路径规划毕业设计.doc

1引言 1.1 课题研究背景及意义 1.2 主要研究内容及关键问题 2路径规划概述 路径规划是智能交通系统研究的重要内容，同时也是车辆定位与导航系统的重要组成部分，智能交通系统是包含若干子系统的复杂系统，其每个子系统都具有不同的功能，车辆定位与导航系统是智能交通系统的一个主要的应用子系统而路径规划是车辆定位与导航系统的重要组成部分。所以可以用下图来描述三者之间的关系。 2.1 路径规划的概念 路径规划是车辆定位系统与导航系统的重要组成部分，是它必不可少的核心功能之一。车辆定位与导航系统中的路径规划是在车辆行驶前或行驶过程中为司机提供从起始点到目标点的一条或若干条路线，来对司机的行车进行导航。路径规划可分为单车辆路径规划和多车辆路径规划，单车辆路径规划是在一个特定的道路网上根据一个车辆的当前位置和目标给出单个路径规划，属于用户优化问题；多车辆路径规划是在一个特定的道路网上为所有的车辆规划各自的目标路径，属于系统优化问题。 在计算机科学中，通常把求解两点之间一条路径的问题和多源最短路径问题，这些算法可视为单车辆路径规划的问题，多车辆路径规划比单车辆路径规划更复杂，单用于解决单车辆路径规划问题的背景知识将有利于研究多车辆路径规划的情形。 2.2 路径规划问题的效率 针对一个特定的应用，在进行路径规划是可以采用多种标准来优化路线，这取决于系统的设计和用户的意愿。一条路径的好坏取决于许多因素，有些司机可能选择行驶距离最短的路径，而有些司机宁愿行驶距离长些但必须行车条件好一些。这些路径选择标准可由设计决定，也可由司机通过一个用户界面来选定。在选择最好路径时，必须具备一个数字地图，来挑选使属性值如时间和距离最小的路径。 计算机中存储的具有拓补结构的车市路网由节点、边及相应的拓补关系构成。其中节点是道路的交叉点、端点，边是两节点间的一段道路，用于表示分段道路，边的权值可以定义为道路的距离或距离与其它信息的综合信息，此时可以将数字道路地图转化为带权有向图，因此无论采用何种标准，求解路网中两点之间的路径问题就可以归结为带权有向图的路径问题。 在图论中有许多比较成熟的最短路径算法可供采用，但在车辆定位与导航系统中，这些算法通常不能直接使用，原因有两个：一、对于实时车辆导航系统，路径规划必须在一定的时间内完成，这就要求路径规划算法具有较高的运算效率；二、对于车辆导航系统，负责路径规划的导航计算机系统受车载环境和成本制约，处理能力和存储资粮十分有限，而在实际应用中的数字道路数据库往往规模庞大。因此在车辆定位与导航系统中路径规划的研究目的和任务是改进图论中的算法或者构造新的算法，实现在尽可能短的时间内找到一条理想的路径。只考虑了路径规划的时效性，可能导致规划后的路径不是最优路径，但却是比较理想的次优路径，能够被人们所接受，此时达到了时效性和最优性的平衡。这也是车辆定位与导航系统所要求的。 2.3路径规划的研究现状 目前，国内外对路径规划方法的研究主要有两大类，传统方法与智能方法。传统方法主要包括：梯度法、栅格法、枚举法、可视图法、人工势场法、自由空间法、A*算法、随机搜索法等。其中人工势场法、梯度法易陷入局部最小点，枚举法、可视图法不易用于高维的优化问题。用于机器人路径规划的智能方法主要有：模糊逻辑、神经网络、遗传算法、蚁群算法、粒子群算法等。 3.3 基本蚁群算法的框架 基本蚁群算法的结构流程 3.4 蚁群算法的数学模型 将m只蚂蚁随机放到n个连通的城市上，并使各路径上信息素的浓度相等。t时刻位于城市i的蚂蚁K倾向于选择那些长度较短并且信息素浓度较高的路径，并在某一时间更新路径上的信息素浓度，当所有蚂蚁都遍历完n个城市以后，计算出此次遍历的最短路径。此后算法迭代至满足终止条件后结束，找到遍历整个城市的最短路径。 蚂蚁K转移原则： 访问未访问过的城市。 选择城市j为目标城市的概率： if j∈allowedk 当所有蚂蚁完成一次遍历后，更新路径上的信息素浓度τ： ，其中： 3.5采用蚁群算法求解最优路径 蚁群算法实质上是采用信息正反馈机制，一旦具有正确 的初始信息素的引导，蚁群就能够快速地收敛于最优解。具体表示如下： 3.5.1信息素的表示 “信息素”分布在每两个相邻栅格中心的连线上，通往障碍栅格的连线的信息素为0。蚂蚁从起始栅格开始搜索，蚂蚁的每一步搜索范围是与其当前所在栅格相邻的上、下、左、右4个栅格上。t时刻每一自由栅格中心i到其相邻自由栅格中心 的信息素的值为 (t)。 3.5.2路径点的选择 t时刻蚂蚁k择下一个城市的转移概率由下式确定 if j∈allowedk 3.5.3“信息素”更新机制 随着时间的推移，以前留下的信息素逐渐消逝，用参数1 一p表示信息素消逝程度，经过n个