[发明专利]路径规划方法、装置和终端

说明书

本发明公开了一种路径规划方法、装置和终端，所述方法包括：S1、获取点部和多个目标客户的位置，并将所述点部位置定义为起始点，多个目标客户位置定义为目标点；S2、基于所述起始点和目标点，通过蚁群算法进行路径寻优计算；计算时，在迭代计算的前期和后期，让蚁群分别按照预设的不同搜索策略进行目标点的搜索；S3、每次迭代完成后，对路线禁忌表中所存最优路径进行更新处理；S4、迭代达到预设次数时，将所述路线禁忌表中的最优路径作为全局最优路径。通过上述方式，本发明能够在通过蚁群算法查询最优路径前期和后期分别采用合适的搜索策略，以加快搜索最优解的效率。

技术领域

本申请涉及路径规划技术领域，特别是涉及一种路径规划方法、装置和终端。

背景技术

物流的业务一般是借用普通服务的物流网络，通过不同地区的物流营业网点进行货物的取派。实际上，物流车辆在进行取货/派货过程中，经常需要途径多个客户进行取货/派货，其路径的规划一般都是靠员工对周边路径的经验，没有科学的路径选择依据，对于取货/派货路径的选择比较盲目，甚至有时选择的是最不合理的取货/派货路径，远远增大了取货/派货环节的物流成本，也会影响客户的满意度。因此，取派货路径安排的合理与否对取派货速度、成本、效益影响很大，采用科学、合理的方法对取派货路径进行优化是物流行业高效率、高质量完成取派货任务的关键所在。

目前，对于路径规划问题的求解方法可分为两大类，一是精确算法可以精确求解，但算法效率低，随着问题规模扩大，会耗费大量时间，所以不适合求解规模较大的问题，因此在实际应用中受到限制。二是启发式算法，启发式算法效率较高且能逼近最优解，目前启发式算法可分为传统启发式算法(Heuristic)和巨集启发式算法(Meta-Heuristic)两类，传统启发式算法已被证明会陷入局部优化解中，如节约里程法，易于实现但未组合点零乱、边缘点难以组合、造成算法陷入局部优解中；而巨集启发式算法尝试以不同的方式跳出局部解，在可接受的时间内，求得近似最优解，甚至求得全局最优解。目前经典的巨集启发式算法主要包括遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法等，其中蚁群算法相比于其他算法，在路径规划问题有更大的优势。但是，现有的蚁群算法在求解实际问题的最优路径时仍然存在搜索时间长、搜索效率低的问题。

发明内容

本申请提供一种路径规划方法、装置和终端，以解决现有的蚁群算法搜索时间长、效率低的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种路径规划方法，包括：S1、获取点部和多个目标客户的位置，并将点部位置定义为起始点，多个目标客户位置定义为目标点；S2、基于起始点和目标点，通过蚁群算法进行路径寻优计算；计算时，在迭代计算的前期和后期，让蚁群分别按照预设的不同搜索策略进行目标点的搜索；S3、每次迭代完成后，对路线禁忌表中所存最优路径进行更新处理；S4、迭代达到预设次数时，将路线禁忌表中的最优路径作为全局最优路径。

作为本申请的进一步改进，步骤S2中在迭代计算的前期和后期，让蚁群分别按照预设的不同搜索策略进行目标点的搜索，包括：判断当前迭代次数是否小于预设搜索控制阈值；若是，让蚁群按照随机搜索策略进行目标点的搜索；若否，让蚁群按照确定搜索策略进行目标点的搜索。

作为本申请的进一步改进，让蚁群按照随机搜索策略进行目标点的搜索，包括：计算当前迭代次数下每只蚂蚁从当前位置移动至所有可行下一目标点的转移概率，根据所述转移概率通过轮盘赌算法从当前位置随机选择下一个移动目标点。

作为本申请的进一步改进，让蚁群按照确定搜索策略进行目标点的搜索，包括：计算当前迭代次数下每只蚂蚁从当前位置移动至所有可行下一目标点的转移概率，选择转移概率最高的目标点作为下一移动目标点。

作为本申请的进一步改进，步骤S3包括：每次迭代产生的当次最优路径，判断在路线禁忌表中是否已存在；若否，且当次最优路径的代价值小于路线禁忌表中所存所有路径的最小代价值，则将当次最优路径插入路线禁忌表中。