基于GIS遗传算法在路径诱导中应用与实现.docVIP

基于GIS遗传算法在路径诱导中应用与实现 　　摘要：最优路径搜寻是路径诱导问题的核心，文章在路径优化问题的求解中，将遗传算法和蚁群思想进行融合，首先利用前部分遗传操作迅速产生优化解，并由此衍生的初始信息素进行蚁群计算，并将后部分遗传操作引入蚁群算法以保证群体多样性以防陷入局部，仿真实验验证了算法的正确性和有效性。在系统实现部分，基于GIS环境，利用面向对象的程序设计语言C++，在VC集成开发环境下，通过MapInfo获取地图，并且把得到的路径优化结果回显在地图上。 　　关键词：遗传算法；蚁群算法；路径优化；算法融合；双遗传蚁群算法 　　 　　路径诱导是基于交通信息为出行者提供最优路径，以提高路网的使用效率。如何在短时间内根据这些信息快速确定出最佳出行路径是路径诱导的核心问题。其理论、模型与算法的优劣直接影响路径诱导系统的功能。近年来，国内外在这个研究领域中虽然进行了多方努力，取得了比较可观的成果。但所建模型普遍存在计算量大、优化时间长以及无法快速得到路经优化结果等问题。基于上述因素考虑，本文在路径优化问题的求解中，将遗传算法和蚁群思想进行融合，首先利用前部分遗传操作迅速产生优化解，并由此衍生的初始信息素进行蚁群计算，并将后部分遗传操作引入蚁群算法以保证群体多样性以防陷入局部，使得问题求解更加容易，对许多工程应用更具有实际意义，仿真实验验证了算法的正确性和有效性；在系统实现部分，基于GIS环境，利用面向对象的程序设计语言C++，在VC集成开发环境下，通过MapInfo获取地图，并且把得到的路径优化结果回显在地图上。 　　 　　一、遗传算法（Genetic Algorithm，GA）介绍 　　 　　遗传算法是20世纪60年代，由美国Michigan大学的J.H.Holland教授首先提出的，是模拟生物的遗传和长期进化过程发展起来的一种搜索和优化算法。它模拟了生物界“生存竞争，优胜劣汰，适者生存”的机制，用逐次迭代法搜索寻优。遗传算法是一种优化或者说是一种搜索算法，在某种意义上，它是“仿生学”在数学领域的直接应用。最优化问题的求解过程是从众多的物种中选出最优的解，生物进化的适者生???规律使得具有生存能力的染色体以最大的可能生存。这样的共同特点使得遗传算法可以在优化问题中应用。 　　遗传算法的过程：刚开始时，随机产生一些个体，构成一个种群，一个种群中个体的数目即种群的规模（Population Size，N），N在求解过程中是不变的，然后通过几种GA操作（选择、交叉、变异等）作用在种群上，产生出一代代的新种群（每代有N个个体），从每一代种群中选出适应度f高的优质个体，在解空间上成为候补解集合，直到满足要求的收敛指标，即求得了问题的解。 　　遗传算法的计算流程如图1所示。 　　 　　 　　二、蚁群算法（Ant Colony Algorithm，ACA）的基本思路 　　 　　蚁群算法是从自然界真实蚂蚁觅食的群体行为得到启发而提出的，其很多观点都来源于蚂蚁觅食原理。蚂蚁 　　在运动过程中，能够在它所经过的路径上释放一种特殊的分泌物――信息素来寻找路径。当它们碰到一个还没有走过的路口时，就随机地挑选一条路径前行，同时释放出与路径长度有关的信息素。蚂蚁走的路径越长，则释放的信息素越小。当后来的蚂蚁再次碰到这个路口的时候，选择信息量较大的路径的概率相对较大，从而形成了一个正反馈机制。最优路径上的信息量越来越大，而其他路径上的信息量却会随着时间的流逝而逐渐消减，最终整个蚁群会找出最优路径。蚁群行为具有非常高的自组织性，蚂蚁之间交换着路径信息，最终通过蚁群的自催化行为找到最优路径。因此，由大量蚂蚁组成的蚁群的集体行为表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后者选择该路径的概率越大。蚂蚁个体之间就是通过这种信息的交流达到以最短路径搜索食物的目的。 　　蚁群算法的计算流程如图2所示。 　　 　　 　　三、路径诱导问题 　　 　　随着道路负荷的加重，仅靠修建道路是解决不了问题的，必须利用ITS的各种方式提高现有交通条件的利用率，使交通流的分布更加合理。路径诱导就是其中的一个重要手段，路径诱导系统的主要对象是个别公共交通和个人交通车辆，其主要目的是提供基于交通信息的出行路线诱导。对于对路网情况熟悉的驾驶员可以通过提供个性化的路径引导服务，减少其出行时间；对于不熟悉路网情况的驾驶员可以引导他们按照正确的道路行驶，同时还可以减少环境污染。 　　 　　四、双遗传蚁群算法求解路径问题 　　 　　遗传算法的特点在于能够全局群体搜索，计算过程保留多种搜索途径齐头并进的优势；搜索过程不容易陷入局部最优，对参数设置不敏感，但由于算法过程随机处理较多，要寻求最优解往往耗时太长，在理想时间内只可获得次优解。蚁