[发明专利]一种基于粒子群优化的路径寻优方法

说明书

本发明公开一种基于粒子群优化的路径寻优方法，包括读入路网数据，构建路网模型；随机生成若干条可行路径，每条路径对应一个粒子，组成初始状态的粒子群；以可行路径的总距离作为适应度函数，通过求和每个粒子内各弧段的路段长度得到；根据每个粒子的自身经验，获取目前为止粒子经历过最优适应度函数的可行路径，作为该粒子的最优解；结合社会经验，比较该粒子邻域内各粒子的最优解，获取粒子邻域最优解；若迭代次数不超过设定的最大迭代次数，根据粒子的最优解、粒子邻域最优解、粒子移动惯性，分别更新每个粒子的可行路径，得到新的可行解集，否则比较最后一次迭代中粒子邻域最优解，选出适应度函数最优的解，记录为粒子群最优解，即优选路径。

技术领域

本发明涉及道路网络的路径寻优领域，更具体地，涉及一种基于粒子群优化的路径寻优方法。

背景技术

路径寻优问题是计算机科学、运筹学、地理信息科学等学科的研究热点之一，被广泛应用在在城市停车场泊车、应急救援、GPS导航、兴趣点选址等领域。快速有效的路径寻优算法能够使应用系统迅速得到反馈，提供有价值的资源信息，满足用户需求。

目前的路径寻优研究是基于经典图论和不断发展的计算机数据结构及算法的有效性结合，将道路路网抽象为网络模型，实际的路径抽象为网络的一条边，路径长度表征为边的权值，在该网络上求某两点的最短路径，属于非确定性问题。其中，最经典的方法为Dijkstra算法，主要特点是以起点为中心向外层扩展，一层层计算起点到该层的最短路径，直到遍历完所有节点为止。Dijkstra算法的优点是保证能找到最短路径，但是由于它需要遍历网络结构的所有节点，在网络节点数较大情况下，其算法的时间花费成倍甚至幂次增长，较难满足实际运算需求。

为了解决算法耗时问题，蚁群算法、遗传算法、蜂群算法等启发式算法应用于路径寻优研究。这类算法均可在设定迭代次数内迅速找到相对满意解，无需遍历整个网络结构，大大减少运算时间。然而这类算法对新空间的探索能力较为有限，容易收敛到局部最优解，同时，这类算法属于随机类算法，需要多次运算，结果的可靠性较差，不能稳定的得到解。

粒子群算法是模拟一群鸟寻找食物的过程，每个鸟可表示为粒子群中的粒子，即问题的可行解。这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置和速度，它们的移动是受移动惯性、在解空间内自身经历过的最优位置(自身认知)、群体经历过的最优位置(社会认知)引导的。当发现了更好的位置，会对最优位置进行更新，用于后续指引粒子群的移动。整个过程不断重复，从而找到一个满意解。粒子群算法可分为全局粒子群算法和局部粒子群算法。前者收敛速度快，但也容易陷入局部最优，后者将粒子邻域内的最优值作为社会认知，避免了早熟收敛，很难陷入局部最优。

发明内容

为了克服上述现有路径寻找方法存在的不足，本发明提出一种基于粒子群优化的路径寻优方法。该方法模拟鸟类寻找食物的过程，根据鸟类飞行惯性、自身认知和鸟群共享的社会认知求解路径寻优问题，能够提高寻优效率和收敛速度。

为了解决上述的不足，本发明的技术方案为：

一种基于粒子群优化的路径寻优方法，包括以下步骤：

S11.读入并构建路网；将路网数据定义为弧段集和节点集组合，其中每个弧段包含弧段编号、道路名称、进节点编号、出节点编号、路段编号、路段长度、方向编号，每个节点包含节点编号、经纬度、邻接节点编号集和连接弧段编号集；分别读入以上信息，构建路网模型；

S12.初始化粒子群；将一个粒子定义为一条路径，由该路径的弧段集和节点集组成，根据设定的随机因子范围，生成随机路径集，即初始状态的粒子群；同时，将每个粒子的最优解赋值为粒子的初始解；

S13.计算每个粒子的适应度函数；将适应度函数定义为粒子的总路径距离，将粒子中的弧段长度相加，计算粒子路径距离总和；