一种基于自组织多模态多目标量子粒子群优化算法的路径规划方法技术

一种基于自组织多模态多目标量子粒子群优化算法的路径规划方法，包括：一种自组织网络模型被用来获取每一个粒子的最佳邻居位置，该邻居位置参与量子粒子群算法中粒子位置的更新；将决策空间划分为多个相等区域，在更新粒子位置过程中，种群的中心位置和全局最佳位置是根据决策空间子分区中帕累托最优解数量最少区域确定，进而引导粒子位置进化更新；为了维持帕累托解档案集在决策空间和目标空间的多样性和收敛性，一种档案选择更新策略被用于维持档案集的多样性和收敛性。本发明专利技术不仅能够在决策空间找到多样和等价的帕累托解，而且能够维持解集合在目标空间的收敛性。同时，更好地解决路径规划问题，为用户在路径规划时提供多种等效路径以供选择。

【技术实现步骤摘要】
一种基于自组织多模态多目标量子粒子群优化算法的路径规划方法
本专利技术涉及一种路径规划问题。
技术介绍
在日常生活中，航线规划、物流车辆调度、铁路调度等都需要根据需求规划一条符合经济利益最大化等需求的最佳路径。从某种程度上说，这类人类从事的社会活动都可以看作一个最优化问题。这类问题可能存在多个路径存在相同的社会效益及其他目标。因此，这类问题是一个多模态多目标路径优化问题。多模态多目标优化问题涉及在决策空间存在多个等效的解对应目标空间同一个目标值。一般来说，多目标优化算法的重点在目标空间搜索更逼近真实帕累托前沿的解，这样会导致大部分多目标优化算法搜索到的解在决策空间的多样性表现较差。因此，现在已有的多目标优化算法并不能有效地解决多模态多目标问题，特别是应用多目标优化算法求解多路径规划问题。最近，一些修改的多目标优化算法被用来处理多模态多目标问题。可是，这些算法的表现却很难达到满意的效果，主要是因为这些修改的算法本质上还是一个多目标算法，重点在于处理多目标问题；其次，这些修改的多目标算法在处理多模态多目标优化问题时很难把所有等效的解本文档来自技高网...

【技术保护点】
1.一种基于自组织多模态多目标量子粒子群路径规划方法，其特征在于：包含以下步骤：/nS1.在决策空间内初始化一个种群POP带有NP个粒子，并计算目标函数值；/nS2.对每一个粒子POP

【技术特征摘要】
1.一种基于自组织多模态多目标量子粒子群路径规划方法，其特征在于：包含以下步骤：
S1.在决策空间内初始化一个种群POP带有NP个粒子，并计算目标函数值；
S2.对每一个粒子POPi的个体最佳历史位置pbesti定义为粒子的位置，每一个粒子的最佳历史位置的集合PBseti为粒子的位置，即PBseti＝POPi,pbesti＝POPi；
S3.计算所有粒子最佳历史位置pbesti的平均位置mbest；
S4.对种群POP进行非支配排序并获得非支配解PSPF，非支配解PSPF中第一个解即为种群POP的最优个体位置gbest；
S5.初始化自组织模型SOM；
S6.初始化一个冗余档案RA为空；
S7.算法进入主循环，如果迭代结束条件不满足进入S8.
S8.更新自组织网络SOM并获取最好的邻居粒子，具体步骤如下：
S81.初始化种群POP中新产生的非支配解为自组织网络的训练集trainingset；
S82.根据种群中每一个个体POPu初始化权重向量为这里d是决策变量数量；
S83.自组织模型训练T次；
S84.在每一次训练过程中，对训练集中每一个样本trainingseti，设置为该样本的最好神经单元；
S85.更新权重向量和学习率η(t)，更新公式如下：






其中，T是总训练次数，t是当前训练次数，η0是初始学习率；
S86.更新神经元的邻居神经元neighbor＝{neighbor1,neighbor2,....neighborm}，更新公式如下：






其中，σ(t)是第t次训练的学习半径，σ0是初始学习半径；
S87.自组织模型训练结束；对于每一个粒子POPi，POPi最佳神经元ui通过自组织模型获得；
S88.获得最佳神经元ui的邻居neighbor＝{neighbor1,neighbor2,....neighborm}
S89.获得所有邻居的个体最好历史个体集合并进行非支配排序获得非支配解candidate_neighbor，candidate_neighbor中的第一个非支配解即是粒子POPi的最佳邻居；
S810.获得所有个体的最佳邻居nbest；
S9.种群更新迭代；具体步骤如下...

【专利技术属性】
技术研发人员：王万良，李国庆，吴菲，尤文波，金雅文，赵燕伟，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33