拥堵路网交通流均衡分配模型

为克服利用传统静态交通流分配模型分析拥堵道路网络交通流分配问题的不足,研究交通拥堵状态下静态拥堵交通流均衡分配模型.首先,基于拥堵路段上交通流特征,分析拥堵路段阻抗函数特点,包括满足拥堵路段上流量随车辆数增加而减少的特征;其次,分析拥堵状态下用户疏解路径选择行为,提出道路网静态拥堵交通流分配的用户均衡与系统最优原理;再次,构建道路网静态拥堵交通流用户均衡与系统最优分配模型,并证明模型与用户均衡原理的等价性、模型解的唯一性;最后,给出求解用户均衡模型的迭代加权求解算法.通过算例与传统静态交通流分配进行对比分析,结果表明:拥堵用户均衡分配模型与拥堵系统最优分配模型可以合理描述拥堵用户均衡原理与系统最优均衡原理,且拥堵用户均衡分配模型可以合理描述路网处于全拥堵状态下各路段实际通过流量.拥堵交通流分配模型可应用于由拥堵蔓延导致的局部全拥堵区域,可作为半拥堵静态交通流分配的核心部分之一.     

基于出行计划数据的最优路径规划方法

现有基于交通流预测的路径规划方法大多使用历史或实时交通流数据,预测时效性有待提升.针对上述问题,提出基于出行计划数据的路径规划方法（RPTP）.该方法能主动捕捉出行者的未来交通需求,为车辆提供更合理的出行路线.基于出行计划的思想,设计基于出行计划数据的路径规划整体框架;构建基于出行计划路线数据的未来时段路网密度估计算法;采用空间堆叠的方式融合未来多时段路网密度,以此为依据改进D*Lite算法的启发函数.采用SUMO平台仿真验证,与静态路径规划方法（SPP）和滚动路径规划方法（RPP）进行对比分析.结果显示,在相同环境下RPTP方法能提高车辆的通行效率,缓解路网拥堵,有效验证了RPTP方法的优越性.     

Hopfield神经网络算法求解路网最优路径

为了解决经典算法在求解大规模路网最优路径时运算时间长的问题,研究了Hopfield神经网络的特点,建立了一般路网的数学模型,根据Hopfield神经网络的特点设计了适合车辆诱导的路网Hopfield神经网络最优路径算法.采用动态邻接矩阵对该算法进行了优化,减少了运算时间.把该Hopfield神经网络算法应用于所研发的车辆诱导系统的最优路径求解中,并进行了实际路网测试,结果表明应用该算法能够正确求解路网的最优路径,且比经典算法的运算效率高.     

基于双重交叉策略的多元宇宙优化算法求解带时间窗车辆路径问题

提出了一种基于双重交叉策略的多元宇宙优化算法求解带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW).该算法利用访问概率在满足车辆最大载重的约束条件下构造算法的初始解,提高初始宇宙群的优良性;引入动态交叉算子,在当前宇宙的基础上交叉重组生成新的宇宙,提高算法的局部探索能力,同时采用基于最优片段的交叉策略更新白洞位置,加强各个宇宙间信息的交互;并引入随机交换搜索、2-opt和3-opt相结合的邻域搜索方法对最优解进行局部优化,扩大算法搜索空间.实验结果表明:所提算法能够有效解决带时间窗车辆路径问题,有较强的寻优能力,求解质量优于所对比算法.     

带软时间窗车辆路径问题的求解算法研究

针对带软时间窗车辆路径问题难以使用精确算法求解的问题,设计了一种基于爬山遗传混合的智能启发式算法来对带软时间窗车辆路径问题进行求解,并构建该混合算法相应的算法程序与爬山、禁忌搜索、模拟退火、遗传4种基本智能启发式算法进行标准数据对比测试。测试结果表明,该混合算法用于求解带软时间窗车辆路径问题具有计算效率高、计算结果稳定的特点。     

一种改进的蚁群算法求解车辆的最短路径问题

基于交通网中交通流参数关系模型,提出了新的状态转移概率计算公式,同时在信息素更新策略中引入交通流密度因子,使算法可以根据时变的路网信息求解车辆的最短路径;利用蚁群算法和遗传算法相结合的思想来避免基本蚁群算法在求解车辆最短路径时易陷入局部最优解的缺陷。实验仿真结果表明,改进后的蚁群算法较基本蚁群算法能准确快速地找到基于时间的最短路径,并能有效解决实际交通系统中的最短路径问题,具有一定的实际意义和参考价值。     

稿件刊发计划的0-1目标规划模型及搜索算法

针对期刊编辑部的稿件刊发计划问题,应用运筹学整数规划与目标规划理论,建立0-1目标规划模型;引入人工智能状态空间搜索理论,通过建立最优估价函数,提出了0-1目标规划模型的启发式搜索算法,用 C 语言编制了相应的求解程序软件,在微型计算机上实现了至今难以解决的0-1目标规划模型的求解问题.     

基于启发搜索策略的飞行仿真系统实时调度算法

针对飞行仿真系统中多种类型任务并发执行及任务具有严格定时限制和时序约束的特点,探讨了飞行仿真系统混合任务集的实时调度问题.通过建立混合任务集调度模型,把飞行仿真系统实时调度描述成一种受约束的在状态空间上的路径寻优问题.基于对启发式估价函数的设计,利用启发式搜索策略在所有符合约束的状态节点中搜索使启发式估价函数值最小的节点,经节点扩展得到了使混合任务集延迟时间最小的可行调度.建立飞行仿真系统混合任务集实时调度构架对调度算法进行试验验证,结果表明,该算法有效解决了飞行仿真系统中多种类型任务集成调度问题,并能以较低的时间开销满足飞行仿真系统对响应时间的一致性要求.     

改进蚁群算法在机器人路径规划中的应用

机器人路径规划是机器人技术研究中的一项关键技术。针对蚁群算法在求解机器人路径规划中准确性不高以及求解时间长的问题,提出了一种基于改进蚁群算法的机器人路径规划方法,采用栅格法构建了相应的数学模型。为了提高蚁群算法的全局搜索能力,防止算法早熟收敛,在状态转移规则中引入了随机策略;同时引入了基于狼群分配的策略来更新启发式信息,这样可以进一步提高算法的收敛速度。实验结果表明,改进的蚁群算法具有更强的全局寻优能力,求解时间更短,它可以有效地求解机器人路径规划问题。     

求解VRPSDP的变邻域混合遗传算法

针对卸装一体化车辆路径问题,提出一种结合变邻域下降搜索和遗传算法的混合启发式算法(GA_VND).利用随机生成的初始种群,通过遗传算法的交叉变异操作生成弱可行解种群,选择其中的最优值作为变邻域深度搜索的初始解.在变邻域深度搜索的过程中通过两种不同的局部搜索算子对解进行局部搜索和迭代优化.通过对54个算例的求解,仿真结果表明GA_VND更新了54个已知最好解中的8个,表明了该算法是解决卸装一体化车辆路径问题的一种有效方法.     

基于香味素诱导及道路分级的OPP问题的蚁群算法

为解决传统蚁群算法在求解最优路径问题(optimal path problems,OPP)时,搜索效率不高、最优解质量偏低的问题,提出了一种基于香味素诱导和道路分级的蚁群算法.该算法首先通过模拟食物源(目的地点)散发出的一种吸引蚂蚁不断向其靠近的香味素,使蚂蚁的搜索具有指向性;然后根据拥堵系数将路网中的道路分为不同的等级,并结合动态的分级策略防止算法陷入早熟.实验结果表明:本文算法比传统蚁群算法在最优解的质量及稳定性方面具有一定的优势.     

一种新的启发式路径推测算法研究

提出了一种新型路径推测算法.该算法结合几何运算的约束条件,根据车辆轨迹点所形成的向量与路网模型比较来进行启发式搜索,并选择车辆所有可能行驶的候选路径,根据全局择优的方式从整体进行比较,确定车辆最有可能的行驶路径.实验结果表明,该算法能够在复杂路网下,准确地推测距离间隔较大的车辆轨迹点,并且能够实时高效地处理大规模数据.     

采用嵌入时空距离的混合蚁群算法求解一类受限车辆路径问题（英文）

本文研究了共享出行背景下一类受限车辆路径问题,该问题以用户订单为核心,每个订单具有预约时间限制以及起始点、目的地两个位置点转换,是典型的具有时间、空间双重约束的扩展车辆路径问题。根据该问题特征,我们建立了以运营成本最低和用户体验度最高为目标的路径规划模型。为更精确地求解模型,根据用户的时间和空间属性定义了时空距离表示函数,进而提出一种嵌入时空距离的混合蚁群算法。该算法可分为两个阶段,首先通过时空聚类,以用户之间时空距离为主要衡量指标对用户进行分类,为问题求解提供启发式信息;其次结合劳动分工策略和时空距离函数,提出一种改进蚁群算法进行优化求解,以得到最终调度路线。基于现有数据集和实际城市环境的仿真案例进行数值实验。与其他启发式算法相比,该算法将基准实例中求得的最短路径长度降低2%–14%;与其他现存路径规划算法相比,该算法在测试实例上求得的综合成本更有竞争力。最后,利用两个实际的城市环境仿真案例进一步验证了所提算法的有效性。     

有向外力场作用下机器人路径规划方法

针对有向外力场作用下基于格点的机器人路径规划方法不能得到最优解的问题,采用了基于水平集方法的路径规划方法.将机器人的粒子跟踪转变为曲线的数值演化,通过解哈密尔顿-雅克比方程得到最优时间路径,改进后向路径追踪的数值计算精度保证了规划路径的可行性.仿真结果表明,算法可以有效应对复杂的有向外力场,并且在强外力场中仍保持路径的可行性.采用的连续路径规划方法可以突破传统机器人路径规划算法基于格点搜索的限制,并有效利用空间中存在的外力场.     

交通拥堵下基于可靠度的出行路径模型及算例分析

交通拥堵事故多发生于路网局部,严重拥堵或多个局部同时拥堵可能引发次生拥堵,对城市交通造成破坏。通过引入BPR函数Davidson修正模型及公路道路服务水平的概念,对路网路径运行时间进行分析。由于路网结构的复杂性以及道路特性的差异、交叉口交通流的动态变化,出行者面对拥堵时选择出行路径的难度加大,导致其在路网交通情况正常时所确定的最优出行路径并不一定是交通拥堵情况下的最优选择。在考虑所选路径可靠度的基础上,建立了交通拥堵下城市路网的静态交通分配模型并进行了算法算例求解,用模型从宏观角度分析城市交通,为缓解城市交通拥堵提供参考。     

稿件刊发计划的0-1目标规划模型及搜索算法

针对期刊编辑部的稿件刊发计划问题，应用运筹学整数规划与目标规划理论，建立0－1目标规划模型；引入人工智能状态空间搜索理论，通过建立最优估价函数，提出了0－1目标规划模型的启发式搜索算法，用C语言编制了相应的求解程序软件，在微型计算机上实现了至今难以解决的0－1目标规划模型的求解问题。     

搜索双安全边缘点的实时路径规划方法研究

针对未知不确定性环境下机器人路径规划的特点,提出了基于搜索双安全边缘点的实时路径规划新方法.该方法从有限的实时环境信息中搜索躲避障碍物和保证机器人到达目标点的双安全边缘点信息,并结合启发式算法,实现了基于双安全边缘点的实时路径规划.机器人的实际工作环境是十分复杂的,要求路径规划算法有较高的适应能力,特别在u型环境中要求算法能够脱离死区.仿真实验在2种U型环境和复杂环境中进行,仿真结果表明,该方法具有反应灵敏、实时性好的特点,对不确定环境具有良好的适应性,能够实现未知复杂环境下的路径规划.     

带运力限制车辆路径问题的简易蚁群算法实现

以求解旅行商问题的蚁群算法为基础,根据带运力限制车辆路径问题的实际应用条件,提出一种较为简易的求解带运力限制车辆路径问题的蚁群算法,并对其中的信息素更新策略进行了分析,对蚁群中的精英蚂蚁(搜索出最优解的蚂蚁个体)所经过路径的信息素进行加强,提高了算法的全局收敛性能和收敛速度,允许蚂蚁在搜索的最初阶段有较大的自由以扩大最优解的寻找空间,提出改进蚁群算法.实验结果表明,该方法能在较短的时间内达到已知最优解的1.5%误差范围.     

车辆导航系统最优路径规划的研究与实现

最优路径规划是智能车辆导航定位系统中一个非常关键的问题。通过对车辆导航系统本身的特点及要求的分析与研究、设计了良好、实用的空间数据的数据结构，并对基于人工智能的A*算法进行了优化，实现了准确的、较为高效的最优路径搜索。最后给出了一个最优路径搜索的实例。     

基于神经网络的移动机器人路径规划

针对移动机器人在部分环境信息已知情况下的路径规划问题,运用神经网络动态路径最优算法,研究了基于传感器信息的在线路径规划方法.基于扩展卡尔曼滤波的定位方法融合了多个与机器人状态及环境相关的信息,提高了定位精度.首先建立动态的工作空间信息,基于神经网络的路径规划算法完成机器人的路径规划,根据路径点集运动趋向来调节小车移动,完成了导航的任务.对算法的性能和效率进行了分析,实验表明该方法在障碍物的信息未知的情况下,执行速度快.