CN117727197B - 基于混合型蚁群算法的车辆报警器控制方法、装置 - Google Patents

Abstract

本发明公开了一种基于混合型蚁群算法的车辆报警器控制方法、装置，所述方法包括：在无向图上设置多只蚂蚁，通过混合型蚁群算法迭代得到多条起点与终点之间的救助路径，计算救助路径中所有边的成本总和，并选择救助路径作为实际应用救助路径；其中，蚁群算法迭代步骤包括：对于无向图中起点上的多只蚂蚁，引入牵引因子计算蚂蚁移动至下一个节点的转移概率，在蚂蚁移动至终点时结束，将对应的移动路径作为救助路径；牵引因子与终点的距离相关联，越接近终点的节点，对应的转移概率被提升的越高。采用上述技术方案，引入与终点的距离相关联的牵引因子，避免算法出现收敛慢、容易陷入局部最优等问题，提升计算效率，降低获得的救助路径的行驶时间。

Description

基于混合型蚁群算法的车辆报警器控制方法、装置

技术领域

本发明涉及救助路径计算技术领域，尤其涉及一种基于混合型蚁群算法的车辆报警器控制方法、装置。

背景技术

在车辆遇警时，报警器可以会自动搜索得到距离车辆当前位置距离最近或响应时间最快的救助机关并向其发送车辆的实时信息寻求帮助。救助人员为了能够尽快抵达遇警车辆，需要在复杂、繁忙的城市道路中，选择能够最快抵达遇警车辆的救助路径，避免车辆损坏、财产损失、被困人员的生命健康遭受损害等后果。

现有技术中，采用的救助路径的计算方案，包括针对图搜索的路径规划算法和蚁群算法，其中，针对图搜索的路径规划算法普遍存在计算量随着节点数增加而呈指数增长的现象；经典的如蚁群算法等智能算法则往往会出现收敛慢、容易陷入局部最优等问题。因此，在车辆报警器或救助机关通常不会配备高算力的设备的现实情况下，导致算法的效果在计算资源和计算时间都受限的车辆报警场景中难以发挥作用，其计算效率和鲁棒性均受到考验，也即需要较长时间计算得到救助路径，而救助路径并非全局最优路径，行驶时间较长，不能满足道路情况的复杂性和报警算法的时效性、鲁棒性需求，较容易导致救助错过最佳救助时间。

发明内容

发明目的：本发明提供一种基于混合型蚁群算法的车辆报警器控制方法、装置，旨在解决现有技术中存在的，在车辆报警场景下，计算遇警车辆和救助机关之间的救助路径的计算效率较低，而获得的救助路径的行驶时间较长的技术问题。

技术方案：本发明提供一种基于混合型蚁群算法的车辆报警器控制方法，包括：将报警车辆位置作为第一点，将救助点位置作为第二点，建立包括第一点和第二点的无向图；在所述无向图范围内，将路口作为节点，将连接各个路口的道路作为边；计算无向图上每条边的成本，在无向图上设置多只蚂蚁，通过混合型蚁群算法迭代得到多条起点与终点之间的救助路径，计算救助路径中所有边的成本总和，根据获得的成本总和选择作为实际应用救助路径；将第一点和第二点中的任一位置作为起点，另一位置作为终点；其中，混合型蚁群算法迭代步骤包括：对于设置在无向图中起点上的多只蚂蚁，引入牵引因子计算蚂蚁移动至下一个节点的转移概率，蚂蚁依据转移概率移动至下一节点，在蚂蚁移动至终点时结束，将对应的移动路径作为救助路径；所述牵引因子与终点的距离相关联，越接近终点的节点，对应的转移概率被提升的越高。

具体的，第一点和第二点分别作为椭圆的两个焦点，第一点和第二点之间的距离的两倍作为椭圆的长轴，建立椭圆形状的无向图。

具体的，在蚂蚁均不再移动时，蚁群算法的当前轮迭代结束，进入下一轮迭代，每轮迭代中被选中的蚂蚁在对应的救助路径上留下信息素；所述信息素参与下一轮迭代过程中计算蚂蚁下一个节点的转移概率，信息素浓度越高的边，对应节点的转移概率被提升的越高。

具体的，在每轮迭代中，救助路径的成本总和最低的蚂蚁被选中，以及从起点移动至终点的蚂蚁以对应的选中概率被选中，选中概率与退火初始温度、温度衰减因子和当前迭代的轮次数相关联。

具体的，蚁群算法迭代结束的条件设置为：在连续预设轮数的迭代中，救助路径的平均成本的波动幅度小于预设阈值；或者，迭代轮数达到预设最大迭代轮数。

具体的，采用如下公式计算每条边的成本c：

c=dv/n，

其中，d表示边对应的道路的长度，v表示边对应的道路的平均车流密度，n表示边对应的道路的车道数量。

具体的，采用如下公式计算蚂蚁移动至下一个节点的转移概率：

，

其中，P_ij表示蚂蚁从i节点移动至j节点的转移概率；τ_ij表示i节点和j节点之间的信息素浓度；α表示信息素启发因子；η_ij表示从i节点移动至j节点的期望值；β表示期望值启发因子；ρ_j表示j节点对应的牵引因子大小；K表示蚂蚁在节点i时下一步可移动的节点集合，集合包括与节点i相邻、且在先前移动路径中没有出现过的节点；k表示节点集合K中的节点；

采用如下公式计算从i节点移动至j节点的期望值η_ij：

η_ij=1/c_ij，

其中，c_ij表示节点i和节点j之间的边的成本；

采用如下公式计算牵引因子ρ_j：

，

其中，l_jg表示节点j和终点g之间的直线距离。

具体的，采用如下公式计算在t+1轮迭代中，连接节点i和节点j的边上留下的信息素浓度τ_ij(t+1)：

τ_ij(t+1)=(1-r)τ_ij(t+1)+Δτ_ij(t)，

其中，r表示信息素挥发系数，Δτ_ij(t)表示在第t轮迭代中，所有蚂蚁在连接节点i和节点j的边上留下的信息素浓度；

采用如下公式计算Δτ_ij(t)：

，

其中，m表示蚂蚁总数，Δτ_ij ^f(t)表示第t轮迭代中第f只蚂蚁在连接节点i和节点j的边上留下的信息素浓度；

采用如下公式计算Δτ_ij ^f(t)：

,

其中，Q表示信息素总量，C_f表示第f只蚂蚁在当前轮迭代中的救助路径的成本总和。

具体的，从起点移动至终点的蚂蚁以对应的选中概率被选中，包括：采用如下公式计算选中概率S：

S_f=e^((C_min-C_f)/T₀λ^t)，

其中，S_f表示第f只蚂蚁的选中概率，e表示自然对数，C_min表示当前轮迭代中最低的成本总和，C_f表示第f只蚂蚁的救助路径的成本总和，T₀表示退火初始温度，λ表示温度衰减因子，t表示当前轮为第t轮迭代。

本发明还提供一种基于混合型蚁群算法的车辆报警器控制装置，包括建立单元和算法迭代单元，其中：所述建立单元，用于将报警车辆位置作为第一点，将救助点位置作为第二点，建立包括第一点和第二点的无向图；在所述无向图范围内，将路口作为节点，将连接各个路口的道路作为边；所述算法迭代单元，用于计算无向图上每条边的成本，在无向图上设置多只蚂蚁，通过混合型蚁群算法迭代得到多条起点与终点之间的救助路径，计算救助路径中所有边的成本总和，根据获得的成本总和选择作为实际应用救助路径；将第一点和第二点中的任一位置作为起点，另一位置作为终点；其中，混合型蚁群算法迭代步骤包括：对于设置在无向图中起点上的多只蚂蚁，引入牵引因子计算蚂蚁移动至下一个节点的转移概率，蚂蚁依据转移概率移动至下一节点，在蚂蚁移动至终点时结束，将对应的移动路径作为救助路径；所述牵引因子与终点的距离相关联，越接近终点的节点，对应的转移概率被提升的越高。

有益效果：与现有技术相比，本发明具有如下显著优点：在蚁群算法中，引入与终点的距离相关联的牵引因子，避免算法出现收敛慢、容易陷入局部最优等问题，提升计算效率，降低获得的救助路径的行驶时间；进一步的，在蚁群算法中引入退火算法，避免陷入局部最优解的问题，增加算法的鲁棒性，降低获得的救助路径的行驶时间。

附图说明

图1为本发明提供的车辆报警器控制方法的流程示意图；

图2为本发明提供的包括了混合型蚁群算法的车辆报警器控制方法的流程示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

参阅图1，其为本发明提供的车辆报警器控制方法的流程示意图；参阅图2，其为本发明提供的包括了混合型蚁群算法的车辆报警器控制方法的流程示意图。

本发明实施例中，将报警车辆位置作为第一点，将救助点位置作为第二点，建立包括第一点和第二点的无向图；在所述无向图范围内，将路口作为节点，将连接各个路口的道路作为边。

本发明实施例中，计算无向图上每条边的成本，在无向图上设置多只蚂蚁，通过混合型蚁群算法迭代得到多条起点与终点之间的救助路径，计算救助路径中所有边的成本总和，根据获得的成本总和在各个救助路径中选择作为实际应用救助路径（通常是选择成本总和最低的作为实际应用救助路径）；将第一点和第二点中的任一位置作为起点，另一位置作为终点。

在具体实施中，由于路网构造在较长一段时间内都可以视为不变，且机动车在道路上的行驶情况相对稳定，因此这里可以将现实的路网结构简单抽象为由若干节点和边构成的无向图。

本发明实施例中，采用如下公式计算每条边的成本c：

c=dv/n，

其中，d表示边对应的道路的长度，v表示边对应的道路的平均车流密度，n表示边对应的道路的车道数量。

在具体实施中，显然，道路长度越短、平均车流密度越低、车道数越多，车辆通过这条道路的耗时就越短，也即对应的成本越低。

在具体实施中，使用者通常可以指定若干个救助机关（救助点），若未指定则可以自动选择距离遇警车辆当前位置直线距离最近的3个救助点。每个救助点可以依次作为第二点纳入算法计算，也即通过算法计算遇警车辆和第一救助点之间的救助路径后，再计算遇警车辆和第一救助点之间的救助路径，依次类推，最终选择所有救助点与遇警车辆之间成本总和最低的救助路径。

本发明实施例中，第一点（报警车辆）和第二点（救助点）分别作为椭圆的两个焦点，第一点和第二点之间的距离的两倍作为椭圆的长轴，建立椭圆形状的无向图。

在具体实施中，通过本发明提供的椭圆形状的无向图设计方法，可以将遇警车辆和救助点之间所有可能途径的道路都纳入考虑范围内，而排除过于绕远和不太可能途径的道路，在减少后续算法的计算量的同时，也一定程度提升了算法得到的救助路径的全局最优程度。

在具体实施中，混合型蚁群算法的计算过程中包括多轮迭代，每轮迭代都包括转移阶段和信息素更新阶段。

在具体实施中，转移阶段中，算法模拟若干“蚂蚁”（蚂蚁只是一种代指，其他的模拟对象都属于本发明中所称的“蚂蚁”）在无向图的各个节点之间转移，从起点出发直到蚂蚁到达终点、移动步数达到最大值或是无法再前进。蚂蚁在每一个非终点的节点会根据一定概率（转移概率）随机选择下一个节点进行转移，这一概率由节点间的状态转移概率函数决定。在蚂蚁移动过程中，记录每个蚂蚁的转移路径。

在具体实施中，当所有蚂蚁均不再移动后，更新蚂蚁在转移路径上留下的“信息素”，信息素影响下一轮迭代中节点间的状态转移概率函数计算得到的转移概率。

本发明实施例中，在蚂蚁均不再移动时，蚁群算法的当前轮迭代结束，进入下一轮迭代，每轮迭代中被选中的蚂蚁在对应的救助路径上留下信息素；所述信息素参与下一轮迭代过程中计算蚂蚁下一个节点的转移概率，信息素浓度越高的边，对应节点的转移概率被提升的越高。

在具体实施中，蚁群算法的每一轮迭代都分为状态转移和信息素更新两个阶段，先进行状态转移，在所有蚂蚁均不再移动后进行信息素更新，完成后进入下一轮迭代。

本发明实施例中，蚁群算法迭代结束的条件设置为：在连续预设轮数（例如5轮，可以根据用户需求灵活设置）的迭代中，救助路径的平均成本的波动幅度小于预设阈值ε（可以根据用户需求灵活设置）；或者，迭代轮数达到预设最大迭代轮数（例如500轮，可以根据用户需求灵活设置）。

在具体实施中，受牵引因子的影响，或受信息素的影响，对应节点的转移概率被提升，并非指对应节点的转移概率在数值上比必定比其他节点高，而是指在同等的条件下，对应节点的转移概率能够被牵引因子或信息素提升。

本发明实施例中，状态转移概率函数P_ij如下：

，

其中，P_ij表示蚂蚁从i节点移动至j节点的转移概率；τ_ij表示i节点和j节点之间的信息素浓度；α表示信息素启发因子；η_ij表示从i节点移动至j节点的期望值；β表示期望值启发因子；ρ_j表示j节点对应的牵引因子大小；K表示蚂蚁在节点i时下一步可移动的节点集合，包括与节点i相邻、且在先前移动路径中没有出现过的节点；k表示节点集合K中的节点；τ_ik表示i节点和k节点之间的信息素浓度；η_ik表示从i节点移动至k节点的期望值；ρ_k表示k节点对应的牵引因子大小。

在具体实施中，信息素启发因子α和期望值启发因子β，用于计算信息素和期望值对概率的影响程度，可以由用户根据应用需求灵活设置。

在具体实施中，K表示蚂蚁在节点i时下一步可移动的节点集合，包括与节点i相邻（直接连接）、且在先前移动路径中没有出现过的节点，也即在蚂蚁所在节点的相邻的节点都已经经过（出现在先前的移动路径中），那么蚂蚁停止转移，路径结束。因此，并非所有的蚂蚁都可以从起点出发抵达终点，只有从起点出发抵达了终点的蚂蚁的转移路径，可以作为救助路径。

在具体实施中，由于信息素更新是在每轮迭代的状态转移阶段完成后进行，因此在第一轮迭代时，无向图上没有信息素，此时信息素浓度τ_ij和τ_ij ^α可以均设置为1。

本发明实施例中，采用如下公式计算从i节点移动至j节点的期望值η_ij：

η_ij=1/c_ij，

其中，c_ij表示节点i和节点j之间的边的成本。

本发明实施例中，采用如下公式计算牵引因子ρ_j：

，

其中，l_jg表示节点j和终点g之间的直线距离。

在具体实施中，显然，越接近终点，牵引因子的值越大。牵引因子的加入是为了提升蚂蚁决策的智能性。在经典的蚁群算法中，蚂蚁纯粹靠着信息素和节点间距离做决策，这不但可能导致蚂蚁陷入局部最优解，更严重的情况下蚂蚁会绕一大圈远路抵达终点，这是一种很大的运算浪费。因此，通过引入牵引因子，让蚂蚁倾向于选择更接近终点的节点，从而加快算法的收敛速度，提高算法的计算效率，同时也使得算法更能适应城市中不同道路的交通情况，提高了路径规划的准确性。

本发明实施例中，在信息素更新阶段，算法更新每条边的信息素值，采用如下公式计算在t+1轮迭代中，连接节点i和节点j的边上留下的信息素浓度τ_ij(t+1)：

τ_ij(t+1)=(1-r)τ_ij(t+1)+Δτ_ij(t)，

其中，r表示信息素挥发系数，1-r表示信息素残留系数，Δτ_ij(t)表示在第t轮迭代中，所有蚂蚁在连接节点i和节点j的边上留下的信息素浓度；

采用如下公式计算Δτ_ij(t)：

，

其中，m表示蚂蚁总数，Δτ_ij ^f(t)表示第t轮迭代中第f只蚂蚁在连接节点i和节点j的边上留下的信息素浓度。

本发明实施例中，信息素浓度增量的计算，采用如下公式计算Δτ_ij ^f(t)：

,

其中，Q表示信息素总量，C_f表示第f只蚂蚁在当前轮迭代中的救助路径的成本总和。

在具体实施中，只有蚂蚁被选中时，对应的路径上才会留下信息素，蚂蚁没有被选中时，不留下信息素。

本发明实施例中，在每轮迭代中，救助路径的成本总和最低的蚂蚁被选中，以及从起点移动至终点的蚂蚁以对应的选中概率被选中，选中概率与退火初始温度、温度衰减因子和当前迭代的轮次数相关联。

在具体实施中，蚂蚁在当前轮迭代中抵达终点，且救助路径的成本总和在当前轮中的所有救助路径中最低，那么该蚂蚁必定被选中；某蚂蚁在当前轮迭代中抵达终点，但救助路径的成本总和在当前轮中的所有救助路径中不是最低，那么该蚂蚁会以一定的概率（选中概率S）被选中并留下信息素。

本发明实施例中，采用如下公式计算选中概率S：

S_f=e^((C_min-C_f)/T₀λ^t)，

其中，S_f表示第f只蚂蚁的选中概率，e表示自然对数，C_min表示当前轮迭代中最低的（救助路径）成本总和，C_f表示第f只蚂蚁的救助路径的成本总和，T₀表示退火初始温度，λ表示温度衰减因子，t表示当前轮为第t轮迭代。T₀和λ可以由用户根据实际需求进行灵活的设置。

在具体实施中，选中概率S的计算中，引入模拟退火算法的思想，来优化信息素的更新规则有助于帮助算法跳出局部最小值，扩大解空间的搜索范围，确保了算法的全局搜索能力；温度的衰减则使得算法不会在过大的解空间中盲目搜索，有效提升算法的收敛速度，增大鲁棒性，如此最终得到的最优路径能更接近全局最优结果。

在具体实施中，引入牵引因子，提升蚂蚁在决策时的智能性，能有效滤除明显的劣解，加快算法收敛、提高计算效能，避免算法陷入无意义的计算内耗中。同时也使得算法能够更好地适应城市中不同道路的交通情况，提高了路径规划的准确性。

在具体实施中，以蚁群算法为框架，启发式搜索性质使得算法更适用于动态环境中的路径规划，有效降低复杂图结构中的计算开销。蚁群算法的并行计算性质也使得算法在计算过程中能够充分利用计算资源，让计算过程更为高效，进一步意味着更快的响应速度和更高的处理能力，从而提高了系统整体的性能，适用于车辆报警装置这样需要严格控制算法耗时的场景。

在具体实施中，智能选择最优救助点并给出最优路径规划，救助点的知情时间被大幅缩短，在一定程度上降低了意外情况发生的可能性，减少了经济损失和人员伤亡。另一方面，得到的最优路径规划结果也有助于救助人员快速抵达现场，减少突发事件的处理时间，大大降低了时间成本，提高了效率，同时高效保障车主的生命财产安全。

本发明还提供一种基于混合型蚁群算法的车辆报警器控制装置，包括建立单元和算法迭代单元，其中：所述建立单元，用于将报警车辆位置作为第一点，将救助点位置作为第二点，建立包括第一点和第二点的无向图；在所述无向图范围内，将路口作为节点，将连接各个路口的道路作为边；所述算法迭代单元，用于计算无向图上每条边的成本，在无向图上设置多只蚂蚁，通过混合型蚁群算法迭代得到多条起点与终点之间的救助路径，计算救助路径中所有边的成本总和，根据获得的成本总和选择作为实际应用救助路径；将第一点和第二点中的任一位置作为起点，另一位置作为终点；其中，混合型蚁群算法迭代步骤包括：对于设置在无向图中起点上的多只蚂蚁，引入牵引因子计算蚂蚁移动至下一个节点的转移概率，蚂蚁依据转移概率移动至下一节点，在蚂蚁移动至终点时结束，将对应的移动路径作为救助路径；所述牵引因子与终点的距离相关联，越接近终点的节点，对应的转移概率被提升的越高。

本发明提供的基于混合型蚁群算法的车辆报警器控制装置，其中建立单元和算法迭代单元执行的功能、步骤和方法，可以参照本发明提供的基于混合型蚁群算法的车辆报警器控制方法。

Claims (3)

1.一种基于混合型蚁群算法的车辆报警器控制方法，其特征在于，包括：

将报警车辆位置作为第一点，将救助点位置作为第二点，建立包括第一点和第二点的无向图；在所述无向图范围内，将路口作为节点，将连接各个路口的道路作为边；

计算无向图上每条边的成本，在无向图上设置多只蚂蚁，通过混合型蚁群算法迭代得到多条起点与终点之间的救助路径，计算救助路径中所有边的成本总和，根据获得的成本总和选择作为实际应用救助路径；将第一点和第二点中的任一位置作为起点，另一位置作为终点；

其中，混合型蚁群算法迭代步骤包括：

对于设置在无向图中起点上的多只蚂蚁，引入牵引因子计算蚂蚁移动至下一个节点的转移概率，蚂蚁依据转移概率移动至下一节点，在蚂蚁移动至终点时结束，将对应的移动路径作为救助路径；所述牵引因子与终点的距离相关联，越接近终点的节点，对应的转移概率被提升的越高；在蚂蚁均不再移动时，蚁群算法的当前轮迭代结束，进入下一轮迭代，每轮迭代中被选中的蚂蚁在对应的救助路径上留下信息素；所述信息素参与下一轮迭代过程中计算蚂蚁下一个节点的转移概率，信息素浓度越高的边，对应节点的转移概率被提升的越高；

采用如下公式计算蚂蚁移动至下一个节点的转移概率：

，其中，P_ij表示蚂蚁从i节点移动至j节点的转移概率；τ_ij表示i节点和j节点之间的信息素浓度；α表示信息素启发因子；η_ij表示从i节点移动至j节点的期望值；β表示期望值启发因子；ρ_j表示j节点对应的牵引因子大小；K表示蚂蚁在节点i时下一步可移动的节点集合，集合包括与节点i相邻、且在先前移动路径中没有出现过的节点；k表示节点集合K中的节点；

采用如下公式计算从i节点移动至j节点的期望值η_ij：

η_ij=1/c_ij，其中，c_ij表示节点i和节点j之间的边的成本；

采用如下公式计算牵引因子ρ_j：

，其中，l_jg表示节点j和终点g之间的直线距离；

在每轮迭代中，救助路径的成本总和最低的蚂蚁被选中，以及从起点移动至终点的蚂蚁以对应的选中概率被选中；采用如下公式计算每条边的成本c：

c=dv/n，其中，d表示边对应的道路的长度，v表示边对应的道路的平均车流密度，n表示边对应的道路的车道数量；

采用如下公式计算在t+1轮迭代中，连接节点i和节点j的边上留下的信息素浓度τ_ij(t+1)：τ_ij(t+1)=(1-r)τ_ij(t+1)+Δτ_ij(t)，其中，r表示信息素挥发系数，Δτ_ij(t)表示在第t轮迭代中，所有蚂蚁在连接节点i和节点j的边上留下的信息素浓度；

采用如下公式计算Δτ_ij(t)：

，其中，m表示蚂蚁总数，Δτ_ij ^f(t)表示第t轮迭代中第f只蚂蚁在连接节点i和节点j的边上留下的信息素浓度；

采用如下公式计算Δτ_ij ^f(t)：

,其中，Q表示信息素总量，C_f表示第f只蚂蚁在当前轮迭代中的救助路径的成本总和；

采用如下公式计算选中概率S：

S_f=e^((C_min-C_f)/T₀λ^t)，其中，S_f表示第f只蚂蚁的选中概率，e表示自然对数，C_min表示当前轮迭代中最低的成本总和，C_f表示第f只蚂蚁的救助路径的成本总和，T₀表示退火初始温度，λ表示温度衰减因子，t表示当前轮为第t轮迭代；

蚁群算法迭代结束的条件设置为：在连续预设轮数的迭代中，救助路径的平均成本的波动幅度小于预设阈值；或者，迭代轮数达到预设最大迭代轮数。

2.根据权利要求1所述的基于混合型蚁群算法的车辆报警器控制方法，其特征在于，所述建立包括第一点和第二点的无向图，包括：

第一点和第二点分别作为椭圆的两个焦点，第一点和第二点之间的距离的两倍作为椭圆的长轴，建立椭圆形状的无向图。

3.一种基于混合型蚁群算法的车辆报警器控制装置，其特征在于，包括建立单元和算法迭代单元，其中：

所述建立单元，用于将报警车辆位置作为第一点，将救助点位置作为第二点，建立包括第一点和第二点的无向图；在所述无向图范围内，将路口作为节点，将连接各个路口的道路作为边；

所述算法迭代单元，用于计算无向图上每条边的成本，在无向图上设置多只蚂蚁，通过混合型蚁群算法迭代得到多条起点与终点之间的救助路径，计算救助路径中所有边的成本总和，根据获得的成本总和选择作为实际应用救助路径；将第一点和第二点中的任一位置作为起点，另一位置作为终点；

其中，混合型蚁群算法迭代步骤包括：

对于设置在无向图中起点上的多只蚂蚁，引入牵引因子计算蚂蚁移动至下一个节点的转移概率，蚂蚁依据转移概率移动至下一节点，在蚂蚁移动至终点时结束，将对应的移动路径作为救助路径；所述牵引因子与终点的距离相关联，越接近终点的节点，对应的转移概率被提升的越高；在蚂蚁均不再移动时，蚁群算法的当前轮迭代结束，进入下一轮迭代，每轮迭代中被选中的蚂蚁在对应的救助路径上留下信息素；所述信息素参与下一轮迭代过程中计算蚂蚁下一个节点的转移概率，信息素浓度越高的边，对应节点的转移概率被提升的越高；

采用如下公式计算蚂蚁移动至下一个节点的转移概率：

，其中，P_ij表示蚂蚁从i节点移动至j节点的转移概率；τ_ij表示i节点和j节点之间的信息素浓度；α表示信息素启发因子；η_ij表示从i节点移动至j节点的期望值；β表示期望值启发因子；ρ_j表示j节点对应的牵引因子大小；K表示蚂蚁在节点i时下一步可移动的节点集合，集合包括与节点i相邻、且在先前移动路径中没有出现过的节点；k表示节点集合K中的节点；

采用如下公式计算从i节点移动至j节点的期望值η_ij：

η_ij=1/c_ij，其中，c_ij表示节点i和节点j之间的边的成本；

采用如下公式计算牵引因子ρ_j：

，其中，l_jg表示节点j和终点g之间的直线距离；

在每轮迭代中，救助路径的成本总和最低的蚂蚁被选中，以及从起点移动至终点的蚂蚁以对应的选中概率被选中；采用如下公式计算每条边的成本c：

c=dv/n，其中，d表示边对应的道路的长度，v表示边对应的道路的平均车流密度，n表示边对应的道路的车道数量；

采用如下公式计算在t+1轮迭代中，连接节点i和节点j的边上留下的信息素浓度τ_ij(t+1)：τ_ij(t+1)=(1-r)τ_ij(t+1)+Δτ_ij(t)，其中，r表示信息素挥发系数，Δτ_ij(t)表示在第t轮迭代中，所有蚂蚁在连接节点i和节点j的边上留下的信息素浓度；

采用如下公式计算Δτ_ij(t)：

，其中，m表示蚂蚁总数，Δτ_ij ^f(t)表示第t轮迭代中第f只蚂蚁在连接节点i和节点j的边上留下的信息素浓度；

采用如下公式计算Δτ_ij ^f(t)：

,其中，Q表示信息素总量，C_f表示第f只蚂蚁在当前轮迭代中的救助路径的成本总和；

采用如下公式计算选中概率S：

S_f=e^((C_min-C_f)/T₀λ^t)，其中，S_f表示第f只蚂蚁的选中概率，e表示自然对数，C_min表示当前轮迭代中最低的成本总和，C_f表示第f只蚂蚁的救助路径的成本总和，T₀表示退火初始温度，λ表示温度衰减因子，t表示当前轮为第t轮迭代；

蚁群算法迭代结束的条件设置为：在连续预设轮数的迭代中，救助路径的平均成本的波动幅度小于预设阈值；或者，迭代轮数达到预设最大迭代轮数。