基于锚定效应的新能源汽车混合蚁群路径规划方法技术

本发明专利技术公开了一种基于锚定效应的新能源汽车混合蚁群路径规划方法，包括：对新能源汽车长途起讫点周边范围划分可行与非可行区域，进行基于MAKLINK图论的环境建模仿真；绘制新能源汽车的长途行驶路径拓扑图；利用Dijkstra算法对拓扑图进行全局遍历寻优；针对当前可行路径区域环境进行蚁群算法参数初始化，并通过基于锚定效应改进的蚁群算法进行循环搜索寻优和路径长度计算，以解决新能源车行驶中的“里程焦虑”问题。本发明专利技术相比较传统智能路径规划算法，输出结果更小、收敛速度更快、运行速度优势显著；当结合算法原理进行设计时，可直接利用地图拓扑路径作次优路径规划，通过与地图系统匹配，在地图上选出最符合混合蚁群算法规划结果的路径。划结果的路径。划结果的路径。

【技术实现步骤摘要】
基于锚定效应的新能源汽车混合蚁群路径规划方法


[0001]本专利技术属于决策心理学和新能源汽车智能路径规划方法领域，具体为一种基于锚定效应的新能源汽车混合蚁群路径规划方法。

技术介绍

[0002]随着我国智能汽车技术和城市建设的不断发展，汽车长途路径规划越来越趋于综合化、复杂化。这加剧了安全隐患，也因此提高了对具有更好汽车长途路径规划效果的新型路径规划方法的研究需求。就新能源汽车而言，因其需要结合实践中可能存在的，影响算法实施的物理环境外因及驾驶员心理内因，在与其相关的智能路径规划方法中，结合各类数学模型的动态智能算法，如改进的Dijkstra算法、蚁群算法(Ant Colony Optimization,AC0)、遗传算法(Genetic Algorithm,GA)等算法会有出色表现。其中，蚁群算法因具有较强的全局搜索能力并易于其他算法融合而得到广泛应用。研究者可以通过参数优化和算法混合的方法来改善蚁群算法收敛速度慢、容易陷入局部最优的缺点。尽管有研究考量了新能源汽车综合充电、经济、环保成本的最优路径规划方法，但却少有研究考量新能源汽车驾驶员长途旅行条件下的心理因素影响以改善里程焦虑问题。

技术实现思路

[0003]专利技术目的：针对上述问题，本专利技术提出了一种基于锚定效应的新能源汽车混合蚁群路径规划方法。该算法强调决策心理学中的锚定效应对时间、电量约束条件下对新能源汽车驾驶员影响的显著性，通过考量锚定效应对驾驶员的心理影响以减少新能源汽车行驶过程中带来的里程焦虑带来的对算法的影响；在Dijkstra算法规划得出的长途次优路径的基础上，设计了一种混合蚁群算法，获得远比Dijkstra规划路径短的最优长途驾驶路径；同时对混合蚁群算法继续引入基于锚定效应的影响因子和自适应参数，变化调整初始化参数，从而改进混合蚁群算法；算法仿真获得了相比未考量锚定效应影响的混合算法和传统算法更加小的输出结果、更快的收敛速度、优势更显著的运行速度。
[0004]技术方案：一种基于锚定效应的新能源汽车混合蚁群路径规划方法，包括如下步骤：
[0005]步骤1)将不可行障碍区域顶点、边界点及链路端点数据录入MATLAB，基于MAKLINK图论建立仿真环境模型，忽略可行区域纹理；
[0006]步骤2)采用Dijkstra算法规划出一条路径作为次优路径；
[0007]步骤3)蚁群算法参数初始化；
[0008]步骤4)选出次优路径经过的链接线；
[0009]步骤5)循环搜索，根据公式计算每一只蚂蚁下一路径点选择概率，计算里程焦虑程度，通过轮盘赌选择下一个节点；
[0010]步骤6)根据公式进行信息素局部更新，降低当前已走路段信息素浓度，增加未走过路段被选概率；
[0011]步骤7)判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5。否则跳转步骤8；
[0012]步骤8)当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，并根据公式进行信息素全局更新；
[0013]步骤9)判断是否达到最大迭代数N
c
，若尚未达到，则返回步骤5。否则输出结果。
[0014]进一步地，所述步骤1中，按新能源汽车长途行驶路径拓扑图建立规格大小为M*N的网格空间，设置新能源汽车起讫点并录入数据；录入到MATLAB中的数据中不可行障碍区域顶点、边界点数据为坐标形式，由不可行障碍区域端点数据编号得出链路端点数据，并基于录入数据描绘链接线及中点绘制出环境模型；基于建立好的环境模型绘制出可行路径拓扑图。
[0015]进一步地，所述步骤2中，使用单源最短路径Dijkstra算法规划出混合算法所需要的次优路径，集合S记录已求出最短路径的顶点及起点与其他各顶点间的现存最短路径，集合U记录尚未求得最短路径的顶点及其他各顶点间的距离。具体步骤如下：
[0016]步骤2
‑
1：初始化。集合S中仅含起点位置s，集合U中则含除起点位置s以外的其他所有顶点。将到各个顶点距离标为起点s到该顶点的距离，对不直接相连的顶点则标记顶点距离为无穷大。即为：S{}＝s，U{}＝其他顶点，d
s
＝0。起始原点标为s，其他点暂未处理。
[0017]步骤2
‑
2：遍历集合U中其他所有点到起点s的距离，选出距离最小的顶点k，并将点k加入到集合S之中，再从集合U中删除点k。即d
sk
＝min[d
sj
]；其中d
sj
为U中各点j到起点s的距离，d
sk
为U中到起点距离最小的顶点k到s的距离。
[0018]步骤2
‑
3：更新起点s到集合U中的所有其他顶点的距离。步骤3
‑
2中确定了k为最短路径中的顶点，可能会存在前一顶点，即Step2中起点s经过顶点k到达下一顶点时的路径长度比直接达到下一顶点时的路径长度小的情况，因此需要再次更新最短路径，以最小化距离为判断标准，即d
sv
＝min[d
sv
,d
sk
+d
kv
]；其中公式左侧的d
sv
为起点s达到下一顶点时的最短路径长度，公式右侧的d
sv
为起点s直接达到下一顶点时的路径长度，d
kv
为顶点k到达下一顶点的路径长度。
[0019]步骤2
‑
4：重复Step2和3，直到遍历完所有顶点结束。最后输出的结果为包含所有顶点的集合S，集合U为空。集合S中的路径距离即为起点s到各个顶点的最短距离。
[0020]进一步地，所述步骤3中，对混合蚁群算法的参数进行初始化，包括：经过的线段数量、信息素重要因子、启发值程度重要因子、信息素选择阈值、信息素增量、蚂蚁数量、启发值、信息素、循环迭代次数、禁忌表、每次循环的最短路径长度及路径节点、蒸发系数、锚定波动因子、里程焦虑自锚定系数。
[0021]进一步地，所述步骤4中，选出次优路径经过的链接线，即得出经过各链接线中点时，线段两端端点的坐标。
[0022]进一步地，所述步骤5中，进行混合蚁群算法循环搜索，计算里程焦虑程度，具体步骤如下：
[0023]步骤5
‑
1：利用Logistic增长型函数定义自适应变化的蒸发系数ρ；Logistic增长型函数由以下公式确定：其中θ1为增长型函数上限，θ2为增长型函数下限，θ3为增长型函数中心点横坐标值，θ4为增长型函数的增长速度；设外循环迭代总次数为N
c
，则自适应蒸发系数为：
[0024]步骤5
‑
2：计算里程焦虑程度，用里程焦虑的程度来决定返程或就近充电的概率，根据经验需要充电的次数越多概率越大，利用概率来约束一下节点选择。驾驶员是否到达里程焦虑由以下公式判断：carenergy≤if_range_anxiety，其中carenergy为当前新能源汽车剩余电量，if_range_anxiety为里程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：包括如下步骤：步骤1)将不可行障碍区域顶点、边界点及链路端点数据录入MATLAB，基于MAKLINK图论建立仿真环境模型，忽略可行区域纹理；步骤2)采用Diikstra算法规划出一条路径作为次优路径；步骤3)蚁群算法参数初始化；步骤4)选出次优路径经过的链接线；步骤5)循环搜索，计算每一只蚂蚁下一路径点选择概率，计算里程焦虑程度，通过轮盘赌选择下一个节点；步骤6)进行信息素局部更新，降低当前已走路段信息素浓度，增加未走过路段被选概率；步骤7)判断蚂蚁是否到达了终点，若尚未达到，则返回步骤5)，否则跳转步骤8)；步骤8)当所有蚂蚁k走完觅食路径后，对比寻优最佳全局路径，并根据公式进行信息素全局更新；步骤9)判断是否达到最大迭代数N
c
，若尚未达到，则返回步骤5)，否则输出结果。2.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤1)中，按新能源汽车长途行驶路径拓扑图建立规格大小为Mm*Nm的网格空间，设置新能源汽车起讫点并录入数据；录入到MATLAB中的数据中不可行障碍区域顶点、边界点数据为坐标形式，由不可行障碍区域端点数据编号得出链路端点数据，并基于录入数据描绘链接线及中点绘制出环境模型；基于建立好的环境模型绘制出可行路径拓扑图。3.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤2)中，使用单源最短路径Dijkstra算法规划出混合算法所需要的次优路径，集合S记录已求出最短路径的顶点及起点与其他各顶点间的现存最短路径，集合U记录尚未求得最短路径的顶点及其他各顶点间的距离；具体步骤如下：步骤2
‑
1：初始化；集合S中仅含起点位置s，集合U中则含除起点位置s以外的其他所有顶点；将到各个顶点距离标为起点s到该顶点的距离，对不直接相连的顶点则标记顶点距离为无穷大，即为：S{}＝s，U{}＝其他顶点，d
s
＝0，起始原点标为s，其他点暂未处理；步骤2
‑
2：遍历集合U中其他所有点到起点s的距离，选出距离最小的顶点k，并将点k加入到集合S之中，再从集合U中删除点k，即d
sk
＝min[d
sj
]；其中d
sj
为U中各点j到起点s的距离，d
sk
为U中到起点距离最小的顶点k到s的距离；步骤2
‑
3：更新起点s到集合U中的所有其他顶点的距离；步骤2
‑
2中确定了k为最短路径中的顶点，可能会存在前一顶点，即Step2中起点s经过顶点k到达下一顶点时的路径长度比直接达到下一顶点时的路径长度小的情况，因此需要再次更新最短路径，以最小化距离为判断标准，即d
sv
＝min[d
sv
，d
sk
+d
kv
]；其中公式左侧的d
sv
为起点s达到下一顶点时的最短路径长度，公式右侧的d
sv
为起点s直接达到下一顶点时的路径长度，d
kv
为顶点k到达下一顶点的路径长度；步骤2
‑
4：重复Step2
‑
2和2
‑
3，直到遍历完所有顶点结束；最后输出的结果为包含所有顶点的集合S，集合U为空；集合S中的路径距离即为起点s到各个顶点的最短距离。4.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征
在于：所述步骤3)中，对混合蚁群算法的参数进行初始化，包括：经过的线段数量、信息素重要因子、启发值程度重要因子、信息素选择阈值、信息素增量、蚂蚁数量、启发值、信息素、循环迭代次数、禁忌表、每次循环的最短路径长度及路径节点、蒸发系数、锚定波动因子、里程焦虑自锚定系数。5.根据权利要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤4)中，选出次优路径经过的链接线，即得出经过各链接线中点时，线段两端端点的坐标。6.根据权力要求1所述的基于锚定效应的新能源汽车混合蚁群路径规划方法，其特征在于：所述步骤5)中，进行混合蚁群算法循环搜索，计算里程焦虑程度，具体步骤如下：步骤5
‑
1：利用Logistic增长型函数定义自适应蒸发系数ρ；Logistic增长型函数由以下公式确定：其中θ1为增长型函数上限，θ2为增长型函数下限，θ3为增长型函数中心点横坐标值，θ4为增长型函数的增长速度；设外循环迭代总次数为N
c
，则自适应蒸发系数为：步骤5
‑
2：计算里程焦虑程度，用里程焦虑的程度来决定返程或就近充电的概率，根据经验需要充电的次数越多概率越大，利用概率来约束一下节点选择；驾驶员是否到达里程焦虑由以下公式判断：carenergy≤if_range_anxiety，其中carenergy为当前新能源汽车剩余电量，if_range_anxiety为里程焦虑判断值，计算公式如下：if_range_anxi...

【专利技术属性】
技术研发人员：施佺，陈九宇，邵叶秦，高锐锋，
申请(专利权)人：南通大学，
类型：发明
国别省市：