基于改进粒子群、人工鱼群算法混合式泊车路径规划方法技术

本申请提供了基于改进粒子群、人工鱼群算法混合式泊车路径规划方法，包括：根据泊车区域实际环境，建立泊车环境模型，以及对所述泊车环境模型内路段节点进行编号，获得粒子群，针对所述粒子群的惯性权重，学习因子以及适应度函数进行算法改进，根据改进后的粒子群算法在所述泊车环境模型中搜索最优泊车点，以及将所述最优泊车点组成最优泊车点集合T，将所述粒子群惯性权重引入人工鱼群，得到改进后的人工鱼群算法，将所述改进后的粒子群以及人工鱼群算法进行混合，得到混合算法，根据所述混合算法规划出最优泊车路径，以解决由单一算法的局限性导致泊车路径规划不准确不便捷的问题。局限性导致泊车路径规划不准确不便捷的问题。局限性导致泊车路径规划不准确不便捷的问题。

【技术实现步骤摘要】
基于改进粒子群、人工鱼群算法混合式泊车路径规划方法


[0001]本申请涉及泊车路径规划
，尤其涉及基于改进粒子群、人工鱼群算法混合式泊车路径规划方法。

技术介绍

[0002]随着汽车保有量增多，泊车问题也日渐严峻，统计数据显示，在中国车与车位配比仅有0.5，远低于发达国家的平均水平，车主需要花费大量的时间寻找泊车位，不仅加重了道路负担，造成城市交通拥堵，也给社会发展带来了很多不利因素。目前，解决泊车问题的一个有效途径是为车主规划一个路径最优的泊车路径，既可以节省车主泊车时间也能减轻道路负担，有效地提高泊车效率。
[0003]而传统的泊车方式采用AGV(Automated Guided Vehicle)，即“自动导引运输车”，AGV是装备有电磁或光学等自动导引装置，能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车，采用AGV规划泊车路径的方式可有效对路径并不复杂的室内停车场规划便捷的泊车路径，但针对室外环境以及复杂路况下AGV并不能做出便捷的规划。最优室外环境泊车路径是指找出一条从车主所在位置到泊车区域以及从泊车区域到最终泊车点所用时间最短的路径。在全室外环境下泊车最优路径规划通常会遇到许多不确定因素，例如：道路拥挤度每个时间段、每个道路都不相同，车流量越大，车主的泊车效率也就越低，为车主寻找最优泊车路径时往往要优先考虑每个道路的拥挤程度；道路质量，道路的质量越差，颠簸程度越高，泊车效率往往也就越低。因此在这种复杂路况条件下传统的采用AGV进行泊车规格的形式就无法满足车主快速便捷的泊车需求。

技术实现思路

[0004]本申请提供了基于改进粒子群、人工鱼群算法混合式泊车路径规划方法，以解决由于单一算法的局限性导致泊车路径规划不准确不便捷的问题。
[0005]基于改进粒子群、人工鱼群算法混合式泊车路径规划方法,包括：
[0006]根据泊车区域实际环境，建立泊车环境模型，以及对所述泊车环境模型内路段节点进行编号，获得粒子群；
[0007]针对所述粒子群的惯性权重，学习因子以及适应度函数进行算法改进；
[0008]根据改进后的粒子群算法在所述泊车环境模型中搜索最优泊车点，以及将所述最优泊车点组成最优泊车点集合T；
[0009]将所述粒子群惯性权重引入人工鱼群，得到改进后的人工鱼群算法；
[0010]将所述改进后的粒子群以及人工鱼群算法进行混合，得到混合算法；
[0011]根据所述混合算法规划出最优泊车路径。
[0012]优选地，所述惯性权重改进公式为：
[0013][0014][0015][0016]其中，W
min
为惯性权重的最小值；W
max
为惯性权重的最大值；W
ce
为W的可变最大值，是W
max
和W
min
的差值；W
r
为惯性权重初始值；g
i
为当前迭代次数；g
min
为最小迭代次数；g
max
为最大迭代次数；W会随着粒子当前迭代次数g
i
变化而变化，前期惯性权重W由小增大，后期由大减小，W需保持在W
max
与W
min
之间，W在上升阶段中增大到大于W
max
，则W等于W
max
。
[0017]优选地，采用动态调整方法对所述学习因子进行改进，改进公式为：
[0018][0019][0020]其中，C1，C2分别表示个体学习因子和社会学习因子，C
r1
，C
r2
分别表示个体学习因子以及社会学习因子的初始值，g
i1
，g
i2
表示粒子当前的迭代次数，g
max1
，g
max2
表示粒子的最大迭代次数，C
max1
，C
max2
表示粒子学习因子的终值。
[0021]优选地，所述适应度函数的改进步骤为：
[0022]获取初始适应度函数：
[0023][0024]获取道路拥挤系数δ，路径实际总长度s，受道路质量影响后的路径带权总长度S，以及泊车数量影响系数θ；
[0025]结合所述初始适应度函数获得改进后的适应度函数为：
[0026][0027]其中，f(x.y)函数为车主到泊车点所行使的距离，D
ij
表示车主从当前位置行驶到泊车区域入口的路径中结点i(x
i
,y
i
)与结点j(x
j
,y
j
)之间的距离，d
ij
表示泊车区域内部路径中结点i(x
i
,y
i
)与结点j(x
j
,y
j
)之间的距离。
[0028]优选地，对所述人工鱼群算法进行改进的公式为：
[0029]Visual
next
＝Visual
i
*W
[0030]其中，W为粒子群惯性权重，Visual
next
表示人工鱼群迭代时下一次鱼群视野范围，Visual
i
表示当前鱼群视野范围。
[0031]由以上技术方案可知，本申请提供了基于改进粒子群、人工鱼群算法混合式泊车路径规划方法，包括：根据泊车区域实际环境，建立泊车环境模型，以及对所述泊车环境模型内路段节点进行编号，获得粒子群，针对所述粒子群的惯性权重，学习因子以及适应度函数进行算法改进，根据改进后的粒子群算法在所述泊车环境模型中搜索最优泊车点，以及将所述最优泊车点组成最优泊车点集合T，将所述粒子群惯性权重引入人工鱼群，得到改进后的人工鱼群算法，将所述改进后的粒子群以及人工鱼群算法进行混合，得到混合算法，根据所述混合算法规划出最优泊车路径，以解决由单一算法的局限性导致泊车路径规划不准确不便捷的问题。
附图说明
[0032]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为泊车路径规划方法流程框架图；
[0034]图2为停车区域分布模拟图。
具体实施方式
[0035]下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的本申请的一些方面相一致的系统和方法的示例。
[0036]最优室外环境泊车路径是指找出一条从车主所在位置到泊车区域以及从泊车区域到最终泊车点所用时间最短的路径，室外环境下全泊车路径问题有其独有的特点与挑战，需要考虑更多的环境不确定因素。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进粒子群、人工鱼群算法混合式泊车路径规划方法，其特征在于，包括：根据泊车区域实际环境，建立泊车环境模型，以及对所述泊车环境模型内路段节点进行编号，获得粒子群；针对所述粒子群的惯性权重，学习因子以及适应度函数进行算法改进；根据改进后的粒子群算法在所述泊车环境模型中搜索最优泊车点，以及将所述最优泊车点组成最优泊车点集合T；将所述粒子群惯性权重引入人工鱼群，得到改进后的人工鱼群算法；将所述改进后的粒子群以及人工鱼群算法进行混合，得到混合算法；根据所述混合算法规划出最优泊车路径。2.根据权利要求1所述的方法，其特征在于，包括：所述惯性权重改进公式为：所述惯性权重改进公式为：所述惯性权重改进公式为：其中，W
min
为惯性权重的最小值；W
max
为惯性权重的最大值；W
ce
为W的可变最大值，是W
max
和W
min
的差值；W
r
为惯性权重初始值；g
i
为当前迭代次数；g
min
为最小迭代次数；g
max
为最大迭代次数；W会随着粒子当前迭代次数g
i
变化而变化，前期惯性权重W由小增大，后期由大减小，W需保持在W
max
与W
min
之间，W在上升阶段中增大到大于W
max
，则W等于W
max
。3.根据权利要求1所述的方法，其特征在于，采用动态调整方法对所述学习因子进行改进，改进公式为：进，改进公式为：其中，C1，C2分别表示个体学习因子和社会学习因子，C

【专利技术属性】
技术研发人员：胡光元，毕静，刘启文，刘鲲，谢劲，张安珍，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：