CN118015818A - 一种基于路径最优的车辆调度方法 - Google Patents
一种基于路径最优的车辆调度方法 Download PDFInfo
- Publication number
- CN118015818A CN118015818A CN202410423879.4A CN202410423879A CN118015818A CN 118015818 A CN118015818 A CN 118015818A CN 202410423879 A CN202410423879 A CN 202410423879A CN 118015818 A CN118015818 A CN 118015818A
- Authority
- CN
- China
- Prior art keywords
- path
- node
- nodes
- vehicle
- pheromone
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 239000003016 pheromone Substances 0.000 claims abstract description 132
- 230000003321 amplification Effects 0.000 claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 36
- 230000003190 augmentative effect Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 239000012895 dilution Substances 0.000 claims description 8
- 238000010790 dilution Methods 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000007865 diluting Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 20
- 239000000243 solution Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车辆调度技术领域,更进一步地,涉及一种基于路径最优的车辆调度方法。所述方法包括:步骤1:定义目标区域的道路网络的有向图;步骤2:定义每条边的最大流量,计算排序后的有向图中的增广路径;步骤3:每个车辆完成一次路径后,更新路径上的信息素浓度;步骤4:迭代执行步骤2到步骤3,直到达到设定的迭代次数;步骤5:根据全局最优路径更新预设的策略;并输出全局最优路径作为每辆车辆的最优路径,进行车辆调度。本发明有效提高了车辆调度的效率和经济性,降低了运输成本,提高了运输效率,增强了系统的灵活性和适应性。
Description
技术领域
本发明属于车辆调度技术领域,具体涉及一种基于路径最优的车辆调度方法。
背景技术
在现代社会中,随着城市化进程的加速和交通运输需求的增加,车辆调度系统变得越来越重要。对于许多行业,包括物流、快递、公共交通等,高效的车辆调度系统可以带来诸多好处,如降低成本、提高服务质量、减少交通拥堵等。因此,研究和开发一种基于优化算法的车辆调度方法变得尤为重要。
目前,已经有一些现有技术针对车辆调度问题提出了一些解决方案。其中,一种常见的方法是基于传统的优化算法,如贪婪算法、遗传算法、模拟退火算法等。这些算法通常是基于启发式的思想,通过不断地迭代搜索来寻找最优的车辆调度方案。然而,这些传统的优化算法在处理大规模、复杂的车辆调度问题时存在一些局限性。
首先,传统的优化算法通常只能找到局部最优解,而无法保证找到全局最优解。由于车辆调度问题通常是一个高度复杂、多变量的组合优化问题,传统的优化算法很容易陷入局部最优解而无法得到全局最优解,导致调度方案的效果不尽如人意。其次,传统的优化算法在处理大规模数据时往往耗时较长,计算复杂度较高。由于车辆调度问题涉及到大量的车辆、路线和任务,传统的优化算法需要进行大量的计算和搜索,导致算法的运行时间过长,无法满足实时调度的需求。另外,传统的优化算法通常只能考虑静态的车辆调度方案,无法适应实时交通状况的变化。在实际情况下,交通状况、客户需求等因素都可能发生变化,需要及时调整车辆调度方案以适应变化的环境,而传统的优化算法往往无法实现动态调度。除此之外,现有的车辆调度系统往往缺乏对路线选择和车辆行驶路径的优化考虑。在传统的车辆调度系统中,往往只关注车辆的到达时间和任务分配,而忽视了路线选择对于车辆行驶时间和成本的影响。这导致了车辆调度方案的效率和经济性不尽如人意。
发明内容
本发明的主要目的在于提供一种基于路径最优的车辆调度方法,本发明有效提高了车辆调度的效率和经济性,降低了运输成本,提高了运输效率,增强了系统的灵活性和适应性。
为了解决上述问题,本发明的技术方案是这样实现的:
一种基于路径最优的车辆调度方法,所述方法包括:
步骤1:定义目标区域的道路网络的有向图,包括:节点集合、边集合和权重集合;节点集合中每个节点表示一个地点,边集合中每条边代表从一个节点到另一个节点的路径,权重集合中每个权重权表示从一个节点到另一个节点的距离;对节点进行排序,使得所有的边从排在前面的节点指向排在后面的节点,得到排序后的有向图;
步骤2:定义每条边的最大流量,计算排序后的有向图中的增广路径,所述最大流量表示了该条边所对应的路径能够允许的最大的车流量;初始化一群车辆,并将这些车辆放置在有向图中的增广路径中的不同节点上,该节点为车辆的初始节点;每个车辆从初始节点出发,基于预设的策略,选择下一个要访问的节点;每当车辆经过一个节点时,在该节点添加信息素;
步骤3:每个车辆完成一次路径后,更新路径上的信息素浓度;对于每个车辆的路径,根据路径上的节点顺序计算总距离;
步骤4:迭代执行步骤2到步骤3,直到达到设定的迭代次数;在每次迭代执行过程中,针对每个车辆,若计算出的总距离低于此前每次迭代执行后计算出的总距离,则将该总距离作为最优距离,并将最优距离对应的路径作为全局最优路径;同时,在每次迭代结束时,对所有节点的信息素进行稀释操作,以使得信息素的浓度低于设定的阈值;
步骤5:根据全局最优路径更新预设的策略;并输出全局最优路径作为每辆车辆的最优路径,进行车辆调度。
进一步的,步骤1中,定义一个带权重的有向图:
,
其中表示节点集合,/>表示边集合,/>表示权重集合;每个节点代表一个任务或者一个地点,每条边/>代表从节点/>到节点/>的路径,其权重/>表示从节点/>到节点/>的距离;对节点进行排序,使得所有的边从排在前面的节点指向排在后面的节点的方法包括:初始化一个空的排序结果列表,用来存储最终的排序结果;对于有向图中的每个节点,计算其入度,入度表示指向该节点的边的数量;同时,记录每个节点的出度,出度表示从该节点出发的边的数量;从图中选择一个入度为0的节点作为起始节点,将其加入到排序结果列表中;如果有多个入度为0的节点,随机选择一个节点作为起始节点;将起始节点的所有出边从图中移除,并更新相邻节点的入度;同时,对于剩余的节点,重新计算它们的出度;迭代执行,直到所有节点都被加入到拓扑排序结果列表中;在迭代执行过程中,需要不断检查图的合法性,如果存在入度不为0的节点,而且没有入度为0的节点可以选择,则说明图中存在环路,即图中存在循环依赖关系,则从环路中随机选择一条边进行删除;如果所有节点都被加入到排序结果列表中,完成对节点的排序。
进一步的,步骤2中计算排序后的有向图中的增广路径的方法包括:首先,对排序后的有向图进行凹凸拓扑排序;凹凸拓扑排序的具体过程包括:将节点分为凹点和凸点;凹点是指其入度小于出度的节点,而凸点是指其入度大于等于出度的节点;基于凹凸拓扑排序后的有向图,构建层次图;层次图是一个新的有向图,其中节点的层次表示了其在拓扑序列中的位置;边的方向与排序后的有向图相同,但是只包含从低层次节点指向高层次节点的边,层次图中只包含从凹点指向凸点的边;迭代执行以下过程:从任意一个节点开始,通过广度优先搜索寻找从该节点到汇节点的增广路径;该路径的流量受限于路径上最小的残余容量;然后,将该路径上的所有边的流量增加到最大流量,即路径上的最小残余容量,以得到一条增广路径;如果存在增广路径,则更新排序后的有向图中的流量,并继续查找下一条增广路径;否则,终止迭代过程;所述汇节点定义为,从该节点出发的边所对应的路径的最大流量的和值最大。
进一步的,步骤2中,每个车辆从初始节点出发,基于预设的策略,选择下一个要访问的节点的方法包括:对于当前所在节点,车辆计算每个相邻节点/>的概率,根据计算得到的概率/>进行轮盘赌选择,确定下一个要访问的节点,具体包括:生成一个随机数,然后按照累积概率进行选择,直到找到一个节点/>,使得累积概率超过/>;车辆将选择的节点j作为下一个要访问的节点,然后继续探索。
进一步的,概率使用如下公式进行计算:
;
其中,是一个控制参数,用于调整距离的影响,为预设值;/>也是一个控制参数,用于调整距离和信息素浓度对路径选择概率的影响,为预设值;/>是一个控制参数,用于调整信息素浓度的影响,为预设值;/>表示从节点/>到节点/>的信息素浓度;/>表示与节点/>相邻的节点集合;/>和/>均为下标索引。
进一步的,步骤3中每个车辆完成一次路径后,更新路径上的信息素浓度的方法包括:
;
其中,
;
其中,为信息素挥发率,/>为信息素变化量,/>为当前路径的长度,/>为节点/>到节点/>的路径长度,/>为当前的路径长度的均值,/>为路径长度的标准差,/>为自然对数的底;/>为更新后的路径上的信息素的浓度;/>为当前的信息素的浓度。
进一步的,步骤4中,在每次迭代结束时,对所有节点的信息素进行稀释操作,以使得信息素的浓度低于设定的阈值的方法包括:
;
其中,
;
其中,为车辆的数量;/>为进行稀释后的信息素的浓度。
进一步的,步骤5中,根据全局最优路径更新预设的策略为通过如下公式,更新概率:
;
其中,为全局最优路径校正函数。
进一步的,全局最优路径校正函数使用如下公式进行表示:
;
其中,为增广路径的数量;/>为排序后的有向图中的节点总数量。
本发明的一种基于路径最优的车辆调度方法,具有以下有益效果:
本发明定义了目标区域的道路网络的有向图,并对节点进行了排序,以得到排序后的有向图。这一步骤为后续的路径选择和车辆调度奠定了基础。有向图中的节点和边分别代表着地点和路径,而排序后的有向图则能够更好地反映路径的顺序关系,有助于计算增广路径和确定车辆调度的顺序。这样一来,车辆在行驶过程中能够更加合理地选择路径,避免了传统方法中常见的路线不合理和行驶距离过长的问题,从而降低了运输成本,提高了运输效率。本发明采用了凹凸拓扑排序的方法,计算增广路径。这一步骤能够有效地寻找从起点到终点的最短路径,并结合增广路径的计算,为车辆调度提供了更精准的路径规划。通过不断地迭代执行增广路径的计算过程,能够实现对车辆调度方案的优化,提高了调度的准确性和效率。而且,在每次路径计算后,还会更新路径上的信息素浓度,从而使系统能够根据实际情况动态调整车辆调度方案,适应交通状况的变化和客户需求的变更,增强了系统的灵活性和适应性。其次,本发明采用了信息素浓度的更新机制,能够实现动态调度和优化。在每个车辆完成一次路径后,根据路径上的信息素浓度进行更新,使得系统能够根据实际情况动态调整车辆调度方案,适应交通状况的变化和客户需求的变更。这种动态调度机制可以有效提高车辆调度的灵活性和适应性,从而更好地满足实际运输需求。本发明还考虑了路径选择概率的计算,通过公式中的参数调节,实现了对路径选择概率的动态调整。这种基于概率的路径选择机制能够更加智能地指导车辆行驶,使得车辆能够更有效地选择合适的路径,避免了传统方法中的盲目选择和浪费,提高了车辆调度的效率和经济性。
附图说明
图1为本发明实施例提供的一种基于路径最优的车辆调度方法的方法流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例1:参考图1,一种基于路径最优的车辆调度方法,所述方法包括:
步骤1:定义目标区域的道路网络的有向图,包括:节点集合、边集合和权重集合;节点集合中每个节点表示一个地点,边集合中每条边代表从一个节点到另一个节点的路径,权重集合中每个权重权表示从一个节点到另一个节点的距离;对节点进行排序,使得所有的边从排在前面的节点指向排在后面的节点,得到排序后的有向图;
道路网络通常由节点和边组成,它们构成了一个图,而这个图是有向的,因为车辆在行驶时需要遵循一定的方向。节点表示了道路网络中的位置,可以是交叉路口、路口、路段的起止点等。边表示了节点之间的连接关系,即道路,每条边代表了从一个节点到另一个节点的路径,也就是一段道路。在定义节点和边的基础上,需要为每条边赋予一个权重,这个权重通常表示了从一个节点到另一个节点的距离或成本。这个距离可以是实际距离,也可以是其他因素的综合考量,比如道路拥堵程度、行驶时间等。权重的引入是为了在后续的路径规划中,能够根据不同的权重值选择最优路径,以实现车辆调度的最优化。为了确保有向图的一致性和规范性,需要对节点进行排序。排序的目的是使得所有的边从排在前面的节点指向排在后面的节点,这样可以更方便地进行路径规划和车辆调度。排序后的有向图使得车辆在行驶过程中能够按照一定的规律和方向进行移动,避免出现混乱和不必要的转向。
步骤2:定义每条边的最大流量,计算排序后的有向图中的增广路径,所述最大流量表示了该条边所对应的路径能够允许的最大的车流量;初始化一群车辆,并将这些车辆放置在有向图中的增广路径中的不同节点上,该节点为车辆的初始节点;每个车辆从初始节点出发,基于预设的策略,选择下一个要访问的节点;每当车辆经过一个节点时,在该节点添加信息素;
定义每条边的最大流量是为了确定每条路径所能够承载的最大车流量。在实际道路网络中,不同的道路可能有不同的容量,即能够容纳的车辆数量。这个最大流量可以受到道路宽度、车辆速度限制、交通信号灯等多种因素的影响。通过准确地定义每条边的最大流量,能够更好地控制车辆调度过程中的流量分配,避免道路拥堵和交通事故的发生。其次,计算排序后的有向图中的增广路径。增广路径是指从一个起始节点到一个终止节点的路径,并且路径上的边的流量都未达到最大流量。在这一步中,通过算法计算出排序后的有向图中的增广路径,这些路径将作为车辆调度的依据。增广路径的计算需要考虑到路径的连通性、流量限制等因素,以确保车辆调度的合理性和有效性。接着,初始化一群车辆,并将它们放置在有向图中的不同节点上作为初始位置。这个初始化过程可以根据实际情况和需求进行,可以是随机初始化或者根据某种策略进行初始化。将车辆放置在不同的节点上可以使得车辆调度算法能够更充分地利用整个道路网络资源,避免了车辆之间的拥堵和碰撞。最后,每辆车辆从初始节点出发,根据预设的策略选择下一个要访问的节点,并在经过节点时添加信息素。这个过程涉及到车辆的路径选择和信息素的更新,通过合理地选择路径和更新信息素,能够使得车辆调度更加智能和高效。预设的策略可以是基于规则的、基于优化算法的或者基于机器学习的,根据实际情况选择合适的策略可以提高车辆调度的效率和准确性。
步骤3:每个车辆完成一次路径后,更新路径上的信息素浓度;对于每个车辆的路径,根据路径上的节点顺序计算总距离;
每个车辆完成一次路径后,需要更新路径上的信息素浓度。信息素浓度是指在路径上的节点上添加的一种虚拟物质,用于引导车辆选择下一个访问的节点。信息素的浓度更新是基于蚁群算法的思想,即车辆在路径上的行驶会增加该路径上信息素的浓度,而信息素会随着时间的推移而逐渐挥发。这样做的目的是通过信息素的引导,使得车辆更倾向于选择经过信息素浓度较高的路径,从而实现更有效的路径选择和车辆调度。其次,对于每个车辆的路径,需要根据路径上的节点顺序计算总距离。总距离是指车辆在完成一次路径后所经过的所有节点之间距离的累加和。这个距离可以作为评估车辆调度效果的指标,通常希望通过优化算法来最小化总距离,从而实现更高效的车辆调度。计算总距离需要考虑到路径上各个节点之间的距离权重以及车辆的行驶路径,通过累加计算能够得到路径的总长度。
步骤4:迭代执行步骤2到步骤3,直到达到设定的迭代次数;在每次迭代执行过程中,针对每个车辆,若计算出的总距离低于此前每次迭代执行后计算出的总距离,则将该总距离作为最优距离,并将最优距离对应的路径作为全局最优路径;同时,在每次迭代结束时,对所有节点的信息素进行稀释操作,以使得信息素的浓度低于设定的阈值;
首先,迭代执行步骤2到步骤3,直到达到设定的迭代次数。在每次迭代执行过程中,车辆调度算法会根据当前的信息素浓度和路径距离等信息,对车辆的行驶路径进行更新和调整。这个迭代过程可以通过循环来实现,每次循环代表一次迭代执行过程,直到达到预设的迭代次数为止。通过迭代执行,能够逐步优化车辆的行驶路径,并逐渐接近最优解。其次,在每次迭代结束时,需要对所有节点的信息素进行稀释操作,以使得信息素的浓度低于设定的阈值。信息素的稀释操作是为了避免信息素的浓度过高,导致车辆调度算法过于依赖信息素而陷入局部最优解。稀释操作可以通过乘以一个小于1的系数来实现,使得信息素的浓度逐渐减少,从而保持信息素浓度的合理范围。接着,在每次迭代执行过程中,针对每个车辆,如果计算出的总距离低于之前每次迭代后计算出的总距离,则将该总距离作为最优距离,并将对应的路径作为全局最优路径。这个过程是在迭代过程中动态地更新全局最优路径,使得车辆调度算法能够不断地寻找到更优的车辆调度方案。通过比较每次迭代后计算出的总距离,能够确定哪一次迭代得到了更优的车辆调度结果,并将其作为全局最优路径。步骤4通过迭代执行车辆调度算法并动态更新全局最优路径,从而逐步优化车辆的行驶路径并找到最优的车辆调度方案。通过合理地设计和实现这些步骤,能够使得车辆调度算法能够更加智能化和高效化,从而提高道路资源的利用率和交通运输的效率。
步骤5:根据全局最优路径更新预设的策略;并输出全局最优路径作为每辆车辆的最优路径,进行车辆调度。
根据全局最优路径更新预设的策略。全局最优路径是在步骤4中动态更新得到的,它代表了当前迭代中车辆调度算法得到的最优车辆行驶路径。根据这个最优路径,可以对预设的策略进行更新和调整,以适应当前道路交通情况和车辆调度需求。更新策略的目的是使得车辆调度算法能够更好地适应不同的道路网络和交通状况,从而实现更加智能化和高效化的车辆调度。输出全局最优路径作为每辆车辆的最优路径,进行车辆调度。全局最优路径是通过车辆调度算法优化得到的,它代表了当前迭代中车辆调度算法认为最合适的车辆行驶路径。将全局最优路径作为每辆车辆的最优路径,意味着每辆车辆都按照这个路径进行行驶,从而实现了整体车辆调度的优化和统一。通过输出最优路径进行车辆调度,可以最大程度地提高道路资源的利用率和交通运输的效率,减少交通拥堵和排队等问题。
实施例2:步骤1中,定义一个带权重的有向图:
,
其中表示节点集合,/>表示边集合,/>表示权重集合;每个节点代表一个任务或者一个地点,每条边/>代表从节点/>到节点/>的路径,其权重/>表示从节点/>到节点/>的距离;对节点进行排序,使得所有的边从排在前面的节点指向排在后面的节点的方法包括:初始化一个空的排序结果列表,用来存储最终的排序结果;对于有向图中的每个节点,计算其入度,入度表示指向该节点的边的数量;同时,记录每个节点的出度,出度表示从该节点出发的边的数量;从图中选择一个入度为0的节点作为起始节点,将其加入到排序结果列表中;如果有多个入度为0的节点,随机选择一个节点作为起始节点;将起始节点的所有出边从图中移除,并更新相邻节点的入度;同时,对于剩余的节点,重新计算它们的出度;迭代执行,直到所有节点都被加入到拓扑排序结果列表中;在迭代执行过程中,需要不断检查图的合法性,如果存在入度不为0的节点,而且没有入度为0的节点可以选择,则说明图中存在环路,即图中存在循环依赖关系,则从环路中随机选择一条边进行删除;如果所有节点都被加入到排序结果列表中,完成对节点的排序。
具体的,通过对节点进行排序,可以确保图中的边都是从排在前面的节点指向排在后面的节点。这样的排序方式使得图中的路径具有一定的方向性和顺序性,使得车辆调度算法能够更加高效地处理路径规划问题。通过有序的路径网络,车辆可以按照预先规定的顺序进行行驶,避免了交通混乱和碰撞的发生,提高了道路交通的安全性。通过选择入度为0的节点作为起始节点,并根据节点的入度和出度进行迭代处理,能够确保图中的所有节点都被加入到排序结果列表中。这样做的目的是保证了路径网络的完整性和连通性,使得车辆调度算法能够覆盖到图中的所有节点和边,从而实现全局范围内的车辆调度优化。在迭代执行过程中,对图的合法性进行检查,能够及时发现并处理图中存在的环路问题。如果存在环路,即图中存在循环依赖关系,就需要从环路中随机选择一条边进行删除,以打破环路。这样做的目的是防止车辆调度算法陷入死循环,保证算法的正常执行和收敛性。实施例2中的节点排序方法对车辆调度具有重要作用。它通过构建有序的路径网络,为后续的车辆调度算法提供了基础数据结构和操作方法,使得车辆调度能够更加智能化和高效化。这种排序方法能够提高车辆调度的效率和准确性,降低交通拥堵和事故发生的风险,从而为道路交通运输系统的发展和管理提供了重要支持。
实施例3:步骤2中计算排序后的有向图中的增广路径的方法包括:首先,对排序后的有向图进行凹凸拓扑排序;凹凸拓扑排序的具体过程包括:将节点分为凹点和凸点;凹点是指其入度小于出度的节点,而凸点是指其入度大于等于出度的节点;基于凹凸拓扑排序后的有向图,构建层次图;层次图是一个新的有向图,其中节点的层次表示了其在拓扑序列中的位置;边的方向与排序后的有向图相同,但是只包含从低层次节点指向高层次节点的边,层次图中只包含从凹点指向凸点的边;迭代执行以下过程:从任意一个节点开始,通过广度优先搜索寻找从该节点到汇节点的增广路径;该路径的流量受限于路径上最小的残余容量;然后,将该路径上的所有边的流量增加到最大流量,即路径上的最小残余容量,以得到一条增广路径;如果存在增广路径,则更新排序后的有向图中的流量,并继续查找下一条增广路径;否则,终止迭代过程;所述汇节点定义为,从该节点出发的边所对应的路径的最大流量的和值最大。
具体的,首先,凹凸拓扑排序是对有向图中节点进行排序的一种特殊方法。通过将节点分为凹点和凸点,可以更好地反映节点之间的流向关系。凹点表示其入度小于出度的节点,而凸点表示其入度大于等于出度的节点。这样的排序方法能够确保路径网络的连通性和完整性,为后续的增广路径查找提供了基础。接着,在凹凸拓扑排序的基础上,构建层次图是下一步的关键。层次图是一个新的有向图,其中节点的层次表示了其在拓扑序列中的位置。边的方向与排序后的有向图相同,但是只包含从低层次节点指向高层次节点的边。层次图中只包含从凹点指向凸点的边。这样的层次图能够更好地表示节点之间的关系,为后续的增广路径查找提供了便利。在迭代执行查找增广路径的过程中,首先通过广度优先搜索从任意一个节点开始寻找增广路径。增广路径是指从源节点到汇节点的路径,其流量受限于路径上最小的残余容量。汇节点是从该节点出发的边所对应的路径的最大流量的和值最大的节点。通过迭代执行查找增广路径的过程,能够不断地优化路径网络,提高车辆调度的效率和准确性。如果存在增广路径,则更新排序后的有向图中的流量,并继续查找下一条增广路径。通过增加路径上边的流量到最大流量,能够实现对路径的最优利用,从而提高了车辆调度的智能化水平。如果不存在增广路径,则终止迭代过程,此时说明已经达到了最优的车辆调度方案。实施例3能够有效地解决车辆调度中的路径规划问题,提高了车辆调度的智能化水平;其次,通过对路径网络的优化,能够实现更高效的车辆调度,减少了道路拥堵和交通事故的发生;最后,通过汇节点的定义,能够优先选择对整个路径网络影响最大的节点,进一步提高了车辆调度的效率和准确性。
实施例4:步骤2中,每个车辆从初始节点出发,基于预设的策略,选择下一个要访问的节点的方法包括:对于当前所在节点,车辆计算每个相邻节点/>的概率,根据计算得到的概率/>进行轮盘赌选择,确定下一个要访问的节点,具体包括:生成一个随机数,然后按照累积概率进行选择,直到找到一个节点/>,使得累积概率超过/>;车辆将选择的节点j作为下一个要访问的节点,然后继续探索。
具体的,根据计算得到的概率进行轮盘赌选择的具体过程如下:对于当前所在节点/>,车辆计算每个相邻节点/>的概率/>。这些概率表示了车辆从当前节点/>转移到相邻节点/>的倾向性或可能性。将计算得到的概率/>进行归一化处理,确保所有概率之和为1。这一步骤可以保证轮盘赌选择的准确性和有效性,使得每个节点被选中的概率与其计算得到的概率成比例。生成一个随机数/>,取值范围为/>。这个随机数将用于在轮盘上进行选择。设置一个累积概率变量/>,用于记录当前累积的概率值。从相邻节点中按顺序选取一个节点/>,并累加其对应的概率/>到累积概率变量中。即/>。判断累积概率是否超过了随机数/>。如果累积概率大于等于/>,则停止选择过程,并将当前节点/>作为下一个要访问的节点。否则,继续选择下一个相邻节点。重复上述步骤,直到找到一个节点/>,使得累积概率超过了随机数/>。这样的节点被选中的概率与其对应的概率/>成正比,但不排除其他节点的可能性。通过这样的轮盘赌选择过程,车辆可以根据计算得到的概率/>动态地选择下一个要访问的节点,从而实现智能化的路径规划和车辆调度。
实施例4描述了一种基于概率的节点选择方法,即根据计算得到的概率进行轮盘赌选择。该方法的作用在于提供了一种智能化的节点选择策略,使车辆能够根据预设的策略动态地选择下一个要访问的节点,从而优化车辆调度和路径规划的效率。首先,实施例4中的节点选择方法充分考虑了节点之间的概率关系。通过计算每个相邻节点的访问概率/>,车辆可以根据预设的策略,考虑到诸如距离、节点重要性、历史访问频率等因素,对下一个要访问的节点进行动态选择。这样的方法使得车辆能够更加智能地决策,适应不同的道路情况和交通需求。其次,实施例4中的轮盘赌选择过程有效地利用了节点之间的概率信息。通过生成随机数/>,车辆按照每个节点的访问概率/>进行轮盘赌选择,选择下一个要访问的节点。这样的选择方式不仅考虑了每个节点的概率大小,而且确保了选择的公平性和随机性。车辆有可能选择概率较大的节点,但也不排除其他节点的可能性,使得选择过程更加灵活和全面。此外,实施例4的作用还在于优化了车辆调度和路径规划的效率。通过动态地选择下一个要访问的节点,车辆可以更加合理地规划行驶路径,避免拥堵和拥挤的道路,减少行驶时间和能源消耗。这样的方法能够提高道路资源的利用率,优化交通流动性,进而促进交通运输系统的效率和可持续发展。最后,实施例4还能够提升车辆调度的智能化水平。通过根据预设的策略计算节点访问概率,并结合轮盘赌选择的方式进行节点选择,使得车辆能够在不同情况下做出适应性更强、更智能的决策。这样的智能化节点选择策略有助于提高车辆调度系统的响应速度和适应性,更好地应对实时交通信息和需求变化。
实施例5:概率使用如下公式进行计算:
;
其中,是一个控制参数,用于调整距离的影响,为预设值;/>也是一个控制参数,用于调整距离和信息素浓度对路径选择概率的影响,为预设值;/>是一个控制参数,用于调整信息素浓度的影响,为预设值;/>表示从节点/>到节点/>的信息素浓度;/>表示与节点/>相邻的节点集合;/>和/>均为下标索引。
具体的,实施例5的公式描述了一种基于距离和信息素浓度的路径选择概率计算方法,该方法在车辆调度和路径规划中具有重要作用。下面将详细解释公式中各部分的原理及其作用。首先,公式中的第一部分表示了距离/>对路径选择概率的影响。距离较短的路径通常更受车辆偏好,因此将距离的倒数进行指数变换/>控制距离对路径选择概率的影响程度,/>则用于对距离进行归一化处理,以保证距离在概率计算中起到适当的作用。其次,公式中的第二部分/>表示了信息素浓度/>对路径选择概率的影响。信息素浓度反映了节点之间的通行历史或经验,信息素浓度较高的路径更受车辆偏好。/>控制信息素浓度对路径选择概率的影响程度,/>用于对信息素浓度进行归一化处理,确保其在概率计算中起到适当的作用。然后,公式中的分子部分综合考虑了距离和信息素浓度对路径选择概率的影响,并进行归一化处理。分子部分计算了当前节点到目标节点的综合影响,其中距离和信息素浓度的权重由/>和/>控制,并通过/>进行归一化处理,以保证路径选择概率的有效性。最后,公式中的分母部分表示了相邻节点转移概率的归一化因子。这一部分对相邻节点的转移概率进行归一化处理,以确保所有相邻节点的转移概率之和为1,这样可以保证概率的有效性和一致性。综合起来,实施例5的公式通过综合考虑距离和信息素浓度对路径选择概率的影响,并通过控制参数进行调节,能够更合理地选择路径,提高车辆调度和路径规划的效率。这种方法能够充分利用路径的历史经验和实时信息,使车辆更加智能地选择路径,避免拥堵和拥挤,优化交通流动性,提高道路资源的利用率,促进交通运输系统的智能化和可持续发展。
实施例6:步骤3中每个车辆完成一次路径后,更新路径上的信息素浓度的方法包括:
;
其中,
;
其中,为信息素挥发率,/>为信息素变化量,/>为当前路径的长度,/>为节点/>到节点/>的路径长度,/>为当前的路径长度的均值,/>为路径长度的标准差,/>为自然对数的底;/>为更新后的路径上的信息素的浓度;/>为当前的信息素的浓度。
具体的,实施例6的公式描述了一种基于信息素浓度和路径质量的动态调整方法,用于更新路径上的信息素浓度。该方法是蚁群算法等启发式算法中常用的一种策略,用于在车辆调度和路径规划中实现智能化的信息素调节。下面将详细解释公式中各部分的原理及其作用。
首先,公式中的表示更新后的路径上节点/>到节点/>的信息素浓度。这个值将在每次迭代中根据当前的路径质量和信息素挥发率进行动态调整,以适应交通环境的变化。其次,/>部分表示信息素的挥发过程。信息素挥发率/>控制着信息素在每次迭代中的减少程度。因此,/>表示保留的信息素比例,/>表示当前的信息素浓度。通过挥发部分,系统能够使得信息素不断更新,降低对旧信息素的依赖,更加灵活地适应环境变化。接下来,/>表示信息素的变化量。这个值根据当前路径的质量来调整信息素浓度。如果当前路径质量较高,则变化量较大;反之,则变化量较小。这种动态调节机制使得系统能够根据实际情况及时调整信息素浓度,以提高路径选择的准确性和效率。然后,部分表示路径长度的倒数,其中/>是当前路径的长度。这部分用于对信息素变化量进行归一化,使得长路径和短路径对信息素浓度的影响能够保持一致。通过归一化,系统能够更公平地对待不同长度的路径,避免长度过长或过短的路径对信息素浓度的过度影响。接着,/>表示信息素浓度的调节系数,其计算考虑了当前信息素浓度与路径长度的均值之间的差异以及路径长度的标准差/>。通过高斯函数的形式,信息素浓度的调节系数对当前信息素浓度与路径长度的偏离程度进行了衡量,以便更加精准地调整信息素浓度。最后,/>表示路径长度对信息素浓度的调节系数,其计算考虑了路径长度/>对信息素浓度的影响。/>是一个控制参数,用于调节路径长度对信息素浓度的影响程度。/>的计算结果是一个介于0和1之间的值,表示路径长度对信息素浓度的抑制程度。这部分能够防止过长的路径对信息素浓度的过度影响,使得系统更加稳定和可靠。/>
实施例7:步骤4中,在每次迭代结束时,对所有节点的信息素进行稀释操作,以使得信息素的浓度低于设定的阈值的方法包括:
;
其中,
;
其中,为车辆的数量;/>为进行稀释后的信息素的浓度。
具体的,实施例7中的公式描述了在每次迭代结束时,对所有节点的信息素进行稀释操作的方法。这种稀释操作是蚁群算法等启发式算法中常用的一种策略,旨在调整信息素浓度,以保持信息素的更新和稳定性。下面将详细解释公式中各部分的原理及其作用。首先,公式中的表示进行稀释后的信息素浓度。这个值表示在当前迭代结束后对节点到节点/>的信息素浓度进行调整后的结果。在每次迭代结束时,所有节点的信息素都会经历挥发和调整过程,以保持信息素的动态平衡。其次,/>部分表示信息素的挥发过程。挥发率/>控制着信息素在每次迭代结束时的减少程度。通过挥发操作,系统可以消除旧信息素的影响,使得信息素能够更快地适应当前环境的变化。这样可以确保信息素不会固化在某个状态,而是能够灵活地根据实际情况进行调整。接下来,部分表示根据车辆的路径质量对信息素浓度进行调整。其中,用于对信息素变化量进行归一化,使得不同长度的路径对信息素浓度的影响能够保持一致。而/>表示所有车辆对信息素浓度的贡献之和,反映了所有车辆在当前迭代中的路径选择质量。而/>和/>则分别表示了车辆路径选择质量的调节系数,用于根据当前信息素浓度与路径长度的均值以及信息素浓度与均值之间的偏离程度来调节路径选择质量对信息素浓度的影响。具体来说,/>通过高斯函数的形式对信息素浓度的偏离程度进行衡量,使得信息素浓度与路径长度的关系更加平滑和连续。而/>则通过逻辑函数的形式对信息素浓度的偏离程度进行衡量,使得信息素浓度与路径长度的关系更加灵活和可调节。这种动态调节机制能够确保信息素浓度能够根据车辆的路径选择质量和当前的信息素浓度进行适时调整,从而提高车辆调度系统的性能和效率。
实施例8:步骤5中,根据全局最优路径更新预设的策略为通过如下公式,更新概率:/>
;
其中,为全局最优路径校正函数。
具体的,实施例8中的公式描述了在步骤5中根据全局最优路径来更新预设策略的方法。这个公式主要是通过调整路径选择概率来影响车辆的路径选择,以使得车辆更倾向于选择全局最优路径。首先,公式中的表示从节点/>到节点/>的路径选择概率。这个概率值会根据全局最优路径来进行调整,以提高车辆选择全局最优路径的概率。其次,公式中的/>表示从节点/>到节点/>的路径长度,/>表示从节点/>到节点/>的信息素浓度,/>表示从节点/>到节点/>的校正值,用于调整全局最优路径的影响。然后,公式中的表示全局最优路径校正函数,它是一个关于/>的函数,其中/>是全局最优路径的长度。这个校正函数的作用是根据全局最优路径的长度和当前路径的长度之间的差异来调整路径选择概率,使得车辆更加倾向于选择与全局最优路径相似的路径。通过这种方式,可以促使车辆在路径选择时更加偏向于选择全局最优路径,从而提高整体的效率和性能。接下来,公式中的/>和/>是控制参数,分别用于调整路径长度和信息素浓度对路径选择概率的影响程度。通过调节这两个参数的值,可以控制路径长度和信息素浓度在路径选择中的权重,从而使得路径选择更加符合实际情况。最后,公式中的分母部分是路径选择概率的归一化项,用于确保所有可能路径的选择概率之和为1。这样可以保证路径选择概率的合理性和一致性,使得车辆能够根据路径长度、信息素浓度和全局最优路径的影响来进行有效的路径选择。
实施例9:全局最优路径校正函数使用如下公式进行表示:
;
其中,为增广路径的数量;/>为排序后的有向图中的节点总数量。
具体的,实施例9中的全局最优路径校正函数是一种用于调整路径选择概率的函数。它的计算过程主要依赖于增广路径的数量/>和节点总数量/>。下面将详细解释该公式的原理和各部分的作用。
首先,公式中的表示全局最优路径的长度,而/>是当前路径的长度。因此,表示当前路径长度与全局最优路径长度之间的差异。这个差异值越小,说明当前路径越接近全局最优路径。其次,公式中的/>表示以2为底的对数函数,即/>对于参数/>进行对数变换,有助于将参数的范围映射到更合适的区间。在这里,对差异值/>进行对数变换,有助于更好地表征其对路径选择概率的影响。接着,公式中的/>绝对值运算符,即取参数的绝对值。这个运算符的作用是确保计算结果为非负值。因为对数函数的参数必须为正数,所以取绝对值可以保证参数为正数。然后,将对数变换后的差异值作为参数进行求和。这个求和过程涉及两个嵌套的求和符号,分别用于对所有节点/>和/>进行求和。这样可以综合考虑所有节点对路径选择概率的影响。最后,求和得到的结果表示全局最优路径校正函数的值。这个值将作为一个校正因子,用于调整路径选择概率。校正函数的作用是使得车辆更倾向于选择与全局最优路径相似的路径,从而提高整体的效率和性能。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于路径最优的车辆调度方法,其特征在于,所述方法包括:
步骤1:定义目标区域的道路网络的有向图,包括:节点集合、边集合和权重集合;节点集合中每个节点表示一个地点,边集合中每条边代表从一个节点到另一个节点的路径,权重集合中每个权重权表示从一个节点到另一个节点的距离;对节点进行排序,使得所有的边从排在前面的节点指向排在后面的节点,得到排序后的有向图;
步骤2:定义每条边的最大流量,计算排序后的有向图中的增广路径,所述最大流量表示了该条边所对应的路径能够允许的最大的车流量;初始化一群车辆,并将这些车辆放置在有向图中的增广路径中的不同节点上,该节点为车辆的初始节点;每个车辆从初始节点出发,基于预设的策略,选择下一个要访问的节点;每当车辆经过一个节点时,在该节点添加信息素;
步骤3:每个车辆完成一次路径后,更新路径上的信息素浓度;对于每个车辆的路径,根据路径上的节点顺序计算总距离;
步骤4:迭代执行步骤2到步骤3,直到达到设定的迭代次数;在每次迭代执行过程中,针对每个车辆,若计算出的总距离低于此前每次迭代执行后计算出的总距离,则将该总距离作为最优距离,并将最优距离对应的路径作为全局最优路径;同时,在每次迭代结束时,对所有节点的信息素进行稀释操作,以使得信息素的浓度低于设定的阈值;
步骤5:根据全局最优路径更新预设的策略;并输出全局最优路径作为每辆车辆的最优路径,进行车辆调度。
2.如权利要求1所述的基于路径最优的车辆调度方法,其特征在于,步骤1中,定义一个带权重的有向图:
,
其中表示节点集合,/>表示边集合, />表示权重集合;每个节点代表一个任务或者一个地点,每条边/>代表从节点/>到节点/>的路径,其权重/>表示从节点/>到节点/>的距离;对节点进行排序,使得所有的边从排在前面的节点指向排在后面的节点的方法包括:初始化一个空的排序结果列表,用来存储最终的排序结果;对于有向图中的每个节点,计算其入度,入度表示指向该节点的边的数量;同时,记录每个节点的出度,出度表示从该节点出发的边的数量;从图中选择一个入度为0的节点作为起始节点,将其加入到排序结果列表中;如果有多个入度为0的节点,随机选择一个节点作为起始节点;将起始节点的所有出边从图中移除,并更新相邻节点的入度;同时,对于剩余的节点,重新计算它们的出度;迭代执行,直到所有节点都被加入到拓扑排序结果列表中;在迭代执行过程中,需要不断检查图的合法性,如果存在入度不为0的节点,而且没有入度为0的节点可以选择,则说明图中存在环路,即图中存在循环依赖关系,则从环路中随机选择一条边进行删除;如果所有节点都被加入到排序结果列表中,完成对节点的排序。
3.如权利要求2所述的基于路径最优的车辆调度方法,其特征在于,步骤2中计算排序后的有向图中的增广路径的方法包括:首先,对排序后的有向图进行凹凸拓扑排序;凹凸拓扑排序的具体过程包括:将节点分为凹点和凸点;凹点是指其入度小于出度的节点,而凸点是指其入度大于等于出度的节点;基于凹凸拓扑排序后的有向图,构建层次图;层次图是一个新的有向图,其中节点的层次表示了其在拓扑序列中的位置;边的方向与排序后的有向图相同,但是只包含从低层次节点指向高层次节点的边,层次图中只包含从凹点指向凸点的边;迭代执行以下过程:从任意一个节点开始,通过广度优先搜索寻找从该节点到汇节点的增广路径;该路径的流量受限于路径上最小的残余容量;然后,将该路径上的所有边的流量增加到最大流量,即路径上的最小残余容量,以得到一条增广路径;如果存在增广路径,则更新排序后的有向图中的流量,并继续查找下一条增广路径;否则,终止迭代过程;所述汇节点定义为,从该节点出发的边所对应的路径的最大流量的和值最大。
4.如权利要求3所述的基于路径最优的车辆调度方法,其特征在于,步骤2中,每个车辆从初始节点出发,基于预设的策略,选择下一个要访问的节点的方法包括:对于当前所在节点,车辆计算每个相邻节点/>的概率,根据计算得到的概率/>进行轮盘赌选择,确定下一个要访问的节点,具体包括:生成一个随机数/>,然后按照累积概率进行选择,直到找到一个节点/>,使得累积概率超过/>;车辆将选择的节点j作为下一个要访问的节点,然后继续探索。
5.如权利要求4所述的基于路径最优的车辆调度方法,其特征在于,概率使用如下公式进行计算:
;
其中,是一个控制参数,用于调整距离的影响,为预设值;/>也是一个控制参数,用于调整距离和信息素浓度对路径选择概率的影响,为预设值;/>是一个控制参数,用于调整信息素浓度的影响,为预设值;/>表示从节点/>到节点/>的信息素浓度;/>表示与节点/>相邻的节点集合;/>和/>均为下标索引。
6.如权利要求5所述的基于路径最优的车辆调度方法,其特征在于,步骤3中每个车辆完成一次路径后,更新路径上的信息素浓度的方法包括:
;
其中,
;
其中,为信息素挥发率,/>为信息素变化量,/>为当前路径的长度,/>为节点/>到节点/>的路径长度,/>为当前的路径长度的均值,/>为路径长度的标准差,/>为自然对数的底;/>为更新后的路径上的信息素的浓度;/>为当前的信息素的浓度。
7.如权利要求6所述的基于路径最优的车辆调度方法,其特征在于,步骤4中,在每次迭代结束时,对所有节点的信息素进行稀释操作,以使得信息素的浓度低于设定的阈值的方法包括:
;
其中,
;
其中,为车辆的数量;/>为进行稀释后的信息素的浓度。
8.如权利要求7所述的基于路径最优的车辆调度方法,其特征在于,步骤5中,根据全局最优路径更新预设的策略为通过如下公式,更新概率:
;
其中,为全局最优路径校正函数。
9.如权利要求8所述的基于路径最优的车辆调度方法,其特征在于,全局最优路径校正函数使用如下公式进行表示:
;
其中,为增广路径的数量;/>为排序后的有向图中的节点总数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410423879.4A CN118015818B (zh) | 2024-04-10 | 2024-04-10 | 一种基于路径最优的车辆调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410423879.4A CN118015818B (zh) | 2024-04-10 | 2024-04-10 | 一种基于路径最优的车辆调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118015818A true CN118015818A (zh) | 2024-05-10 |
CN118015818B CN118015818B (zh) | 2024-06-18 |
Family
ID=90954201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410423879.4A Active CN118015818B (zh) | 2024-04-10 | 2024-04-10 | 一种基于路径最优的车辆调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118015818B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012215571A (ja) * | 2011-03-29 | 2012-11-08 | Denso It Laboratory Inc | ナビゲーション装置、方法及びシステム |
CN104202816A (zh) * | 2014-08-22 | 2014-12-10 | 西北大学 | 大规模3d无线传感器网络基于凸划分的节点定位方法 |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN106503789A (zh) * | 2016-11-08 | 2017-03-15 | 西安电子科技大学宁波信息技术研究院 | 基于迪杰斯特拉和最大最小蚁群的无环最短路径搜索方法 |
JP2017161315A (ja) * | 2016-03-08 | 2017-09-14 | 国立大学法人京都大学 | 最適飛行網の生成方法及びシステム |
CN108563239A (zh) * | 2018-06-29 | 2018-09-21 | 电子科技大学 | 一种基于势场蚁群算法的无人机航迹规划方法 |
CN110245776A (zh) * | 2019-04-26 | 2019-09-17 | 惠州学院 | 一种基于多属性蚁群算法的智能交通路径规划方法 |
CN111708369A (zh) * | 2020-07-17 | 2020-09-25 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN112484727A (zh) * | 2020-10-14 | 2021-03-12 | 中国人民解放军国防科技大学 | 一种基于双充电模式的无人机路径规划方法 |
-
2024
- 2024-04-10 CN CN202410423879.4A patent/CN118015818B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012215571A (ja) * | 2011-03-29 | 2012-11-08 | Denso It Laboratory Inc | ナビゲーション装置、方法及びシステム |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN104202816A (zh) * | 2014-08-22 | 2014-12-10 | 西北大学 | 大规模3d无线传感器网络基于凸划分的节点定位方法 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
JP2017161315A (ja) * | 2016-03-08 | 2017-09-14 | 国立大学法人京都大学 | 最適飛行網の生成方法及びシステム |
CN106503789A (zh) * | 2016-11-08 | 2017-03-15 | 西安电子科技大学宁波信息技术研究院 | 基于迪杰斯特拉和最大最小蚁群的无环最短路径搜索方法 |
CN108563239A (zh) * | 2018-06-29 | 2018-09-21 | 电子科技大学 | 一种基于势场蚁群算法的无人机航迹规划方法 |
CN110245776A (zh) * | 2019-04-26 | 2019-09-17 | 惠州学院 | 一种基于多属性蚁群算法的智能交通路径规划方法 |
CN111708369A (zh) * | 2020-07-17 | 2020-09-25 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN112484727A (zh) * | 2020-10-14 | 2021-03-12 | 中国人民解放军国防科技大学 | 一种基于双充电模式的无人机路径规划方法 |
Non-Patent Citations (2)
Title |
---|
W. YU, J. LIU AND J. ZHOU: ""A Novel Automated Guided Vehicle (AGV) Remote Path Planning Based on RLACA Algorithm in 5G Environment, "", JOURNAL OF WEB ENGINEERING, 30 November 2021 (2021-11-30) * |
刘伟;王爽;: "基于蚁群算法的自适应路径导航算法", 交通信息与安全, no. 03, 20 June 2012 (2012-06-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN118015818B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112995289B (zh) | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 | |
CN114330874A (zh) | 一种基于城市生活垃圾分类的收运车辆调度方法及系统 | |
CN113343575B (zh) | 基于改进蚁群算法的多目标车辆路径优化方法 | |
CN112833905A (zh) | 基于改进a*算法的分布式多agv无碰撞路径规划方法 | |
CN115713856B (zh) | 一种基于交通流预测与实际路况的车辆路径规划方法 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
WO2023245740A1 (zh) | 一种基于蚁群算法的第四方物流运输路径规划方法 | |
CN110110920A (zh) | 一种面向粗略定位的协同车辆路径优化方法 | |
CN116050672B (zh) | 基于人工智能的城市管理方法及系统 | |
CN112418514A (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
CN113344320A (zh) | 多目标下的物流机器人配送路径动态自动规划方法及系统 | |
CN114186410A (zh) | 随机gis网络驱动的交通最短可靠路径方法 | |
CN116029470A (zh) | 基于群智感知的公交线路规划方法 | |
CN118015818B (zh) | 一种基于路径最优的车辆调度方法 | |
CN114253975A (zh) | 一种负载感知的路网最短路径距离计算方法及装置 | |
CN112488358A (zh) | 一种电动汽车充电路径规划方法和存储介质 | |
Niu et al. | Optimisation and application research of ant colony algorithm in vehicle routing problem | |
Nguyen et al. | Multi-agent task assignment in vehicular edge computing: A regret-matching learning-based approach | |
Sharif et al. | Traffic Management in Internet of Vehicles Using Improved Ant Colony Optimization. | |
Yousefi et al. | The optimal routing of cars in the car navigation system by taking the combination of divide and conquer method and ant colony algorithm into consideration | |
CN117709566A (zh) | 一种多目标车辆路径规划方法、系统、设备及介质 | |
Tao et al. | Research on disruption management of urgent arrival in job shop with deteriorating effect | |
Huang | Path selection method of intelligent vehicle based on fuzzy big data game | |
Tang et al. | Optimization of Multi-Depot Heterogeneous Incident Vehicle Routing Problem with Soft Time Windows based on an Improved Ant Colony Optimization | |
CN116844362B (zh) | 一种交通流数据处理方法 |
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 | ||
GR01 | Patent grant |