[发明专利]一种多条件约束下的智能路径规划算法

说明书

本发明公开了一种多条件约束下的智能路径规划算法，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，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，本发明结构科学合理，使用安全方便：本发明结合免疫遗传算法与2‑opt算法，能够更有效的得到最优路径规划，有效抑制退化现象，提高全局搜索速度，避免陷入局部最优的缺点。

技术领域

本发明涉及智能控制技术领域，具体为一种多条件约束下的智能路径规划算法。

背景技术

业务人员拜访客户的路径规划，受多种条件约束，针对业务人员，需要支持工作有效时间约束、出发点和返回点约束、每日拜访的总数量约束、交通方式的约束，针对客户需要支持客户点停留时间约束、客户拜访频次约束、客户办公时间约束等，在如此众多的约束条件下，如何才能达到路程最短的情况下，有效的完成最多的客户有效拜访，这是路径规划算法的难点。

发明内容

本发明提供一种多条件约束下的智能路径规划算法，可以有效解决上述背景技术中提出每个业务人员在复杂的条件下寻找到最有效的拜访路径，有效提高业务人员工作效率的问题。

为实现上述目的，本发明提供如下技术方案：一种多条件约束下的智能路径规划算法，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。

根据上述技术方案，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。

根据上述技术方案，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。

根据上述技术方案，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：

根据上述技术方案，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；

根据上述技术方案，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；

AX_v＝1/C(v)。

根据上述技术方案，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：