专利名称：交通路径搜索系统及方法
技术领域：
本发明涉及一种交通路径搜索系统及方法，特别是涉及一种基于云模型进化算法的不确定环境的交通路径搜索系统及方法。
背景技术：
传统的交通最短路径的选择往往是城市任意两个地点的最短路径，而驾驶员需要搜寻的是行驶时间最短的路径。现实生活中行驶长度最短的路径不一定就是行驶时间最短的路径，因为随时都有可能出现交通阻塞等意外情况，路网交通状态具有实时可变的特点，具有不确定性的因素。根据这种情况，当前最常见的做法是把交通路网节点和节点之间的距离描述成模糊变量的形式，该模糊变量符合某种隶属函数的分布，建立模糊期望值模型求解模糊最短路径问题。由于一般模糊变量其隶属函数的形式是多种多样的，对于有些模糊变量来说，很难求出其具体的期望值，因此只能采用一些智能算法来进行求解，当前最常使用的则为遗传算法。遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说，其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和变异现象，根据适者生存、优胜劣汰的自然法则，通过选择、交叉和变异等遗传算子，使群体一代一代地进行到搜索空间中越来越好的区域，直至获得最优解。遗传算法有三个基本算子选择、交叉和变异。这三个算子的实现也有许多参数，如交叉概率和变异概率，并且这些参数的选择严重影响解的品质，而目前这些参数的选择大部分是依靠经验。遗传算法善长全局搜索，然而其局部搜索能力却明显不足，搜索到最优解或满意解的速度太慢，存在易陷入局部最优解和选择压力过大造成的早熟收敛等问题。粒子群算法PSO (particle swarm optimization)是由 Kennedy 和 Eberhart 在研究鸟类和鱼类的群体行为基础上于1995年提出的一种群智能算法。其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到最优。PSO模拟鸟群的捕食行为，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中进行搜索，直至搜索到最优解。粒子群算法，根据粒子的速度来决定搜索，粒子们追随当前的最优粒子在当前解·空间中搜索。该算法适合问求解实数问题，对离散的优化问题处理不佳，算法简单，计算方便，求解速度快，但是存在着陷入局部最优等问题。
发明内容
为克服上述现有技术存在的不足，本发明的主要目的在于提供一种交通路径搜索系统及方法，其基于云模型在定性概念与其定量数值表示之间转换过程中的优良特性，结合进化计算的基本思想，实现了不确定环境下交通最短路径的选择，基于云模型的进化算法能够自适应控制遗传、变异的程度和搜索空间的范围，从而可以快速使算法收敛到最优，较好地避免了遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题，能更快地搜索到交通网络的最短路径。为达上述及其它目的，本发明一种交通路径搜索系统，至少包括模糊期望值模型建立模组，通过将交通路网节点与节点之间的距离描述成模糊变量的形式，建立模糊期望值模型；以及最短路径计算模组，根据获得的模糊期望值模型利用云模型进化算法计算获得交通路网节点和节点之间的最短路径和长度。进一步地，该模糊期望值模型为，
权利要求
1.一种交通路径搜索系统，至少包括 模糊期望值模型建立模组，通过将交通路网节点与节点之间的距离描述成模糊变量的形式，建立模糊期望值模型；以及 最短路径计算模组，根据获得的模糊期望值模型，通过建立云模型并利用云模型进化算法计算获得交通路网节点和节点之间的最短路径和长度。
2.如权利要求I所述的交通路径搜索系统，其特征在于，该模糊期望值模型为，
3.如权利要求2所述的交通路径搜索系统，其特征在于，该云模型定义为设T为论域u 上的语言值，映射
4.如权利要求3所述的交通路径搜索系统，其特征在于，该最短路径计算模组至少包括 初始化模组，用于初始化种群，确定进化代数，利用正向云算子产生初始种群； 进化代数判断模组，判断是否到达指定的进化代数，如果是，最优精英个体即为所求最优解，如果不是，则启动目标值计算模组进行目标值计算； 目标值计算模组使用模糊模拟计算所有的目标值，目标值为该期望值； 适应度值计算模组，根据目标值，计算群落中个体的适应度函数值； 评估模组，根据适应度值进行评估得到优秀个体向量； 跨代精英个体判断模组，用于判断是否出现跨代精英个体，如果是，则进行局部求精操作，并通过产生新种群产生模组产生新种群，如果不是，则启动突变判断模组进行突变判断； 突变判断模组，用于判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并通过新种群产生模组产生新种群，如果不是，直接通过新种群产生模组产生新种群，如果连续平凡代达到突变阈值，则启动突变模组进行突变操作； 突变模组，用于进行突变操作；以及 新种群产生模组，用于产生新种群。
5.如权利要求4所述的交通路径搜索系统，其特征在于，该适应度值计算模组根据以下算式计算群落中个体的适应度函数值
6.如权利要求5所述的交通路径搜索系统，其特征在于，该种群的产生模型为进化模型，该进化模型为EP (Ex，En, He)，其中Ex称为种子个体，表达祖先遗传的优良特性；En称为进化熵，代表变异的大概范围；He称为进化超熵，表示进化的稳定性，He越大则不确定性越强。
7.如权利要求6所述的交通路径搜索系统，其特征在于该突变操作为进化过程中全部或部分抛弃父代种群的优秀个体，并按照一定策略生成新的个体作为母体产生新种群的操作。
8.如权利要求7所述的交通路径搜索系统，其特征在于精英个体为进化过程中得到的适应能力最强的个体，当代精英指一个进化代的所有个体中适应性最强的个体，该跨代精英个体指多个进化代中适应性最强的个体。
9.如权利要求8所述的交通路径搜索系统，其特征在于该局部求精操作通过降低进化范围和增加稳定性，从而加大搜索的精度和稳定度来实现；该局部求变操作通过提高进化范围和降低稳定性来实现。
10.一种交通路径搜索方法，包括如下步骤 步骤一，将交通路网节点和节点之间的距离描述成模糊变量的形式，建立模糊期望值模型； 步骤二，初始化种群，确定进化代数，利用正向云算子产生初始种群； 步骤三，判断是否到达指定的进化代数N，如果是，最优精英个体即为所求最优解，本方法结束，如果不是，则转到步骤四； 步骤四，使用模糊模拟计算所有的目标值； 步骤五，根据目标值，计算群落中个体的适应度函数值； 步骤六，根据适应度值进行评估得到优秀个体向量； 步骤七，判断是否出现跨代精英个体，如果是，则进行局部求精操作，并转到步骤十，如果不是，则转到步骤八； 步骤八，判断连续平凡代是否达到突变阈值，如果不是，判断连续平凡代是否达到局部求变阈值，如果是，则进行局部求变操作，并转到步骤十，如果不是，直接转到步骤十，如果连续平凡代达到突变阈值，则转到步骤九； 步骤九，进行突变操作； 步骤十，产生新种群，并转至步骤三。
11.如权利要求10所述的交通路径搜索方法，其特征在于，步骤五中，根据以下算式计算群落中个体的适应度函数值
全文摘要
本发明公开了一种交通路径搜索系统及方法，该系统至少包括模糊期望值模型建立模组，通过将交通路网节点与节点之间的距离描述成模糊变量的形式，建立模糊期望值模型；以及最短路径计算模组，根据获得的模糊期望值模型，通过建立云模型并利用云模型进化算法计算获得交通路网节点和节点之间的最短路径和长度，本发明通过采用云模型进化算法解决交通路径搜索的优化问题，具有实现简单，收敛速度快，鲁棒性好的优点，能更快地搜索到交通网络的最短路径。
文档编号G06N3/00GK102902824SQ20121043489
公开日2013年1月30日 申请日期2012年11月2日 优先权日2012年11月2日
发明者宁建红 申请人:上海电机学院