[发明专利]一种在环境约束下的车辆路径智能搜索方法

权利要求书

1.一种在环境约束下的车辆路径智能搜索方法，其特征在于，包括以下步骤：

本方法基于以下约束条件：

(1)所有车辆均在零时刻从原点出发，依次到达N个目标点；车辆不区分类型，被认为都是相同的；

(2)每个目标点都必须到达一次且仅能到达一次；每个目标点都需执行某项任务，每项任务都需要花费时间；

(3)二维平面上构建的地图是确定的、栅格化的，每个1×1的小格为最小单元；路径的规划及各类地形、天气的设置由多个单元格组成；

(4)车辆遇到极端复杂地形或极端天气难以通行，需绕行，包括高山、湖泊池堰、河流沟渠及大雾；

车辆遇到较复杂地形或不良天气，需减速通过，包括沙漠、丘陵、雨雪；

(5)一个车辆允许被分配给多个目标点，无数量限制；

(6)车辆在到达某个目标点并且完成其任务时，立刻前往下一目标点；

(7)不考虑车辆损毁、车辆相撞；

首先定义如下索引：

C：目标点索引(C＝1，2，...，N)；

N：顶点索引(N＝C∪{0})；

K：车辆索引(K＝1，2，...，k)；

G：河流、山地、大雾位置索引(G＝g₁，...，g_m)；

H：沙漠、雨雪位置索引(H＝h₁，...，h_m′)；

定义如下变量：

t_ij：i∈C，j∈C，目标点i到目标点j行车所需时间；

ta_i：i∈C，目标点i的任务所需执行时间；

是否将目标点i派给车辆k；

从目标点i到目标点j的路线是否被车辆k选择；

s_ik：车辆k到达目标点i的时间；

v_xy：车辆在位置(x，y)的速度；

定义决策变量：

目标量描述如下：

其中，表示车辆k到达目标点i的时间的最大值，为最小化最后一个目标点任务的完成时间；

步骤1：利用广度优先搜索，计算原点和各个目标点、每两个点之间的地图距离；

对于目标点i和目标点j之间距离相同的多个路径，采用距离/速度计算出所用时间，对时间进行排序，取时间最短的路径；

在计算目标点i到目标点j所用时间时，对于每个目标点i所需执行的任务所需时间ta_i，直接加入到路径i-j所需时间中，一并计算；

步骤2：采用聚类算法，令k为车辆数目，将N个目标点按行车时间分为k组，每个组根据行车时间均得到组内质心，使得分组后所有目标点到组内质心的行车时间总和达到最小；

步骤3：进行路径搜索，采用与聚类算法结合的萤火虫算法实现，具体如下：

步骤3.1：设置算法初始化参数：

首先，将各路径荧光素浓度初始化，根据下式对各路径的荧光素浓度值进行混沌初始化：

y(t+1)＝μy(t)[(1-y(t)] (6)

其中，y(t)为混沌变量；μ为控制参数，μ∈[0，4]；当μ＝4，0≤y(t)≤1时，Logistics映射处于完全混沌状态；

然后，将式(1)引入路径荧光素浓度更新式，作为混沌初始荧光素浓度值；各路径荧光素浓度更新值如下式：

l_ij(t)＝(1-ρ)l_ij(t-1)+γ/f_a(t) (7)

其中，l_ij(t)为第t次迭代中客户从目标点i到目标点j路径上的荧光素浓度值；l_ij(t-1)表示第t-1次迭代中客户从目标点i到目标点j路径上的荧光素浓度值；f_a(t)为萤火虫个体α对应的目标函数值，如式(1)所示，由于总用时越短越优，选取目标函数的倒数；ρ为荧光素挥发系数，ρ∈[0，1]；γ为荧光素强度增强系数，γ∈[0，1]；

步骤3.2：将所有萤火虫放置在原点，初始时刻为0；

步骤3.3：以萤火虫当前位置作为起点，首先，每只萤火虫选择动态决策半径r_a(t)内荧光素浓度值大于自身的个体，并且未访问的目标点构成邻域集N_a(t)；动态决策半径r_a(t)的更新公式如下：

r_a(t+1)＝min{r_s，max(0，r_a(t)+β(n_t-|N_a(t)|)} (8)

其中，r_a(t+1)表示萤火虫个体a在t+1次迭代时的决策半径，r_s为萤火虫的最大感知半径，β为动态决策半径更新系数，n_t为个体邻域集内包含的萤火虫数目的阀值；

然后，以萤火虫当前位置为起点，选择动态决策半径内未被访问过的目标点构成邻域集；

步骤3.4：根据萤火虫邻域集是否为空的判定进行状态转移；

首先，如果邻域集为空，表示附近无更亮萤火虫，此时，向最近的另一个未访问过的目标点方向移动；

如果邻域集不为空，则计算萤火虫个体a移向邻域集N_a(t)内萤火虫个体b的概率，此时，采取同组内优先移动的方法，能够加快收敛速度；概率公式如下：

其中，p_ab(t)表示萤火虫个体α移向个体b的概率；θ为增强系数，当萤火虫在同组范围内θ＝1，否则θ＜1；l_a(t)表示萤火虫个体α在第t次迭代时的荧光素浓度值，l_b(t)表示萤火虫个体b在第t次迭代时的荧光素浓度值，l_c(t)表示萤火虫个体c在第t次迭代时的荧光素浓度值；

之后，萤火虫采用轮盘赌的方式选择个体，进行移动，并通过下式更新个体位置：

其中，s为萤火虫每次飞行的前进步长；x_a(t)为萤火虫个体α在第t次迭代中的位置；x_b(t)表示萤火虫个体b在第t次迭代中的位置；

步骤3.5：根据萤火虫邻居密度的大小和公式(8)，动态调整萤火虫个体a的邻域半径的大小；

步骤3.6：判断当前迭代次数是否达到最大迭代次数或违反算法结束条件，如果未达到结束条件，则返回步骤3.3，继续迭代；否则，流程终止，输出最优萤火虫代表的全局最优解和全局最优路径。