[发明专利]一种多条件约束下的智能路径规划算法

权利要求书

1.一种多条件约束下的智能路径规划算法，其特征在于：使用免疫遗传算法结合2-opt算法，免疫遗传算法可以有效抑制退化现象，提高全局搜索速度，2-opt可以避免陷入局部最优陷阱；

算法实施步骤如下：

S1、首先进行抗体编码，将排班路径规划问题转化为免疫系统能够处理的抗原形式，抗体则对应问题的解；

S2、计算抗体与抗体间的亲和力，在进化过程中免疫系统是一个不确定系统，其多样性由平均信息熵来表示；

S3、排除相似抗体；

S4、计算抗原与抗体的亲和度；

S5、选择优良抗体加入记忆库；

S6、交叉、变异、随机产生新抗体。

2.根据权利要求1所述的一种多条件约束下的智能路径规划算法，其特征在于，所述S6中变异操作采用2-opt算法，迭代次数超过预先的设定，则输出最优解，否则返回S2。

3.根据权利要求1所述的一种多条件约束下的智能路径规划算法，其特征在于，所述S1中采用自然数编码，定义免疫系统由N个抗体组成，即群体规模为N，M表示抗体的基因数。

4.根据权利要求3所述的一种多条件约束下的智能路径规划算法，其特征在于，所述S2中定义P_ij是第i个等位基因在j基因座上出现的频率；

P_ij＝等位基因i在等位基因j上出现的总个数/N；

则处于j位置的基因信息熵为：

整个群体的基因信息熵为：

那么根据熵的定义，得到抗体v和w的亲和力：

5.根据权利要求4所述的一种多条件约束下的智能路径规划算法，其特征在于，所述S3中AX_v,wω，则淘汰一条抗体，ω为浓度阈值；v为相同等位基因段的数量；

6.根据权利要求5所述的一种多条件约束下的智能路径规划算法，其特征在于，所述S4中计算抗原与抗体的亲和度axv，排除亲合力小于上一代亲和度最小值的抗体；

QUOTE 。

7.根据权利要求6所述的一种多条件约束下的智能路径规划算法，其特征在于，所述S5中在传统适应度选择比例的基础上增加基于浓度的调节概率因子，抗体v的浓度计算公式为：

QUOTE ；

个体的选择概率 QUOTE 由适应度概率 QUOTE 和浓度抑制概率 QUOTE 两部分组成：

QUOTE 。

8.根据权利要求7所述的一种多条件约束下的智能路径规划算法，其特征在于，所述S6中交叉操作采用顺序交叉，在双亲1中随机选择一个匹配区域，产生原始后代，将双亲2中与匹配区域不同的部分按照原来的顺序插入到原始后代，组成子代1，按照同样的方法组成子代2。