一种基于蚁群算法的多用户实时路径规划方法和系统与流程

本发明涉及路径规划，尤其是一种基于蚁群算法的多用户实时路径规划方法和系统。

背景技术：

对于现有的路径规划算法，在针对交通网络的应用中，一般只考虑到在复杂的交通路网中快速寻找两点之间的最短路径，而没有考虑到实时的道路车流量，即使有些路段是最短路径，但是如果同一时间内行驶的车辆多，那就不再是最优解，并且，如果多个用户同时使用该方法来规划最短路径，一旦各用户之间交叉的路段多，那各用户之间的路径规划会受到影响。

技术实现要素：

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于蚁群算法的多用户实时路径规划方法和系统，通过在现有的算法的基础上，再加入一个流量因子，来更好的应对城市交通复杂路网下的车辆的路径规划问题，使各个车辆能够在不影响其他车辆行驶的前提下，更短的时间内到达目的地。

本发明提供的一种基于蚁群算法的多用户实时路径规划方法，包括：

步骤s1，初始化进行路径寻优的参数；

步骤s2，通过改进后的蚁群算法进行路径寻优得到最优路径；所述改进后的蚁群算法包括：在进行路径寻优时，引入流量因子进行信息素浓度更新的计算。

进一步地，所述步骤s1中初始化进行路径寻优的参数的过程包括：

对多个用户的车辆进行标号；

初始化对每个用户的信息素浓度，形成多个用户的信息素浓度表；其中，每个用户的信息素浓度初始时都相等：τij(0)＝c，其中，τij(0)为初始的信息素浓度，c为一个常量。

进一步地，所述步骤s2中通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括：

步骤s10，每个用户的车辆按照转移概率公式选择下一个路口，直到每个用户的车辆到达终点，输出本次迭代的寻优路径；

步骤s20，若本次迭代的寻优路径比当前的最优路径短，则更新本次迭代的寻优路径作为最优路径；

步骤s30，判断是否达到预定的迭代次数：若是，则停止迭代并输出当前的最优路径；否则重复执行步骤s10～s20。

进一步地，所述转移概率公式为：

式中：为转移概率；jk(i)为车辆k待去路口的集合，包括除了车辆k出发路口的其余所有路口，随着时间推移，其中的路口越来越少，直到为空，表示遍历完所有的路口；

τij(t)表示在t时刻，路段(i,j)上的信息素浓度；α为信息素因子；

ηij(t)为启发函数，表示车辆从路口i到路口j的期望程度；启发函数的计算公式为：dij表示路口i与路口j之间的距离；β为启发函数因子。

进一步地，更新信息素浓度的计算公式为：

τij(t+n)＝(1-ρ)·τij(t)+δτij-f；

f＝s+g(t)；

式中：f为车流量；s为流量因子，表示t时刻路段(i,j)的可能车流量；g(t)为在t时刻走同一路段的车辆数；

δτij为本次迭代路段(i,j)上的信息素浓度增量；

为车辆k在本次迭代中留在路段(i,j)上的信息素浓度；q为一个正常数；lk为车辆k在本次周游中所走路径的长度。

本发明还提供一种基于蚁群算法的多用户实时路径规划系统，包括：

用于初始化进行路径寻优的参数的初始化模块；

用于通过改进后的蚁群算法进行路径寻优得到最优路径的蚁群算法迭代模块；其中，蚁群算法迭代模块在进行路径寻优时，引入流量因子进行信息素浓度更新的计算。

进一步地，所述初始化模块初始化进行路径寻优的参数的过程包括：

对多个用户的车辆进行标号；

初始化对每个用户的信息素浓度，形成多个用户的信息素浓度表；其中，每个用户的信息素浓度初始时都相等：τij(0)＝c，其中，τij(0)为初始的信息素浓度，c为一个常量。

进一步地，所述蚁群算法迭代模块通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括：

步骤s10，每个用户的车辆按照转移概率公式选择下一个路口，直到每个用户的车辆到达终点，输出本次迭代的寻优路径；

步骤s20，若本次迭代的寻优路径比当前的最优路径短，则更新本次迭代的寻优路径作为最优路径；

步骤s30，判断是否达到预定的迭代次数：若是，则停止迭代并输出当前的最优路径；否则重复执行步骤s10～s20。

进一步地，所述转移概率公式为：

式中：为转移概率；jk(i)为车辆k待去路口的集合，包括除了车辆k出发路口的其余所有路口，随着时间推移，其中的路口越来越少，直到为空，表示遍历完所有的路口；

τij(t)表示在t时刻，路段(i,j)上的信息素浓度；α为信息素因子；

ηij(t)为启发函数，表示车辆从路口i到路口j的期望程度；启发函数的计算公式为：dij表示路口i与路口j之间的距离；β为启发函数因子。

进一步地，所述蚁群算法迭代模块在进行路径寻优时，引入流量因子进行信息素浓度更新的计算公式为：

τij(t+n)＝(1-ρ)·τij(t)+δτij-f；

f＝s+g(t)；

式中：f为车流量；s为流量因子，表示t时刻路段(i,j)的可能车流量；g(t)为在t时刻走同一路段的车辆数；

δτij为本次迭代路段(i,j)上的信息素浓度增量；

为车辆k在本次迭代中留在路段(i,j)上的信息素浓度；q为一个正常数；lk为车辆k在本次周游中所走路径的长度。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明通过在现有的算法的基础上，再加入一个流量因子，来更好的应对城市交通复杂路网下的车辆的路径规划问题，使各个车辆能够在不影响其他车辆行驶的前提下，更短的时间内到达目的地。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的路径规划方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

本实施例提供的一种基于蚁群算法的多用户实时路径规划方法，包括：

步骤s1，初始化进行路径寻优的参数；

步骤s2，通过改进后的蚁群算法进行路径寻优得到最优路径；所述改进后的蚁群算法包括：在进行路径寻优时，引入流量因子进行信息素浓度更新的计算。

进一步地，所述步骤s1中初始化进行路径寻优的参数的过程包括：

对多个用户的车辆进行标号；

初始化对每个用户的信息素浓度，形成多个用户的信息素浓度表；其中，每个用户的信息素浓度初始时都相等：τij(0)＝c，其中，τij(0)为初始的信息素浓度，c为一个常量。

进一步地，所述步骤s2中通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括：

步骤s10，每个用户的车辆按照转移概率公式选择下一个路口，直到每个用户的车辆到达终点，输出本次迭代的寻优路径；

步骤s20，若本次迭代的寻优路径比当前的最优路径短，则更新本次迭代的寻优路径作为最优路径；

步骤s30，判断是否达到预定的迭代次数：若是，则停止迭代并输出当前的最优路径；否则重复执行步骤s10～s20。预定的迭代次数根据用户的实际需求设定。

进一步地，所述转移概率公式为：

式中：为转移概率；jk(i)为车辆k待去路口的集合，包括除了车辆k出发路口的其余所有路口，随着时间推移，其中的路口越来越少，直到为空，表示遍历完所有的路口；

τij(t)表示在t时刻，路段(i,j)上的信息素浓度；α为信息素因子；

ηij(t)为启发函数，表示车辆从路口i到路口j的期望程度；启发函数的计算公式为：dij表示路口i与路口j之间的距离；β为启发函数因子。

进一步地，所述在进行路径寻优时，引入流量因子进行信息素浓度更新的计算公式为：

τij(t+n)＝(1-ρ)·τij(t)+δτij-f；

f＝s+g(t)；

式中：f为车流量；s为流量因子，表示t时刻路段(i,j)的可能车流量；g(t)为在t时刻走同一路段的车辆数；该时刻路段(i,j)的可能车流量，可以通过对该路段下历史的交通流数据的统计分析，然后得出其交通流平均流量。例如：a路段在1月1日8：30分内的车流量是30，然后将每个月1日a路段每天的8：30分的车流量都加起来做一个平均值，假定为20，那么20就是在8：30分时的流量因子s。

δτij为本次迭代路段(i,j)上的信息素浓度增量；

为车辆k在本次迭代中留在路段(i,j)上的信息素浓度；q为一个正常数；lk为车辆k在本次周游中所走路径的长度。

实施例2

本实施例提供的一种基于蚁群算法的多用户实时路径规划系统，包括：

用于初始化进行路径寻优的参数的初始化模块；

用于通过改进后的蚁群算法进行路径寻优得到最优路径的蚁群算法迭代模块；其中，蚁群算法迭代模块在进行路径寻优时，引入流量因子进行信息素浓度更新的计算。

进一步地，所述初始化模块初始化进行路径寻优的参数的过程包括：

对多个用户的车辆进行标号；

初始化对每个用户的信息素浓度，形成多个用户的信息素浓度表；其中，每个用户的信息素浓度初始时都相等：τij(0)＝c，其中，τij(0)为初始的信息素浓度，c为一个常量。

进一步地，所述蚁群算法迭代模块通过改进后的蚁群算法进行路径寻优得到最优路径的过程包括：

步骤s10，每个用户的车辆按照转移概率公式选择下一个路口，直到每个用户的车辆到达终点，输出本次迭代的寻优路径；

步骤s20，若本次迭代的寻优路径比当前的最优路径短，则更新本次迭代的寻优路径作为最优路径；

步骤s30，判断是否达到预定的迭代次数：若是，则停止迭代并输出当前的最优路径；否则重复执行步骤s10～s20。

进一步地，所述转移概率公式为：

式中：为转移概率；jk(i)为车辆k待去路口的集合，包括除了车辆k出发路口的其余所有路口，随着时间推移，其中的路口越来越少，直到为空，表示遍历完所有的路口；

τij(t)表示在t时刻，路段(i,j)上的信息素浓度；α为信息素因子；

ηij(t)为启发函数，表示车辆从路口i到路口j的期望程度；启发函数的计算公式为：dij表示路口i与路口j之间的距离；β为启发函数因子。

进一步地，所述蚁群算法迭代模块在进行路径寻优时，引入流量因子进行信息素浓度更新的计算公式为：

τij(t+n)＝(1-ρ)·τij(t)+δτij-f；

f＝s+g(t)；

式中：f为车流量；s为流量因子，表示t时刻路段(i,j)的可能车流量；g(t)为在t时刻走同一路段的车辆数；

δτij为本次迭代路段(i,j)上的信息素浓度增量；

为车辆k在本次迭代中留在路段(i,j)上的信息素浓度；q为一个正常数；lk为车辆k在本次周游中所走路径的长度。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。