一种基于多种群双层优化算法的危险品运输路径规划方法

1.本发明涉及信息与控制技术领域，尤其涉及一种基于多种群双层优化算法的危险品运输路径规划方法。


背景技术：

2.由于危险品的特殊性质，任何与其使用相关的活动都伴随着巨大的风险。在危化品运输过程中，合理的路径规划能够有效的避开交通拥堵、人口密集等高风险区域，因此运输路径规划在确保危险品运输安全方面具有重要地位。在面对计算困难且复杂的优化的问题时，pso等传统算法收敛快速的特点会带来种群多样性不足、早熟收敛等问题，从而陷入局部最优的困境。
3.例如，一种在中国专利文献上公开的“一种在不确定时变路网下的危险品运输路径规划方法”，其公开号cn113393665a，公开日2021-09-14，步骤包括：建立考虑路况及人口密度信息时变性与不确定性的危险品运输规划模型；模型引入时变的模糊变量描述人口密度对运输风险的影响，同时，考虑到路网实时交通状况对运输风险的影响，模型引入时间依赖的等效道路长度描述实时道路状况；使用机会约束机会约束规划方法进行解模糊；最后应用pso算法求解仿真结果，通过对数值实例求解结果的分析，验证了模型的适用性。该方案在对求运输路径最优方案的解的质量和解的稳定性上都有明显的不足。


技术实现要素：

4.本发明主要解决危化品运输路径规划求解计算困难的问题；提供一种基于多种群双层优化算法的危险品运输路径规划方法。
5.本发明的上述技术问题主要是通过下述技术方案得以解决的：
6.本发明包括以下步骤：
7.s1：获取实时路况及城市人口密度信息，根据时变路况与不确定人口密度信息建立危险品路径规划模型；
8.s2：将运输路径和车辆速度分别作为规划目标，构建一个并行双层结构，并分别进行初始化；
9.s3：对初始化后的并行双层结构使用两个种群求解，其中1号种群使用量子粒子群算法更新公式更新路径点概率矩阵pr，求解最优路径，2号种群使用粒子群算法更新公式更新速度选择概率矩阵pv。
10.采用本方案通过双层优化结构可以保证危险品的运输安全问题，同时也能确保种群的多样性和收敛性，使得计算结果更加的精确。
11.作为优选，所述步骤s1中获取的实时路况及城市人口密度信息包括城市道路的实时交通指数、交通指数历史数据、城市实时人口热力图，所述危化品运输车辆的运输风险表示为：
12.r
ij
(t)＝p
ij
×
cs
ij
(t),i、j∈n,t∈t
13.式中，r
ij
(t)是t时刻节点i、j∈n间的运输风险；p
ij
表示车辆从节点i到节点j之间道路段l
ij
发生事故的概率；cs
ij
(t)表示道路段l
ij
发生事故可能产生的后果。
14.采用本方案通过降型操作的区间二型模糊集作为评估道路网络人口分布的模糊变量。
15.作为优选，所述路网中道路段l
ij
上的事故后果严重程度计算方法为：
[0016][0017]
式中，t表示车辆出发后的时刻，表示在t时刻道路段l
ij
周围人口密度的模糊数，为道路段l
ij
发生事故时影响范围的半径，其中，为时变的区间二型模糊变量；
[0018]
等价形式为：
[0019][0020]
式中，i,j∈n,t∈t，在上述区间二型模糊隶属度函数中，与分别为两个梯形一型模糊变量：与分别表示区间二型模糊变量的上下隶属度函数，其中一型模糊变量与的隶属度函数为：
[0021][0022][0023]
式中，为预定义的一型模糊变量。
[0024]
采用本方案区间二型模糊集可以简化计算过程，降低处理难度。
[0025]
作为优选，所述道路段l
ij
发生事故的概率表示为：
[0026]
p
ij
＝ar
ij
×
lkpr
ij
×dij
,i,j∈n
[0027]
式中，ar
ij
表示路段l
ij
上发生交通事故的概率，lkpr
ij
表示路段l
ij
上发生交通事故后引发危险品泄漏事故的概率，d
ij
表示路段l
ij
的距离；
[0028]
车辆的运输风险为：
[0029][0030]
式中，i,j∈n,t∈t；
[0031]
运输风险最小化的目标表示为：
[0032][0033]
s.t.:
[0034][0035]
式中，为决策变量，当车辆在t时刻从节点i到达节点j时，决策变量为1,否则为0；α为置信度水平；z为求解的风险值；
[0036]
根据模糊理论的置信度计算公式，对于变量的上层隶属度函数机会约束规划模型为：
[0037][0038]
对于下层隶属度函数，机会约束规划模型为：
[0039][0040]
式中，αu和α
l
分别是预定义和约束条件成立的置信度水平；其中，约束条件成立的置信度水平；其中，
[0041]
对于求解最低道路风险值，其机会约束规划模型化简为等价约束为：
[0042][0043]
其中对于上式中的和分别有：
[0044][0045][0046]
通过基于置信度的机会约束规划方法,将含有模糊变量的运输风险值zr转化为：
[0047][0048]
对于使用规划的路径运输危化品的时间计算公式为：
[0049][0050]
式中，表示车辆从t时刻进入道路段l
ij
到达节点j所花费的时间，表示车辆从t时刻进入道路段l
ij
到达节点j的速度；
[0051]
对于的规划选择行驶速度较为稳定的安排，速度的波动情况计算公式为：
[0052][0053]
式中，为在道路段中行驶的速度平方差,用于表示运输车辆速度的稳定性；
[0054]
在进行危险品运输时对于达到运输时间、运输风险、车辆速度波动三个模型的化目标函数表示为：
[0055][0056]
[0057][0058]
式中，优化目标f1是车辆运输过程中花费的时间成本；优化目标f2是车辆运输过程中潜在交通事故引发的风险；优化目标f3是车辆运输过程中各道路段所规划行驶速度；
[0059]
将上述三个优化目标转换为单目标问题，其优化模型下：
[0060]
min fitness＝min(f1+f2+f3)＝min(t+zr+dv)。
[0061]
采用本方案将事故风险使用机会约束模型转化为其等价确定形式；优化目标f3是车辆运输过程中各道路段所规划行驶速度；通常，运输危化品的车辆都为大型货车，这类车辆往往视野盲区范围大且由于惯性巨大操纵困难，在行驶过程中如果速度变化过于剧烈容易发生危险，所以在规划车辆行驶速度时，需要考虑速度的稳定性，为了便于求解，本方案将多个优化目标转换为了单目标问题。
[0062]
作为优选，所述s2的具体内容为：
[0063]
在基于双层结构优化算法的路径规划方法中使用路径点选择概率矩阵pr生成路径，其公式为：
[0064][0065]
式中，pr
ij
表示在节点i时选择经过道路段l
ij
到达节点j的概率参数；
[0066]
最终路径选择概率pr
ij
为：
[0067][0068]
在对路径点概率矩阵pr初始化时，矩阵元素pr
ij
定义为节点i时到达节点j距离d
ij
的倒数：
[0069][0070]
在基于双层结构优化算法中使用速度选择概率矩阵pv生成路段速度，速度选择概率矩阵pv为：
[0071][0072]
式中，pv
ij
表示道路段l
ij
行驶速度对于速度上限的百分比，pv
ij
的取值范围为(0,1]；
[0073]
t时刻驶入路网道路段l
ij
的速度计算公式为：
[0074][0075]
采用本方案为提高算法的运行效率，使1号种群从迭代之初就处于较优的状态，在对路径点概率矩阵pr初始化时，矩阵元素pr
ij
定义为节点i时到达节点j距离d
ij
的倒数，类
似地，在基于双层结构优化算法中使用速度选择概率矩阵pv来生成路段速度。
[0076]
作为优选，所述s3的具体内容为：
[0077]
1号种群求解最优路径时使用的是量子粒子群算法，对于量子粒子群算法，其收敛性依靠吸引子pi(k)实现，吸引子的更新公式表示为：
[0078][0079]
式中，pi(k)代表粒子popi第k次迭代时的吸引子，pbesti(k)为粒子popi第k次迭代时的个体最优解，gbest对于粒子群所有粒子pop＝(p1,p2,
…
,pm)第k次迭代时群体最优解，表示为：
[0080][0081]
式中，r1和r2为(0,1]区间上服从均匀分布的随机数；c1表示粒子对自身种群的学习因子，c2表示粒子对全局最优种群的学习因子；
[0082]
量子粒子群算法的位置更新公式表示为：
[0083]
xi(k+1)＝pi(k)
±
δ|c(k)-xi(k)|ln(1/ui)
[0084]
式中，δ为粒子的膨胀收缩系数，p
i,j
(k)为粒子的吸引子；ui是区间(0,1]上服从均匀分布的随机数；c(k)为粒子群的平均最优位置，其表达式为：
[0085][0086]
采用本方案是为了给1号种群求得吸引子的更新公式和量子粒子群算法的位置更新公式。
[0087]
作为优选，所述的在给定的速度选择概率矩阵pv的条件下，2号种群求解最优路径的更新公式如下:
[0088]
pri(k+1)＝pi(k)
′±
δ
′
|c(k)
′‑
pri(k)|ln(1/ui)
[0089]
式中,k表示当前迭代的代数；ui是区间(0,1]上服从均匀分布的随机数；δ
′
为粒子均匀分布在区间(0,1]上的膨胀收缩系数；c(k)
′
表示由所有粒子路径选择矩阵pr的平均最优位置，pri(k)为当前粒子popi的路径选择概率矩阵pr；pri(t+1)为下一代粒子的概率矩阵pr；c(k)
′
为粒子群的平均最优位置，其表达式为：
[0090][0091]
pi(k)
′
为粒子popi的吸引子，其计算公式为：
[0092][0093]
式中，pbestpri(t)为粒子popi在第k次迭代时历史最优路径点概率矩阵pr；gbestpr(k)为所有粒子的历史最优路径点概率矩阵pr；
[0094]
速度规划粒子群算法更新公式为：
[0095]vi
(k+1)
′
＝vi(k)
′
+c1
·
r1(pbesti(k)-xi(k))+c2
·
r2(gbest(k)-xi(k))
[0096]
xi(k+1)＝xi(k)+vi(k+1)
′
[0097]
式中，vi(k)
′
表示当前迭代次数粒子popi的飞行速度，vi(k+1)
′
表示下一代粒子popi的飞行速度；xi(k+1)为，xi(k)为
[0098]
在1号种群给定的路径点概率矩阵pr的条件下，1号种群求解各道路段最佳行驶速度规划的速度选择概率矩阵pv更新公式如下：
[0099]
pvi(k+1)＝pvi(k)+vi(k+1)
[0100]
式中,下标i＝1,
…
,m表示第i个粒子popi；pvi(k)为当前粒子的概率矩阵pv，pvi(k+1)为下次迭代时粒子的概率矩阵pv；vi(k+1)表示粒子飞行速度，其更新公式为：
[0101]vi
(k+1)＝vi(k)+c1
·
r1(pbestpvi(k)-pvi(k))+c2
·
r2(gbestpr(k)-pvi(k))
[0102]
式中，r1和r2为(0,1]区间上服从均匀分布的随机数；c1表示粒子popi对自身种群的学习因子，c2表示粒子popi对全局最优种群的学习因子；pbestpvi(t)为粒子popi自身种群的历史最优速度选择概率矩阵pv；gbestpr(t)为所有粒子的历史最优概率矩阵pv。
[0103]
采用本方案是为了对初始化后的并行双层结构使用两个种群求解，对1号种群，求解最优路径，2号种群使用pso更新公式更新速度选择概率矩阵pv。
[0104]
作为优选，所述的仿真步骤如下：
[0105]
步骤1：给定预定义置信度αu和α
l
，设置车辆出发时间并从数据库中获取出发时刻后的各道路段速度上限与人口密度信息
[0106]
步骤2：初始化n个粒子的路径点概率矩阵pr和速度选择概率矩阵pv，设置最大迭代次数i
max
，设置迭代计数器i＝0；
[0107]
步骤3：1号种群根据路径点概率矩阵pr生成路径规划，根据速度选择概率矩阵pv生成对应的速度规划，由路径和速度规划方案求得适应度值；2号种群根据路径点概率矩阵pr生成路径规划，根据速度选择概率矩阵pv生成对应的速度规划，由路径和速度规划方案求得适应度值；
[0108]
步骤4：双层种群分别根据适应度值寻找各个粒子历史最优解pbestpvi(t)和全局最优解gbestpr(t),并更新各个粒子历史最优值和全局最优值；
[0109]
步骤5：1号种群根据量子粒子群更新公式，更新路径点概率矩阵pr；2号种群根据粒子群更新公式，更新速度选择概率矩阵pv；
[0110]
步骤6：确定是否达到最大迭代次数，是，则结束程序，输出全局最优解规划方案；否则，设置i＝i+1，进入步骤7；
[0111]
步骤7：双层种群交流更新路径点概率矩阵pr和速度概率矩阵pv，返回步骤3。
[0112]
本发明的有益效果是：通过并行双层结构使用两个种群求解，1号种群使用量子粒子群算法更新公式更新路径点概率矩阵pr，求解最优路径，2号种群使用粒子群算法更新公式更新速度选择概率矩阵pv，降低计算难度，在保证算法收敛快速的同时保证种群的多样性和稳定性。
附图说明
[0113]
图1是本发明的流程图。
具体实施方式
[0114]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0115]
实施例：
[0116]
本实施例的一种基于多种群双层优化算法的危险品运输路径规划方法，如图1所
示，包括以下步骤：
[0117]
s1：获取实时路况及城市人口密度信息，根据时变路况与不确定人口密度信息建立危险品路径规划模型；
[0118]
获取的实时路况及城市人口密度信息包括城市道路的实时交通指数、交通指数历史数据、城市实时人口热力图，危化品运输车辆的运输风险表示为：
[0119]rij
(t)＝p
ij
×
cs
ij
(t),i、j∈n,t∈t
[0120]
式中，r
ij
(t)是t时刻节点i、j∈n间的运输风险；p
ij
表示车辆从节点i到节点j之间道路段l
ij
发生事故的概率；cs
ij
(t)表示道路段l
ij
发生事故可能产生的后果。
[0121]
过去研究中，往往使用一型模糊变量来反应问题的不确定性。事实上，由于人口密度的精确统计存在困难，实时的人口密度测量更是难以实现，用于衡量人口分布的一型模糊变量的隶属度函数也存在不确定性。显然对于本研究中的路网人口密度建模为二型模糊变量更为适合。然而，普通二型模糊变量的计算十分复杂，处理往往十分具有难度。所以，本实施例采用便于降型操作的区间二型模糊集作为评估道路网络人口分布的模糊变量。因此，对于路网中道路段l
ij
上的事故后果严重程度计算方法如下：
[0122][0123]
式中，t表示车辆出发后的时刻，表示在t时刻道路段l
ij
周围人口密度的模糊数，为道路段l
ij
发生事故时影响范围的半径，其中，为时变的区间二型模糊变量，将根据路网中人员的流动等原因导致的人口分布的时空变化而不断变化；
[0124]
等价形式为：
[0125][0126]
式中，i,j∈n,t∈t，在上述区间二型模糊隶属度函数中，与分别为两个梯形一型模糊变量：与分别表示区间二型模糊变量的上下隶属度函数，其中一型模糊变量与的隶属度函数为：
[0127]
[0128][0129]
式中，为预定义的一型模糊变量。
[0130]
此外，道路段l
ij
发生事故的概率可表示为：
[0131]
p
ij
＝ar
ij
×
lkpr
ij
×dij
,i,j∈n
[0132]
式中，ar
ij
表示路段l
ij
上发生交通事故的概率，lkpr
ij
表示路段l
ij
上发生交通事故后引发危险品泄漏事故的概率，d
ij
表示路段l
ij
的距离；
[0133]
车辆的运输风险为：
[0134][0135]
式中，i,j∈n,t∈t；
[0136]
因此，根据区间二型模糊变量的边界隶属度函数，本实施例采用了基于置信度的机会约束方法将模型转换为等价确定性形式。运输风险最小化的目标表示为：
[0137][0138]
s.t.:
[0139][0140]
式中，为决策变量，当车辆在t时刻从节点i到达节点j时，决策变量为1,否则为0；α为置信度水平；z为求解的风险值；
[0141]
根据模糊理论的置信度计算公式，对于变量的上层隶属度函数机会约束规划模型为：
[0142][0143]
对于下层隶属度函数，机会约束规划模型为：
[0144]
[0145]
式中，αu和α
l
分别是预定义和约束条件成立的置信度水平；其中，约束条件成立的置信度水平；其中，
[0146]
对于求解最低道路风险值，其机会约束规划模型化简为等价约束为：
[0147][0148]
其中对于上式中的和分别有：
[0149][0150][0151]
最终，通过基于置信度的机会约束规划方法,将含有模糊变量的运输风险值zr转化为：
[0152][0153]
此外，在考虑路网中道路段的不断变化后，对于使用规划的路径运输危化品的时间计算公式为：
[0154][0155]
式中，表示车辆从t时刻进入道路段l
ij
到达节点j所花费的时间，表示车辆从t时刻进入道路段l
ij
到达节点j的速度；
[0156]
但对于路段上的速度并不能简单的使用道路通行速度上限作为行驶速度。受路网通行能力影响的车辆速度上限往往因错综复杂的路况而变化剧烈。而车辆行驶速度剧烈变化往往会影响行程的安全性，车速无论是高于还是低于平均车速，车速的差值越大发生事故的概率就越高。行驶的车辆如果频繁调整车速，将会增加车辆间的干扰，增大发生交通事故的概率。
[0157]
一般来说运输危化品的车辆都为大型运输车，这类车辆自重大、荷载大。而且由于自身性能原因，这类车辆在行驶过程中如果速度变化过于剧烈，容易发生危险。因此，对于的规划选择行驶速度较为稳定的安排，速度的波动情况计算公式为：
[0158][0159]
式中，为在道路段中行驶的速度平方差,用于表示运输车辆速度的稳定性。该约束是为了在车辆运行中减小车速调整幅度，减小发生交通事故的概率。
[0160]
模型求解目标为规划一条合理的运输路径以及对各规划路径行驶速度的安排，使在进行危险品运输时能够达到运输时间最短、运输风险最小、车辆速度波动最小。所以，模型的各个优化目标函数可以表示为：
[0161][0162][0163][0164]
式中，优化目标f1是车辆运输过程中花费的时间成本；优化目标f2是车辆运输过程中潜在交通事故引发的风险；优化目标f3是车辆运输过程中各道路段所规划行驶速度。根据“概率-后果”风险评估框架，事故风险被定义为事故概率与事故后果的乘积。由于评估事故后果的人口密度存在模糊因素，为方便求解，将事故风险使用机会约束模型转化为其等价确定形式。优化目标f3是车辆运输过程中各道路段所规划行驶速度。通常，运输危化品的车辆都为大型货车，这类车辆往往视野盲区范围大且由于惯性巨大操纵困难，在行驶过程中如果速度变化过于剧烈容易发生危险。所以在规划车辆行驶速度时，需要考虑速度的稳定性。为了便于求解，将多个优化目标转换为了单目标问题，其优化模型下：
[0165]
min fitness＝min(f1+f2+f3)＝min(t+zr+dv)。
[0166]
s2：将运输路径和车辆速度分别作为规划目标，构建一个并行双层结构，并分别进行初始化，具体如下：
[0167]
在算法中，一般的路径表达方式为一串由路径点组成的编码，而当算法需要生成新的路径方案时，往往是在确定首尾的路径点之后对中间编码进行交叉、互换、随机变异等操作。但在规划路网中的具体路径时，由于路网节点间的道路限制，使用以上方法生成了路
径方案往往不能符合路网的约束，产生新的路径方案的效率低下。因此在基于双层结构优化算法的路径规划方法中使用路径点选择概率矩阵pr来生成路径。路径点概率矩阵pr由路网节点间的道路限制确定，如下式所示：
[0168][0169]
式中，pr
ij
表示在节点i时选择经过道路段l
ij
到达节点j的概率参数。对于两个节点间没有道路的则将其置0。由于节点i时选择下一节点可能有多种选择，所以本实施例使用了轮盘赌的方法确定最终路径选择概率pr
ij
，其公式如下所示：
[0170][0171]
为提高算法的运行效率，使1号种群从迭代之初就处于较优的状态，在对路径点概率矩阵pr初始化时，矩阵元素pr
ij
定义为节点i时到达节点j距离d
ij
的倒数：
[0172][0173]
类似地，在基于双层结构优化算法中使用速度选择概率矩阵pv来生成路段速度。速度选择概率矩阵pv如下式所示：
[0174][0175]
式中，pv
ij
表示道路段l
ij
行驶速度对于速度上限的百分比，pv
ij
的取值范围为(0,1]。因此，t时刻驶入路网道路段l
ij
的速度计算公式为：
[0176][0177]
为使2号种群较快收敛，根据经验，对速度选择概率矩阵pv初始化时，对于没有道路通行的两个节点的pv
ij
置为0。否则设为1，表示按t时刻道路段l
ij
允许的速度最大值行驶。
[0178]
s3：对初始化后的并行双层结构使用两个种群求解，其中1号种群使用量子粒子群算法更新公式更新路径点概率矩阵pr，求解最优路径，2号种群使用粒子群算法更新公式更新速度选择概率矩阵pv；具体内容为：
[0179]
由于1号种群所要求解的路径规划问题属于离散的优化问题，因此在1号种群求解最优路径时使用了更适用于解决离散问题的量子粒子群算法。对于量子粒子群算法，其收敛性是依靠吸引子来pi(k)来实现的吸引子的更新公式表示为：
[0180][0181]
式中，pi(k)代表粒子popi第k次迭代时的吸引子，pbesti(k)为粒子popi第k次迭代时的个体最优解，gbest对于粒子群所有粒子pop＝(p1,p2,
…
,pm)第k次迭代时群体最优解，表示为：
[0182][0183]
式中，r1和r2为(0,1]区间上服从均匀分布的随机数；c1表示粒子对自身种群的学习因子，c2表示粒子对全局最优种群的学习因子；
[0184]
量子粒子群算法的位置更新公式表示为：
[0185]
xi(k+1)＝pi(k)
±
δ|c(k)-xi(k)|ln(1/ui)
[0186]
式中，δ为粒子的膨胀收缩系数，p
i,j
(k)为粒子的吸引子；ui是区间(0,1]上服从均匀分布的随机数；c(k)为粒子群的平均最优位置，其表达式为：
[0187][0188]
在给定的速度选择概率矩阵pv的条件下，2号种群求解最优路径的更新公式如下:
[0189]
pri(k+1)＝pi(k)
′±
δ
′
|c(k)
′‑
pri(k)|ln(1/ui)
[0190]
式中,k表示当前迭代的代数；ui是区间(0,1]上服从均匀分布的随机数；δ
′
为粒子均匀分布在区间(0,1]上的膨胀收缩系数；c(k)
′
表示由所有粒子路径选择矩阵pr的平均最优位置，pri(k)为当前粒子popi的路径选择概率矩阵pr；pri(t+1)为下一代粒子的概率矩阵pr；c(k)
′
为粒子群的平均最优位置，其表达式为：
[0191][0192]
pi(k)
′
为粒子popi的吸引子，其计算公式为：
[0193][0194]
式中，pbestpri(t)为粒子popi在第k次迭代时历史最优路径点概率矩阵pr；gbestpr(k)为所有粒子的历史最优路径点概率矩阵pr；
[0195]
对于2号种群，由于速度规划问题属于连续的优化问题，因此在求解时选择粒子群算法更新公式。粒子群算法更新公式为：
[0196]vi
(k+1)
′
＝vi(k)
′
+c1
·
r1(pbesti(k)-xi(k))+c2
·
r2(gbest(k)-xi(k))
[0197]
xi(k+1)＝xi(k)+vi(k+1)
′
[0198]
式中，vi(k)
′
表示当前迭代次数粒子popi的飞行速度，vi(k+1)
′
表示下一代粒子popi的飞行速度；xi(k+1)为，xi(k)为
[0199]
在1号种群给定的路径点概率矩阵pr的条件下，1号种群求解各道路段最佳行驶速度规划的速度选择概率矩阵pv更新公式如下：
[0200]
pvi(k+1)＝pvi(k)+vi(k+1)
[0201]
式中,下标i＝1,
…
,m表示第i个粒子popi；pvi(k)为当前粒子的概率矩阵pv，pvi(k+1)为下次迭代时粒子的概率矩阵pv；vi(k+1)表示粒子飞行速度，其更新公式为：
[0202]vi
(k+1)＝vi(k)+c1
·
r1(pbestpvi(k)-pvi(k))+c2
·
r2(gbestpr(k)-pvi(k))
[0203]
式中，r1和r2为(0,1]区间上服从均匀分布的随机数；c1表示粒子popi对自身种群的学习因子，c2表示粒子popi对全局最优种群的学习因子；pbestpvi(t)为粒子popi自身种群的历史最优速度选择概率矩阵pv；gbestpr(t)为所有粒子的历史最优概率矩阵pv。
[0204]
其仿真步骤如下：
[0205]
步骤1：给定预定义置信度αu和α
l
，设置车辆出发时间并从数据库中获取出发时刻后的各道路段速度上限与人口密度信息
[0206]
步骤2：初始化n个粒子的路径点概率矩阵pr和速度选择概率矩阵pv，设置最大迭代次数i
max
，设置迭代计数器i＝0；
[0207]
步骤3：1号种群根据路径点概率矩阵pr生成路径规划，根据速度选择概率矩阵pv生成对应的速度规划，由路径和速度规划方案求得适应度值；2号种群根据路径点概率矩阵pr生成路径规划，根据速度选择概率矩阵pv生成对应的速度规划，由路径和速度规划方案求得适应度值；
[0208]
步骤4：双层种群分别根据适应度值寻找各个粒子历史最优解pbestpvi(t)和全局最优解gbestpr(t),并更新各个粒子历史最优值和全局最优值；
[0209]
步骤5：1号种群根据量子粒子群更新公式，更新路径点概率矩阵pr；2号种群根据粒子群更新公式，更新速度选择概率矩阵pv；
[0210]
步骤6：确定是否达到最大迭代次数，是，则结束程序，输出全局最优解规划方案；否则，设置i＝i+1，进入步骤7；
[0211]
步骤7：双层种群交流更新路径点概率矩阵pr和速度概率矩阵pv，返回步骤3。
[0212]
本市实施例提出的多种群双层结构优化算法，在出发点-终点为2-58条件下独立运行十次，求得最优路径方案为2-4-9-13-17-20-25-31-38-44-51-58，各道路段速度规划为6.8-3.3-3.3-3.2-0.9-1.7-1-1.6-2.3-2.3-5.3，最优适应度值为2695.32。在十次运行中有4次取得了最优解，具体仿真结果如表1所示：
[0213]
表格1 双层结构优化算法仿真结果
[0214][0215][0216]
双层结构优化算法求解的速度规划方案的车辆速度波动降至最小，使危化品运输途中因速度骤变而发生事故的可能性降低。显然，无论从最优值、均值和最劣值来说，双层结构优化算法的规划方案速度波动值均低于mpso、ahapso和pso的规划方案，显著低于qpso的速度波动。多种群双层结构优化算法的求解能力均强于其他算法，具有鲁棒性。双层结构优化算法的求解时间稳定性优于其他算法。
[0217]
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。