基于开放街区的车辆行驶最优路径设计

当前中国城市内大量封闭社区使车辆行驶时不得不绕行,造成时间和人力等的浪费.通过剔除插入后不影响最短路径值的中间节点改进Floyd算法,并将该算法运用于开放街区内部道路资源后的车辆行驶最优路径求解问题.以中国青岛市西海岸新区中央商务区的外卖送餐车辆行驶路径为研究对象,调查路网现状、外卖送餐的车辆路径分布以及起讫点(origin-destination,OD)分布.基于最短路理论条件下拟定小区开放后的公共道路,利用改进的Floyd算法设计出最优送餐车辆行驶路径,对比街区开放前后的送餐车辆行驶时间.结果表明,在小区开放条件下,优化路径后的外卖送餐车辆行驶时间变短,准确性和效率明显得到提升.说明开放街区可以实现道路资源的共享,提升周边道路通行能力,提高直达性,缓解周边的交通压力,节省了社会资源.     

物联网架构下的车辆动态避险路径规划方法研究

针对多车道路复杂的车辆行驶状况,文章借助无线传感网络的相关技术来设计车辆运行中的物联网络(The Internet of Things,IOT)方案,并分析了运行中车辆间产生的威胁关系,提出一种利用改进边缘势场函数来描述车辆行驶中动态产生的威胁关系的方法.并在预判威胁发生的估计区域的基础上,引入微分进化算法,给出了规避路径的规划算法.实验表明,相对于传统势场法,改进的边缘势场函数更适用于描述道路车辆间相互威胁的动态关系;微分进化算法在路径规划过程中,相对传统群算法,具有更好的全局优化能力及更短的收敛时间.     

不确定条件下交通网络的动态最优路径求解算法

针对不确定性条件下的最优路径问题,引入行驶时间波动性及路段间相关性,定义最优路径为一定概率保证程度下行驶时间期望值最小的路径.以Dijkstra算法为基础,从不同路段行驶时间相互独立及相互关联两个角度,分别建立动态路径寻优模型和时间期望函数模型;设计适用于不确定条件下搜寻最优路径的BEST算法,并通过仿真实验验证模型的可行性.结果表明:时耗方差选择的差异化会导致最优路径解的多样化;考虑路段间相关性后绕城公路对市区公路的选择替代性增强.     

基于改进粒子群算法的机械臂轨迹规划研究

为提高机械臂的适用性和工作效率,针对机械臂关节空间时间最优轨迹规划问题,在研究传统的多项式插值轨迹规划方法基础上,结合改进的粒子群优化算法,通过动态调整学习因子,结合线性惯性权重,改善传统粒子群算法容易陷入局部最优的缺点,快速准确得到最优解;在机械臂工作空间中选取可到达的路径点,获取路径点处的关节角度,采用3-5-3分段插值多项式法规划机械臂的运动轨迹,同时利用改进粒子群算法优化轨迹的运行时间,得到平滑、连续且时间最优的运动轨迹曲线。Matlab仿真实验结果验证了该方法进行轨迹规划的可行性和有效性。     

改进蚁群算法在迷宫路径规划问题中的研究和应用

求解最优路径是迷宫路径规划中的一个重要功能.为了更为准确快速地找到最优解,论文构建了电脑鼠在迷宫中的动态路径规划模型,并采用自适应方法对信息素进行更新,对传统蚁群算法收敛性较慢的问题进行了改进.通过计算机仿真和电脑鼠机器人实际行走实验表明,在场地复杂的情况下,该算法可以有效地规划出全局最优路径.     

动态环境中机器人路径规划算法研究

针对自主移动机器人在未知动态环境中的路径规划问题,提出了一种改进的概率地图算法,详细描述了经过改进的自适应概率地图算法（flexible adaptive probabilistic roadmap method,FAPRM）的实现步骤,该算法可以显著地提高自主移动机器人的路径质量,讨论了自适应概率地图算法和传统概率地图算法在动态路径规划中的优缺点,并进行了仿真,改进后的自适应概率地图算法可以有效地在动态环境中重新计算路径。     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最优解的搜索能力和速度.通过模拟计算结果表明改进的算法求解实际最优路径在速度和精度上优于传统最优路径算法.     

自适应避障蚁群算法的移动机器人路径规划

传统蚁群算法在解决机器人路径规划的问题上存在收敛慢,容易收敛于次优路径的不足.针对以上不足,研究在状态转移概率、信息素更新方面进行改进.在状态转移概率上引入了一个避障函数因子,减小蚂蚁进入地图陷阱的概率,从而有效减少陷入死锁的蚂蚁数量,加快收敛速度.在信息素方面,加入了随迭代次数变化的信息素挥发因子,增加算法进行全局搜索的可能性,避免算法陷入局部最优.设计三种栅格障碍图对两种算法进行仿真,结果对比均表明,经过改进得到的AOA蚁群算法的初次收敛次数更少,迭代速度大大增强,并且最终规划得到的最小路径长度均比原算法小,与其他的改进算法相比,在找到最优路径的同时,其初次迭代的收敛次数也大大降低.     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

Dijkstra算法在多约束农产品配送最优路径中的研究应用

传统的Dijkstra算法一般通过对路径长度的迭代来得到从源节点到目的节点的最优路径,是一种无法综合考虑路径的各类约束条件,只能基于单一权值最短路径的算法.农产品配送在选择某一配送路线时不能只考虑路线的距离,还要考虑路线的交通状况,以及实际道路的路况,只有综合考虑这些因素,最后才能得出具有实际指导意义的最优路径.为此,我们对传统的Dijkstra算法进行扩展才能应用到多约束最优路径查找.另外,传统的Dijkstra算法在实现时不仅占用大量的计算机内存,并且算法的执行效率也不高.作者结合当地的农产品运输网络具体情况,对算法进行了存储空间优化和对计算时间优化,从而在节省内存的基础上提高了算法的执行效率.     

实际环境中基于深度Q学习的无人车路径规划

实际交通环境规划最优路径的重要问题是无人车智能导航,而无人车全局路径规划研究主要在于模拟环境中算法求解速度的提升,考虑大部分仅路径距离最优或局限于当前道路的自身状况,本研究针对实际环境中的其他因素及其未来的变化和动态路网中无人车全局路径规划的复杂任务,基于预测后再规划的思想提出面向实际环境的无人车驾驶系统框架,并结合深...     

基于出行计划数据的最优路径规划方法

现有基于交通流预测的路径规划方法大多使用历史或实时交通流数据,预测时效性有待提升. 针对上述问题,提出基于出行计划数据的路径规划方法（RPTP）. 该方法能主动捕捉出行者的未来交通需求,为车辆提供更合理的出行路线.基于出行计划的思想,设计基于出行计划数据的路径规划整体框架;构建基于出行计划路线数据的未来时段路网密度估计算法;采用空间堆叠的方式融合未来多时段路网密度,以此为依据改进D*Lite算法的启发函数. 采用SUMO平台仿真验证,与静态路径规划方法（SPP）和滚动路径规划方法（RPP）进行对比分析.结果显示,在相同环境下RPTP方法能提高车辆的通行效率,缓解路网拥堵,有效验证了RPTP方法的优越性.     

一种改进的蚁群算法求解车辆的最短路径问题

基于交通网中交通流参数关系模型,提出了新的状态转移概率计算公式,同时在信息素更新策略中引入交通流密度因子,使算法可以根据时变的路网信息求解车辆的最短路径;利用蚁群算法和遗传算法相结合的思想来避免基本蚁群算法在求解车辆最短路径时易陷入局部最优解的缺陷。实验仿真结果表明,改进后的蚁群算法较基本蚁群算法能准确快速地找到基于时间的最短路径,并能有效解决实际交通系统中的最短路径问题,具有一定的实际意义和参考价值。     

一种基于预测信息的时间依赖网络路径规划算法

对时间依赖路网最短路径规划算法的研究是车辆动态导航技术领域研究的热点之一。针对最小时间规划算法存在的不足,在研究SPFA（ShortestPathFasterAlgorithm）静态规划算法的基础上,结合两种算法的优点,提出了一种改进的基于路况预测信息的最小时间路径规划算法,并通过实例进行了验证。结果表明,新算法能够提供实时、高效、预测性强的规划路径,在城市交通中能较好满足用户需求。     

基于记忆机制的动态交通路径优化算法

在对经典路径优化算法性能进行分析的基础上,指出了现有路径优化算法在大规模路网条件下实时性差的问题。通过比较道路交通网络路径优化和机器人寻路过程的异同点,基于智能机器人寻路的D*Lite算法和记忆规则,提出一种新的道路网络动态路径优化算法,并对其性能进行了测试和对比分析。结果表明,该方法在保证路径优化结果相近的情况下可以减少优化计算时间26%~50%。     

基于人工鱼群的交通诱导系统最优查询研究

与齐齐哈尔市公安交通警察支队交通控制中心合作开发,并以齐齐哈尔市路况为实际进行凋研,将改进的人工鱼群算法应用于交通路径诱导系统数据库优化查淘中,算法提高了最优路径查询的效率。对人工鱼群算法进行了改进,引入贝叶斯变异算子和十字交叉变异算子,避免了算法局部寻优能力差和收敛速度慢等弊端。仿真实验表明算法是正确有效性的。     

交通拥堵下基于可靠度的出行路径模型及算例分析

交通拥堵事故多发生于路网局部,严重拥堵或多个局部同时拥堵可能引发次生拥堵,对城市交通造成破坏。通过引入BPR函数Davidson修正模型及公路道路服务水平的概念,对路网路径运行时间进行分析。由于路网结构的复杂性以及道路特性的差异、交叉口交通流的动态变化,出行者面对拥堵时选择出行路径的难度加大,导致其在路网交通情况正常时所确定的最优出行路径并不一定是交通拥堵情况下的最优选择。在考虑所选路径可靠度的基础上,建立了交通拥堵下城市路网的静态交通分配模型并进行了算法算例求解,用模型从宏观角度分析城市交通,为缓解城市交通拥堵提供参考。     

Hopfield神经网络算法求解路网最优路径

为了解决经典算法在求解大规模路网最优路径时运算时间长的问题,研究了Hopfield神经网络的特点,建立了一般路网的数学模型,根据Hopfield神经网络的特点设计了适合车辆诱导的路网Hopfield神经网络最优路径算法.采用动态邻接矩阵对该算法进行了优化,减少了运算时间.把该Hopfield神经网络算法应用于所研发的车辆诱导系统的最优路径求解中,并进行了实际路网测试,结果表明应用该算法能够正确求解路网的最优路径,且比经典算法的运算效率高.     

不利天气下离散化动态交通路网容量研究

为了制定合理的不利天气下交通管理方案,采用离散化动态交通路网容量描述道路网容量变化情况.定义了不利天气下离散化动态路网容量,提出了与时空消耗概念相类似的基于通行能力的离散化动态路网容量计算模型,并对模型中的通行能力和平均出行距离两个变量进行了说明:采用径向基函数神经网络模型处理不利天气下通行能力与众多非线性影响因素;用概率统计理论推导出行距离的概率密度函数,概率密度函数的均值即为交通平均出行距离.通过对哈尔滨市暴雨天气下道路实际数据的分析,验证了模型的可行性和有效性.