动态交通网络中最优路径查找算法*

在真实交通网络中,可能出现某高速公路在某一时刻内通过的车辆过多,从而改变了该时刻道路的即时速度,这就需要对道路的交通流量进行监控。针对这一问题,通过建立交通网络的速度模式库,根据道路可达速度的变化更新速度模式。基于A*算法与速度模式库,提出针对动态交通网络的最短路径查询算法。采用真实数据集对算法进行测试,结果表明,应用该方法能够有效地解决在速度模式发生变化的情况下最优路径的查找,使交通网络中的最优路径查询更为准确有效。     

基于改进型蚁群算法的最优路径问题求解

如何高效的向用户提供最优路径是蚁群算法大规模应用于导航系统的关键问题,针对现有最优路径问题研究中蚁群算法收敛速度慢及容易发生停滞的缺点,利用A*算法的启发式信息改进蚁群算法的路径选择策略,加快算法收敛速度.同时引入遗传算法的双种群策略和蚁群系统信息素更新策略,增加全局搜索能力,避免算法出现停滞现象.仿真实验结果表明,该改进算法具有较好的稳定性和全局优化性,且收敛速度较快.     

基于改进蚁群算法的最优路径搜索方法研究

基本蚁群算法在求解图的最优路径问题时,随着图的节点的增加,搜索速度变慢,并且容易陷入局部最优的问题。针对这个问题,对基本蚁群算法进行改进,通过引入搜索方向引导信息和搜索热区信息提高了算法的搜索速度和精度。仿真实验表明,改进蚁群算法比基本蚁群算法具有更高搜索速度和精度,且易得到全局最优路径.     

基于启发式算法的路径搜索

A*算法是人工智能中一种典型的启发式搜索算法,它在游戏开发、机器人导航等领域内得到广泛的应用.本文在A*算法的基础上进行改进,将其应用到大规模行人仿真系统中,取得良好效果.由于采用不同的启发函数能够得到不同的路径,本文对几种启发函数进行了分析、比较和改进,用以模拟行人选择路径的多样化,通过对地图进行预处理,对靠近障碍物节点的增加惩罚值,解决了传统A*算法搜索得到的路径过于"贴边"问题;提出了一种"修剪算法".使得经过处理的路径更加真实,更加符合行人行走的习惯.     

基于A*算法的三维地图最优路径规划

研究了基于A*算法的适合人步行行走的山地环境下三维地图最优路径规划算法及实现.本文考虑了三维山地无路网信息覆盖的条件较差环境,对A*算法进行改进,并利用三维地形DEM数据计算出一条相对平缓且长度较短的三维路径.改进算法对三维条件下路径最短的评价标准由原有的空间距离累加最短改进为先将空间等效成水平距离,再计算距离是否最短.同时,本文充分考虑了搜索点周围环境的整体坡度信息作为启发信息,来降低算法寻找的路径走在陡坡上的概率.实验表明,本算法最终计算出的三维最优路径在平缓度及路径最短上有所改善,基本符合人步行行走的习惯.     

基于GCN的虚假评论检测方法

服务类网站的用户评价是消费者选择的重要参考,受商业利益的驱使,点评网站上充斥着大量不符合产品真实特性的评论,虚假评论的检测与治理,对于监督网站运营,净化网络环境具有重要的意义.为了提升虚假评论的检测结果,在基于词和文档构建的图神经网络进行文本分类的基础上,提出基于融合语义相似度的图卷积网络(sematic-graph ...     

基于GCN和TCN的多因素城市路网出租车需求预测

在巡游模式下,出租车与乘客间供需不易匹配,造成出租车空载和乘客打车难现象并存,准确高效地实现路网出租车需求预测有利于有效缓解这一问题.针对现有交通流预测模型对空间特征提取不充分,特别是对城市路网内路段之间的空间关系没有全面挖掘这一问题,充分考虑路网内路段间的3种空间关系,对其分别构建路段间的局部关系图、路段全局关系图和路段OD次数关系图,提出一种由图卷积网络与时间卷积网络相结合的出租车需求预测模型.其中,采用图卷积网络对城市路网内路段的空间关系特征进行挖掘,采用时间卷积网络对交通数据集中的时间序列特征进行挖掘,并且考虑外部因素的影响.实验中,首先从真实出租车GPS轨迹数据中提取城市路网中各个路段的出租车出行量,并利用道路上在多个时隙形成的出行量序列对预测模型进行验证.结果表明,相比其他交通流预测模型,所提出的预测模型具有较优的平均绝对误差、均方根误差和平均绝对百分误差.     

基于A*算法的全局路径搜索

解决路径搜索问题有许多算法。本文基于A*算法,选择不同的估价函数进行路径搜索,找出在不同环境下的尽可能优化的路径,确定一种合适的估价函数,解决移动机器人的避障与导航问题。通过VC 6.0程序语言进行仿真实验,验证所选择的路径。     

交通路网最优路径的搜索仿真研究

在道路状况日趋复杂的今天,交通路网中两点之间的最短路径已经不再是人们驾驶所需要的最优路径。传统路径规划方法存在考虑路径规划影响因素过于单一以及搜索效率过低的问题。在路径规划问题中缺少一种在多约束条件下的具体方法来实现交通路网中最优路径的高效搜索。针对上述问题,提出一种基于AHP层次分析法的改进Dijkstra算法。该算法在保有经典Dijkstra算法准确性的基础上,考虑了多种约束条件并大大提升了搜索效率。仿真结果表明,这种基于AHP层次分析法的改进Dijkstra算法具有良好的性能,能够满足当前路径规划问题的要求。     

一种基于改进A~*算法的限制搜索区域的路径规划方法

本文根据已有A*算法,给出了一种改进的最优路径规划算法,此算法在根据道路的实际情况对路网进行分层的同时,根据实际路网的拓扑特性对搜索区域进行合理的限制,实验证明此算法在进行路径规划时节省了时间。     

一种改进的分层路网的路径规划算法应用

为了提高路径规划效率,提出一种改进的分层路网的路径规划算法。首先,城市路网进行分层处理,以经典A*算法为核心,在高层路网上使用改进机制,评估函数做相应调整,然后,对其权值设置上下限阈值,提高算法的搜索精度及搜索效率。实验结果表明,规划的路径并非Dijkstra算法的最短,但是改进的算法使快速路段所占比例达90%以上,实际运行最优。     

基于GCN的局部增强人体骨骼行为识别算法

为使人体骨骼这种非欧几里得结构数据更好地应用于人体行为识别任务中,将多种模态的特征融合后作为模型的输入,探讨关节的全局与局部的信息共现性,构建一个完整的空间信息推理模型。通过使用多层时间膨胀卷积网络提取骨骼数据在时间维度中的上下文依赖关系,使模型可以兼具捕获短期和长期的时序上下文依赖关系,有效提高时间信息的提取能力。提出的分层次时空图卷积神经网络模型在NTU-RGB+D-60和NTU-RGB+D-120数据集上均取得了较好的识别准确率。     

基于偏离路径的煤矿水灾Yen-K最优路径算法

为矿井水灾提供最佳逃生路线,提高应急救援效率,首先引入当量长度,结合水流等巷道相关因素,求解到达安全地点的时间最短路径;其次根据一般矿井具有多个逃生出口的特性,提出一种基于偏离路径的煤矿水灾Yen-K最优路径算法,分别求出从源节点到每个目标节点的前k则最优路径;最后按照长度大小排序求得的所有路径,并结合矿井具体实例选取所需的前若干条逃生路线。在MATLAB环境下,对文章算法与传统的Dijkstra算法、K最短路径（KShortestPaths,KSP）算法进行仿真对比分析,结果显示改进后的算法在求解矿井水灾逃生最优路径时更具准确性和实用性。     

面向动态交通流预测的双流图卷积网络

准确的交通流预测能够为管理部门提供合理的决策依据,为驾驶员提供实时的道路状况预警,是交通领域至关重要的问题.近年来,相关研究利用图卷积神经网络(GCN)处理非欧式空间结构的特点,对来自复杂路网的交通流数据进行空间相关性建模.然而,现有基于图卷积的交通流预测方法未能充分考虑空间相关性的有向性和动态性这两个重要特点.考虑到...     

基于WGAN-GP的搜索式路径规划算法

为了提升搜索式路径规划算法在C字型障碍中的探索效率,提出了一种基于对抗生成网络的A*算法。首先使用训练更为稳定的梯度惩罚Wasserstein对抗生成网络（WGAN-GP）生成存在可行路径的感兴趣区域;然后使用A*算法优先探索该区域,使得路径规划能够被有效引导;最终形成一条连续的路径。经过实验仿真验证,其相较于传统A*算法节约了31%的规划时间、减少了22.84%的探索空间,提升了路径规划算法的效率。实验结果表明,改进的A*算法具有较高的探索效率,能够更好地应用于机器人路径规划中。     

时间最优的无人机巡检避障路径规划

无人机执行实际任务时，完成时间是衡量任务效能的重要指标，而路径规划方法一般以路径长度最小为目标，难以准确直接地反应完成任务时间。对此，在构建路径时间代价的近似计算方法基础上，本文提出一种最小化任务时间的无人机避障路径规划算法。通过路径跟踪特性试验，获取不同机动方式下的飞行时间，作为路径搜索过程中的代价计算依据。设计节点扩展方式和代价函数计算方法，提出一种改进A*搜索算法以实现障碍规避和路径时间优化。通过随机场景下的仿真试验对所提方法的有效性和性能优势进行验证。最后以变电站巡检为例，验证改进算法能够引导无人机以更短的时间完成避障巡检。     

一种基于启发式搜索的跨域认证路径构建算法

针对跨域认证中存在域间与域内路径反复交替查找的特点,提出一种基于启发式搜索的AD*跨域认证路径构建算法。结合A*和D* 2种搜索方法,即在静态的域内查找认证路径时使用A*算法,在动态的域间使用D*算法。实验结果表明,该算法能在一定程度上避免路径查找的不确定性,有效提高跨域认证路径构造的速度。     

面向时空图建模的图小波卷积神经网络模型

时空图建模是分析图形结构系统中各要素空间关系与时间趋势的一个基础工作.传统的时空图建模方法,主要基于图中节点与节点关系固定的显式结构进行空间关系挖掘,这严重限制了模型的灵活性.此外,未考虑节点间的时空依赖关系的传统建模方法不能捕获节点间的长时时空趋势.为了克服这些缺陷,研究并提出了一种新的用于时空图建模的图神经网络模型,即面向时空图建模的图小波卷积神经网络模型（Graph Wavelet Convolutional Neural Network for Spatiotemporal Graph Modeling,GWNN-STGM）,称为GWNN-STGM.在GWNN-STGM中设计了一个图小波卷积神经网络层,并在该网络层中设计并引入了自适应邻接矩阵进行节点嵌入学习,使得模型能够在不需要结构先验知识的情况下,从数据集中自动发现隐藏的结构信息.此外,GWNN-STGM还包含了一个堆叠的扩张因果卷积网络层,使模型的感受野能够随着卷积网络层数的增加呈指数增长,从而能够处理长时序列.GWNN-STGM成功将图小波卷积神经网络层和扩张因果卷积网络层两个模块进行有效集成.通过在公共交通网络数据集上试验发现,提出的GWNN-STGM的性能优于其他的基准模型,这表明设计的图小波卷积神经网络模型在从输入数据集中探索时空结构方面具有很大的潜力.     

基于A~*算法的复杂交通环境下出行者最优路径分析研究

传统的路径规划未充分考虑出行者行车习惯和复杂交通环境的影响,通常搜索到的路径不一定符合出行者预期,本文将影响出行者路径选择的多种因素进行分析,运用层次分析法(AHP)建立了行程时间最短的出行者道路综合权值模型,并结合交通规则及实际道路环境使用A~*算法进行最优路径分析,通过广州市天河区部分道路进行实例验证,结果证明了本文算法的有效性。