交通路径搜索系统及方法

文档序号:6614883阅读:352来源:国知局
专利名称:交通路径搜索系统及方法
技术领域
本发明涉及一种交通路径搜索系统及方法,特别是涉及一种基于云遗传算法的不确定环境的交通路径搜索系统及方法。
背景技术
传统的交通最短路径的选择往往是城市任意两个地点的最短路径,而驾驶员需要搜寻的是行驶时间最短的路径。现实生活中行驶长度最短的路径不一定就是行驶时间最短的路径,因为随时都有可能出现交通阻塞等意外情况,路网交通状态具有实时可变的特点,具有不确定性的因素。根据这种情况,当前最常见的做法是把交通路网节点和节点之间的距离描述成模糊变量的形式,该模糊变量符合某种隶属函数的分布,建立模糊期望值模型求解模糊最短路径问题。由于一般模糊变量其隶属函数的形式是多种多样的,对于有些模糊变量来说,很难求出其具体的期望值,因此只能采用一些智能算法来进行求解,当前最常·使用的则为遗传算法。遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说,其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和变异现象,根据适者生存、优胜劣汰的自然法则,通过选择、交叉和变异等遗传算子,使群体一代一代地进行到搜索空间中越来越好的区域,直至获得最优解。遗传算法有三个基本算子选择、交叉和变异。这三个算子的实现也有许多参数,如交叉概率和变异概率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验。遗传算法善长全局搜索,然而其局部搜索能力却明显不足,搜索到最优解或满意解的速度太慢,存在易陷入局部最优解和选择压力过大造成的早熟收敛等问题。

发明内容
为克服上述现有技术存在的不足,本发明的主要目的在于提供一种交通路径搜索系统及方法,其将云模型与遗传算法相结合,利用了正态云模型的随机性和稳定倾向性的特点,实现了不确定环境下交通最短路径的选择,本发明将云模型的Y条件云发生器算法实现交叉操作,基本云发生器算法实现变异操作,使概率值既具有传统的趋势性,满足快速寻优能力,又具有随机性,实现交叉概率和变异概率的自适应调整,从而提高了避免陷入局部最优的能力,能更快地搜索到交通网络的最短路径。为达上述及其它目的,本发明一种交通路径搜索系统,至少包括模糊期望值模型建立模组,通过将交通路网节点与节点之间的距离描述成模糊变量的形式,建立模糊期望值模型;以及最短路径计算模组,根据获得的模糊期望值模型,通过建立云模型并利用云遗传算法计算获得交通路网节点和节点之间的最短路径和长度。进一步地,该模糊期望值模型为,
权利要求
1.一种交通路径搜索系统,至少包括 模糊期望值模型建立模组,通过将交通路网节点与节点之间的距离描述成模糊变量的形式,建立模糊期望值模型;以及 最短路径计算模组,根据获得的模糊期望值模型,通过建立云模型并利用云遗传算法计算获得交通路网节点和节点之间的最短路径和长度。
2.如权利要求I所述的交通路径搜索系统,其特征在于,该模糊期望值模型为,
3.如权利要求2所述的交通路径搜索系统,其特征在于,该云模型定义为设T为论域u上的语言值,映射Cr (X) :u —
,
4.如权利要求3所述的交通路径搜索系统,其特征在于,该最短路径计算模组至少包括 初始化模组,用于初始化种群,确定遗传代数,并根据优先权的编码方式,产生pop_size个染色体; 目标值计算模组,使用模糊模拟计算所有染色体的目标值; 适应度值计算模组,根据目标值,计算每个染色体的适应度函数值,并保留目标值最小的染色体,记为最好的染色体; 新种群建立模组通过赌轮选择染色体,得到新的种群; 交叉操作模组利用Y条件云发生器实现交叉操作,产生两个子代; 变异操作模组,利用基本云发生器生成一个新的个体; 判断模组,用于判断当前的遗传代数是否小于给定的遗传代数,若小于给定的遗传代数,则令该目标值计算模组继续计算目标值,否则则启动输出模组;以及输出模组,将最好的染色体作为最优解输出。
5.如权利要求4所述的交通路径搜索系统,其特征在于,该Y条件云发生器算法如下 给定云的三个数字特征(Ex, En, He)和特定的确定度μ d,产生云滴drop (Xi, μ。), INPUT {Ex, En, He}, η, μ 0 ; OUTPUT {(χ1; μ 0) , (χ2, μ 0) · · · (χη, μ 0) I ; FOR i=l to η ;En' = RANDN (En,He)
6.如权利要求4所述的交通路径搜索系统,其特征在于,该基本云发生器算法如下 INPUT {Ex, En,He},η ; OUTPUT {(x1; μ i) , (x2, μ 2) · · · (χη, μ η)};FOR i = I to ηEn' = RANDN(En, He).Xi = RANDN(Ex,En')
7.如权利要求4所述的交通路径搜索系统,其特征在于该适应度函数为
8.如权利要求4所述的交通路径搜索系统,其特征在于该变异操作模组在(0,1)生成的随机数temp >随机生成或若人为指定确定度时,更新个体。
9.一种交通路径搜索方法,包括如下步骤 步骤一,将交通路网节点和节点之间的距离描述成模糊变量的形式,建立模糊期望值模型; 步骤二,初始化种群,确定遗传代数,根据优先权的编码方式,产生p0p_Size个染色体; 步骤三,使用模糊模拟计算所有染色体的目标值; 步骤四,根据目标值,计算每个染色体的适应度函数值,并保留目标值最小的染色体,记为最好的染色体; 步骤五,通过赌轮选择染色体,得到新的种群; 步骤六,利用Y条件云发生器实现交叉操作,产生两个子代; 步骤七,利用基本云发生器实现变异操作,得到新的个体; 步骤八,判断当前的遗传代数是否小于给定的遗传代数,若小于给定的遗传代数,则转至步骤三,否则转至步骤九;步骤九,将最好的染色体作为最优解输出。
10.如权利要求9所述的交通路径搜索方法,其特征在于,步骤六的交叉操作包括如下步骤 随机生成或人为指定确定度μ ; 令期望值
11.如权利要求10所述的交通路径搜索方法,其特征在于,步骤七的变异操作包括如下步骤 期望值Ex取原个体; 熵En =变量搜索范围/c3,c3为控制系数; 超熵He = En/c4, c4为控制系数; 由该基本云发生器生成一个新的个体。
12.如权利要求11所述的交通路径搜索方法,其特征在于当在(0,1)生成的随机数temp > μ时,更新个体。
13.如权利要求12所述的交通路径搜索方法,其特征在于=C1= c3 = 3pop_size,c2 =C4 = 10。
全文摘要
本发明公开了一种交通路径搜索系统及方法,该系统至少包括模糊期望值模型建立模组,通过将交通路网节点与节点之间的距离描述成模糊变量的形式,建立模糊期望值模型;以及最短路径计算模组,根据获得的模糊期望值模型,通过建立云模型并利用云遗传算法计算计算获得交通路网节点和节点之间的最短路径和长度,本发明通过采用云遗传算法解决交通路径搜索的优化问题,具有稳定倾向性和随机性的特点,能够速搜索出最短路径,提高了出行者的出行效率。
文档编号G06N3/12GK102902823SQ20121043487
公开日2013年1月30日 申请日期2012年11月2日 优先权日2012年11月2日
发明者宁建红 申请人:上海电机学院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1