[发明专利]交通路径搜索系统及方法

说明书

技术领域

本发明涉及一种交通路径搜索系统及方法，特别是涉及一种基于云模型进化算法的不确定环境的交通路径搜索系统及方法。

背景技术

传统的交通最短路径的选择往往是城市任意两个地点的最短路径，而驾驶员需要搜寻的是行驶时间最短的路径。现实生活中行驶长度最短的路径不一定就是行驶时间最短的路径，因为随时都有可能出现交通阻塞等意外情况，路网交通状态具有实时可变的特点，具有不确定性的因素。根据这种情况，当前最常见的做法是把交通路网节点和节点之间的距离描述成模糊变量的形式，该模糊变量符合某种隶属函数的分布，建立模糊期望值模型求解模糊最短路径问题。由于一般模糊变量其隶属函数的形式是多种多样的，对于有些模糊变量来说，很难求出其具体的期望值，因此只能采用一些智能算法来进行求解，当前最常使用的则为遗传算法。

遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说，其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。它模拟了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太慢，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。

粒子群算法PSO(particle swarm optimization)是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上于1995年提出的一种群智能算法。其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到最优。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翔的方向和距离。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。

粒子群算法，根据粒子的速度来决定搜索，粒子们追随当前的最优粒子在当前解空间中搜索。该算法适合问求解实数问题，对离散的优化问题处理不佳，算法简单，计算方便，求解速度快，但是存在着陷入局部最优等问题。

发明内容

为克服上述现有技术存在的不足，本发明的主要目的在于提供一种交通路径搜索系统及方法，其基于云模型在定性概念与其定量数值表示之间转换过程中的优良特性，结合进化计算的基本思想，实现了不确定环境下交通最短路径的选择，基于云模型的进化算法能够自适应控制遗传、变异的程度和搜索空间的范围，从而可以快速使算法收敛到最优，较好地避免了遗传算法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，能更快地搜索到交通网络的最短路径。

为达上述及其它目的，本发明一种交通路径搜索系统，至少包括：

模糊期望值模型建立模组，通过将交通路网节点与节点之间的距离描述成模糊变量的形式，建立模糊期望值模型；以及

最短路径计算模组，根据获得的模糊期望值模型利用云模型进化算法计算获得交通路网节点和节点之间的最短路径和长度。

进一步地，该模糊期望值模型为，