交通网络中出现阻塞路径情况下增量路径查找算法

目的解决车辆在行驶过程中,在原路径出现阻塞的情况下,如何增量查找最优路径．方法在A^＊算法基础之上,采用当前点增量更新、阻塞点增量更新等策略查找最优路径,并通过对不同策略查询结果的比较,得出最佳方案．结果该算法减少了遍历的交通网络节点数量,当阻塞点远小于路径总长时,受影响的集合远小于原数据集合．结论实验表明,该算法在有阻塞路径的情况发生时,具有更高的查询效率和更少的磁盘访问次数,满足了实际应用的需求．     

基于Floyd算法的校园最短路径问题分析与实现

利用ArcGIS软件创建校园矢量图,并结合Floyd算法,解决校园中各地点间的最短路径问题。对Floyd算法从两个方面简化:对于插入的节点,先对其路径长度进行比较,若其到所求节点路径比所求节点对间路径长,则不需参与计算;引入序号矩阵记录使两顶点间的路径长度变短的中间节点序号。最后,在Matlab软件中编程实现,得出校园各地点间的最短路径,结果表明,该方法具有可行性。     

校车最优路径规划算法研究

校车最优路线的规划直接影响全校师生的工作、学习和生活。采用Dijkstra算法和GIS技术相结合的方式,根据对校园师生问卷调查的结果确定停靠站点,建立最优路径规划算法的前提条件;从起点到终点及中间的连接点,计算校园各乘车站点之间的最优路径规划方案,提高校车利用率,在保证校园师生安全的前提下,节省广大师生的时间,提高获取教育资源的便捷程度,降低校园能耗。     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

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.     

增强蚁群算法的机器人最优路径规划

为解决复杂环境中机器人最优路径规划问题,本文结合增强学习和人工势场法的原理,提出一种基于增强势场优化的机器人路径规划方法,引入增强学习思想对人工势场法进行自适应路径规划.再把该规划结果作为先验知识,对蚁群算法进行初始化,提高了蚁群算法的优化效率,同时克服了传统人工势场法的局部极小问题.仿真实验结果表明,该方法在复杂环境中,对机器人的路径规划效果令人满意.     

基于改进路网分层和A~*算法的最优路径研究

为了合理规划最优路径,满足实际应用的需要,对基于改进路网分层算法和A*算法的最优路径进行了研究。首先分别改进了路网分层算法和A*算法,然后提出了一种融合改进路网分层算法和改进A*算法的最优路径算法,并给出了最优路径算法在GIS平台上的实现过程。最后将该算法应用于苍南电力有限责任公司,结果表明,与传统A*算法相比,该算法降低了搜索时间,得到了最优的路径,提高了企业的工作效率。     

基于DE-PSO路由的最优路径选择算法研究

针对目前ZigBee网络中路由节点间能量消耗不均衡、能量消耗大和节点过早死亡等问题,提出了融合差分进化粒子群算法(DE-PSO)。首先,对比节点剩余能量,通过对比簇首竞选权重值竞选簇首,其次,利用DE算法搜索全局较优路径,并利用PSO算法的收敛性快速找到最佳路径。仿真结果表明,DE-PSO算法相比于经典的AODVjr算法、DE算法和ACO-AODV算法,可以有效地减少节点死亡、延长网络生存时间、减少节点能量损耗,提高了ZigBee网络的整体性能。     

公交网络最优出行路径模型与算法研究

随着城市公交线路发展的加速,公交最佳路径的选择已成为人们出行亟待解决的问题.模型中通过对乘车方式进行分类,针对乘客出行的不同需求,同时考虑步行因素,运用Dijkstra算法并通过层次分析法构建因素指标,从而寻找出行的最优路径,较好地解决了交通网络模型问题.     

不确定条件下考虑最优可靠路径的救援车辆分配问题（英文）

救援车辆在不确定条件下的分配优化问题是应急管理领域中非常重要的一部分。由于天气或者交通事故引起的OD(出发地-目的地)需求的变化等不确定因素,导致车辆在道路交通网络中的行驶时间是一个随机变量。尤其是在紧急情况下,更加需要从不确定的角度去研究救援车辆的最优可靠路径规划问题。本文首先提出了一种考虑出行时间不确定和路段相关性的救援车辆最优可靠路径规划模型。在此基础上,研究了在最小化救援时间的情况下如何优化救援车辆的分配问题。由于所提出数学优化模型的目标函数具有非线性和不可加性,因此本文采用了一种基于K短路算法和不等式放缩的启发式算法来求解改进的整数规划模型。最后,通过数值实验验证了所提出模型和算法的准确性以及有效性。结果表明,若忽略出行时间可靠性的影响,会使得救援车辆的通行时间被高估或者低估,进而导致救援车辆分配方案的不准确,严重影响救援效率。     

需求响应式公交系统路径优化算法

将需求响应式公交系统路径选择问题抽象为在图中寻找覆盖若干条指定边的欧拉圈问题,提出乘客数量不大于公交车容量和乘客数量大于公交车容量两种情况下的公交车运营组织方式,对第一种情况设计了有效的图论算法,对第二种方式则给出转化为动态规划问题的思路。论文引理证明,第一种算法能寻找到覆盖若干条指定边的最小欧拉圈,并通过有关算例进行了说明。     

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.     

面向沿道路机动的最优路径模型优化

根据“公路”地理实体的数据结构以及机动的特点,对最优路径模型以及模型的影响因子进行解析,提出了改进的最优路径模型影响因子。通过层次分析法,量化改进后的权重体系并通过算例分析验证其合理性;利用改进后的最优路径模型,经验证符合实际情况需求。     

改进遗传算法求解交通最优路径的实现

针对在现实生活中的智能交通诱导系统中求解实时最优路径问题,根据实时交通信息,以车辆周转时间最短,提高路网道路运行效率为目标建立模型．在基本遗传算法中引入了一种新的带染色体交叉控制策略得到改进遗传算法,并配合循环交叉,来求解实时最优路径．通过实验结果来说明该方法的是有效的．     

SDH虚级联中的最优化路径选择

虚级联技术的同步数字体系（SDH）网络中，虚级联组成员的选路将是一个完全非确定多项式（NP-complete）问题．为优化网络资源以及保证新加虚级联组的成员的相对延迟在系统允许的范围内，提出了双向约束路径优化算法（TSOP）．仿真结果表明, 该算法优于已有的k个最短路径算法和可改链路权重的k个最短路径算法．     

城市轨道交通有效路径选择的改进Dial算法

结合城市轨道交通的基本特性,从网络节点的角度出发重新定义了有效路径以及换乘站点,并结合网络拓扑排序方法,在Dial算法的基础上提出了改进的Dial算法。最后,采用深圳市轨道交通网络的基础数据进行了实例分析,结果显示改进的Dial算法的可行性,并且计算效果优于原算法。     

基于优化的Floyed算法前r条最短路径的实现

最短路径的算法应用在很多领域,基本的Floyed算法是解决任意两点之间的最短路径,在实际应用中会要求给出前r条最短路径,以便决策,从中选择一条最佳的路径,文章在分析Floyed算法的基础上,给出改进算法,求解前r条最短路径,并且优化了Floyed算法的时间代价,使其对稀疏图的效率更高。