【技术实现步骤摘要】
本专利技术涉及人工智能
，尤其涉及一种基于粒子群算法的路径搜索方法 及装置。
技术介绍
传统的交通最短路径的选择往往是城市任意两个地点的最短路径，而驾驶员需 要搜寻的是行驶时间最短的路径。现实生活中行驶长度最短的路径不一定就是行驶时间 最短的路径，因为随时都有可能出现交通阻塞等意外情况，路网交通状态具有实时可变 的特点，具有不确定性的因素。根据这种情况，把交通路网节点和节点之间的距离描述 成模糊变量的形式，该模糊变量符合某种隶属函数的分布。建立了模糊期望值模型求解 模糊最短路径问题。因为一般模糊变量其隶属函数的形式是多种多样的，对于有些模糊 变量来说，很难求出其具体的期望值。因此只能采用一些智能算法来进行求解。遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传 学说。其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的 算法。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和变异现象，根据适者生 存、优胜劣汰的自然法则，通过选择、交叉和变异等遗传算子，使群体一代一代地进行 到搜索空间中越来越好的区域，直至获得最优解。遗传算法有三个基本算子选择、交叉和变异。遗传算法的编程实现比较复 杂，首先需要对问题进行编码，找到最优解之后还需要对问题进行解码，另外三个算子 的实现也有许多参数，如交叉概率和变异概率，并且这些参数的选择严重影响解的品 质，而目前这些参数的选择大部分是依靠经验。因此，设计一种实现简单、收敛速度快、鲁棒性好的路径搜索方法及装置十分 必要，是人工智能
目前急待解决的问题之一。
技术实现思路
本专利技术实...
【技术保护点】
一种基于粒子群算法的路径搜索方法，其特征在于，所述路径搜索方法包括：步骤Ｓ１、初始化粒子种群，生成粒子速度和位置向量；步骤Ｓ２、通过解码获取路径长度；步骤Ｓ３、计算粒子的目标值；步骤Ｓ４、计算粒子的适应度函数值；步骤Ｓ５、每进行一次迭代，更新粒子的速度与位置；步骤Ｓ６、循环进行迭代。
【技术特征摘要】
1.一种基于粒子群算法的路径搜索方法，其特征在于，所述路径搜索方法包括 步骤Si、初始化粒子种群，生成粒子速度和位置向量；步骤S2、通过解码获取路径长度；步骤S3、计算粒子的目标值；步骤S4、计算粒子的适应度函数值；步骤S5、每进行一次迭代，更新粒子的速度与位置；步骤S6、循环进行迭代。2.根据权利要求1所述的路径搜索方法，其特征在于，在所述步骤一中，对每一维， 粒子位置坐标是在[1，η]内的整数，速度坐标是e [-(η-1)，η-1],第一维的速度和位置 坐标都为1。3.根据权利要求1所述的路径搜索方法，其特征在于，在所述步骤二中，对于某个粒 子，第1维坐标值为1，第2维坐标值为路径上第2个节点的节点号，第i维坐标值为路径 上第i个节点的节点号，每一个粒子代表一条路径，通过解码可以得到每条路径的长度。4.根据权利要求1所述的路径搜索方法，其特征在于，在所述步骤三中，通过模糊模 拟计算粒子的目标值c)],4/tU)] = J7 Cr{f(X,c)>r}dr-j[ Cr{f{X,c)<r}dr 若？为一般的模糊变量， 则u/(z，？)=ΣΣ^Λ 为模糊变量。5.根据权利要求1所述的路径搜索方法，其特征在于，在所述步骤四中，适应度函数 值通过根据粒子的目标值来计算，令适应度函数为/(U = E[f(X^)-\6.根据权利要求1所述的路径搜索方法，其特征在于，在所述步骤五中，进一步包 括如果该粒子当前的适应度函数值比其历史最优值要好，那么历史最优将会被当前位 置所替代。7.根据权利要求1所述的路径搜索方法，其特征在于，在所述步骤五中，进一步包...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。