城市交通最优路径规划仿真研究

研究城市交通最优路径规划问题,由于城市交通网复杂,增加了规划的难度,传统的最优路径规划算法没有考虑城市道路网络中的交通限制问题,更忽略了车辆在道路交叉口转向延误的时间,不符合城市交通的实际情况.为了解决上述问题.首先建立了一个城市路网交通模璎.然后运用线性规划方法建立最优路径规划问题的线性规划模型.最后采用桶排序算法对狄杰斯特拉算法进行优化,得到一个新的最优路径规划算法,对线性规划模型进行求解.仿真结果证明,利用算法搜索得到的最优路径更加符合实际的路网情况,为设计提供了理论依据.     

基于改进蚁群算法的物流运输最优路径优化模型构建

为在复杂交通环境中快速准确求解物流运输最优路径,本文基于改进蚁群算法构建了物流运输最优路径优化模型.通过仿真分析,结果表明相比遗传算法与传统蚁群算法,基于改进蚁群算法的物流运输最优路径长度均值明显较小,表明改进蚁群算法获得了相对更优的物流运输路径,加快了物流运输速度,减少了物流运输时间与成本,实际效益更为突出;且迭代次数明显较少,不仅加快了物流运输最优路径问题求解效率,还实现了大规模物流运输最优路径优化模型问题求解,实践应用范围广泛.     

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.     

城市交通最优路径算法

城市智能交通系统中,最优路径算法及其优化是研究热点之一,是整个交通系统较为核心的部分.结合图论中最短路径算法,研究了城市交通可达路径算法,并对其进行了有效优化.通过图论中的路径代价函数,提出了城市最优路径算法,在此基础上,通过优化搜索区域、可达路径的搜索方向以及路网分层搜索等优化策略,达到了优化城市最优路径算法的目的,提出的城市最优路径及其优化算法能够给出行者提供多条参考的时间最优路线,方便出行者选择.通过算法的应用实例,验证了城市最优路径及其优化算法的有效性与实时性.     

基于改进蚁群算法的震后应急救灾车辆最优路径选择

针对当前的研究没有考虑震后道路通行状态的动态变化的情况,提出了采用改进蚁群算法计算从救灾点到达灾害现场的救灾车辆最优路径。改进算法依据道路通行状态修改转移概率,采用了自适应的信息素浓度更新策略。经仿真实验表明,本算法的收敛速度优于基本蚁群算法,能更好地满足震后救灾车辆的路径选择上的决策需求,具有重要的现实意义。     

基于栅格法的虚拟人快速路径规划

在栅格中使用经典的Dijkstra算法进行路径规划有计算量大,规划时间长、进行扩展判断的节点个数多等缺点.栅格的组织结构决定了栅格中最短路径的特性--组成最短路径的各线段间的最小夹角为90°.根据栅格及最短路径的特性,提出了一种在栅格中使用Dijkstra算法规划路径时减少扩展节点的个数,进而缩短规划时间、降低计算代价的算法,并将其用于虚拟人的路径规划.实验验证了算法的可行性和有效性.     

一种基于层次图模型的最优路径算法

论述了一种新的基于层次图的最优路径算法,即将一个平面图划分若干子图,子图抽象为一个高层图。最短路径的计算首先在高层图中进行,缩小了最优路径的查找范围,降低了最优路径计算的时间开销。     

城市交通系统最优路径算法研究

针对目前交通拥挤现象提出了城市交通诱导系统,最短路径寻求是其主要问题之一。通过对最短路径实现算法的分析和研究,本文对传统的Dijk—stra算法和启发式搜索算法As算法进行了详细的探讨。基于GIS特性对最短路径算法进行优化,改进了Dijkstra算法。     

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。     

浅谈Dijkstra算法在城市交通最优路径中的应用

应用Dijkstra算法解决城市中出行交通道路选择的问题，对最优时间和最优费用分别进行讨论．并且综合时间和费用提供多条路径供人们选择。用C＋＋实现算法。     

基于改进神经网络的非满载车辆路线优化模型

货物流通过程中,目前流行的车辆调度方式--基于简单的神经网络模型设计,造成运输成本的浪费。提出了一种基于改进神经网络的非满载车辆路线优化挖掘模型,来解决运输过程中的非满载车辆调度优化问题。改进的模型通过对非满载车辆时域长度和空域概率的加权、对神经网络稳定状态进行约束、建立非满载车辆起点和终点函数方程生成改进算法配送模型,并通过对新模型进行时间窗加权,合成了改进神经网络非满载车辆挖掘模式。仿真结果表明,该挖掘模型与传统的神经网络计算方法相比,能够提高非满载车辆路线选择效率和正确性,取得了较好的效果。     

最小时间路径算法的改进及在路径优化中的应用

由于城市交通网络中路径行程时间是随着时间的变化而变化的,求解最小时间路径比较困难,为此提出把交通网络抽象为时间依赖的网络模型的解决方法。对时间依赖网络模型和理论基础进行分析,指出文献［1］描述的最小时间路径算法存在的不足,即不能正确记录路径;通过引入一个记录路径的数组来对此算法进行改进,改进后的算法不仅解决了原算法存在的问题,而且可以满足n∶1的最短路径搜索,扩展了原算法的应用范围。最后用实验验证了改进算法的正确性和有效性。     

基于遗传算法的城市输电网络巡视路径优化选择问题

为了保障输电网络的安全稳定运行, 降低电网故障概率, 优化输电网络日常管理, 基于实际调研获得输电网络的加权网络图, 考虑输电网络巡视消耗成本、机会成本、风险成本, 根据实际巡航问题的约束条件和效用最大化的目标函数建立数学模型。提出了基于输电网络巡视路线优化的遗传算法设计, 通过与改进的Dijkstra算法相比较, 提出的算法具有计算复杂度低、准确率高、鲁棒性强的特点。针对有关输电网络日常巡视管理优化问题的探讨, 对于提升电网应急响应速度、提高电网可靠性、降低成本、提高效率有十分重要的意义。     

考虑供应不足的应急物流车辆路径优化模型及算法

灾害发生后的关键救援期内,应急物资有限且受灾点对应急物资的需求具有不确定性,为提高应急物流工作效率,需同时对应急资源分配和运输车辆路径进行优化决策。针对救援关键期内应急物资可能供应不足的情况,在假设物资需求为随机其服从正态分布的前提下,以最小化供应不足和供应过量所带来的损失、运输成本和车辆使用成本等为优化目标,考虑服务时间窗和车辆装载能力等约束,建立了随机需求环境下应急物流车辆路径问题的优化模型,并基于遗传算法设计了模型的求解方法。算例分析表明,本文所提出的优化方法运算快捷且结果合理,可为相关决策者提供科学的决策依据。     

区间数型多式联运路线优化问题的混合遗传算法*

多式联运路线优化问题直接关系到货物运输的费用、时间和运输质量。首先分析了多式联运路线优化问题的数学模型及虚拟运输网络图;其次,将区间数排序的思想引入适应度函数的设计中,提出了一种求解区间数型多式联运路线优化问题的混合型遗传算法,给出了染色体编码、遗传算子设计、约束判断与调整及群体多样性控制的方法;最后用示例对算法的有效性进行了验证,算法的提出可为多式联运经营者的决策提供数据参考。     

旅客列车线路选择的蚁群算法求解

高速铁路建成后客运通道内的线路组成要素及线路功能将发生较大变化,旅客列车在通道内的线路选择方案也需要进一步优化。采用蚁群算法（ACO）对旅客列车的线路选择进行了设计,给出了转移概率及信息量更新方法,并采用对每个蚁群单独寻优的思路,制定了相应的求解策略。经过实例验证,取得了较好的结果,为今后基于路网条件下的旅客列车线路选择方案决策优化提供了一种新的参考方法。     

基于选路优化的改进蚁群算法

蚁群算法在处理大规模优化问题时效率很低。为此对蚁群算法提出了基于选路优化的两点改进:(1)引入选路优化策略,减少了算法中蚁群的选路次数,显著提高了算法的执行效率。(2)在选路操作中,只根据当前城市的前C个距离最近的且未经过城市为候选城市计算选择概率,从而减少单个蚂蚁选路的计算量。尤其对于以往较难处理的大规模TSP问题,改进算法在执行效率上有明显的优势。模拟实验结果表明改进算法较之基本蚁群算法在收敛速度有明显提高。     

协同车辆路径问题的模糊规划模型和算法*

属于不同公司的配送中心共享车队、仓储等资源为客户协同配送货物的协同车辆路径问题是一个热点问题。考虑车辆行驶时间和顾客服务时间的不确定性,建立以车辆配送总费用最小为目标的一类带时间窗协同车辆路径问题模糊规划模型,将其进行清晰化处理使之转换为一类确定性数学模型,采用魏明等人的自适应离散粒子群算法求解该问题。最后通过一个算例得出结论：同普通物流配送情形相比,该模型求解的总配送里程和费用均有效减少,验证了模型的正确性和合理性。     

校车的线路选择及优化设计方法

以大学城教师接送车辆的线路优化为研究对象,针对大学教师接送站点分布分散的特点,建立多线路的校车调度方案,提出了一种利用K-means聚类算法对已有的站点位置进行区域划分,利用改进蚁群算法对每个区域的校车运行线路进行优化的方法。以杭州大学城某高校的校车线路优化为实例,验证在最适当的线路数下,得到最佳的目标值,能更好地提高校车效率。     

证据理论在最优路径规划中的应用

路径规划是车载导航系统的核心功能,其中最优路径规划功能最为常用。在最优路径规划中,道路属性起着关键的作用。目前道路属性的应用都是进行简单的加权求和,而这样道路属性不仅没有得到充分的应用,而且路径规划结果也不够理想。将道路属性数据进行量化后,应用证据理论将每条道路的属性进行融合,融合后的数据作为道路权值。这样不仅可以改善属性数据的应用效果,而且可以优化规划结果。实验表明了改进后的算法在没有影响搜索效率的前提下,搜索结果得到了优化。