[发明专利]基于多生境遗传算法的机动路径优选方法及存储介质

说明书

基于多生境遗传算法的单智能体机动路径优选方法及存储介质，本发明针对此类路径优选问题，运用多生境遗传算法和迪杰斯特拉算法，包括提出问题，分析问题，采用多生境遗传算法群体初始化，多生境遗传算法计算，解码及适应度计算，改进了迪杰斯特拉算法的用法，在少量的路径组中，搜索是否有连通路径，实现作战仿真中单智能体最短路径优选问题，显著提高了作战仿真过程中单智能体在约束条件下的路径优选的有效性和效率，降低了整体的运算量，高效地求得了该问题的最优解。

技术领域

本发明涉及计算机仿真领域，具体的，涉及一种以智能体建模为核心、以多生境遗传算法和改进的迪杰斯特拉算法路径优选为要点的机动路径优选建模方法。

背景技术

单智能体机动路径优选(以下简称路径优选)问题，属于典型的复杂组合优化问题。其研究的问题描述为：从单智能体出发点开始，有n个可选路径节点(简称为节点)，已知各个节点之间的距离、路况系数([0.0,1.0]，值越大路况越好)，以及各个节点之间敌情风险系数([1.0,+∞)，值越小敌情风险越小)。从单智能体出发点开始，要求优选出一条有效路径，合理避开敌情大的路径段，在合理的时间限度内，成功到达目标节点(机动终点)。因此类问题研究具有普遍性和重大经济价值，因而受到了国内外学者的广泛关注。

路径优选问题可以建模为一个带约束的优化问题，此类问题是交通规划、计算机科学、GIS等领域研究的一个热点问题，也是当今智能体研究领域的重点内容之一。路径规划过程中，要在所有可选的路径中，侧重考虑所选出路径总的机动时间是否符合要求，所选机动路径是否有效避开了敌情威胁等等。因此，路径规划时，要充分运用包括地理信息系统数据、已知敌情数据和上级要求，全面谋划，最终实现问题的求解。由于此类问题是NP类完全问题，随着路径节点的增加，其解呈指数级增长，用精确算法很难求得最优解。很多学者分别采用蚁群算法、粒子群算法、免疫算法、神经网络、模拟退火算法等开展过研究。

遗传算法是一种高度并行、随机、自适应搜索算法。它摒弃了传统的搜索方式，模拟自然界生物进化过程，将问题域中的可能解看作是群体的一个个体或染色体，并将每一个个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作(遗传、交叉和变异)，根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以全局并行搜索方式来搜索群体中的最优个体，求得满足要求的最优解。

但上述算法通常效率不高，并且存在着有效性的问题。因此，如何能够结合遗传算法提高路径优选算法的有效性和效率成为现有技术亟需解决的技术问题。

发明内容

本发明的目的是结合遗传算法提高路径优选算法的有效性和效率。

为达此目的，本发明采用以下技术方案：

一种基于多生境遗传算法的单智能体机动路径优选方法，包括如下步骤：

问题分析步骤S110:单智能体于在一定时刻T0以速度V，从出发节点P0，经过不同的时间间隔后，分别经过n个调整节点，其中所述调整节点为必经点，最终达到目标节点Pe,其中各路径段具有一定的各路径段路径长L、路况系数K和风险系数D；

问题表示步骤S120：根据待求解问题的已知条件，确定表示可行解的编码方式，根据必经节点个数n，将解空间分割到相应区段，确定出n+1个解空间，并确定所有个体在分割后的每个解空间中分布的百分比，并确定个体适应度的量化评价方法，计算时还应考虑各区段的时间限制。在算法进行过程中，搜索将在几个小的搜索域中同时进行；

多生境遗传算法群体初始化S130：确定多生境遗传算法的基本参数，所述基本参数包括群体规模M，交叉概率PC，变异概率Pm和遗传运算的终止条件T，按照既定的编码方式，随机生成M个个体作为初始群体，确定算法的交叉方式、变异方式，对个体基因型运用迪杰斯特拉算法进行解码，从而确定个体基因型是否包含有效连通路径；