基于基于PSO算法路径规划的研究算法路径规划的研究
在实时的交通路况中,路径规划的核心问题是快速而有效地找到从起点到达终点的最优路线。将PSO算法应用
到的路径规划中来,针对实时变化的交通路况,在适应度函数中引入惩罚项来实现静态和动态下的路径规划,
并通过引入变异算子的操作来避免该算法陷入局部最优。实验表明,改进后的PSO算法搜索效率高,时间开销
随路网规模的扩大增幅较小,适用于大规模路网和动态路径规划。
摘摘 要要: 在实时的交通路况中,
关键词 关键词:
0 引言引言
路径规划是车载导航系统的基本功能,由于其有较强的应用价值,国内外学者对此进行了深入的研究[1-3]。现今较流行的
算法有Dijstra算法(简称D算法)和A*算法,但D算法搜索速度较慢,A*算法搜索速度快但成功率不高,且这些算法只能在静
态地图上进行路径规划,没有考虑实时变化的交通状况。近年来,智能算法因其强大的搜索能力而被广泛应用于路径规划中。
杨易[4]把遗传算法与A*算法相结合,提高路径规划算法的效率;王健[5]把蚁群算法应用到导航的路径规划中,但其没有考虑
随时间的动态变化因素;于海璁等人[6]提出了一种适用于多模式路径规划的遗传算法,可用于个性化的路径导航。本文将
PSO算法应用到车载导航的路径规划中,引入变异算子解决PSO算法的局部最优问题,不仅拥有较快的收敛速度,还能增强
全局搜索能力。
1 粒子群算法的描述粒子群算法的描述
粒子群算法由Eberhart博士和Kennedy博士在1995年提出[7],它通过粒子间的协作和信息共享来寻找最优解。算法在搜
索时,根据粒子自身历史的最佳位置pbest和种群内所有粒子历史的最佳位置gbest的基础上进行位置变化,其速度和位置公式
如下:
其中,t表示迭代次数,r1、r2是(0,1)之间的随机数,c1、c2为学习因子,w为惯性权重,其表达式为:
其中wmax、wmin为权重的最大和最小值,tmax为最大迭代次数。
2 粒子群算法在路径规划中的应用粒子群算法在路径规划中的应用
本章节的主要内容是解决粒子的编码和适应度函数的构造,编码方式涉及粒子位置和速度的更新操作,适应度函数用来评
价粒子的适应值。最后还解决了PSO算法自身陷入局部最优的问题。
2.1 粒子编码粒子编码
编码即粒子位置的表达方式,是设计粒子群优化和应用操作的关键问题,根据路径规划的实际情况,本文采用直观、方便
的实数编码[8]。粒子状态表达方式如式(4)所示,编码方式如式(5)所示。
其中,f(x)表示适应值,m表示粒子个数。
2.2 适应度函数适应度函数
2.2.1 适应度函数的设计
将粒子群算法用于路径规划时,适应度函数的设计使得该算法不仅能够在静态网络下获得最优路径,通过增加惩罚项M[9]
也能适用于实时变化的交通状况,其适应度函数定义为: