CN117073684B - 一种基于多任务蚁群算法的城市车辆导航方法 - Google Patents

一种基于多任务蚁群算法的城市车辆导航方法 Download PDF

Info

Publication number
CN117073684B
CN117073684B CN202311056203.8A CN202311056203A CN117073684B CN 117073684 B CN117073684 B CN 117073684B CN 202311056203 A CN202311056203 A CN 202311056203A CN 117073684 B CN117073684 B CN 117073684B
Authority
CN
China
Prior art keywords
task
pheromone
tasks
ant colony
similar
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
CN202311056203.8A
Other languages
English (en)
Other versions
CN117073684A (zh
Inventor
刘伟莉
余镇健
梁鹏
洪远紫
卢旭
赵慧民
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal 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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202311056203.8A priority Critical patent/CN117073684B/zh
Publication of CN117073684A publication Critical patent/CN117073684A/zh
Application granted granted Critical
Publication of CN117073684B publication Critical patent/CN117073684B/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
    • 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
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于多任务蚁群算法的城市车辆导航方法；包括：多任务蚁群算法初始化，用于初始化多任务蚁群算法的各项参数；相似任务关联，用于将存在相似性的车辆导航任务进行关联，并评估相似任务之间的相似性，包括，相似任务筛选策略和相似性计算；蚁群构建解空间，根据所关联的任务和所计算的任务相似性，蚁群之间通过信息素矩阵交换信息，实现并行优化，包括概率性参考、信息素矩阵选择、节点选择、信息素更新；最终，将蚁群算法获得的所有任务的最优解作为车辆导航任务的近似最优解；本发明考虑到不同任务之间的相似性存在差异，根据相似性高低，有效交换任务之间的信息，从而提高蚁群算法同时求解多个车辆导航任务的效率。

Description

一种基于多任务蚁群算法的城市车辆导航方法
技术领域
本发明属于群体智能领域，特别是涉及一种基于多任务蚁群算法的城市车辆导航方法。
背景技术
在车辆导航中，需要找到一条最短路径，使得汽车从出发地点(起点)到目的地(终点)的距离最短，因此车辆导航任务可以看作是最短路径问题的一个具体应用场景。最短路径问题是组合优化问题的一种，其目标是在图或网络中找到从一个特定起点到一个特定终点的最短路径。在车辆导航任务中，可以将城市道路或交通网络表示成一个图，其中节点表示交叉路口或地点，边表示道路或路径，每条边都有相应的长度(距离)。
在城市中，导航系统可能需要同时处理多个车辆的导航需求，这些车辆可能有不同的起点、终点和路径要求，需要通过路径规划来确定最佳的行驶路线。在车辆导航中，可能还需要考虑一些约束条件，如避免拥堵、选择高速公路或普通道路等，这些约束条件可能会影响最终的路径选择。实际的车辆导航系统中还可能涉及实时交通信息的更新和动态路径规划等复杂问题。蚁群算法(ACO,Ant Colony Optimization)作为一种启发式算法，能够在车辆导航任务中辅助寻找最短路径，特别适用于大规模道路网络的导航问题。通过ACO的全局搜索能力和适应性学习，车辆导航系统能够更高效地找到最优路径，提供更优质的导航体验。
ACO的基本思想是模拟蚂蚁在寻找食物时的行为，蚂蚁在路径上释放信息素，其他蚂蚁通过检测信息素的浓度来选择路径。蚂蚁在路径上释放的信息素的浓度会随着时间逐渐更新和调整，从而引导蚂蚁更倾向于选择信息素浓度较高的路径。目前大多数ACO变体在不同的组合优化问题有着出色的表现，但其还是属于单任务模式，即对于每个任务，蚁群根据自身构建的可行解逐渐更新和调整初始信息素矩阵的信息素浓度，使得算法逐步收敛以及输出最优解。单任务模式的ACO在处理多个任务时，由于ACO包含随机性和信息素更新的过程，其收敛速度将会受到影响，导致整体效率低下。少部分具有多任务机制的ACO，专注于解决具有强相关的多个任务，无法适用于任务之间相关程度未知的场景。由于具有多任务机制的ACO通过对可行解进行转变的方式交换信息，通常针对不同的任务之间还需设计特定的转变策略。图1展示了单任务模式与多任务模式的对比。
综上所述，现有的单任务模式ACO解决多个车辆导航任务时存在一定的性能缺陷，无法利用相关任务的有效信息提高效率。现有的多任务模式ACO无法适用于任务之间相关程度未知的场景，且需要设计额外的转变策略。而在实际应用中，无法保证所有任务之间都具有相似性，且不同任务的可行解的结构存在差异，例如，维度不同。
发明内容
针对上述缺点，在未知任务之间是否相关、可行解的维度不同的情况下，本发明的目的是提供一种基于多任务蚁群算法的城市车辆导航方法，该算法根据相似任务关联的策略，过滤不存在相似性的任务和计算相关任务之间的相似性，并且通过概率性参考规则，使得蚁群在构建解的过程完成信息交换，从而提高蚁群算法求解多个城市车辆导航任务的性能。
为实现上述目的，本发明提供了一种基于多任务蚁群算法的城市车辆导航方法，包括：
S1：多任务蚁群算法初始化，为每个任务初始化蚁群，初始化蚁群算法的各项参数，如蚁群规模(蚂蚁数量)、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数，以及预设参考因子qr，信息素矩阵概率选择因子qs，相似任务筛选半径r；
S2：相似任务关联，用于将存在相似性的城市车辆导航任务进行关联，并评估相似任务之间的相似性，该步骤包括S2-1：相似任务筛选，S2-2：相似性计算；
S2-1：相似任务筛选，用于将互相之间存在相似性的任务筛选出来：以任务ti的起点oi为中心，所有起点距离起点oi小于等于半径r的任务作为任务ti的候选相似任务。以任务ti的终点ei为中心，所有终点距离终点ei小于等于半径r的候选相似任务作为任务ti的相似任务，最终得到任务ti的相似任务集合
S2-2：相似性计算，用于评估任务之间的相似性。在选出任务ti的相似任务集后，计算任务ti与每个相似任务的相似性：任务ti的起点oi到相似任务tj的起点oj的距离γij与任务ti的终点ei到相似任务tj的终点ej的距离εij之和的倒数为两个任务之间的相似性μij；
S3：蚁群构建解空间，蚁群中的蚂蚁根据启发式信息和信息素为车辆导航任务构建可行解，并且根据所关联的任务和所计算的任务相似性，蚁群之间通过信息素矩阵共享和交换信息，实现求解多个任务的并行优化，得出所有任务的可行解。该步骤包括S3-1：概率性参考，S3-2：信息素矩阵选择，S3-3：节点选择，蚂蚁重复步骤S3-1，S3-2和S3-3，直至蚁群所有蚂蚁都构建可行路径；
S3-1：概率性参考，蚂蚁根据一个概率选择公式，决定是否需要参考相似任务的信息素矩阵。当随机数rr小于等于预设的参考因子qr时，蚂蚁考虑自身信息素矩阵，此时可直接进入S3-3。当随机数rr大于预设的参考因子qr时，蚂蚁将考虑具有相似任务的蚁群的信息素矩阵，此时根据信息素矩阵选择策略选择执行相似任务的蚁群的信息素矩阵，最终得到信息素矩阵p；
S3-2：信息素矩阵选择，根据S1-1获得的相似任务集合和S1-2计算出的任务相似性μ，执行任务ti的蚂蚁运用信息素选择策略，从执行与自身任务ti相关联的任务的蚁群中获得信息素矩阵ps。若rs小于等于qs，选择与任务ti相似性最高的任务的信息素矩阵，否则以随机选择的方式R选出执行相似任务的蚁群的信息素矩阵；
S3-3：节点选择，蚂蚁根据信息素矩阵p，使用转移概率公式计算可达节点被选择的概率，并根据伪随机比例规则选择前进节点；
对于可达节点s被选择的概率pk(r，s)，采用当前节点r到可达节点s的距离d(r，s)的倒数的β次方η(r，s)β和信息素浓度τ(r，s)的乘积与节点r到所有可达节点Jk(r)的距离和信息素浓度乘积之和的占比，其中β是启发式信息影响因子，调节启发信息对转移概率的影响程度。
根据转移概率公式得出所有可达节点被选择的概率，采用伪随机比例规则选出前进节点，若随机数q小于等于预设值q0，则根据贪婪算法选择概率最大的节点作为前进节点。否则进行节点被选择的概率进行随机选择，S为随机选择策略，例如轮盘赌随机选择策略；
S4：信息素矩阵更新，蚁群中所有蚂蚁构建完一组可行路径后，对信息素矩阵进行更新，使得蚂蚁在构建可行路径过程中能够在探索和利用之间保持平衡，并且促进算法收敛。该步骤包括S4-1：局部信息素更新，S4-2：全局信息素更新；
S4-1：局部信息素更新，每轮迭代中所有蚂蚁都已构建完路径后，将所有蚂蚁构建的可行路径上的信息素浓度改变，通过一个蒸发率参数ρ和初始信息素浓度△τ(r,s)进行调节，计算公式如下：
τ(r,s)＝(1-ρ)·τ(r,s)+ρ·△τ(r,s)
S4-2：全局信息素更新，在属于至今最优路径的边上蒸发和释放信息素。通过一个蒸发率参数α、信息素释放总量和最优路径长度dmin的提高路径上的信息素浓度，计算公式如下：
S5：输出近似最优解，在蚁群在重复S3和S4达到最大迭代次数后，蚁群最终的构建的最优解将作为车辆导航任务的近似最优解。
本发明的技术效果为：
在上述方案中，步骤S1的相似任务筛选S1-1和相似性计算S1-2，根据任务之间的起点距离和终点距离，判断任务之间是否存在相似性，并根据相似性计算公式得出任务的相似程度，可解决任务之间相关程度未知的问题。步骤S3的概率性参考S3-1和信息素矩阵选择S3-2，针对ACO利用启发式信息和信息素浓度选择节点的特性，在蚂蚁构建可行解的过程中，概率性的选择相关的信息素矩阵，蚁群通过信息素矩阵交换迭代过程中得到的有用信息，引导蚂蚁往存在最优解的解空间探索，并且加快算法收敛速度。
本发明与现有技术相比较，最大的优点是，利用ACO的特性和任务之间的相关性，在构建可行解的过程中实现信息的交换；考虑了任务之间相关程度未知的场景，通过步骤S2将相似任务进行分组，且计算出任务之间的相似性；随着车辆导航任务数量的增多，存在相似性的任务也会随之增多，因此非常适用于同时求解多个车辆导航任务的场景。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为单任务模式与多任务模式的对比图；
图2为本发明的流程图；
图3为相似任务筛选图；
图4为广州路网提取图；
图5为蚁群构建解空间流程图；
图6为多任务ACO与单任务ACO收敛曲线对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
一种基于多任务蚁群算法的城市车辆导航方法，如图2所示，包括如下步骤：
(1)多任务蚁群算法初始化S1
多任务蚁群算法初始化S1为每个任务初始化蚁群，初始化蚁群算法的各项参数，以及预设参考因子qr，信息素矩阵概率选择因子qs，相似任务筛选半径r。
(2)相似任务关联S2
相似任务关联S2包括相似任务筛选S2-1和相似性计算S2-2。
相似任务筛选S2-1用于将与当前任务存在相似性的任务筛选出来，将筛选出来的任务作为当前任务的参考目标，即可进行信息交互的对象。具体地，结合图3进行解释，当前存在任务ti、任务tj、任务tk、任务tl，任务ti为当前任务，以任务ti的起点oi为中心，起点距离起点oi小于等于半径r的任务作为任务ti的候选相似任务，此时，任务tj和任务tl为候选相似任务。以任务ti的终点ei为中心，终点距离终点ei小于等于半径r的候选相似任务作为任务ti的相似任务，最终筛选出任务tj为任务ti的相似任务，并记录在相似任务集
相似性计算S2-2用于评估任务之间的相似性，在选出任务ti的相似任务集后，计算任务ti与每个相似任务的相似性。具体地，计算任务ti与任务tj的相似性，任务ti的起点oi到相似任务tj的起点oj的距离γij与任务ti的终点ei到相似任务tj的终点ej的距离εij之和的倒数为两个任务之间的相似性μij。计算公式如下：
假设任务ti与相似任务tj的起点之间距离γij为10米，终点之间距离εij为30米，则相似性μij为0.025，若起点之间距离γij为5米，终点之间距离εij为5米，则相似性μij近似为0.1，可见，任务之间的起点和终点越接近，相似性越高。
(3)蚁群构建解空间S3
蚁群构建解空间S3包括概率性参考S3-1、信息素矩阵选择S3-2、节点选择S3-3三个步骤，重复步骤S3-1，S3-2和S3-3，直至蚁群所有蚂蚁都构建可行路径。
概率性参考S3-1是决定是否进行信息交换的概率选择公式，蚂蚁根据概率选择公式，决定是否需要参考相似任务的信息素矩阵。具体地，随机生成0到1之间的随机数rr，如公式2，当随机数rr小于等于预设的参考因子qr时，蚂蚁考虑自身信息素矩阵，此时可直接执行步骤S3-3。当随机数rr大于预设的参考因子qr时，蚂蚁将考虑具有相似任务的蚁群的信息素矩阵，此时执行步骤S3-2选择执行相似任务的蚁群的信息素矩阵，最终得到信息素矩阵p，然后执行步骤S3-3；
信息素矩阵选择S3-2用于在相似任务集合中选择出相似任务的信息素矩阵。根据S1-1获得的相似任务集合和S1-2计算出的任务相似性，执行任务ti的蚂蚁运用信息素选择策略，从执行与自身任务ti相关联的任务的蚁群中获得信息素矩阵ps，即从相似任务集中选择任务，并获得其蚁群的信息素矩阵。具体地，随机生成0到1之间的随机数rs，如公式3若rs小于等于qs，选择与任务ti相似性最高的任务的信息素矩阵，否则以随机选择的方式R选出执行相似任务的蚁群的信息素矩阵；
节点选择S3-3用于蚂蚁选择将要前往的节点，由于蚁群算法的特性，蚂蚁需要根据路径距离d(r，s)的倒数η(r，s)和信息素浓度τ(r，s)计算可达节点被前往的概率。蚂蚁根据信息素矩阵p，使用转移概率公式计算可达节点被选择的概率，并根据伪随机比例规则选择前进节点。具体地，处于节点r的蚂蚁，根据路网获得节点r可以前往的节点的集合Jk(r)，根据公式(4)计算节点r前往集合Jk(r)中每个节点的概率。获得所有可达节点被选择的概率，按照公式(5)，若随机数q小于等于预设值q0，根据贪婪算法选择概率最大的节点作为前进节点，否则根据节点被选择的概率进行随机选择。
(4)信息素矩阵更新S4
信息素矩阵更新S4包括局部信息素更新S4-1和全局信息素更新S4-2。
局部信息素更新S4-1用于在每次迭代后，根据所有蚂蚁构建的可行解的路径调整信息矩阵的信息素浓度。具体地，在蚁群的所有蚂蚁都构建了可行解后，按照公式6计算可行解中相邻两个节点之间在信息素矩阵的数值。假设，蚂蚁a构建的可行解为5-7-8，则依次调整节点5到节点7，节点7到节点8的信息素浓度值，即调整信息素矩阵第5行，第7列的值，并且节点7到节点5的信息素浓度应与节点5到节点7保持相同。
τ(r,s)＝(1-ρ)·τ(r,s)+ρ·△τ
公式6
全局信息素更新S4-2用于调整每次迭代中可行解距离最短的路径上的信息素浓度。具体地，比较所有蚂蚁的可行解的距离，按照公式7,利用信息素释放总量Q对距离d最短的可行解的路径上的信息素浓度进行调整。
(5)输出近似最优解S5用于将蚁群得到的最优解作为车辆导航任务的近似最优解。具体地，算法在迭代结束后，蚁群构建的可行解中最短的路径被用于车辆导航。
实施例二
以表1车辆导航任务信息表的任务和图4广州路网图进行实施例说明，由于表格数据较多，不失一般性，仅对部分任务进行求解。
表1
任务编号 起始节点 终点节点 起点坐标 终点坐标
t1 n2 n47 (61，200) (158，23)
t2 n7 n45 (52，185) (148，20)
t3 n8 n46 (66，184) (156，15)
t4 n14 n12 (1，152) (210，169)
t5 n15 n23 (14，152) (210，159)
(1)多任务蚁群算法初始化
多任务蚁群算法初始化，为每个任务初始化蚁群，初始化蚁群算法的各项参数，以及预设参考因子qr,信息素矩阵概率选择因子qs，相似任务筛选半径r等，如表2和图2所示。
表2
(2)相似任务关联
相似任务关联包括相似任务筛选和相似性计算两个步骤。
①相似任务筛选：
相似任务筛选用于将与当前任务存在相似性的任务筛选出来，将筛选出来的任务作为当前任务的参考目标，即可进行信息交互的对象。以表1为例，任务t1与任务t2的起点n2到n7距离的计算公式为：
起点n2到n7距离＝(61-52)2+(200-186)2≈17.49
由于起点n2到n7的距离小于100，则任务t2为任务t1的候选相似任务。任务t1与任务t2的终点n47到n45距离的计算公式为：
终点n47到n45的距离＝(158-148)2+(20-15)2≈11.18由于终点n47到n45的距离小于100，则任务t2为任务t1的相似任务。依次类推，为所有任务筛选出所有相似任务。筛选结果见表3所示。
表3
②相似性计算：
根据相似任务用于评估任务之间的相似性，在选出任务的一组相似任务后，计算任务与每个相似任务的相似性。以表3中任务t1的相似任务为例，任务t1与任务t2的相似性计算公式：
任务t1与任务t2的相似性＝1/(起点n2到n7的距离+终点n47到n45的距离)
以此类推，计算所有任务与相似任务的相似性。表4记录了任务之间的相似性，不相似的任务的值用“-”表示，任务与自身视为无相似性。
表4
(3)蚁群构建解空间
蚁群构建解空间包括概率性参考、信息素矩阵选择、节点选择三个步骤，顺序重复以上三个步骤，直至蚁群所有蚂蚁都构建可行路径。结合图5，任务t1的蚁群构建可行路径的详细过程如下。
①概率性参考
概率性参考用于决定是否需要参考相似任务的信息素矩阵，结合图2中的概率性参考步骤和概率性参考公式进行实施例说明。利用随机数生成函数生成随机数rr，若随机数rr≤0.8，则选择使用蚁群自身的信息素，直接进入步骤③节点选择，若随机数rr>0.8，则需要选出相似任务的信息素矩阵用于节点选择，即步骤②信息素矩阵选择，根据信息素矩阵选择得出的相似任务信息素矩阵，进行步骤③节点选择。概率性参考策略如下：
②信息素矩阵选择
信息素矩阵选择用于选出用于构建可行解的相似任务信息素矩阵，根据任务的相似任务集合和任务间相似性，使用伪随机策略进行选择。结合任务t1的相似任务集合和表4进行实施例说明，利用随机数生成函数生成随机数rs，若随机数rs≤0.7，则选择相似性最高的任务的信息素矩阵，即任务t3的信息素矩阵。
若随机数rs>0.7，则根据任务间相似性进行随机选择，相似任务t2被选择概率的计算如下：
依次计算所有相似任务被选择的概率，随后使用概率选择策略选出相似任务的信息素矩阵，用于步骤③节点选择，相似任务集合中相似任务被选择的概率如表5所示。
表5
任务编号 t2 t3
被选中概率 0.47 0.53
③节点选择
节点选择用于蚂蚁选择将要前往的节点，算法需要依据路径距离的倒数和信息素浓度计算可达节点被前往的概率，再根据概率进行随机选择。结合第15次迭代蚂蚁位于任务t1起点n2进行节点选择进行实施例解释，此时蚂蚁的路径为(n2,)，如表6路网矩阵和图4所示，节点n2可前往的节点有Jk(n2)＝{n1,n7,n8,n3}，可前往的节点必须不被包含在蚂蚁当前的路径中。
表6
表7
n1 n3 n7 n8
n2 0.0010 0.0010 0.0018 27.8939
计算蚂蚁从节点n2到上述节点的概率，根据表6中的路径距离与表7中信息素浓度，节点n2到节点n1概率的计算如下：
启发式信息η(n2,n1)＝节点n2到节点n1距离的倒数
以此类推，得出所有可达节点被选择的概率，结果如表8所示。
表8
n1 n3 n7 n8
被选概率 0.00002148 0.000009606 0.00006196 0.9999
根据转移概率，使用概率选择策略选出蚂蚁将要前往的节点。根据表8，可以明显观察到节点n8被选择的概率接近于1，假设节点n8被选择，则蚂蚁当前的路径为(n2,n8,)，若蚂蚁到达任务t1的终点，则结束可行解构建步骤，否则将回到步骤①。
(4)信息素矩阵更新
信息素矩阵更新用于更新蚂蚁在路径上释放的信息素浓度，引导算法往包含最优解的解空间探索以及促进算法收敛。包括步骤①局部信息素更新和步骤②全局信息素更新。
①局部信息素更新
局部信息素更新用于对蚁群中构建的所有可行路径上的信息素进行更新，表9是任务t1的蚁群第1次迭代构建的所有可行路径，表10是任务t1的蚁群第300次迭代构建的所有可行路径。
表9
表10
蚂蚁编号 第300次迭代可行路径 总距离
a1 (n2,n8,n9,n10,n18,n19,n20,n35,n40,n47) 269.01
a2 (n2,n8,n9,n10,n18,n19,n20,n35,n40,n47) 269.01
a3 (n2,n8,n9,n10,n18,n19,n20,n35,n40,n47) 269.01
a4 (n2,n8,n9,n10,n18,n19,n20,n35,n40,n47) 269.01
a5 (n2,n8,n9,n10,n18,n19,n20,n35,n40,n47) 269.01
更新执行任务t1的蚂蚁a3在第300次迭代所构建的可行解(n2,n8,n9,n10,n18,n19,n20,n35,n40,n47)的信息素浓度，路径上的信息素浓度如表11所示。
表11
根据信息素局部更新规则更新路径(n2,n8)的信息素浓度：
τ(n2,n8)＝(1-0.5)×0.094+0.5×0.01＝0.052
依次更新路径上的信息素浓度，更新后的结果如表12所示。
表12
②全局信息素更新
全局信息素更新用于所有可行路径中最短可行路径上的信息素浓度，具体地用表9中蚂蚁a3所构建的可行路径做实施例说明，蚂蚁a3和蚂蚁a5所构建的可行路径最短，选择其中一条进行全局信息素更新即可。所有路径之间增加的信息素浓度计算如下：
根据全局信息素更新公式，路径(n2,n8)之间的信息素浓度更新如下：
τ(n2,n8)＝(1-0.5)×0.01+0.5×0.152＝0.081
依次更新所有节点之间的信息素浓度。完成信息素矩阵更新结束后，则算法进而执行步骤(3)，直到算法达到最大迭代次数G。
(5)输出近似最优解
输出蚁群算法得到的最优解作为车辆导航任务的近似最优解，具体结果见表13所示。任务t1和任务t3都比单任务算法的结果更优，其他任务的近似解相同。图6展示了多任务ACO与单任务ACO在图4路网上求解50个任务的收敛对比，明显的，多任务ACO在收敛速度和可行解质量上都要优于单任务ACO；
表13

Claims (2)

1.一种基于多任务蚁群算法的城市车辆导航方法，其特征在于，包括以下步骤：
S1：多任务蚁群算法初始化，为每个任务初始化蚁群，初始化蚁群算法的各项参数，包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数，以及预设参考因子qr,信息素矩阵概率选择因子qs，相似任务筛选半径r；
S2：相似任务关联，用于将存在相似性的城市车辆导航任务进行关联，并评估相似任务之间的相似性；
S3：蚁群构建解空间，蚁群中的蚂蚁根据启发式信息和信息素为车辆导航任务构建可行解，并且根据所关联的任务和所计算的任务相似性，蚁群之间通过信息素矩阵共享和交换信息，实现求解多个任务的并行优化，得出所有任务的可行解；该步骤包括S3-1：概率性参考，S3-2：信息素矩阵选择，S3-3：节点选择，蚂蚁重复步骤S3-1，S3-2和S3-3，直至蚁群所有蚂蚁都构建可行路径；
S3-1：概率性参考，蚂蚁根据一个概率选择公式，决定是否需要参考相似任务的信息素矩阵；当随机数rr小于等于预设的参考因子qr时，蚂蚁考虑自身信息素矩阵，此时可直接进入S3-3；当随机数rr大于预设的参考因子qr时，蚂蚁将考虑具有相似任务的蚁群的信息素矩阵，此时根据信息素矩阵选择策略选择执行相似任务的蚁群的信息素矩阵，最终得到信息素矩阵p；
S3-2：信息素矩阵选择，根据S2-1获得的相似任务集合和S2-2计算出的任务相似性μ，执行任务ti的蚂蚁运用信息素选择策略，从执行与自身任务ti相关联的任务的蚁群中获得信息素矩阵ps；若rs小于等于qs，选择与任务ti相似性最高的任务的信息素矩阵，否则以随机选择的方式R选出执行相似任务的蚁群的信息素矩阵；
S3-3：节点选择，蚂蚁根据信息素矩阵p，使用转移概率公式计算可达节点被选择的概率，并根据伪随机比例规则选择前进节点；
对于可达节点s被选择的概率pk(r,s)，采用当前节点r到可达节点s的距离η(r,s)β和信息素浓度τ(r,s)的乘积与节点r到所有可达节点Jk(r)的距离和信息素浓度乘积之和的占比，其中β是启发式信息影响因子，调节启发信息对转移概率的影响程度；
根据转移概率公式得出所有可达节点被选择的概率，采用伪随机比例规则选出前进节点，若随机数q小于等于预设值q0，则根据贪婪算法选择概率最大的节点作为前进节点；否则根据可达节点被选择的概率进行随机选择，S为随机选择策略；
S4：信息素矩阵更新，蚁群中所有蚂蚁构建完一组可行路径后，对信息素矩阵进行更新，使得蚂蚁在构建可行路径过程中能够在探索和利用之间保持平衡，并且促进算法收敛；该步骤包括S4-1：局部信息素更新，S4-2：全局信息素更新；
S4-1：局部信息素更新，每轮迭代中所有蚂蚁都已构建完路径后，将所有蚂蚁构建的可行路径上的信息素浓度改变，通过一个蒸发率参数ρ和初始信息素浓度△τ(r,s)进行调节，计算公式如下：
τ(r,s)＝(1-ρ)·τ(r,s)+ρ·△τ(r,s)
S4-2：全局信息素更新，在属于至今最优路径的边上蒸发和释放信息素；通过一个蒸发率参数α和最优路径长度的倒数提高路径上的信息素浓度，计算公式如下：
S5：输出近似最优解，在蚁群在重复S3和S4达到最大迭代次数后，蚁群最终的构建的最优解将作为车辆导航任务的近似最优解；
考虑了任务之间的关联性，在S2相似任务关联中包含S2-1：相似任务筛选，S2-2：相似性计算，即判断任务tj是否与当前任务ti相似，过滤无参考价值的任务，若相似则计算任务之间的相似性；
S2-1：相似任务筛选，用于将互相之间存在相似性的任务筛选出来：以任务ti的起点oi为中心，所有起点距离起点oi小于等于半径r的任务作为任务ti的候选相似任务；以任务ti的终点ei为中心，所有终点距离终点ei小于等于半径r的候选相似任务作为任务ti的相似任务，最终得到任务ti的相似任务集合
S2-2：相似性计算，用于评估任务之间的相似性；在选出任务ti的相似任务集后，计算任务ti与每个相似任务的相似性：任务ti的起点oi到相似任务tj的起点oj的距离γij与任务ti的终点ei到相似任务tj的终点ej的距离εij之和的倒数为两个任务之间的相似性μij；
2.根据权利要求1所述的基于多任务蚁群算法的城市车辆导航方法，其特征在于，将单任务蚁群算法调整为多任务蚁群算法，根据所述概率性参考的方式，蚁群之间通过信息素矩阵交换有效知识，实现不同任务之间的联合优化，提升蚁群算法求解多个任务的效率以及可行解质量。
CN202311056203.8A 2023-08-22 2023-08-22 一种基于多任务蚁群算法的城市车辆导航方法 Active CN117073684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311056203.8A CN117073684B (zh) 2023-08-22 2023-08-22 一种基于多任务蚁群算法的城市车辆导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311056203.8A CN117073684B (zh) 2023-08-22 2023-08-22 一种基于多任务蚁群算法的城市车辆导航方法

Publications (2)

Publication Number Publication Date
CN117073684A CN117073684A (zh) 2023-11-17
CN117073684B true CN117073684B (zh) 2024-03-19

Family

ID=88701845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311056203.8A Active CN117073684B (zh) 2023-08-22 2023-08-22 一种基于多任务蚁群算法的城市车辆导航方法

Country Status (1)

Country Link
CN (1) CN117073684B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN110888728A (zh) * 2019-12-03 2020-03-17 中电工业互联网有限公司 一种Kettle集群服务器的任务调度方法
CN112346839A (zh) * 2020-11-06 2021-02-09 东方红卫星移动通信有限公司 一种基于进化算法的关联任务调度方法
CN115496303A (zh) * 2022-11-16 2022-12-20 成都宏恒信息科技有限公司 一种单局部优化与蚁群算法融合的网格员调度方法
CN116089031A (zh) * 2022-12-07 2023-05-09 天翼云科技有限公司 一种基于蚁群优化算法的异构任务调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN110888728A (zh) * 2019-12-03 2020-03-17 中电工业互联网有限公司 一种Kettle集群服务器的任务调度方法
CN112346839A (zh) * 2020-11-06 2021-02-09 东方红卫星移动通信有限公司 一种基于进化算法的关联任务调度方法
CN115496303A (zh) * 2022-11-16 2022-12-20 成都宏恒信息科技有限公司 一种单局部优化与蚁群算法融合的网格员调度方法
CN116089031A (zh) * 2022-12-07 2023-05-09 天翼云科技有限公司 一种基于蚁群优化算法的异构任务调度方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An adaptive archive-based evolutionary framework for many-rask optimization;Chen Yongliang等;IEEE Transactions on Emerging Topics in Computational Intelligence;全文 *
An effective imporoved co-evolution ant colony optimisation algorithm with multi-strategies and its application;Wu deng等;Int.J.Bio-Inspired Computation;第16卷(第3期);全文 *
Evolutionary Multitasking via Explicit Autoencoding;Liang Feng等;IEEE Transactions on Cybernetics;第49卷(第9期);全文 *
机器人导航路径的动态分级蚁群算法规划策略;王槐彬等;机械设计与制造(第6期);全文 *

Also Published As

Publication number Publication date
CN117073684A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN111024092B (zh) 一种多约束条件下智能飞行器航迹快速规划方法
CN106525047B (zh) 一种基于floyd算法的无人机路径规划方法
CN112013829A (zh) 基于多目标优化的多uav/ugv协同长时作业路径规划方法
CN111695668A (zh) 一种基于反向学习的蚁群算法优化方法
Liu et al. FHL-cube: multi-constraint shortest path querying with flexible combination of constraints
Kapadia et al. Dynamic search on the GPU
Wang et al. A scheme library-based ant colony optimization with 2-opt local search for dynamic traveling salesman problem
CN114969234A (zh) 一种面向全量城市路网的向量表征方法
Garro et al. Evolving ant colony system for optimizing path planning in mobile robots
CN108052743B (zh) 一种阶梯接近中心度确定方法及系统
CN117073684B (zh) 一种基于多任务蚁群算法的城市车辆导航方法
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
CN108627163B (zh) 权值表维护方法、装置及导航路线规划方法、装置
Chitty An ant colony optimisation inspired crossover operator for permutation type problems
Liu et al. Traffic aware many-objective dynamic route planning
KR20230094156A (ko) 클러스터 기반 검색을 이용하여 출발지에서 목적지까지의 여정들의 세트를 산출하는 방법
Jia et al. An improved JPS algorithm in symmetric graph
CN115392539A (zh) 一种基于贪婪算法的路径规划算法
Tiong et al. Enhancement of Dijkstra Algorithm for Finding Optimal Path
López-Ramírez et al. Building a maximal independent set for the vertex-coloring problem on planar graphs
Muthulakshmi et al. Shortest Path Algorithm and its implementation
Ajayi et al. A Comparative Analysis of Optimization Heuristics Algorithms as Optimal Solution for Travelling Salesman Problem
CN111861019A (zh) 一种仓库拣选路径优化方法、存储介质及计算设备
Girgin et al. Positive impact of state similarity on reinforcement learning performance
Shojaie et al. A comparison of extended dijkstra and aco algorithm for shortest path problem in dynamic networks with delay times

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