基于免疫遗传优化的实时交通路径诱导方法

传统交通路径规划方法忽略了对路径评估、选择的反复择优,导致路径的规划质量不高,路网通行效率无法有效提升.于是提出基于免疫遗传优化的实时交通路径诱导方法.根据出行者期望行驶速度,设定出行预期速率临界值,利用路网节点间的动态连通性优化路网架构,构建实时交通局部路网模型;计算局部路网中最短路径,在免疫遗传优化算法中加入单点交...     

方向性蚁群算法在交通路径诱导系统中的应用

城市交通路径诱导系统是智能交通系统的重要组成部分,而最优路径算法作为路径诱导系统的重要部分,一直是计算机科学、运筹学、地理信息科学等学科的一个研究热点.对最优路径算法的研究和改进一直是交通路径诱导系统研究的核心内容.通过实例对几种常用的最优路径算法进行了分析比较,并提出了一种基于蚁群算法的最优路径算法,该算法是在蚁群系统的转移函数基础上增加一种方向性因子来实现的.通过仿真实验以及对比其他最优路径算法,得到了更好的结果.表明该方向性蚁群算法完全可以应用在智能交通路径诱导系统中.     

基于免疫算法的车辆路径优化问题

分析了车辆路径问题的研究方法和免疫算法相对于其它进化算法的优势,提出了用免疫算法求解车辆路径问题的方法。在算法的求解过程中,构造了一种新的编码方式,在减少编码长度的基础上能够提高算法的运行效率。通过免疫记忆库的设计以及抗体之间浓度的促进和抑制机制,本算法可以实现解的多样性,避免收敛于局部最优解,同时可以有效地防止在进化的过程中失去最优解的可能性。实验结果表明,本算法可以快速求得优化解,是求解车辆路径问题的一种有效算法。     

一种基于免疫遗传的多路搜索蚁群动态路径诱导算法

在交通路径诱导过程中,为了优化出行者的路径选择,提出一种用免疫遗传算法与蚁群系统算法相互融合的算法,主要利用了蚁群系统算法的动态性、正反馈性和分布式计算的优点;同时兼容了免疫遗传算法的全局搜索能力以及容易和其他算法相结合等特点.蚁群系统算法的动态性能够满足交通道路动态变化的各种因素,但是蚁群系统算法固有的缺点是容易陷入局部最优和进化速度缓慢,为了改善蚁群系统算法陷入局部最优的缺点,采用免疫遗传算法的全局搜索的思想来对蚁群系统算法进行改进,避免了蚁群系统算法陷入局部最优的缺点.为了提高算法的进化速度,本文提出了基于多路搜索的蚁群系统算法,能够更好地加快收敛速度,满足交通动态变化的需要,并且满足出行者的需要.在算法的研究过程中,进行了两部分实验对算法进行了论证,在eil51问题中,算法与其它算法相比证明可以得到更优的解;在MapX环境下模拟现实交通状况,运用算法寻找最佳路径,证明了本文提出的算法能够在实际的道路状况中找到满足出行者需求的道路.     

基于蚁群算法的智能交通最优路径探究

对于汽车智能交通的最佳路线问题,业界学者提出了蚁群概念和算法,其具有实时规划的效能。基于此,笔者提出了改进蚁群算法,借助智能交通模型比较传统算法和改进算法的性能。通过试验发现,改进蚁群优化算法能够有效解决路径问题。     

基于粒子群优化算法的动态停车路径诱导技术

首先分析了停车诱导系统(PGIS)中动态路径诱导的特点;为了达到实时诱导技术要求,介绍了一种生物界仿真算法——粒子群优化算法的特点及其应用在最优路径搜索中的基本方法;仿真实验表明该方法搜索速度非常快,适合用于动态停车路径诱导技术中。     

交通诱导系统中动态路径诱导算法的研究

动态交通网络中两节点之间最优路径的选择是目前的一个重要难题。通过对比不同的静态路径算法,并结合实际交通网络的特点,最终选择以A＊算法为基础,并在此之上研究出实现动态交通网络中路径诱导的方案。     

基于免疫计算的物流配送车辆路径优化

为解决物流配送车辆路径优化问题,给出了一种基于免疫计算的车辆路径优化方案,设计了车辆路径问题的数学模型,给出了非劣邻域支配的多目标免疫优化算法的框架、基于实数编码的比例克隆算子和领域变异算子以及支配抗体的拥挤距离公式,并在仿真环境下进行了实验;结果表明,算法能使多目标优化同题收敛到Pareto最优解集,并在Pareto曲线上有均匀的分布,具有较好的应用价值.     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

基于遗传退火算法的堆垛机路径优化研究

研究堆垛机优化控制问题,自动化立体仓库作业效率的影响因素有很多,其中很重要的一项就是堆垛机的作业路径.为了达到提高立体仓库整体效率的目的,针对堆垛机的作业路径优化存在次序调整问题,首先分析了堆垛机的几种常见的作业模式,进而对相关的作业模式建立了数学模型,提出了兼具遗传算法和模拟退火算法两者优势的遗传退火算法对模型进行求解.最后基于MABLAB对某立体仓库进行了仿真,仿真结果表明,提出的遗传退火算法可以有效地优化堆垛机的作业路径,为设计提供了参考.     

基于改进蚁群算法的交通最优路径方法研究

针对日益复杂的交通网络,提出了一种基于改进蚁群算法的交通路径最优方法,首先根据图论的思想构建了城市交通网络模型,结合层次分析法考虑了道路长度、交叉口停滞、交通拥挤、道路容量、天气状况等5个主要因素;然后在MATLAB平台下,采用改进的蚁群算法对静态交通网络和动态交通网络分别进行最短路径的求解,最后进行了对比分析;研究结果表明,在综合考虑以上5种因素的情况下,动态交通网络下的路径最优算法能为出行者找到更准确更便捷的路线。     

基于自适应免疫算法的最优路径问题研究

针对标准遗传算法在解决路径规划问题中存在的不能以概率1收敛及进化时出现退化等情况,提出并实现了一种自适应免疫算法,提出了一种新的编解码方式,给出了相关的免疫克隆、免疫优势等免疫算子的具体设计.进化过程中克隆规模可依据抗体一抗原亲合度、抗体一抗体亲合力自适应调整,采取了最优保存策略从而保证了算法以概率1收敛.实例验证了该算法的可行性,有效性.与标准遗传算法相比,增强了全局收敛,提高了收敛速度,通过仿真验证,该算法运算速度缺、结後果精度高,为路径规划问题研究提供了一种新方法.     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

交通最优路径选择算法的对比与仿真

交通网络中最优路径的选择尤为重要,各国学者在这方面做了大量的研究和改进.传统的最优路径算法以Dijkstra算法为代表,但均存在复杂度过高、不能很好地体现动态性的缺点.提出一种基于蚁群算法的最优路径选择问题的新方法.建立综合路径耗费公式及相关的收敛条件,采用数据集进行仿真,并与传统的最优路径算法Dijkstra算法、A*算法进行了对比,结果表明,采用蚁群算法进行最优路径选择在交通路径结点数量多、路径复杂的情况下具有比传统最优路径算法更好的性能优势.     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

面向行车诱导的最优路径算法研究

路径诱导系统是交通信息系统的重要组成部分,其综合应用车载定位系统、数据库技术、信息处理技术、现代通讯技术以及网络通信技术等先进技术来获取丰富的交通信息并通过对信息的整合,以达到诱导驾驶员行为,为驾驶员提供最优行驶路径的目的。在路径诱导系统中,最优路径问题是其研究的核心和关键。本文在研究传统的Dijkstra算法的基础上引入一种新的最优路径搜索思想即直线优化法对其进行改进。直线法优化Dijkstra算法在搜索过程中一直趋向于目标节点,能够减少算法中遍历的节点个数,从而提高搜索速度。最后,对传统Dijkstra算法和直线法优化Dijkstra算法进行了对比仿真分析。仿真表明,改进的算法既优化了最优路径搜索的过程,又大大地缩短了其运行时间。     

交通路径诱导系统中最优路径选取研究与仿真

研究交通路径诱导系统优化问题。复杂路况高峰时多条道路车辆同时汇聚造成交通拥塞,但是拥塞信息的实时变化存在高度的非线性和突变性。传统的交通路径诱导系统,仅仅是针对最短距离进行路径选取,非线性和突变性拥堵信息不能在模型中得到反应,一旦拥堵发生,会降低交通路径诱导的效率。提出了一种基于自适应t分布变异人工鱼群算法的交通路径诱导系统。引入t分布变异算子将高斯变异和柯西变异的优点结合起来,提取交通路径拥塞参数,并将其反馈到控制端,使用AFSA方式进行迭代处理,将迭代次数作为t分布的自由度参数,从而提高了交通诱导的效率。实验证明,鱼群算法提高了交通路径诱导的性能,避免了交通拥塞的缺陷。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法—基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中,通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。     

基于改进遗传模拟退火算法的WSN路径优化

针对无线传感器网络路径优化问题,提出了一种改进的最优保存的遗传模拟退火算法。利用LEACH算法构建初始路由表,使用GASA的高效率搜索,将路由计算和遗传演化计算同时进行,并直至寻找到近似最优路径为止。将最优保存遗传算法和模拟退火算法相结合,引入自适应的概率变化,有效地解决了这两种算法的早熟现象和时间问题。仿真实验表明,该算法有效地解决了无线传感器路径优化问题,具有定位准确、节能和搜索能力较强等优点。