基于并行遗传神经网络算法的动态路径选择方法

实时、高效的求解大规模路网中的最优路径是动态路径诱导领域的研究难点。针对基本遗传算法在计算大型网络的优化问题时表现出的求解效率低等缺点,在基本遗传算法中引入了子群体和迁移策略,提出了基于并行遗传算法的最优路径选择方法,设计了适用于路径优化的编码方式、适应度函数、遗传操作算子和迁移算子,并采用神经网络预测方法构造了实时动态的路阻矩阵。仿真试验表明:该方法的准确性、实时性和快速性优于基本遗传算法,并且大规模路网中求解效率和求解质量的平衡问题也得以解决。     

基于并行遗传神经网络算法的动态路径选择方法

实时、高效的求解大规模路网中的最优路径是动态路径诱导领域的研究难点.针对基本遗传算法在计算大型网络的优化问题时表现出的求解效率低等缺点,在基本遗传算法中引入了子群体和迁移策略,提出了基于并行遗传算法的最优路径选择方法,设计了适用于路径优化的编码方式、适应度函数、遗传操作算子和迁移算子,并采用神经网络预测方法构造了实时动态的路阻矩阵.仿真试验表明该方法的准确性、实时性和快速性优于基本遗传算法,并且大规模路网中求解效率和求解质量的平衡问题也得以解决.     

基于改进遗传算法的城市交通动态最优路径求解

针对传统遗传算法在交通诱导系统中求解最优路径问题中存在早熟收敛,易陷入局部极值点以及求得的最优路径缺乏实时性的问题,在模型中加入了实时交通信息,引入了一种新的带染色体交叉控制策略的改进遗传算法,配合单点交叉算子,消除了传统遗传算法中早熟收敛的不足,并使所求最优路径更加贴近实时的交通状态,切实达到诱导目的,提高整体路网的运行效率。     

基于瞬态混沌神经网络的动态路径诱导路由技术

将最短路径问题映射到混沌神经网络提出了一种基于瞬态混沌神经网络的动态路径诱导路由技术.仿真研究表明:将混沌神经网络应用于动态路径诱导系统中求解最佳路径,总能保证网络收敛到全局最优,具有很高的搜索效率.对于单个和多个分组请求均能快速地找到最短路径.     

大规模真实地形数据中的全局路径规划方法——基于遗传算法的研究

对基于遗传算法进行路径规划的方法进行了研究，重点在于解决基于真实数据据集进行路径规划时间问题的可解性及提高求解效率，与以往的一些方法的不同之处在于：一方面规划的数据集是根据大规模真实的地形数据构建的，其中包括高程数据和表示各种景物的文化特征数据；另一方面在遗传算法提供了全局求优的机制下，在染色体的编码，初始群体的产出和各种遗传算法中加入了相关的知识，使得该算法具有较好的求解局部问题的方法，提出了遗传算法求解实际的路径规划问题的能力和效率。     

车辆导航系统最优路径规划研究

最优路径规划是车辆导航系统中的关键技术之一,它提出了一种基于遗传算法的车辆路径规划方法.采用变长度整数编码的染色体表示路径,设计了适合于最优车辆路径问题求解的遗传算子,给出了适应度调整函数.试验结果表明,遗传算法较好的满足了车辆导航系统实时性和实用性的要求.     

基于云计算的混合并行遗传算法求解最短路径

为提高最短路径求解问题的效率,提出一种基于云计算的细粒度混合并行遗传算法求解最短路径的方法。方法采用云计算中H adoop的Map Reduce并行编程模型,提高编码效率,同时将细粒度并行遗传算法和禁忌搜索算法结合,提高了寻优算法的计算速度和局部寻优能力,进而提高最短路径的求解效率。仿真结果表明,该方法在计算速度和性能上优于经典遗传算法和并行遗传算法,是一种有效的最短路径求解方法。     

改进蚁群算法在TSP中的应用研究

针对现有路径动态诱导算法在交通问题规模增大时存在的性能急剧下降的问题,提出了一种改进的混合遗传蚁群算法.为解决蚁群算法对信息素的强依赖性导致的局部最优解现象,及遗传算法存在的全局搜索性能强但收敛速度慢等问题,将蚊群算法与遗传算法相结合,基于遗传算法的交叉变异因子,改进了信息素浓度的设定方式,加强了传统蚁群算法的全局搜索能力;利用蚁群算法的局部搜索能力较强的特点,提高了传统遗传算法的收敛速度.仿真结果表明,相比于遗传算法与蚁群算法,所提算法在求解不同规模的旅行商问题时具有更强的全局搜索性及快速收敛性.     

基于神经网络租遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法。用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数。通过仿真实验表明该方法具有较高的实时性和有效性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

The combination of continuous network design and route guidance

In this study, a traffic management measure is presented by combining the route guidance of Advanced Traveler Information System (ATIS) and the continuous network design (CNDP) to alleviate increasing traffic congestion. The route guidance recommends the travelers to choose the shortest path based on marginal travel cost and user constraints. The problem is formulated into a bi-level programming problem. The most distinct property of this problem formulation is that the feasible path set of its lower-level problem is determined by the decision variable of upper-level problem, while in conventional transportation network design problems the feasible path set for lower-level traffic assignment problem is fixed to be all the viable paths between each specific origin-destination pair. The simulated annealing algorithm is improved to solve this bi-level problem. A path-based traffic algorithm is developed to calculate the lower-level traffic assignment problem under the route guidance. Compared to the results of conventional CNDP, the measure presented in this study can better improve the transportation network performance.     

基于实时车速的交通控制与诱导协同

为了减小路网的总行程时间和提高路网运行效率,提出一种基于实时车速的交通控制与诱导协同模型。利用惩罚函数将有约束遗传算法转化为无约束遗传算法对所建立的协同模型进行求解,得到最佳的控制方案和诱导方案。在Vissim微观交通仿真软件中建立包含4个交叉口的小型路网进行仿真实验,仿真结果表明,此方法能够有效地减少路网总行程时间,提高路网运行效率。      

都市行车引导系统的模型研究（下）

4.2模型分析 将网络中的流分组,每组的大小由一个时间段内进入网络的流所确定。每组用第一辆车和最后一辆车的运行来仿真,用事故出现的频率、受影响的路段以及事故出现时间等参数仿真事故,当仿真事故时,路段容量发生变化。     

真实路况下的快递配送路径优化研究

针对快递配送过程中的实际情况,结合旅行商问题在快递配送中的应用,借助百度地图应用程序接口提取实际道路信息和行驶时间,在考虑实时路况的情况下,采用改进的遗传算法解决快递配送过程中交通环境、交通工具和配送路径要求不同的快递配送两个层次的路径优化,从而得到优化配送方案及分段路径规划,并将算法解析的配送路径显示在地图上。实例应用验证表明,该优化方法具有一定的可行性与实用性,可解决真实路况下的快递配送路径优化,具有良好的应用价值。     

公路交通中车辆路径A＊算法优化的研究

公路交通管理中,最短路径是进行车辆路径优化的基础.论文在简单分析了一些经典的最短路径算法和这些最短路径算法单独应用于车辆路径优化存在的局限性的基础上,提出了一种改进A＊算法的方法[1～2],并用它来解决城市间道路网中实时最短路径问题,并以实例加以阐述.     

基于道路风险评估的城市路网实时路径选择

为了缓解城市交通拥堵、避免交通事故的发生,城市路网的路径选择一直以来是一个热门的研究课题.随着边缘计算和车辆智能终端技术的发展,城市路网中的行驶车辆从自组织网络朝着车联网(Internet of vehicles,IoV)范式过渡,这使得车辆路径选择问题从基于静态历史交通数据的计算向实时交通信息计算转变.在城市路网路径选择问题上,众多学者的研究主要聚焦如何提高出行效率,减少出行时间等.然而这些研究并没有考虑所选路径是否存在风险等问题.基于以上问题,首次构造了一个基于边缘计算技术的道路风险实时评估模型(real-time road risk assessment model based on edge computing, R³A-EC),并提出基于该模型的城市路网实时路径选择方法(real-time route selection method based on risk assessment, R²S-RA). R3A-EC模型利用边缘计算技术的低延迟,高可靠性等特点对城市道路进行实时风险评估,并利用最小风险贝叶斯决策验证道路是否存在风险问...     

SALA: A Self-Adaptive Learning Algorithm—Towards Efficient Dynamic Route Guidance in Urban Traffic Networks

In order to alleviate traffic congestion for vehicles in urban networks, most of current researches mainly focused on signal optimization models and traffic assignment models, or tried to recognize the interaction between signal control and traffic assignment. However, these methods may not be able to provide fast and accurate route guidance due to the lack of individual traffic demands, real-time traffic data and dynamic cooperation between vehicles. To solve these problems, this paper proposes a dynamic and real-time route selection model in urban traffic networks (DR2SM), which can supply a more accurate and personalized strategy for vehicles in urban traffic networks. Combining the preference for alternative routes with real-time traffic conditions, each vehicle in urban traffic networks updates its route selection before going through each intersection. Based on its historical experiences and estimation about route choices of the other vehicles, each vehicle uses a self-adaptive learning algorithm to play congestion game with each other to reach Nash equilibrium. In the route selection process, each vehicle selects the user-optimal route, which can maximize the utility of each driving vehicle. The results of the experiments on both synthetic and real-world road networks show that compared with non-cooperative route selection algorithms and three state-of-the-art equilibrium algorithms, DR2SM can effectively reduce the average traveling time in the dynamic and uncertain urban traffic networks.     

Real-time road traffic state prediction based on ARIMA and Kalman filter

The realization of road traffic prediction not only provides real-time and effective information for travelers, but also helps them select the optimal route to reduce travel time. Road traffic prediction offers traffic guidance for travelers and relieves traffic jams. In this paper, a real-time road traffic state prediction based on autoregressive integrated moving average (ARIMA) and the Kalman filter is proposed. First, an ARIMA model of road traffic data in a time series is built on the basis of historical road traffic data. Second, this ARIMA model is combined with the Kalman filter to construct a road traffic state prediction algorithm, which can acquire the state, measurement, and updating equations of the Kalman filter. Third, the optimal parameters of the algorithm are discussed on the basis of historical road traffic data. Finally, four road segments in Beijing are adopted for case studies. Experimental results show that the real-time road traffic state prediction based on ARIMA and the Kalman filter is feasible and can achieve high accuracy.     

时间递推耦合神经网络的交通路径动态诱导技术

通过"人—机—环境"耦合关系,对路况与时间变化关系进行研究。综合车辆运行过程中不同时段的路况差异和人因作用、突发道路事故随机性,以神经网络有师学习作为经验累积方法,提出时间递推预测方法确定路径最短时间,从而实现对交通路径的动态诱导。递推预测以知识库累积经验与实时路况信息作比较,为驾驶者提供实时有效的路况信息支撑。结果表明,该诱导技术可辅助驾驶者及时对路况作出正确判断,减少因经验不足和突发事件造成的时间损失,适用于安装有GPS导航的车辆。实例分析表明,所构建模型与实际数据结合收到良好效果。