[发明专利]一种基于遗传算法的路径规划方法

说明书

技术领域

本发明涉及一种路径规划方法。

背景技术

随着网络购物、电视购物之兴起，物流行业得到快速发展，物流业之间的竞争也不断加剧。物流成本和周期的缩短主要集中在路径的优化上。选择出最优路径已经成为物流企业最为迫切的需求。另一方面，城市交通工具数量迅速增长，引发了交通堵塞、交通事故、环境污染等一系列问题。动态路径选择是城市交通流诱导系统UTFGS(Urban Traffic Flow Guidance System)的核心。它主要解决的问题是：以实时的路况信息和交通需求为输入，在一定的优化目标下，为车辆提供最合理的行驶路线。这些问题都可以描述为最短路径问题。遗传算法已经成为解决此类问题的主流方法。

对于需要整数排列编码方式的问题，传统的遗传算法交叉或变异的时候可能会产生非法个体。随机键(random keys)编码方式对于解决此类问题是很有用的。

1985年，Goldberg等针对旅行商问题(TSP)提出了基于路径表示的部分匹配交叉(PMX)操作，PMX要求随机选取的两个交叉点，以便确定一个匹配度，根据两个父个体中两个交叉点之间的中间段给出的映射关系生成两个合法的子个体。

在路由选择算法中都要用到求最短路径算法。这类问题的已知条件是整个网络拓扑和各链路的长度。若将已知的各链路长度改为链路时延或费用，这就相当于求任意两结点之间具有最小时延或最小费用的路径。因此，求最短路径的算法具有普遍的应用价值。

传统的路径优化算法以Dijkstra算法、Floyd算法为代表。Dijkstra算法适合于计算两点间的最短路径问题。但Dijkstra算法由于在计算时间、存储空间等方面存在很多不足，计算效率和存储效率都比较低。另一方面，这种方法对于具有各种特殊约束的网络将会无能为力。

Dijkstra算法能够在多项式时间内解决最短路径问题，它们在固定基础设施的无线或有限网络中是有效的。但是，它在涉及快速变化的网络拓扑的实时通信中展现了令人无法接受的高的计算复杂度。最短路径问题涉及了一个传统的在多种设计和计划环境中提出的组合优化问题。因为神经网络和遗传算法承诺了解决此类复杂问题。另一方面，神经网络和遗传算法也可能不是在移动ad hoc网络中解决实时应用的很好方法，因为它们一般涉及到大量的迭代。然而，神经网络和遗传算法的硬件的启用是非常快的。此外，它们对于网络规模不敏感。遗传算法解的质量可以作为种群大小的函数来调整。遗传算法硬件使用到甚至内存容不下的网络中。它通过几个节点采用并行遗传算法实现。

针对解决网络的路由问题，有人已经提出一个变长度染色体的遗传算法。染色体包含一个由正整数组成的序列，代表了一个路径。染色体的位置代表了节点在路径中被访问的次序。第一个和最后一个基因总是分别保存源节点和目的地节点。染色体的长度是可变的。一个染色体(路径)通过陈列节点的IDs—从源节点到目的节点，基于网络的拓扑信息库(路由表)。网络的拓扑信息库可以通过路由协议，例如RIP、OSFP、DSDV、DSR和VCRP轻松地得到和实时管理。

Dijkstra算法是按路径长度递增的次序来产生最短路径的算法。该算法的基本思想是，设置两个节点集合S和V，分别为已标记节点集合和未标记节点集合。初始状态时，集合S只包含源点V₀，集合V包含除源点V₀外的所有节点。然后按路径长度递增的顺序逐个把V集合中的节点加到S集合中去。集合S每加入一个节点V_j，都要比较计算更新源点V₀到集合V中剩余各节点的最短路径长度值。反复迭代,直至集合V中节点全部加入到S中为止。

目前，在路径规划方面，一般采用在全局范围内搜索最优路径，但在全局范围内只取少量的点。这对于解决交通路径优化没有很强的实用性。现有的各种启发式计算方法，在实时性方面有所欠缺。

发明内容

为了克服已有路径规划方法的快速性较差、稳定性较差、适用性不强的不足，本发明提供了一种快速性良好、稳定性较好、适用性强的基于遗传算法的路径规划方法。

本发明解决其技术问题所采用的技术方案是：

一种基于遗传算法的路径规划方法，所述规划方法包括以下步骤：

（1）建立路径优化数学模型，具体如下：