交通堵塞等级；采用改进蚁群算法对城市出行路径网络中各个节点之间的信息素值进行迭代更新，直到满足迭代停止条件；迭代停止时，信息素值最大的路径为最优路径；其中，根据区域的交通堵塞等级对道路的初始信息素值进行分配；本发明考虑个人出行经验，模拟出行者在城市出行中的路径选择，结合全局静态路径规划算法对出行者出行的路径选择进行优化，根据城市建筑方案进行建模并将传统路径规划算法进行改进后为出行者提供适合其自身的出行路径。
Description
技术领域
本发明属于智能交通决策技术领域，尤其涉及一种基于改进蚁群算法的出行路径规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
我国经济从上世纪以来的持续增长，城市进程化在全国各地的快速普及，导致我国城市所占土地比例也在不断上升的同时，产生了许多城市化所带来的问题；其中，不可避免的交通和出行问题也越来越明显，尤其是在经济发达的城市，为了迎合城市化进程，城市交通网络的不断扩大，例如京、沪、深圳等。城市交通系统所带来的交通堵塞、交通事故、甚至于环境污染都在极大地影响着人们的生活。曾有数据表明，我国首都人们通勤往来所耗费时间为一小时左右，而其他经济发达的省会城市上班耗时间也占了快一小时，严重影响人民生活；曾经有古诗描述堵车的感受，有人用古诗“少小离家老大回”，虽然稍有夸张，但也反映了当下交通堵塞已经浸染了人们的平日生活。
交通行业的迅速发展，一面给我们的日常带来方便，一面产生的各种交通问题也在影响这人们的日常出行。虽然有公共交通，包括公交车、地铁、磁悬浮列车等一定程度上缓解了交通的堵塞，但像磁悬浮列车目前只在少数城市存在，仍然有许多人在日常出行中选择私家车。城市化促进交通的迅猛发展带来的优势不言而喻，但是过于复杂的城市交通网络使得城市居民难以做出出行选择。
我国对于路径规划问题的研究遍布在各个领域：无论是航空方面卫星路径规划、农林业的机器人路径选择研究、无人驾驶车辆的路径规划、水面以下的无人潜水艇的路径规划都有相关的文献。但是无人机、机器人、自动驾驶等的路径规划未涉及人类，仅仅是对于载体外部环境，载体本身没有偏好；在城市交通领域中出行者的路径规划方面，现存的文献研究聚焦在以下两处：首先是静态交通情况下的最短路径；其次是动态实时路况状态下，使用局部动态路径规划算法，根据分层、多次路径决策等方法进行动态路径规划。但对于城市出行的路径规划由于公共交通工具的快速发展，出行者经验的增加与其个人偏好等原因的出现，还未能有良好的解决方案。
例如张小芳、冯慧芳等人结合大数据分析了城市交通状况，利用了改进的Viterbi算法进行动态的路径规划，实际证明此方法不仅效率提高且具有较高的时效性。
张志文等人结合了A*算法、动态窗口法两种给机器人规划其出行，其结果不仅高效且使最优路径具有极大的平滑性。
在周珏等人利用结合了北斗系统的授时服务、卫星导航定位、实时监控等技术的全新系统——北斗Queen，为交通事故中急救车的救援提供路径规划，减少因交通堵塞浪费的时间，更大程度上减少伤亡。
在常盟盟等人研究了自适应动态路径规划方法，因为传统的经典路径规划算法和现在发达交通网络的不一样，作者利用动态网络流式图的创新思想，提出了分层的路网状态树作为索引，此方法在降低计算代价同时还扩大了传统路径规划算法的应用范围。
国外对于城市出行路径选择尚没有我国成熟，我国是人口大国，相比国外的交通情况更为复杂，所以国外文献研究的寻找最优路径多是基于最短时间或是最短距离，亦或是以自动驾驶或者机器人的行走为前提条件寻找最优路径。
例如国外学者N.P.Dubey等针对多个机器人为其寻找最短且不会与其环境中的物体发生任何碰撞的路径，作者考虑了静态环境，并评估了优化路径，用来达成机器人从起点到终点的行走，使用不同的经典和基于进化的路径搜索算法来找到优化的路径，减少移动机器人的计算时间和路径长度。
另有S.Pothan分析了车辆的几何形状、运动学和约束条件路径规划涉及搜索合理路径，而不考虑其与时间的关联，采用了使用状态格策略的路径规划技术，为车辆找到其最优路径。
国外学者H.Yu等人描述了一种考虑了由于环境中的障碍物造成的视觉遮挡的协作路径规划算法，用于在城市环境中使用无人机(UAV)和无人驾驶车辆(UGV)跟踪移动目标。该算法使用动态占用网格对目标状态进行建模，该目标状态通过使用贝叶斯滤波器的传感器测量值进行更新，完成了无人驾驶空中和地面车辆在城市环境中进行目标跟踪的协同路径规划的目标。
综上所述，国内相对于国外研究城市出行路径选择的文献较多。国外主要是研究将车辆作为出行单位来研究其出行路径作选择，或是主要研究机器人自主选择其路径的情况；国内根据我国实际情况对于车辆出行、行人出行等都有涉及，同时存在许多结合了大数据提供的各种交通实时路况为出行者的出行提供实时更新，相较于国外在此方面更为透彻全面。
针对国内外研究现状，我们对于城市出行的解决算法有了总结：一方面局部动态规划算法没有考虑到全局情况容易陷入局部最优，而另一方面交通状况的瞬息万变导致全局静态路径规划算法结果和实际情况可能大相径庭，且现有文献少有考虑个人出行经验，对于长期出行的个体，他们对于出行路径上的交通路况有着独到的见解。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于改进蚁群算法的出行路径规划方法及系统，考虑个人出行经验，模拟出行者在城市出行中的路径选择，结合全局静态路径规划算法对出行者出行的路径选择进行优化，根据城市建筑方案进行建模并将传统路径规划算法进行改进后为出行者提供适合其自身的出行路径。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种基于改进蚁群算法的出行路径规划方法；
一种基于改进蚁群算法的出行路径规划方法，包括：
使用栅格法构建城市出行路径网络，设置区域的交通堵塞等级；
采用改进蚁群算法对城市出行路径网络中各个节点之间的信息素值进行迭代更新，直到满足迭代停止条件；迭代停止时，信息素值最大的路径为最优路径；
其中，根据区域的交通堵塞等级对道路的初始信息素值进行分配。
进一步的，采用栅格法对城市出行道路进行建模，获得城市出行路径网络，其中白色栅格为自由栅格，为可行区域，黑色栅格为障碍栅格，为不能通行的区域。
进一步的，所述交通堵塞等级分为交通拥堵第一等级、交通拥堵第二等级和交通拥堵第三等级，其中，交通拥堵第一等级的交通压力最小，交通拥堵第三等级的交通压力最大。
进一步的，所述改进蚁群算法的具体步骤为：
(1)初始化参数值，包括蚂蚁数量m、信息素的影响值α、启发因子的影响值β、道路的初始信息素值、信息素挥发因子ρ；
(2)所有蚂蚁随机分配到城市出行路径网络上的节点，并搜索路径；每一只蚂蚁选择下一个路径的概率P同时受道路信息素值和道路距离决定；
(3)等待同一批次的蚂蚁全部完成对路径的探索之后，改变全部道路上的信息素值，信息素的革新包括添加此轮的信息素和减去挥发的一部分信息素两方面；
(4)更新当次迭代中的最优路径，重新初始化所有的蚂蚁，准备下一轮迭代；
(5)重复步骤(2)-(4)，直到满足迭代停止条件，算法完结，此时信息素值最大的路径为最优路径。
优选的，信息素的影响值α设置为1，启发因子的影响值β设置为5，信息素挥发因子ρ设置为0.4。
进一步的，所述根据区域的交通堵塞等级对道路的初始信息素值进行分配，具体为：
在交通拥堵第一等级区域内道路的信息素初值设置为4，在交通拥堵第二等级区域内道路的信息素初值设置为3，在交通拥堵第三等级区域内道路的信息素初值设置为1，其他区域的信息素初值为1。
进一步的，所述迭代停止条件，为迭代次数达到上限或最优路径不再变更。
本发明第二方面提供了一种基于改进蚁群算法的出行路径规划系统。
一种基于改进蚁群算法的出行路径规划系统，包括网络构建模块和蚁群迭代模块；
网络构建模块，被配置为：使用栅格法构建城市出行路径网络，设置区域的交通堵塞等级；
蚁群迭代模块，被配置为：采用改进蚁群算法对城市出行路径网络中各个节点之间的信息素值进行迭代更新，直到满足迭代停止条件；迭代停止时，信息素值最大的路径为最优路径；
其中，根据区域的交通堵塞等级对道路的初始信息素值进行分配。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种基于改进蚁群算法的出行路径规划方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种基于改进蚁群算法的出行路径规划方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明考虑个人出行经验，模拟出行者在城市出行中的路径选择，结合全局静态路径规划算法对出行者出行的路径选择进行优化，根据城市建筑方案进行建模并将传统路径规划算法进行改进后为出行者提供适合其自身的出行路径。
本发明针对交通堵塞的城市出行问题做出研究，仿真模拟了出行者在城市中出行的路径选择，切实考虑了出行者的个人经验，并结合蚁群算法的进行改进，包括信息素初始值的设计、参数的重新设计，使算法贴近现实，仿真实验表明，改进的蚁群算法确实有很大进步，方便了出行者的出行。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例中构建的城市出行路径网络图。
图3为第一个实施例中设置交通堵塞等级的城市出行路径网络图。
图4为第一个实施例中未改进的蚁群算法求解成果图。
图5为第一个实施例中未改进的蚁群算法求解成果距离图。
图6为第一个实施例中改进的蚁群算法的成果图。
图7为第一个实施例中改进的蚁群算法求解成果距离图。
图8为第二个实施例的系统结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例公开了一种基于改进蚁群算法的出行路径规划方法；
如图1所示，一种基于改进蚁群算法的出行路径规划方法，包括：
步骤S1、使用栅格法构建城市出行路径网络，设置区域的交通堵塞等级；
针对城市出行问题为出行者出行设计出行路线，首先要解决的就是城市的出行网络构建问题；在城市出行时，首先要考虑的是城市中各种建筑物、路障等都影响着城市出行的路径选择；其次，考虑个人出行的经验，对于城市中的各种出行路径出行者本身就有一定的判断，这一定程度上也会影响出行者的路径选择，所以需要考虑以下几点：
1)城市中原有的建筑物、绿化区之外的主要道路，应该包含在城市出行路径网络中；
2)除了主要道路之外的、仍然可以作为出行者出行选择的线路，也应该包含在城市出行路径网络中；
3)出行者根据个人经验对于城市出行路线选择有一定的判断，在选择出行路线时要有一定的偏向性；
为此对城市出行路径网络进行优化，因为城市中出行者对于城市的各个地区分布有一定的了解，譬如市中心的商业区、大学城、郊区、生产区等在不同时间段可能有不同的交通拥堵状态：商业区可能时常拥堵，大学城、生产区在饭点时产生拥堵，而郊区拥堵状态相对于其他地区比较轻松但路途遥远等，这些地区的拥堵时效性也会是出行者出行时的原因之一。
因此，网络构建的具体步骤为：
1)采用栅格法对城市出行道路进行建模，获得城市出行路径网络，其中白色栅格为自由栅格，为可行区域，黑色栅格为障碍栅格，为不能通行的区域。将城市中的建筑物和路障简化成不可行走的黑色栅格，出行单位在出行时，只可以在没有黑色栅格阻挡的白色栅格上行走。
如图2所示，将城市主要道路简化成方块进行模拟，设置好出行者出行的起点为左上角的(1,20)和终点(20,1)。在此途中，可以找到出行的路径，白色栅格就是出行者在行走时可以选择的节点。
2)为城市主要区域设置交通堵塞等级，交通堵塞等级分为交通拥堵第一等级、交通拥堵第二等级和交通拥堵第三等级，其中，交通拥堵第一等级的交通压力最小，交通拥堵第三等级的交通压力最大。
如图3所示，交通拥堵第三等级的区域为交通堵塞严重的商业区，交通拥堵第二等级的区域为交通堵塞根据时间段不同的居民区和学校，交通拥堵第一等级的区域为交通堵塞不严重的郊区和绿化区。
根据实际情况为城市主要区域设置交通堵塞等级，根据设置结果，设定出行者在路径选择时有着个人经验，会进行偏向性的选择，有意识的避开交通拥堵的地方，由此便实现了和实际情况相结合、最大程度的模拟城市出行的目的。
采用点集和向量集结合的方法对构建的网络进行数学描述，提供建模环境，由此解决出行路径问题，使用G＝{N,E,Q}对路径网络进行刻画。
其中，
代表城市出行路径网络中各个可选择的节点的集合，即白色栅格。
Q是向量集，Q＝{Qij|i,j∈1,2,3……}表示出行者当前在点i且下一步要选择的点为点j。
城市出行方案选择一般都有一定特点，一般都是根据出行所用时间最少作为指标，因此本实施例利用出行者通常选择用时最少的路径，在时间代价作为权值的城市出行路径网络中标记起点和终点，利用算法寻找最短路径，由此就变成了路径规划问题。
步骤S2、采用改进蚁群算法对城市出行路径网络中各个节点之间的信息素值进行迭代更新，直到满足迭代停止条件；迭代停止时，信息素值最大的路径为最优路径；其中，根据区域的交通堵塞等级对道路的初始信息素值进行分配。
蚁群算法是启发式的寻找最合适道路的经典算法，它效仿了蚂蚁在树林、旷野等地找食物的流程，具有寻找更好解的强大特性；蚁群算法模拟的就是蚂蚁部落觅食的过程：大自然中的蚂蚁在自己觅食的行走途中会在路上留下信息素，用这种方法来说明自己走过；而其他蚂蚁在继续觅食途中会根据之前的蚂蚁经过遗留下的信息素值选择路径；由于自然界中地上本就没有信息素，故蚂蚁一开始的路径选择是任意的；一般蚂蚁在它们走过的路上留下信息素，用之给路做记号；一段时间之后，蚂蚁部落就找到了许多达到食物的路径；鉴于蚂蚁在选择路径的时候是任意的，在觅食一段时间后，蚂蚁会更偏向于选择短的路，那么短的道路上的信息素就愈来愈多，这样循环反复，最后短的道路上的蚂蚁数目愈来愈多，挑选短路的蚂蚁也愈来愈多。
所以，蚁窝里头的蚂蚁在找饮食的过程是借助放出来的信息素进行交换信息的，在正常情况下，信息素值和道路的距离成负相关，信息素值愈大就是说明道路愈短，因此该道路被蚁窝里的其他的蚂蚁挑选的机会就愈大，利用这种正反馈的体系就能够很快地寻找到达食物源地的无碰撞路径；该算法拥有正反馈机制、容易与其他算法结合、鲁棒性强、自适应能力强的特点。
蚁群算法必须遵循的两条规定是：其一是同一迭代次数的蚂蚁之间没有干扰；其二是蚂蚁不能重复选择路径，一般设置禁忌表(Tabu)。
首先对传统蚁群算法中所需的几个参数进行解释：
蚂蚁数量m，需谨慎抉择，如果过少，会影响算法的结果，与实际相符合。如果太多，否则算法运行会有阻碍；
转移概率P：表示蚂蚁从当前所在点选择下一个点的概率：
其中，α代表信息素的影响值，β代表启发因子的影响值。Jk(i)代表第k只蚂蚁在点i时可以挑选的下一个的点的聚集。τij(n)是在n时刻第i个目标到第j个目标间路径的信息素值。ηiS(n)是启发因子，在本实施例中，启发因子是道路距离长短的倒数，表示该目标点到终点距离的倒数，即：
当所有蚂蚁在一次迭代中完成全部节点的遍历后，为了防止信息素积累过多而覆盖了还未探索的路径启发信息，要更新全部道路上的信息素值。在蚁群算法中，新的信息素等于上一轮迭代信息素的值加上新一轮完成挥发之后遗留下来的信息素：
τij(n+1)＝(1-ρ)×τij(n)+Δτij (3)
最开始时，信息素值为0，即τij(0)＝0。ρ是信息素挥发因子，用来模仿自然界中信息素的挥发，ρ的取值范围：{ρ|0＜ρ＜1}。Q为增强系数，是一个大于零的常量。λ用来记录该路径是否走过，走过为1，否则为0。
蚁群算法的出现引发了许多学者的关注，经过20多年的发展，蚁群算法已经成了一个引领性的学习范畴，其各方面的思想取得了持续的革新。本实施例采用蚁群算法在城市出行中找到适合出行者的路径，自然界中蚂蚁觅食的过程完全是根据地形地貌决定的，因此传统蚁群算法也存在以下缺陷：
1)收敛速度慢；在蚁群算法中，模拟了自然界地图上的各处信息素是相同的，一个大于零的常数，这样一来就导致了蚂蚁们对于下一个节点的选择是完全随机的，随机选择虽然在完全陌生的环境中可以探索更大的搜索空间，但在城市出行中，人们在选择出行道路时对于所在地方的出行状况有或多或少的经验，因此具有一定的偏向性，这一点和传统的蚁群算法就不相匹配，传统的蚁群算法也因为初始信息素的随机分配导致初期搜索时间慢，需要较长时间才能发挥蚁群算法的正反馈作用，进而导致了算法开始的收敛速度较慢。
2)局部最优；遵循蚁群算法正反馈体制的特点，最开始地上的信息素含量值一样，蚂蚁们初始时按照随机选择的方式选择路径，不同蚂蚁找到的路会有差异，就会有好坏之分；下一次迭代蚂蚁们在更好的道路上留下更多的信息素，又会聚集更多的蚂蚁，进而留下更多的信息素，而下一轮蚂蚁挑选道路的时候又被含量高的信息素吸引，这一正反馈的过程迅速将最优路径和其他的路进行区分，导致整个系统朝着最优路径的方向上前进。这一过程的关键是在于最开始找的路径是全局最优而非局部最优，假设一开始找到的就是局部最优，后面的正反馈将会导致算法的解离最优越来越远。且正反馈的机制使算法难以跳出局部最优，那么整个算法就会进入死锁。
3)蚁群算法作为路径规划的经典算法，被研究者们广泛应用，但是没有系统地规定它的参数值，大部分都是参考前人的经验；不合适的参数会使蚁群算法的路径规划作用变小；同时，蚁群算法为了避免重复访问或是形成环路而设计的禁忌表，也有不好的一面，容易导致死锁的出现。
综上所述，从模拟城市出行的现实状况考虑，出行者根据个人经验，对城市哪些区域的交通状况有大概了解，有着自己的判断，所以对道路的初始信息素值进行优化，使其与传统的蚁群算法过程不同；其次是信息素的更新方式，分析信息素更新的过程，联系实际优化参数,具体为:
第一、参数α、β的取值(α代表信息素的影响值，β代表启发因子的影响值)：
在转移概率P的公式(1)中，α表示信息素在蚂蚁选择道路时的重要程度，β表示启发因子在蚂蚁选择道路时所占比的重要程度；换而言之，α值越大，信息素在蚂蚁挑选路方向时的影响越大，而β越大，路径长度在蚂蚁们挑选路方向时的影响越大；但α、β的值并不是统一规定的，跟具体应用场景的偏向性有关，通过对出行者出行时的考虑和自然界蚂蚁觅食的过程进行对比分析，参数组合(α,β)的值不是唯一的,可以取为(1,2),(1,3),(1,4),(1,5),(0,1)和(1,0)，每一组取值代表一类蚂蚁，故本实施例先设置a的值为1，β的值为5，对于其他的值可以在实际验证的时候进行试错来找到最合适的参数值。
第二、对初始信息素浓度值的分配：
在城市出行路径网络中，每一个白色栅格代表蚂蚁在选择路径时的一个目的点，因此，在对初始信息素浓度值进行分配时，采用一个与城市出行路径网络建模一样大小的矩阵建模。
根据调查结合模拟城市出行的实际情况且参考资料了解到，蚁群算法初始信息素值必须在每次信息素更新值的20倍左右，因此在交通拥堵第一等级区域内道路的信息素初值设置为4，在交通拥堵第二等级区域内道路的信息素初值设置为3，在交通拥堵第三等级区域内道路的信息素初值设置为1，其他区域的信息素初值为1，如此得到了一个二维初始信息素矩阵。
第三、根据实际情况对信息素更新参数分配(ρ是信息素挥发因子)
在传统信息素的更新公式(3)中，信息素含量的更新手段仅仅表现为上一代轮回中的信息素挥发之后遗留下来的信息素和这一轮迭代蚂蚁放出来信息素的累加。其中，ρ较小时，蚂蚁们会更多的挑选相同的道路，会减弱算法的随机搜罗能力、地图全局的搜罗能力；ρ过大时，那么信息素消失得多，蚂蚁们可能会更多搜索无关的道路，减弱算法的收敛过程。模拟出行者在城市中出行时，考虑到出行者出行的个人经验会让出行者选择道路时有偏向性，当使用蚁群算法效仿时，类比出行者的个人经验会偏向自己以前走过的、交通堵塞不是很严重的区域出行，类比蚁群算法，蚂蚁们也会对于全部地图有一些认知，不像传统的蚁群算法那么随机搜索，更多偏向信息素挥发比较少的方向。故设置ρ的值为0.4。
所以，对于蚁群算法的改进，主要是三个方面，第一是参数α、β的取值，第二是初始信息素浓度的分配，第三是信息素更新挥发因子的取值，所述改进蚁群算法的具体步骤为：
(1)初始化参数值，包括蚂蚁数量m、信息素的影响值α、启发因子的影响值β、道路的初始信息素值、信息素挥发因子ρ；
信息素的影响值α设置为1，启发因子的影响值β设置为5，信息素挥发因子ρ设置为0.4。
(2)所有蚂蚁随机分配到城市出行路径网络上的节点，并搜索路径；每一只蚂蚁选择下一个路径的概率P同时受道路信息素值和道路距离决定；
(3)等待同一批次的蚂蚁全部完成对路径的探索之后，改变全部道路上的信息素值，信息素的革新包括添加此轮的信息素和减去挥发的一部分信息素两方面；
(4)更新当次迭代中的最优路径，重新初始化所有的蚂蚁，准备下一轮迭代；
(5)重复步骤(2)-(4)，直到满足迭代停止条件，算法完结，此时信息素值最大的路径为最优路径。
所述迭代停止条件，为迭代次数达到上限或最优路径不再变更。
仿真实验
根据蚁群算法的特性和上述分析，选用黑色栅格作为障碍物，白色栅格作为可以行走的路径，将城市主要建筑和空间区分之后，得到了城市简化方块图，利用此地图，配合蚁群算法进行求解就可以仿效实际出行：
首先是传统的蚁群算法得到的结果，如图4和图5所示，而改进蚁群算法得到的结果，如图6和图7所示。
可以看到，传统的蚁群算法求解得到距离结果在31、32左右浮动；而改进蚁群算法得到的结果不仅在相同的迭代次数下很快稳定下来而且其最终结果为27，在路径长短方面优势鲜明，对比分析可以明确改进的蚁群算法，无论是稳定性还是路径距离，都比传统的蚁群算法有更好的效果，可以证明对传统蚁群算法的改进是有成效的。
实施例二
本实施例公开了一种基于改进蚁群算法的出行路径规划系统；
如图8所示，一种基于改进蚁群算法的出行路径规划系统，包括网络构建模块和蚁群迭代模块；
网络构建模块，被配置为：使用栅格法构建城市出行路径网络，设置区域的交通堵塞等级；
蚁群迭代模块，被配置为：采用改进蚁群算法对城市出行路径网络中各个节点之间的信息素值进行迭代更新，直到满足迭代停止条件；迭代停止时，信息素值最大的路径为最优路径；
其中，根据区域的交通堵塞等级对道路的初始信息素值进行分配。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的一种基于改进蚁群算法的出行路径规划方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的一种基于改进蚁群算法的出行路径规划方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进蚁群算法的出行路径规划方法，其特征在于，包括：
使用栅格法构建城市出行路径网络，设置区域的交通堵塞等级；
采用改进蚁群算法对城市出行路径网络中各个节点之间的信息素值进行迭代更新，直到满足迭代停止条件；迭代停止时，信息素值最大的路径为最优路径；
其中，根据区域的交通堵塞等级对道路的初始信息素值进行分配。
2.如权利要求1所述的一种基于改进蚁群算法的出行路径规划方法，其特征在于，采用栅格法对城市出行道路进行建模，获得城市出行路径网络，其中白色栅格为自由栅格，为可行区域，黑色栅格为障碍栅格，为不能通行的区域。
3.如权利要求1所述的一种基于改进蚁群算法的出行路径规划方法，其特征在于，所述交通堵塞等级分为交通拥堵第一等级、交通拥堵第二等级和交通拥堵第三等级，其中，交通拥堵第一等级的交通压力最小，交通拥堵第三等级的交通压力最大。
4.如权利要求1所述的一种基于改进蚁群算法的出行路径规划方法，其特征在于，所述改进蚁群算法的具体步骤为：
(1)初始化参数值，包括蚂蚁数量m、信息素的影响值α、启发因子的影响值β、道路的初始信息素值、信息素挥发因子ρ；
(2)所有蚂蚁随机分配到城市出行路径网络上的节点，并搜索路径；每一只蚂蚁选择下一个路径的概率P同时受道路信息素值和道路距离决定；
(3)等待同一批次的蚂蚁全部完成对路径的探索之后，改变全部道路上的信息素值，信息素的革新包括添加此轮的信息素和减去挥发的一部分信息素两方面；
(4)更新当次迭代中的最优路径，重新初始化所有的蚂蚁，准备下一轮迭代；
(5)重复步骤(2)-(4)，直到满足迭代停止条件，算法完结，此时信息素值最大的路径为最优路径。
5.如权利要求4所述的一种基于改进蚁群算法的出行路径规划方法，其特征在于，优选的，信息素的影响值α设置为1，启发因子的影响值β设置为5，信息素挥发因子ρ设置为0.4。
6.如权利要求3所述的一种基于改进蚁群算法的出行路径规划方法，其特征在于，所述根据区域的交通堵塞等级对道路的初始信息素值进行分配，具体为：
在交通拥堵第一等级区域内道路的信息素初值设置为4，在交通拥堵第二等级区域内道路的信息素初值设置为3，在交通拥堵第三等级区域内道路的信息素初值设置为1，其他区域的信息素初值为1。
7.如权利要求1所述的一种基于改进蚁群算法的出行路径规划方法，其特征在于，所述迭代停止条件，为迭代次数达到上限或最优路径不再变更。
8.一种基于改进蚁群算法的出行路径规划系统，其特征在于：包括网络构建模块和蚁群迭代模块；
网络构建模块，被配置为：使用栅格法构建城市出行路径网络，设置区域的交通堵塞等级；
蚁群迭代模块，被配置为：采用改进蚁群算法对城市出行路径网络中各个节点之间的信息素值进行迭代更新，直到满足迭代停止条件；迭代停止时，信息素值最大的路径为最优路径；
其中，根据区域的交通堵塞等级对道路的初始信息素值进行分配。
9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于改进蚁群算法的出行路径规划方法中的步骤。
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于改进蚁群算法的出行路径规划方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210982780.9A CN115355922A (zh) | 2022-08-16 | 2022-08-16 | 一种基于改进蚁群算法的出行路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210982780.9A CN115355922A (zh) | 2022-08-16 | 2022-08-16 | 一种基于改进蚁群算法的出行路径规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115355922A true CN115355922A (zh) | 2022-11-18 |
Family
ID=84033337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210982780.9A Pending CN115355922A (zh) | 2022-08-16 | 2022-08-16 | 一种基于改进蚁群算法的出行路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115355922A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796423A (zh) * | 2023-02-07 | 2023-03-14 | 长沙中联重科环境产业有限公司 | 一种基于物联网监测缓解城市扬尘的方法及系统 |
| CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
| CN117894201A (zh) * | 2024-03-11 | 2024-04-16 | 湘江实验室 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
-
2022
- 2022-08-16 CN CN202210982780.9A patent/CN115355922A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796423A (zh) * | 2023-02-07 | 2023-03-14 | 长沙中联重科环境产业有限公司 | 一种基于物联网监测缓解城市扬尘的方法及系统 |
| CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
| CN116862063B (zh) * | 2023-07-12 | 2024-04-19 | 甘肃飞天云科技信息有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
| CN117894201A (zh) * | 2024-03-11 | 2024-04-16 | 湘江实验室 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
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 | |
| CN115355922A (zh) | 一种基于改进蚁群算法的出行路径规划方法及系统 | |
| CN104317293B (zh) | 一种改进蚁群算法的城市救援智能体动态路径规划方法 | |
| CN112000131B (zh) | 基于人工势场法的无人机集群路径规划方法及系统 | |
| Itami et al. | RBSim 2: Simulating the complex interactions between human movement and the outdoor recreation environment | |
| CN110345960B (zh) | 一种规避交通障碍的路线规划智能优化方法 | |
| CN106779212A (zh) | 一种基于改进蚁群算法的城市旅游路线规划方法 | |
| CN101493329A (zh) | 一种多目标点路径规划方法和装置 | |
| CN110045738A (zh) | 基于蚁群算法和Maklink图的机器人路径规划方法 | |
| CN109186619A (zh) | 一种基于实时路况的智能导航算法 | |
| CN114812564B (zh) | 基于城市动态时空风险分析的多目标无人机路径规划方法 | |
| Pang et al. | A risk-based UAS traffic network model for adaptive urban airspace management | |
| CN103295080A (zh) | 基于高程图和蚁群寻食的三维路径规划方法 | |
| Zhang et al. | A multi-factor GIS method to identify optimal geographic locations for electric vehicle (EV) charging stations | |
| CN112797997B (zh) | 一种基于栅格路网的应急路径规划架构和方法 | |
| CN112185149B (zh) | 基于城市路网数据的路径规划方法及系统 | |
| CN112539751A (zh) | 一种机器人路径规划方法 | |
| CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
| Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
| Shi et al. | An adaptive route guidance model considering the effect of traffic signals based on deep reinforcement learning | |
| Cai et al. | Multi-vehicles dynamic navigating method for large-scale event crowd evacuations | |
| 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 | |
| Zhang et al. | Traffic Guidance Based on LSTM Neural Network and Dual Tracking Dijkstra Algorithm | |
| CN101477689A (zh) | 一种基于自适应蚁群智能的空中机器人视觉分层匹配方法 | |
| Ma et al. | Design of emergency evacuation route for large buildings based on cloud computing and GIS big data |
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 |