專利名稱：一種基于粒子群算法的路徑搜索方法及裝置的制作方法
技術領域：
本發(fā)明涉及人工智能技術領域，尤其涉及一種基于粒子群算法的路徑搜索方法 及裝置。
背景技術：
傳統(tǒng)的交通最短路徑的選擇往往是城市任意兩個地點的最短路徑，而駕駛員需 要搜尋的是行駛時間最短的路徑。現(xiàn)實生活中行駛長度最短的路徑不一定就是行駛時間 最短的路徑，因為隨時都有可能出現(xiàn)交通阻塞等意外情況，路網(wǎng)交通狀態(tài)具有實時可變 的特點，具有不確定性的因素。根據(jù)這種情況，把交通路網(wǎng)節(jié)點和節(jié)點之間的距離描述 成模糊變量的形式，該模糊變量符合某種隸屬函數(shù)的分布。建立了模糊期望值模型求解 模糊最短路徑問題。因為一般模糊變量其隸屬函數(shù)的形式是多種多樣的，對于有些模糊 變量來說，很難求出其具體的期望值。因此只能采用一些智能算法來進行求解。遺傳算法來源于達爾文的進化論、魏茨曼的物種選擇學說和孟德爾的群體遺傳 學說。其基本思想是模擬自然界遺傳機制和生物進化論而形成的一種過程搜索最優(yōu)解的 算法。它模擬了自然選擇和自然遺傳過程中發(fā)生的繁殖、交配和變異現(xiàn)象，根據(jù)適者生 存、優(yōu)勝劣汰的自然法則，通過選擇、交叉和變異等遺傳算子，使群體一代一代地進行 到搜索空間中越來越好的區(qū)域，直至獲得最優(yōu)解。遺傳算法有三個基本算子選擇、交叉和變異。遺傳算法的編程實現(xiàn)比較復 雜，首先需要對問題進行編碼，找到最優(yōu)解之后還需要對問題進行解碼，另外三個算子 的實現(xiàn)也有許多參數(shù)，如交叉概率和變異概率，并且這些參數(shù)的選擇嚴重影響解的品 質，而目前這些參數(shù)的選擇大部分是依靠經(jīng)驗。因此，設計一種實現(xiàn)簡單、收斂速度快、魯棒性好的路徑搜索方法及裝置十分 必要，是人工智能技術領域目前急待解決的問題之一。

發(fā)明內容
本發(fā)明實施例提供了一種基于粒子群算法的路徑搜索方法及裝置，通過初始化 粒子種群，生成粒子速度和位置向量，并且通過計算適應度函數(shù)值對粒子所處環(huán)境進行 計算，循環(huán)迭代更新粒子的速度與位置，讓粒子和粒子群達到最優(yōu)位置，進而搜索到最 優(yōu)路徑。本發(fā)明實施例提供以下技術方案一種基于粒子群算法的路徑搜索方法，包括步驟S1、初始化粒子種群，生成粒子速度和位置向量。步驟S2、通過解碼獲取路徑長度。步驟S3、計算粒子的目標值。步驟S4、計算粒子的適應度函數(shù)值。步驟S5、每進行一次迭代，更新粒子的速度與位置。
步驟S6、循環(huán)進行迭代。優(yōu)選的，上述步驟一中，對每一維，粒子位置坐標是在[1，η]內的整數(shù)，速度 坐標是e[-(n-l)，n-1],第一維的速度和位置坐標都為1。優(yōu)選的，上述步驟二中，對于某個粒子，第1維坐標值為1，第2維坐標值為路 徑上第2個節(jié)點的節(jié)點號，第i維坐標值為路徑上第i個節(jié)點的節(jié)點號，每一個粒子代表 一條路徑，通過解碼可以得到每條路徑的長度。優(yōu)選的，上述步驟三中，通過模糊模擬計算粒子的目標值五[/(Zf)], E[f(X^)\ = \+J Cr{f(X^)>r}dr-\\c Cr{f(X^)<r}dr 若？為一般的模糊變量，則
權利要求
1.一種基于粒子群算法的路徑搜索方法，其特征在于，所述路徑搜索方法包括 步驟Si、初始化粒子種群，生成粒子速度和位置向量；步驟S2、通過解碼獲取路徑長度；步驟S3、計算粒子的目標值；步驟S4、計算粒子的適應度函數(shù)值；步驟S5、每進行一次迭代，更新粒子的速度與位置；步驟S6、循環(huán)進行迭代。
2.根據(jù)權利要求1所述的路徑搜索方法，其特征在于，在所述步驟一中，對每一維， 粒子位置坐標是在[1，η]內的整數(shù)，速度坐標是e [-(η-1)，η-1],第一維的速度和位置 坐標都為1。
3.根據(jù)權利要求1所述的路徑搜索方法，其特征在于，在所述步驟二中，對于某個粒 子，第1維坐標值為1，第2維坐標值為路徑上第2個節(jié)點的節(jié)點號，第i維坐標值為路徑 上第i個節(jié)點的節(jié)點號，每一個粒子代表一條路徑，通過解碼可以得到每條路徑的長度。
4.根據(jù)權利要求1所述的路徑搜索方法，其特征在于，在所述步驟三中，通過模糊模 擬計算粒子的目標值c)],4/tU)] = J7 Cr{f(X,c)>r}dr-j[ Cr{f{X,c)<r}dr 若？為一般的模糊變量， 則u/(z，？)=ΣΣ^Λ 為模糊變量。
5.根據(jù)權利要求1所述的路徑搜索方法，其特征在于，在所述步驟四中，適應度函數(shù) 值通過根據(jù)粒子的目標值來計算，令適應度函數(shù)為/(U = E[f(X^)-\
6.根據(jù)權利要求1所述的路徑搜索方法，其特征在于，在所述步驟五中，進一步包 括如果該粒子當前的適應度函數(shù)值比其歷史最優(yōu)值要好，那么歷史最優(yōu)將會被當前位 置所替代。
7.根據(jù)權利要求1所述的路徑搜索方法，其特征在于，在所述步驟五中，進一步包 括如果該粒子的歷史最優(yōu)比全局最優(yōu)要好，那么全局最優(yōu)將會被該粒子的歷史最優(yōu)所替代。
8.根據(jù)權利要求1所述的路徑搜索方法，其特征在于，在所述步驟五中，進一 步包括該粒子當前搜索到的最優(yōu)位置為pld(pbeSt)，整個粒子群當前的最優(yōu)位置為 pgd(gbest)；在找到這兩個最優(yōu)值時，粒子根據(jù)公式來更新自己的速度和新的位置vld (t+1) = w X vld (t) +C1X rand O X pld_xld (t)) +c2 X rand O X (pgd_xld (t)) xld Ct+1) = xld (t) +vld (t+1)其中，W是慣性權重，C1和C2是學習因子，通常C1 = C2 = 2，HffldO是O 1間的 隨機數(shù)。
9.一種基于粒子群算法的路徑搜索裝置，其特征在于，所述路徑搜索裝置包括初始 化模塊、解碼模塊、第一計算模塊、第二計算模塊、參數(shù)更新模塊、循環(huán)模塊。
10.根據(jù)權利要求9所述的路徑搜索裝置，其特征在于，所述初始化模塊，用于初始 化粒子種群，生成粒子速度和位置向量。
11.根據(jù)權利要求9所述的路徑搜索裝置，其特征在于，解碼模塊，用于通過解碼獲 取路徑長度。
12.根據(jù)權利要求9所述的路徑搜索裝置，其特征在于，第一計算模塊，用于計算粒 子的目標值。
13.根據(jù)權利要求9所述的路徑搜索裝置，其特征在于，第二計算模塊，用于計算粒 子的適應度函數(shù)值。
14.根據(jù)權利要求9所述的路徑搜索裝置，其特征在于，參數(shù)更新模塊，用于每進行 一次迭代，更新粒子的速度與位置。
15.根據(jù)權利要求9所述的路徑搜索裝置，其特征在于，循環(huán)模塊，用于循環(huán)進行迭代。
全文摘要
本發(fā)明提供的一種基于粒子群算法的路徑搜索方法及裝置，通過初始化粒子種群，生成粒子速度和位置向量，并且通過計算適應度函數(shù)值對粒子所處環(huán)境進行計算，循環(huán)迭代更新粒子的速度與位置，讓粒子和粒子群達到最優(yōu)位置，進而搜索到最優(yōu)路徑。
文檔編號G06N3/00GK102013037SQ20101059261
公開日2011年4月13日 申請日期2010年12月16日 優(yōu)先權日2010年12月16日
發(fā)明者寧建紅, 熊玉梅, 閆俊英 申請人:上海電機學院