[发明专利]一种基于多蚁群系统的混合交通流疏散路径规划方法

说明书

技术领域

本发明提出一种基于多蚁群系统的混合交通流疏散路径规划方法来优化混合交通流问题，属于智能计算技术领域。 

背景技术

在建筑物内人员疏散方面，很多的研究工作都是通过疏散模型的计算机模拟来试图捕获人群的疏散行为，然后借助于实验数据来精细化所提出的“疏散模型”国内外研究者已经提出了多个疏散模型。在疏散建模中，除了从仿真角度建立疏散模型，基于群智能的应急疏散优化模型也是一个重要的研究领域。 

Dorigo最早在“‘The Ant System：optimization by a colony of cooperating agents，’IEEE Transactions on Systems，Man，and Cybemetics-Part B，vol.26，no.1，pp.29-41，1996.”中提出蚁群优化算法。此算法以类似蚂蚁觅食的方式求解复杂组合优化问题，最早用于解决NP-hard问题如旅行商问题、调度问题、二次指派问题和车辆路径问题等，并取得了良好的仿真效果。在紧急疏散时，疏散对象所呈现的从众性、自组织性等行为特点，和蚁群系统具有很多共同的特点，而且蚁群算法的正反馈机制能够体现疏散个体对环境的感知和交互因此，蚁群算法适合于优化疏散路径规划问题。 

蚂蚁在寻觅食物时，会在所经过的路径上释放一种特有的外激素，也称为信息素。一定范围内的蚂蚁能够感知这种物质的存在和浓 度，以此来引导自已的行动方向，并倾向与朝着信息素浓度搞的地方移动。路径越短，选择该路径的蚂蚁就越多，信息素浓度就越高。路径越长，通过的蚂蚁就越少，信息素的浓度就越低。后来的蚂蚁经过这条路的时候，选择信息素浓度较高路径的概率相对较大，而且信息素会随着时间的推移浓度越来越低。最后，众多蚂蚁的搜索过程就形成了最优路径 

蚁群优化算法主要包括以下四个不同的阶段： 

(1)初始化。将蚂蚁随机放置在节点上，并且为各条边的信息素设初值； 

(2)节点选择。蚂蚁根据转移概率的大小在不同节点上移动，而转移概率是蚂蚁的视野和信息素两方面平衡的，这是最为重要的阶段； 

(3)信息素更新。信息素的浓度决定了蚂蚁在下一轮循环中的移动； 

(4)停止准则。当达到制定的循环次数时算法终止。 

但是不论是基本的蚁群算法，还是大部分改进的蚁群算法，实际上都是基于单一一群系统、单信息素的算法，无法模拟蚁群内部的差异。在利用蚁群系统进行疏散仿真时，基于单一种群优化算法通过蚁群中路径信息素增强选择最优路径，容易陷入局部最优化，导致某些较优路径出现拥塞，很难取得满意的效果。 

发明内容

本方法介绍一种基于多蚁群系统的混合交通流疏散路径规划方法来优化混合交通流疏散问题。本算法重点优化的两个问题：最小化疏散时间和使整个疏散网络的交通负载均衡。 

为了实现上述目的，首先对混合交通流疏散问题进行数学模型描述如下： 

序号： 

i——疏散网络节点序号 

k——疏散者(人或车)序号 

g——疏散者群体 

参数： 

M——移动对象个数 

T——疏散所有对象话费的时间 

——紧急情况下疏散者k通过边(i，j)的时间 

p_k——疏散者k疏散路径节点的集合 

——疏散者k初始化时刻坐在节点 

——疏散时间T内边(i，j)上的交通负载 

d_ij——从节点i到节点j的距离 

——正常情况下群体g对象通过边(i，j)的时间 

——紧急情况下群体g对象通过边(i，j)的时间 

——疏散时间T内群体g中通过边(i，j)的个体数目 

——t时刻群体g中位于边(i，j)上的个体数目 

——群体g在边(i，j)上的通行能力