CN117553818A - 一种基于改进a*算法的路径规划方法及系统 - Google Patents
一种基于改进a*算法的路径规划方法及系统 Download PDFInfo
- Publication number
- CN117553818A CN117553818A CN202311513571.0A CN202311513571A CN117553818A CN 117553818 A CN117553818 A CN 117553818A CN 202311513571 A CN202311513571 A CN 202311513571A CN 117553818 A CN117553818 A CN 117553818A
- Authority
- CN
- China
- Prior art keywords
- path
- node
- algorithm
- vehicle
- travel
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000009792 diffusion process Methods 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 11
- 230000005484 gravity Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
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
- G01C21/26—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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于改进A*算法的路径规划方法及系统,属于路径规划技术领域,该方法为:获得出发地与目的地的坐标规划区域;建立栅格地图,以群体移动代价损耗率等广义出行成本为参数建立紧急率计算模型;根据紧急率因子作用于A*算法中的代价函数和启发函数,以及根据紧急程度的不同使启发函数和代价函数在搜索最优路径过程中的比重处于动态变化,生成最优规划路径;对最优规划路径的不平滑节点进行处理,输出最终结果。本发明旨在应对不同要求不同紧急程度下快速有效的路径规划,从A*算法的启发函数与代价函数所占比动态变化入手,提出紧急率因子作用于A*算法使得评价函数在搜索过程中更加精准高效,为群体出行规划出行路径,提高出行效率。
Description
技术领域
本发明属于路径规划技术领域,尤其涉及一种基于改进A*算法的路径规划方法及系统。
背景技术
在多种交通出行方式的出现状态下,群体出行出现了交通拥挤、出行困难的现象,大中小城市的交通处于一种复杂且动态的网络,如何提高交通出行效率和减少交通出行时间是各大城市关注的热点问题,由于交通出行环境的不确定性,提出考虑综合影响因素的群体出行合理有效的路径规划是必不可少的,同时可以提高城市交通系统的便利和效率。
目前对于路径规划方面的算法有Dijkstra算法、A*算法、粒子群算法、模糊逻辑算法、人工势场法、蚁群算法、遗传算法等,其中A*算法是一种启发式的栅格搜索算法,当搜索到下一个节点时计算代价,对当前节点状态进行估计,判断其是否为最优路径上的节点,不断进行搜索计算直至达到目标节点。A*算法可以说是Dijkstra算法的拓展方式,用于搜索最优路径有着搜索速度快、计算量小以及通俗易懂等优势,但是传统的A*算法也存在着计算大量无用节点和产生拐点、路径不平滑等劣势,A*算法通过比较当前路径栅格的8个邻居的启发式函数值F(n)来逐步确定下一个路径栅格,当存在多个最小值时A*算法不能保证搜索的路径最优。因此,相关研究学者对此进行了许多改进,对代价函数和启发函数进行改进,在A*算法中,F(n)为评价函数,表示搜索当前节点的评价函数,用于选取最优路径,G(n)为代价函数,表示从起点到终点的最小移动代价,H(n)为启发函数,表示从节点n到达目标节点的最小估计代价,在算法中可知G(n)和H(n)的比重会影响算法的整体效率和功能,一般采用曼哈顿距离或欧几里得距离进行计算,当启发函数较小时,算法搜索的范围较大,节点数较多效率低,但可以获得路径规划最优解,当启发函数较大时,搜索范围较小,节点数较少但效率高,容易失去最优解。
现有技术中提出了一种基于改进的A*算法的最优行驶路径规划方法及系统,所述改进的A*算法,是引入第二估价函数,在传统A*的代价函数上乘上了方向参数,搜素的路径角度细化到小于90度扩大了路径搜索空间,节约用户的出行时间,提高出行效率。现有技术中还提出了一种基于改进A*算法的高效路径规划方法,所述改进的A*算法是一种作用于预估代价函数的环境位置系数τ,该系数以eτ的形式作为代价函数的权重系数,使得在算法搜索到某一节点时根据节点周围的障碍物数量与环境中总的障碍物数量计算其值,提高搜索效率。
以上两件现有技术中考虑了搜索空间角度和障碍数量,没有涉及规划最优路径过程中的紧急程度、出行成本以及损耗。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于改进A*算法的路径规划方法及系统,解决了现有技术中没有涉及规划最优路径过程中的紧急程度、出行成本以及损耗的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于改进A*算法的路径规划方法,包括以下步骤:
S1、获取群体移动的初始出发地坐标、经过节点坐标以及目的地坐标的规划区域;
S2、建立栅格地图,并获取群体移动的参数信息,计算紧急率;
S3、根据紧急率,对原始A*算法的代价函数和启发函数进行约束;
S4、基于考虑多方面的紧急率因子的改进A*算法,对待规划的出发地与目的地进行求解,生成路径规划,并对路径规划的不平滑节点进行处理;
S5、判断是否达到终止条件,若是,则根据处理结果得到最终的路径规划,并进入步骤S6,否则,路径规划失败,结束流程;
S6、判断是否为多个最终的路径规划,若是,则采用精英-轮盘赌策略分别对末尾路径进行迭代寻优,直至得到最优的一路径规划,否则,为一个最终的路径规划,并输出。
本发明的有益效果是:本发明通过获得出发地与目的地的坐标规划区域;建立栅格地图,以群体移动代价损耗率等广义出行成本为参数建立紧急率计算模型;根据紧急率因子作用于A*算法中的代价函数和启发函数,以及根据紧急程度的不同使启发函数和代价函数在搜索最优路径过程中的比重处于动态变化,生成最优规划路径;对最优规划路径的不平滑节点进行处理,输出最终结果。本发明旨在应对不同要求不同紧急程度下快速有效的路径规划,从A*算法的启发函数与代价函数所占比动态变化入手,提出紧急率因子作用于A*算法使得评价函数在搜索过程中更加精准高效,为群体出行规划出行路径,提高出行效率。
进一步地,所述步骤S2包括以下步骤:
S201、基于待规划的出发地坐标和目的地坐标,建立栅格地图;
S202、在栅格地图中标记可行路段区域与障碍路段区域,构建紧急率计算模型;
S203、获取群体移动的参数信息,利用构建的紧急率计算模型,计算得到紧急率。
上述进一步方案的有益效果是:本发明中改进A*算法中利用Manhattan Distance(曼哈顿距离)公式并且选择在栅格化地图中标记计算区域内的可行路段区域与障碍路段区域来规划最优路径;获得给定群体的群体数量、所需车辆数量、出行损耗率等多方面出行影响,通过建立与行人出行的时间和金钱成本相结合的考虑出行代价的紧急率模型来计算紧急率因子。
再进一步地,所述紧急率计算模型中的群体出行时间参数的表达式如下:
其中,T表示群体出行时间,Th表示更换交通工具时间,Ts表示疏散时间,Tb表示更换交通工具的步行时间,Td表示更换交通工具的等候时间,G表示交通工具行驶线数量,D表示第一程交通工具的站点数量,E表示第二程交通工具的站点数量,Fmn表示第一程交通工具站点m到第二程交通工具站点n的客流量,Lmnk表示0-1的变量,当Lmnk为1时,是第一程交通工具站点m与第二程交通工具站点n在第k条接驳线路上,否则Lmnk为0,Xmn表示第一程交通工具站点m到第二程交通工具站点n的距离,VB表示步行速度,b表示0-1变量,当接驳系统中的换乘次数为2时取1,换乘次数为1时取0,Fne表示第二程交通工具站点n到第三程交通工具站点e的客流量,Lnek表示0-1的变量,当Lnek为1时,是第二程交通工具站点n与第三程交通工具站点e在第k条接驳线路上,否则Lnek为0,Xne表示第二程交通工具站点n到第三程交通工具站点的距离,r表示第二程交通工具第r条接驳线路,R表示第二程交通工具总的接驳线路的条数,Fr表示第二程交通工具的发车频率,u表示第二程交通工具第u条接驳线路,U表示第二程交通工具总的接驳线路的条数,Fu表示第一程交通工具的发车频率,Xm'm表示第一程交通工具行驶路程,Vone表示第一程交通工具的平均营运速度,Xn'n表示第二程交通工具行驶路程,Vsec表示第二程交通工具的平均营运速度;
所述紧急率计算模型中的给定群体出行成本参数的表达式如下:
其中,W表示给定群体出行成本,u'表示单位时间内乘客的收益,c表示行走、等候时间的价值系数,a表示乘坐交通工具时间的价值系数,H1(x)表示乘坐第一程交通工具的通勤成本,以里程数x为变量的函数,H2(y)表示乘坐第二程交通工具的通勤成本,以里程数y为变量的函数。
上述进一步方案的有益效果是:本发明是基于改进的A*算法进行路径规划,在路径规划过程中分为直达和换乘两种类型,紧急率计算模型中的群体出行成本计算公式中通过0-1变量b,当出行中换乘次数为2时,变量b取1,换乘次数为1时取,变量b取0;通过获得人群的步行速度、路线长度以及车辆的发车频率来计算时间成本;通过时间与金钱的等价值系数,根据乘客的单位时间收入将时间成本单位转化为金钱单位;通过计算乘客的出行成本纳入紧急率因子计算模型中充分考虑乘客出行的紧急程度。
再进一步地,所述群体的出行成本的比率综合值的表达式如下:
其中,F表示群体的出行成本的比率综合值,Xij表示从出发地i到目的地j群体数量的总和,W表示给定群体出行成本,Cij表示从出发地i到目的地j所需运输车辆的总和,A表示运输车辆固定损耗率。
上述进一步方案的有益效果是:本发明中通过引入紧急率因子使得A*算法中的计算进行动态的调整,计算紧急率因子的模型中存在的人群的出行成本是显性成本和车辆损耗率是隐性成本,模型中存在多个函数变量,将显性和隐性成本通过数学方式进行组合,可以更加清晰的了解出行成本计算公式的结构和性质,并且加强了计算效率和简化表达式。
再进一步地,所述紧急率的表达式如下:
Pj=f(S,G,D,F)=w1*S+w2*G+w3*D+w4*F
其中,Pj表示紧急率,f(·)表示含有四个变量运算,S表示给定该群体代价损耗率,G表示给定车辆事故发生率,D表示群体需求时间比率,F表示群体的出行成本的比率综合值,w1、w2、w3和w4均表示紧急因子权重,wi表示紧急率的紧急因子权重,i=1,2,3,4。
上述进一步方案的有益效果是:本发明为了改进传统A*算法无法在获得最优路径的同时需要大量时间和计算机内存效率的情况下,提出一种基于传统A*算法中代价函数与启发函数进行新参数的动态约束,提出紧急率因子,主要以综合考虑群体出行移动的代价损耗率、出行时间窗成本等多方面因素信息作用下,缩小搜索路径的范围并且提高搜索效率,使得评价函数F(n)根据实际移动情况更加精准高效。
再进一步地,所述基于考虑多方面的紧急率因子的改进A*算法的表达式如下:
F(n)=exp(-M)*G(n)+M*H(n)
M=1+Pj
H(n)=|Xn-Xg|-|Yn-Yg|
其中,F(n)表示A*算法中的评价函数,M表示A*算法中的启发函数H(n)的系数,G(n)表示A*算法中的代价函数,Pj表示紧急率,Xn表示下一节点的横坐标,Xg表示就近历经节点的横坐标,Yn表示下一节点的纵坐标,Yg表示就近历经节点的纵坐标。
上述进一步方案的有益效果是:本发明基于传统的A*算法中提出根据紧急程度的动态权重变化下启发函数与代价函数的占比不同进行目标导向性的搜索,当群体移动紧急时,紧急率Pj会增大,启发函数H(n)的系数M增大,启发函数的比值增大,而代价函数G(n)的比值减小,此时进行目标导向性搜索路径,可实现高效率的运输模式路径;当群体移动紧急程度小,紧急率Pj减小,启发函数H(n)的系数M减小,启发函数H(n)的比值减小,而代价函数G(n)的比值增大,此时扩大搜索节点,目标节点增多,路径则更加准确。
再进一步地,所述步骤S4包括以下步骤:
S401、设置起点和终点;
S402、建立扩散节点集合Open-list和历经节点集合Clos-list,并将起点放入至扩散节点集合Open-list中,将检测过的父节点放入至历经节点集合Clos-list中;
S403、判断扩散节点集合Open-list表中是否存在目标节点,若是,则计算得到评价函数F(n),并同时将目标节点加入至历经节点集合Clos-list中,生成路径规划,并进入步骤S408,否则,不存在目标节点,并进入步骤S404;
S404、判断扩散节点集合Open-list中是否存在节点,若是,则计算并选取评价函数F(n)值最小的节点,并将其加入至历经节点集合Clos-list,并进入步骤S405,否则,路径不存在,结束流程;
S405、判断扩散节点集合Open-list中是否存在目标节点,若是,则到达终点,计算评价函数F(n),同时将目标节点加入至历经节点集合Clos-list中,生成路径规划,并进入步骤S408,否则,不存在目标节点,并进入步骤S406;
S406、根据父节点拓展范围,绕过障碍区域,计算评价函数F(n),并进入步骤S407;
S407、判断拓展节点是否在扩散节点集合Open-list中,若是,则设置其前方节点为父节点,并返回步骤S405,否则,将该拓展节点放入至扩散节点集合Open-list中,并将其作为子节点,并返回步骤S403;
S408、利用插点法Flord方法,对路径规划的不平滑节点进行处理。
上述进一步方案的有益效果是:本发明与现有技术相比综合考虑了群体出行的广义成本结合下的紧急率作为一个动态的权重变化,使得在不同情况下的启发函数H(n)与代价函数G(n)发挥出不同的作用,寻找出一条适用于当下的最优路径,有效的提高了面对不同路径规划的前提下,提高规划效率。
本发明提供了一种执行所述的基于改进A*算法的路径规划方法的路径规划系统,包括:
第一处理模块,用于获取群体移动的初始出发地坐标、经过节点坐标以及目的地坐标的规划区域;
第二处理模块,用于建立栅格地图,并获取群体移动的参数信息,计算紧急率;
第三处理模块,用于根据紧急率,对原始A*算法的代价函数和启发函数进行约束;
第四处理模块,用于基于考虑多方面的紧急率因子的改进A*算法,对待规划的出发地与目的地进行求解,生成路径规划,并对路径规划的不平滑节点进行处理;
第五处理模块,用于判断是否达到终止条件,若是,则根据处理结果得到最终的路径规划,并进入第六处理模块,否则,路径规划失败,结束流程;
第六处理模块,用于判断是否为多个最终的路径规划,若是,则采用精英-轮盘赌策略分别对末尾路径进行迭代寻优,直至得到最优的一路径规划,否则,为一个最终的路径规划,并输出。
本发明的有益效果是:本发明通过获得出发地与目的地的坐标规划区域;建立栅格地图,以群体移动代价损耗率等广义出行成本为参数建立紧急率计算模型;根据紧急率因子作用于A*算法中的代价函数和启发函数,以及根据紧急程度的不同使启发函数和代价函数在搜索最优路径过程中的比重处于动态变化,生成最优规划路径;对最优规划路径的不平滑节点进行处理,输出最终结果。本发明旨在应对不同要求不同紧急程度下快速有效的路径规划,从A*算法的启发函数与代价函数所占比动态变化入手,提出紧急率因子作用于A*算法使得评价函数在搜索过程中更加精准高效,为群体出行规划出行路径,提高出行效率。
附图说明
图1为本发明的方法流程图。
图2为本实施例中基于紧急率因子搜寻下一移动节点的原理图。
图3为本实施例中路径规划环境场景示意图。
图4为本实施例中路径规划结果示意图。
图5为本发明的系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示,本发明提供了一种基于改进A*算法的路径规划方法,其实现方法如下:
S1、获取群体移动的初始出发地坐标、经过节点坐标以及目的地坐标的规划区域;
S2、建立栅格地图,并获取群体移动的参数信息,计算紧急率,其实现方法如下:
S201、基于待规划的出发地坐标和目的地坐标,建立栅格地图;
S202、在栅格地图中标记可行路段区域与障碍路段区域,构建紧急率计算模型;
S203、获取群体移动的参数信息,利用构建的紧急率计算模型,计算得到紧急率。
本实施例中,建立栅格地图,根据爬取的交通数据和百度实时更新路段数据,为了在模拟远距离下有出发地到目的地的路径规划,选定栅格规格为60×60的大小,障碍覆盖率为30%,并在栅格地图中标记出可行路段区域与障碍路段区域。
本实施例中,基于待规划的出发地坐标与目的地坐标建立区域性的栅格网地图,在地图中标记可行栅格与障碍栅格,如下:
在上述集合矩阵中,E与N表示矩阵的行数与列数,出发地、经过节点、目的地与障碍栅格使用▲en表示位置为第e行第n列,其中,在xoy坐标中各节点表示为:出发地(xstar,ystar)/经过节点、目的地(xend,yend),对障碍区域进行标注集合C={Cm|1≤m≤N},路径规划在可行区域内进行,可行栅格数为(E*N-C)个。
本实施例中,如图3所示,本发明实施例中的路径规划环境场景示意图,设定二维栅格规格为60×60的大小,障碍覆盖率为30%,图中白色方格表示为路径搜索的可行区域,黑色方格表示为障碍区域(不可跨越),障碍方格共有1080个。
本实施例中,考虑模型群体的代价损耗率、出行时间窗成本等参数信息,提出模型计算紧急率Pj,使得紧急率Pj作用于评价函数,提高路径搜索的准确度。
本实施例中,模型参数说明:S给定该群体代价损耗率;G给定车辆事故发生率;D群体需求时间比率;A运输车辆固定损耗率;X={1、2、3,…,x}群体数量集合C={1、2、3,…,c}运输车辆集合;T给定该群体出行时间;W给定群体出行成本。
本实施例中,构建紧急率计算模型,计算紧急率计算模型:出行总时间T由更换交通工具时间Th与疏散时间Ts组成,其中Th由更换交通工具的步行时间Tb与更换交通工具的等候时间Td组成,可由下式表示:
其中,T表示群体出行时间,Th表示更换交通工具时间,Ts表示疏散时间,Tb表示更换交通工具的步行时间,Td表示更换交通工具的等候时间,G表示交通工具行驶线数量,D表示第一程交通工具的站点数量,E表示第二程交通工具的站点数量,Fmn表示第一程交通工具站点m到第二程交通工具站点n的客流量,Lmnk表示0-1的变量,当Lmnk为1时,是第一程交通工具站点m与第二程交通工具站点n在第k条接驳线路上,否则Lmnk为0,Xmn表示第一程交通工具站点m到第二程交通工具站点n的距离,VB表示步行速度,b表示0-1变量,当接驳系统中的换乘次数为2时取1,换乘次数为1时取0,Fne表示第二程交通工具站点n到第三程交通工具站点e的客流量,Lnek表示0-1的变量,当Lnek为1时,是第二程交通工具站点n与第三程交通工具站点e在第k条接驳线路上,否则Lnek为0,Xne表示第二程交通工具站点n到第三程交通工具站点的距离,r表示第二程交通工具第r条接驳线路,R表示第二程交通工具总的接驳线路的条数,Fr表示第二程交通工具的发车频率,u表示第二程交通工具第u条接驳线路,U表示第二程交通工具总的接驳线路的条数,Fu表示第一程交通工具的发车频率,Xm'm表示第一程交通工具行驶路程,Vone表示第一程交通工具的平均营运速度,Xn'n表示第二程交通工具行驶路程,Vsec表示第二程交通工具的平均营运速度;
其中,W表示给定群体出行成本,u'表示单位时间内乘客的收益,c表示行走、等候时间的价值系数,a表示乘坐交通工具时间的价值系数,H1(x)表示乘坐第一程交通工具的通勤成本,以里程数x为变量的函数,H2(y)表示乘坐第二程交通工具的通勤成本,以里程数y为变量的函数;
其中,F表示群体的出行成本的比率综合值,Xij表示从出发地i到目的地j群体数量的总和,W表示给定群体出行成本,Cij表示从出发地i到目的地j所需运输车辆的总和,A表示运输车辆固定损耗率;
Pj=f(S,G,D,F)=w1*S+w2*G+w3*D+w4*F
其中,Pj表示紧急率,f(·)表示含有四个变量运算,S表示给定该群体代价损耗率,G表示给定车辆事故发生率,D表示群体需求时间比率,F表示群体的出行成本的比率综合值,w1、w2、w3和w4均表示紧急因子权重,wi表示紧急率的紧急因子权重,i=1,2,3,4。
S3、根据紧急率,对原始A*算法的代价函数和启发函数进行约束;
本实施例中,基于考虑多方面的紧急率因子的改进A-STAR算法可表示为:
F(n)=exp(-M)*G(n)+M*H(n)
M=1+Pj
H(n)=|Xn-Xg|-|Yn-Yg|
其中,F(n)表示A*算法中的评价函数,M表示A*算法中的启发函数H(n)的系数,G(n)表示A*算法中的代价函数,Pj表示紧急率,Xn表示下一节点的横坐标,Xg表示就近历经节点的横坐标,Yn表示下一节点的纵坐标,Yg表示就近历经节点的纵坐标。
本实施例中,代价函数G(n)和启发函数H(n)的比重会影响算法的整体效率和功能,本发明基于原始算法对代价函数G(n)和启发函数H(n)进行约束,使得评价函数F(n)根据实际情况更加精准高效,由通过模型计算得到群体移动的紧急率Pj∈(0,1)会使得启发函数H(n)的系数M变化,当群体移动紧急时,紧急率Pj会增大,系数M增大,启发函数H(n)的比值增大,而代价函数G(n)的比值减小,此时进行目标导向性搜索路径,可实现高效率的运输模式路径;当群体移动紧急程度小,紧急率Pj减小,系数M减小,启发函数H(n)的比值减小,而代价函数G(n)的比值增大,此时扩大搜索节点,目标节点增多,路径更加准确。
本实施例中,如图4是本发明的路径规划结果示意图,由实施例通过提出的模型计算得到群体移动的紧急率Pj为0.55会使得启发函数的系数M变化,系数M增大,启发函数H(n)的比值增大,而代价函数G(n)的比值减小,此时进行目标导向性搜索路径,可实现高效率的运输模式路径。
本实施例中,如图2所示,根据紧急率Pj因子在路径规划时当前节点选择下一移动节点的寻找,本发明包括以下步骤:当前节点选择下一节点时,原始直线前进代价为10,原始斜边前进代价为14,计算紧急率Pj为0.55时,根据评价函数F(n)=exp(-M)*G(n)+M*H(n),作用于直线代价为2.122480,斜边代价为3.183720,根据图2从当前节点向8个领域寻找前进的下一节点所示,右上角的评价函数F(n)值最小,故为前进的下一节点,以此类推。
S4、基于考虑多方面的紧急率因子的改进A*算法,对待规划的出发地与目的地进行求解,生成路径规划,并对路径规划的不平滑节点进行处理,其实现方法如下:
S401、设置起点和终点;
S402、建立扩散节点集合Open-list和历经节点集合Clos-list,并将起点放入至扩散节点集合Open-list中,将检测过的父节点放入至历经节点集合Clos-list中;
S403、判断扩散节点集合Open-list表中是否存在目标节点,若是,则计算得到评价函数F(n),并同时将目标节点加入至历经节点集合Clos-list中,生成路径规划,并进入步骤S408,否则,不存在目标节点,并进入步骤S404;
S404、判断扩散节点集合Open-list中是否存在节点,若是,则计算并选取评价函数F(n)值最小的节点,并将其加入至历经节点集合Clos-list,并进入步骤S405,否则,路径不存在,结束流程;
S405、判断扩散节点集合Open-list中是否存在目标节点,若是,则到达终点,计算评价函数F(n),同时将目标节点加入至历经节点集合Clos-list中,生成路径规划,并进入步骤S408,否则,不存在目标节点,并进入步骤S406;
S406、根据父节点拓展范围,绕过障碍区域,计算评价函数F(n),并进入步骤S407;
S407、判断拓展节点是否在扩散节点集合Open-list中,若是,则设置其前方节点为父节点,并返回步骤S405,否则,将该拓展节点放入至扩散节点集合Open-list中,并将其作为子节点,并返回步骤S403;
S408、利用插点法Flord方法,对路径规划的不平滑节点进行处理。
本实施例中,根据增加多方面约束条件改进的A*算法,计算并选取评价函数值较小的节点进行路径规划,不断更新扩散节点集合Open-list,设定运送范围内的路径节点选择。
S5、判断是否达到终止条件,若是,则根据处理结果得到最终的路径规划,并进入步骤S6,否则,路径规划失败,结束流程;
S6、判断是否为多个最终的路径规划,若是,则采用精英-轮盘赌策略分别对末尾路径进行迭代寻优,直至得到最优的一路径规划,否则,为一个最终的路径规划,并输出。
综上,本发明通过引入紧急率Pj因子约束,综合考虑移动的代价损耗率、出行时间窗成本等多方面因素信息,使得评价函数F(n)根据实际移动情况更加精准高效,为群体出行规划出行路径,提高出行效率。
实施例2
如图5所示,一种执行实施例1所述的基于改进A*算法的路径规划方法的路径规划系统,包括:
第一处理模块,用于获取群体移动的初始出发地坐标、经过节点坐标以及目的地坐标的规划区域;
第二处理模块,用于建立栅格地图,并获取群体移动的参数信息,计算紧急率;
第三处理模块,用于根据紧急率,对原始A*算法的代价函数和启发函数进行约束;
第四处理模块,用于基于考虑多方面的紧急率因子的改进A*算法,对待规划的出发地与目的地进行求解,生成路径规划,并对路径规划的不平滑节点进行处理;
第五处理模块,用于判断是否达到终止条件,若是,则根据处理结果得到最终的路径规划,并进入第六处理模块,否则,路径规划失败,结束流程;
第六处理模块,用于判断是否为多个最终的路径规划,若是,则采用精英-轮盘赌策略分别对末尾路径进行迭代寻优,直至得到最优的一路径规划,否则,为一个最终的路径规划,并输出。
如图5所示实施例提供的路径规划系统可以执行上述方法实施例路径规划方法所示的技术方案,其实现原理与有益效果类似,此处不再赘述。
本发明实施例中,本申请可以根据路径规划方法进行功能单元的划分,例如可以将各个功能划分为各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现,也可以采用软件功能单元的形式来实现。需要说明的是,本发明中对单元的划分是示意性的,仅仅为一种逻辑划分,实际实现时可以有另外的划分方式。
本发明通过获得出发地与目的地的坐标规划区域;建立栅格地图,以群体移动代价损耗率等广义出行成本为参数建立紧急率计算模型;根据紧急率因子作用于A*算法中的代价函数和启发函数,以及根据紧急程度的不同使启发函数和代价函数在搜索最优路径过程中的比重处于动态变化,生成最优规划路径;对最优规划路径的不平滑节点进行处理,输出最终结果。本发明旨在应对不同要求不同紧急程度下快速有效的路径规划,从A*算法的启发函数与代价函数所占比动态变化入手,提出紧急率因子作用于A*算法使得评价函数在搜索过程中更加精准高效,为群体出行规划出行路径,提高出行效率。
本实施例中,路径规划系统为了实现路径规划方法的原理与有益效果,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本发明所公开的实施例描述的各示意单元及算法步骤,本发明能够以硬件和/或硬件和计算机软件结合的形式来实现,某个功能以硬件还是计算机软件驱动的方式来执行,取决于技术方案的特定应用和设计约束条件,可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
Claims (8)
1.一种基于改进A*算法的路径规划方法,其特征在于,包括以下步骤:
S1、获取群体移动的初始出发地坐标、经过节点坐标以及目的地坐标的规划区域;
S2、建立栅格地图,并获取群体移动的参数信息,计算紧急率;
S3、根据紧急率,对原始A*算法的代价函数和启发函数进行约束;
S4、基于考虑多方面的紧急率因子的改进A*算法,对待规划的出发地与目的地进行求解,生成路径规划,并对路径规划的不平滑节点进行处理;
S5、判断是否达到终止条件,若是,则根据处理结果得到最终的路径规划,并进入步骤S6,否则,路径规划失败,结束流程;
S6、判断是否为多个最终的路径规划,若是,则采用精英-轮盘赌策略分别对末尾路径进行迭代寻优,直至得到最优的一路径规划,否则,为一个最终的路径规划,并输出。
2.根据权利要求1所述的基于改进A*算法的路径规划方法,其特征在于,所述步骤S2包括以下步骤:
S201、基于待规划的出发地坐标和目的地坐标,建立栅格地图;
S202、在栅格地图中标记可行路段区域与障碍路段区域,构建紧急率计算模型;
S203、获取群体移动的参数信息,利用构建的紧急率计算模型,计算得到紧急率。
3.根据权利要求2所述的基于改进A*算法的路径规划方法,其特征在于,所述紧急率计算模型中的群体出行时间参数的表达式如下:
其中,T表示群体出行时间,Th表示更换交通工具时间,Ts表示疏散时间,Tb表示更换交通工具的步行时间,Td表示更换交通工具的等候时间,G表示交通工具行驶线数量,D表示第一程交通工具的站点数量,E表示第二程交通工具的站点数量,Fmn表示第一程交通工具站点m到第二程交通工具站点n的客流量,Lmnk表示0-1的变量,当Lmnk为1时,是第一程交通工具站点m与第二程交通工具站点n在第k条接驳线路上,否则Lmnk为0,Xmn表示第一程交通工具站点m到第二程交通工具站点n的距离,VB表示步行速度,b表示0-1变量,当接驳系统中的换乘次数为2时取1,换乘次数为1时取0,Fne表示第二程交通工具站点n到第三程交通工具站点e的客流量,Lnek表示0-1的变量,当Lnek为1时,是第二程交通工具站点n与第三程交通工具站点e在第k条接驳线路上,否则Lnek为0,Xne表示第二程交通工具站点n到第三程交通工具站点的距离,r表示第二程交通工具第r条接驳线路,R表示第二程交通工具总的接驳线路的条数,Fr表示第二程交通工具的发车频率,u表示第二程交通工具第u条接驳线路,U表示第二程交通工具总的接驳线路的条数,Fu表示第一程交通工具的发车频率,Xm'm表示第一程交通工具行驶路程,Vone表示第一程交通工具的平均营运速度,Xn'n表示第二程交通工具行驶路程,Vsec表示第二程交通工具的平均营运速度;
所述紧急率计算模型中的给定群体出行成本参数的表达式如下:
其中,W表示给定群体出行成本,u'表示单位时间内乘客的收益,c表示行走、等候时间的价值系数,a表示乘坐交通工具时间的价值系数,H1(x)表示乘坐第一程交通工具的通勤成本,以里程数x为变量的函数,H2(y)表示乘坐第二程交通工具的通勤成本,以里程数y为变量的函数。
4.根据权利要求3所述的基于改进A*算法的路径规划方法,其特征在于,所述群体的出行成本的比率综合值的表达式如下:
其中,F表示群体的出行成本的比率综合值,Xij表示从出发地i到目的地j群体数量的总和,W表示给定群体出行成本,Cij表示从出发地i到目的地j所需运输车辆的总和,A表示运输车辆固定损耗率。
5.根据权利要求4所述的基于改进A*算法的路径规划方法,其特征在于,所述紧急率的表达式如下:
Pj=f(S,G,D,F)=w1*S+w2*G+w3*D+w4*F
其中,Pj表示紧急率,f(·)表示含有四个变量运算,S表示给定该群体代价损耗率,G表示给定车辆事故发生率,D表示群体需求时间比率,F表示群体的出行成本的比率综合值,w1、w2、w3和w4均表示紧急因子权重,wi表示紧急率的紧急因子权重,i=1,2,3,4。
6.根据权利要求5所述的基于改进A*算法的路径规划方法,其特征在于,所述基于考虑多方面的紧急率因子的改进A*算法的表达式如下:
F(n)=exp(-M)*G(n)+M*H(n)
M=1+Pj
H(n)=|Xn-Xg|-|Yn-Yg|
其中,F(n)表示A*算法中的评价函数,M表示A*算法中的启发函数H(n)的系数,G(n)表示A*算法中的代价函数,Pj表示紧急率,Xn表示下一节点的横坐标,Xg表示就近历经节点的横坐标,Yn表示下一节点的纵坐标,Yg表示就近历经节点的纵坐标。
7.根据权利要求6所述的基于改进A*算法的路径规划方法,其特征在于,所述步骤S4包括以下步骤:
S401、设置起点和终点;
S402、建立扩散节点集合Open-list和历经节点集合Clos-list,并将起点放入至扩散节点集合Open-list中,将检测过的父节点放入至历经节点集合Clos-list中;
S403、判断扩散节点集合Open-list表中是否存在目标节点,若是,则计算得到评价函数F(n),并同时将目标节点加入至历经节点集合Clos-list中,生成路径规划,并进入步骤S408,否则,不存在目标节点,并进入步骤S404;
S404、判断扩散节点集合Open-list中是否存在节点,若是,则计算并选取评价函数F(n)值最小的节点,并将其加入至历经节点集合Clos-list,并进入步骤S405,否则,路径不存在,结束流程;
S405、判断扩散节点集合Open-list中是否存在目标节点,若是,则到达终点,计算评价函数F(n),同时将目标节点加入至历经节点集合Clos-list中,生成路径规划,并进入步骤S408,否则,不存在目标节点,并进入步骤S406;
S406、根据父节点拓展范围,绕过障碍区域,计算评价函数F(n),并进入步骤S407;
S407、判断拓展节点是否在扩散节点集合Open-list中,若是,则设置其前方节点为父节点,并返回步骤S405,否则,将该拓展节点放入至扩散节点集合Open-list中,并将其作为子节点,并返回步骤S403;
S408、利用插点法Flord方法,对路径规划的不平滑节点进行处理。
8.一种执行权利要求1-7任一所述的基于改进A*算法的路径规划方法的路径规划系统,其特征在于,包括:
第一处理模块,用于获取群体移动的初始出发地坐标、经过节点坐标以及目的地坐标的规划区域;
第二处理模块,用于建立栅格地图,并获取群体移动的参数信息,计算紧急率;
第三处理模块,用于根据紧急率,对原始A*算法的代价函数和启发函数进行约束;
第四处理模块,用于基于考虑多方面的紧急率因子的改进A*算法,对待规划的出发地与目的地进行求解,生成路径规划,并对路径规划的不平滑节点进行处理;
第五处理模块,用于判断是否达到终止条件,若是,则根据处理结果得到最终的路径规划,并进入第六处理模块,否则,路径规划失败,结束流程;
第六处理模块,用于判断是否为多个最终的路径规划,若是,则采用精英-轮盘赌策略分别对末尾路径进行迭代寻优,直至得到最优的一路径规划,否则,为一个最终的路径规划,并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311513571.0A CN117553818A (zh) | 2023-11-13 | 2023-11-13 | 一种基于改进a*算法的路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311513571.0A CN117553818A (zh) | 2023-11-13 | 2023-11-13 | 一种基于改进a*算法的路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117553818A true CN117553818A (zh) | 2024-02-13 |
Family
ID=89822684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311513571.0A Pending CN117553818A (zh) | 2023-11-13 | 2023-11-13 | 一种基于改进a*算法的路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117553818A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117944058A (zh) * | 2024-03-27 | 2024-04-30 | 韦氏(苏州)医疗科技有限公司 | 一种自行功能机械臂的调度方法、系统及机械臂 |
CN118129789A (zh) * | 2024-05-10 | 2024-06-04 | 成都大学 | 一种新能源汽车的路径规划方法 |
-
2023
- 2023-11-13 CN CN202311513571.0A patent/CN117553818A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117944058A (zh) * | 2024-03-27 | 2024-04-30 | 韦氏(苏州)医疗科技有限公司 | 一种自行功能机械臂的调度方法、系统及机械臂 |
CN117944058B (zh) * | 2024-03-27 | 2024-05-28 | 韦氏(苏州)医疗科技有限公司 | 一种自行功能机械臂的调度方法、系统及机械臂 |
CN118129789A (zh) * | 2024-05-10 | 2024-06-04 | 成都大学 | 一种新能源汽车的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549378B (zh) | 一种基于栅格地图的混合路径规划方法和系统 | |
CN105825672B (zh) | 一种基于浮动车数据的城市指引区域提取方法 | |
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN101694749B (zh) | 一种路径推测方法及装置 | |
CN106371445A (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN108021686B (zh) | 一种快速匹配电子地图中公交线路与道路网络的方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN117553818A (zh) | 一种基于改进a*算法的路径规划方法及系统 | |
CN106225800A (zh) | 基于实时路况信息的环境友好型车辆导航路径构建方法 | |
CN108592928B (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
CN109579861B (zh) | 一种基于强化学习的路径导航方法及系统 | |
CN112347596B (zh) | 一种城市公交线网优化方法 | |
Kamble et al. | On road intelligent vehicle path predication and clustering using machine learning approach | |
De Nunzio et al. | Bi-objective eco-routing in large urban road networks | |
CN116542709A (zh) | 一种基于交通态势感知的电动汽车充电站规划分析方法 | |
CN110986951A (zh) | 一种基于惩罚权重的路径规划方法、导航格以及栅格地图 | |
CN116414139B (zh) | 基于A-Star算法的移动机器人复杂路径规划方法 | |
CN112101638B (zh) | 一种城市物流配送范围协同优化方法 | |
Beed et al. | A hybrid multi-objective carpool route optimization technique using genetic algorithm and A* algorithm | |
CN106980029A (zh) | 车辆超速判断方法及其系统 | |
Maglaras et al. | Clustering in urban environments: Virtual forces applied to vehicles | |
Zhu et al. | Large scale active vehicular crowdsensing | |
CN105306157A (zh) | 一种基于网络连通的车载通信建模方法 |
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 |