To solve the shortest path planning problems on grid-based map efficiently,a novel heuristic path planning approach based on an intelligent swarm optimization method called Multivariant Optimization Algorithm( MOA) an...To solve the shortest path planning problems on grid-based map efficiently,a novel heuristic path planning approach based on an intelligent swarm optimization method called Multivariant Optimization Algorithm( MOA) and a modified indirect encoding scheme are proposed. In MOA,the solution space is iteratively searched through global exploration and local exploitation by intelligent searching individuals,who are named as atoms. MOA is employed to locate the shortest path through iterations of global path planning and local path refinements in the proposed path planning approach. In each iteration,a group of global atoms are employed to perform the global path planning aiming at finding some candidate paths rapidly and then a group of local atoms are allotted to each candidate path for refinement. Further,the traditional indirect encoding scheme is modified to reduce the possibility of constructing an infeasible path from an array. Comparative experiments against two other frequently use intelligent optimization approaches: Genetic Algorithm( GA) and Particle Swarm Optimization( PSO) are conducted on benchmark test problems of varying complexity to evaluate the performance of MOA. The results demonstrate that MOA outperforms GA and PSO in terms of optimality indicated by the length of the located path.展开更多
针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地...针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地图进行预处理,获得简化跳点;其次,通过简化跳点对栅格地图进行信息素初始化,以加强简化跳点的引导能力和减少前期盲目搜索;接着,设计蚂蚁死亡惩罚机制,以降低陷入死锁蚂蚁走过路径的信息素,减少死锁问题的发生;再者,通过重新设计启发式信息函数并引入分级式信息素因子改进状态转移概率函数,以提高收敛速度,缩短路径长度;最后,采用路径优化策略删减不必要路径节点,以进一步缩短路径长度、提升平滑度,提高路径质量。仿真结果表明,在简单环境中,JPOACO算法求得的路径长度较传统蚁群算法和另一种优化蚁群算法短约22.6%和2.0%,收敛迭代次数、收敛时间分别减少约77.0%、77.5%和49.3%、87.8%,零死亡迭代次数和零死亡时间较后者减少约19.5%和80.5%;在复杂菠萝种植环境中,JPOACO算法较传统蚁群算法和另一种优化蚁群算法求得的路径长度短16.6%和4.7%,收敛迭代次数、收敛时间分别减少约77.1%、17.4%和73.7%、47.4%,零死亡迭代次数和零死亡时间较后者减少约34.3%和58.2%,表明本文算法具有较高的适用性和可行性。展开更多
针对跳点搜索(jump point search,JPS)算法路径存在斜向穿越障碍物、搜索过程中存在较多冗余跳点、路径拐点多且靠近障碍物的问题,提出一种安全快速的跳点搜索(safe fast jump point search,SFJPS)算法。该算法重新定义跳点判断规则,使...针对跳点搜索(jump point search,JPS)算法路径存在斜向穿越障碍物、搜索过程中存在较多冗余跳点、路径拐点多且靠近障碍物的问题,提出一种安全快速的跳点搜索(safe fast jump point search,SFJPS)算法。该算法重新定义跳点判断规则,使生成的跳点均为安全跳点,解决了路径中斜向穿越障碍物的情况;加入基于角度的搜索方向优先级判断,有效减少了搜索过程中的冗余节点,加快了搜索速度;基于Bresenham算法对路径上的跳点进行关键跳点筛选,关键跳点生成的路径拐点明显减少,贴近障碍物的路径长度大幅减小,整体路径长度也有所减小。结果表明在不同场景下本文算法相较于A*算法和JPS算法,路径长度分别最大减小了5.42%和4.48%,搜索时间分别最大缩短了98.33%和67.83%,搜索节点数最大减少了99.08%和56.72%,路径拐点数分别最大减少了90.91%和83.33%。相较于Theta*算法路径长度增加了1.17%,搜索时间缩短了91.07%,搜索节点数减少了98.9%。仿真试验证明本文算法规划速度快,路径安全且拐点更少,更加适用于移动机器人路径规划问题。展开更多
为了研究地面车辆与无人机在巡检过程中的最佳任务分配策略及路径规划问题,提出一种两阶段混合式启发算法——改进自适应大邻域搜索(improved adaptive large neighborhood search,IALNS)算法。第一阶段根据待巡检节点的不同需求等级及...为了研究地面车辆与无人机在巡检过程中的最佳任务分配策略及路径规划问题,提出一种两阶段混合式启发算法——改进自适应大邻域搜索(improved adaptive large neighborhood search,IALNS)算法。第一阶段根据待巡检节点的不同需求等级及距离等因素,利用聚类算法对目标节点进行划分;第二阶段采用一种混合式启发算法解决路线调度问题,增加6种新的局部优化算子,引入节点重分配策略,经过迭代得到成本最小的车辆与无人机协同混合路线。对所提算法解和其他算法解进行测试和比较分析,试验数据表明,IALNS算法在解决车辆与无人机协同巡检问题时具有显著优势。展开更多
利用出行特征数据识别综合交通运输通道是合理布局城市群综合运输通道的关键技术。本文基于城市群手机信令数据,提出一种综合运输通道识别四阶段方法框架,即数据准备、运输方式划分、最短路径搜索和通道识别。在运输方式划分方面,提出...利用出行特征数据识别综合交通运输通道是合理布局城市群综合运输通道的关键技术。本文基于城市群手机信令数据,提出一种综合运输通道识别四阶段方法框架,即数据准备、运输方式划分、最短路径搜索和通道识别。在运输方式划分方面,提出一种以运输平均速度和站点POI (Point of Interest)位置为决策变量的高速铁路、普速铁路和公路多方式划分算法。在最短路搜索方面,设计一种基于双向A*算法的最短路径搜索算法。在通道识别方面,基于行政边界划分通道区段并以运输量为综合运输通道区段判别参数。以京津冀城市群为例进行实证分析,结果表明,本文方法能够有效处理城市群手机信令数据,并识别出6条综合运输通道,验证了方法的可行性和准确性。在案例数据下,京津冀城市群公路和铁路的运输量占比分别为81.87%和18.13%,公路的短程运输客流较铁路更多;节假日因素显著提高了综合运输通道的客流量,平均运输量增加62.6%,平均客流周转量提升61.2%。展开更多
基金Sponsored by the National Natural Science Foundation of China(Grant No.61261007,61002049)the Key Program of Yunnan Natural Science Foundation(Grant No.2013FA008)
文摘To solve the shortest path planning problems on grid-based map efficiently,a novel heuristic path planning approach based on an intelligent swarm optimization method called Multivariant Optimization Algorithm( MOA) and a modified indirect encoding scheme are proposed. In MOA,the solution space is iteratively searched through global exploration and local exploitation by intelligent searching individuals,who are named as atoms. MOA is employed to locate the shortest path through iterations of global path planning and local path refinements in the proposed path planning approach. In each iteration,a group of global atoms are employed to perform the global path planning aiming at finding some candidate paths rapidly and then a group of local atoms are allotted to each candidate path for refinement. Further,the traditional indirect encoding scheme is modified to reduce the possibility of constructing an infeasible path from an array. Comparative experiments against two other frequently use intelligent optimization approaches: Genetic Algorithm( GA) and Particle Swarm Optimization( PSO) are conducted on benchmark test problems of varying complexity to evaluate the performance of MOA. The results demonstrate that MOA outperforms GA and PSO in terms of optimality indicated by the length of the located path.
文摘针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地图进行预处理,获得简化跳点;其次,通过简化跳点对栅格地图进行信息素初始化,以加强简化跳点的引导能力和减少前期盲目搜索;接着,设计蚂蚁死亡惩罚机制,以降低陷入死锁蚂蚁走过路径的信息素,减少死锁问题的发生;再者,通过重新设计启发式信息函数并引入分级式信息素因子改进状态转移概率函数,以提高收敛速度,缩短路径长度;最后,采用路径优化策略删减不必要路径节点,以进一步缩短路径长度、提升平滑度,提高路径质量。仿真结果表明,在简单环境中,JPOACO算法求得的路径长度较传统蚁群算法和另一种优化蚁群算法短约22.6%和2.0%,收敛迭代次数、收敛时间分别减少约77.0%、77.5%和49.3%、87.8%,零死亡迭代次数和零死亡时间较后者减少约19.5%和80.5%;在复杂菠萝种植环境中,JPOACO算法较传统蚁群算法和另一种优化蚁群算法求得的路径长度短16.6%和4.7%,收敛迭代次数、收敛时间分别减少约77.1%、17.4%和73.7%、47.4%,零死亡迭代次数和零死亡时间较后者减少约34.3%和58.2%,表明本文算法具有较高的适用性和可行性。
文摘针对跳点搜索(jump point search,JPS)算法路径存在斜向穿越障碍物、搜索过程中存在较多冗余跳点、路径拐点多且靠近障碍物的问题,提出一种安全快速的跳点搜索(safe fast jump point search,SFJPS)算法。该算法重新定义跳点判断规则,使生成的跳点均为安全跳点,解决了路径中斜向穿越障碍物的情况;加入基于角度的搜索方向优先级判断,有效减少了搜索过程中的冗余节点,加快了搜索速度;基于Bresenham算法对路径上的跳点进行关键跳点筛选,关键跳点生成的路径拐点明显减少,贴近障碍物的路径长度大幅减小,整体路径长度也有所减小。结果表明在不同场景下本文算法相较于A*算法和JPS算法,路径长度分别最大减小了5.42%和4.48%,搜索时间分别最大缩短了98.33%和67.83%,搜索节点数最大减少了99.08%和56.72%,路径拐点数分别最大减少了90.91%和83.33%。相较于Theta*算法路径长度增加了1.17%,搜索时间缩短了91.07%,搜索节点数减少了98.9%。仿真试验证明本文算法规划速度快,路径安全且拐点更少,更加适用于移动机器人路径规划问题。
文摘为了研究地面车辆与无人机在巡检过程中的最佳任务分配策略及路径规划问题,提出一种两阶段混合式启发算法——改进自适应大邻域搜索(improved adaptive large neighborhood search,IALNS)算法。第一阶段根据待巡检节点的不同需求等级及距离等因素,利用聚类算法对目标节点进行划分;第二阶段采用一种混合式启发算法解决路线调度问题,增加6种新的局部优化算子,引入节点重分配策略,经过迭代得到成本最小的车辆与无人机协同混合路线。对所提算法解和其他算法解进行测试和比较分析,试验数据表明,IALNS算法在解决车辆与无人机协同巡检问题时具有显著优势。
文摘利用出行特征数据识别综合交通运输通道是合理布局城市群综合运输通道的关键技术。本文基于城市群手机信令数据,提出一种综合运输通道识别四阶段方法框架,即数据准备、运输方式划分、最短路径搜索和通道识别。在运输方式划分方面,提出一种以运输平均速度和站点POI (Point of Interest)位置为决策变量的高速铁路、普速铁路和公路多方式划分算法。在最短路搜索方面,设计一种基于双向A*算法的最短路径搜索算法。在通道识别方面,基于行政边界划分通道区段并以运输量为综合运输通道区段判别参数。以京津冀城市群为例进行实证分析,结果表明,本文方法能够有效处理城市群手机信令数据,并识别出6条综合运输通道,验证了方法的可行性和准确性。在案例数据下,京津冀城市群公路和铁路的运输量占比分别为81.87%和18.13%,公路的短程运输客流较铁路更多;节假日因素显著提高了综合运输通道的客流量,平均运输量增加62.6%,平均客流周转量提升61.2%。
