[发明专利]基于人工鱼群算法的交通路径搜索方法

说明书

技术领域

本发明涉及一种基于人工鱼群算法的交通路径搜索方法。

背景技术

传统的交通路径搜索方法一般是选择城市任意两个地点之间的最短路径，而驾驶员需要搜寻的则是行驶时间最短的路径，而现实生活中，由于交通阻塞等意外情况，行驶长度最短的路径不一定就是行驶时间最短的路径。根据这种情况，通常采用一些智能算法来进行最短路径的求解。

一种是粒子群算法(PSO，英文全称：particle swarm optimization)，PSO模拟鸟群的捕食行为，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”，所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们飞行的方向和距离，然后粒子们就追随当前的最优粒子在解空间中进行搜索，直至搜索到最优解。但是该算法存在易于陷入局部最优，出现早熟收敛的问题。在计算粒子的速度时，将惯性权重w引入算法。通过实验研究表明，该参数对算法的性能有较大的影响，如果w值较大，有利于跳出局部最优，进行全局寻优；而w值较小，有利于局部寻优，加速算法收敛，一般的做法是将w值随着迭代次数的增加而线性减少，但是这样做又依赖于迭代次数，不能反映实际粒子变化的情况，不能反映实际优化搜索过程。

另一种智能算法是遗传算法，它模拟自然选择和自然遗传过程中发生的繁殖、交配和变异现象，根据适者生存、优胜劣汰的自然法则，通过选择、交叉和变异等遗传算子，使群体一代一代地进行到搜索空间中越来越好的区域，直至获得最优解。遗传算法有三个基本算子：选择、交叉和变异，这三个算子的实现也有许多参数，如交叉概率和变异概率，并且这些参数的选择严重影响解的品质，而目前这些参数的选择大部分是依靠经验。遗传算法善长全局搜索，然而其局部搜索能力却明显不足，搜索到最优解或满意解的速度较慢，存在易陷入局部最优解和选择压力过大造成的早熟收敛等问题。

发明内容

本发明提供一种基于人工鱼群算法的交通路径搜索方法，以解决上述技术问题。

为解决上述技术问题，本发明提供一种基于人工鱼群算法的交通路径搜索方法，包括如下步骤：其中，设定算法的最大迭代次数为Max，种群的大小为n，参数的维数为d，第i条鱼的状态位置为(X_i1,X_i2,X_i3,…,X_id)，第i条鱼的食物浓度为f(X_i)，经过模糊模拟后的最短路径值为

S1：初始化算法参数，视野visual＝45、步长step＝0.3、尝试次数try_number＝100，拥挤度因子λ＝0.8，迭代最大次数Max＝200；

S2：在解空间内对鱼群进行随机初始化，置迭代次数t＝1，生成n个人工鱼个体，形成初始鱼群，每一个人工鱼代表从起点到目标点的一种路径；

S3：使用模糊模拟计算人工鱼的目标值取出当前最优解X_gbest，写入公告板；

S4：判断算法是否到达最大迭代次数Max，若是，则输出公告板上的最优解，算法结束；若否则执行步骤S5-S9；

S5：鱼群中全部个体执行随机的自由游动，并更新各自的自身状态X_i；

S6：在视野visual内执行觅食操作，并移动一个步长step；

S7：执行聚群操作；

S8：执行追尾操作；

S9：令迭代次数t＝t+1，然后返回执行步骤S3。

较佳地，所述自由游动的步骤为：鱼在自己视野visual内随机移动一个步长step。

较佳地，所述觅食操作的步骤为：鱼在其视野visual之内随机选择一新状态X_j，若f(X_j)＜f(X_i)，则向该状态移动；否则，继续生成新的X_j进行尝试，尝试try_number次后仍然不能移动，则随机移动一步，X_j＝X_i+visual·random()，其中random()为[0,1]间的随机数。