基于A算法车辆最优静态路径规划.docVIP

基于A算法车辆最优静态路径规划 　　摘要：经济和技术的高速发展，使车辆更加有可能进入普通家庭的生活中，扩展了人类活动的范围和路径，但是也给出行者提出了新的困难和挑战。车辆的静态最优路径规划策略，是利用存储于车载系统的固有静态地图数据，查询始末道路路口节点的最优道路路径算法。静态最优路径规划策略的研究不仅是自主式车载导航信息系统的主要道路路径搜索方法；也是智能交通系统中，基于实时动态路况信息的中心式车辆导航系统的动态路径规划基础。本文应用启发式的路径规划策略A-star（A* ）算法，实现了车辆的静态最优路径规划。 　　关键词：智能交通 A*算法 静态路径规划 　　中图分类号：P285 文献标识码：A 文章编号：1007-9416（2013）09-0117-02 　　1 引言 　　城市交通道路的复杂性，固定意识的出行路径引发的严重交通堵塞，使出行者迫切需要获得正确的出行路径；出行过程中，对不熟知地理环境和周围交通状况的把握和了解；车辆及出行者对社会服务的急迫需要；荒野作业过程中的道路迷失。我们可以得出一个重要的结论，就是随着出行者活动范围的不断扩大，人们迫切需要对车辆自身所处的位置及周围环境有更有效的认识，并作出理性的判定[1]。有效调高出行车辆行驶过程中的路径规划效果是解决城市交通堵塞的重要方法。 　　2 建立静态路径规划数学模型 　　对于最优道路路径规划策略的研究上来说，道路口节点和路径就可以对智能交通网进行数学逻辑上的描述，这一个基本的数字路网模型图可以表示为： 　　（2.1） 　　式中：G为智能交通道路的基本电子路网模型；N为道路网络路口节点的集合，ni为表示道路路网的任意一个节点，xi， yi为该任意节点的横和纵坐标；R为道路路网层路径的ri集合，为道路路网任意一段路径，为两个道路口节点之间或任意一条道路径的权重值。 　　依据智能交通原始电子地图，创建交通路网的空间拓扑结构相图G，以此为基础建立静态路径规划数学模型，模型具体描述如下： 　　2.1 定义智能交通路网的权值变量 　　实际智能交通中的两道路口节点，相关的任意道路径都含有一个权值，依据电路的常用定义规则，称为道路阻抗，描述了车辆行驶过程中通过该道路路径所要消耗的能量变量值，该值可以定义：道路路径的空间距离、通过该道路路径所需时间、车辆行驶路程缴费，依据用户所关心的目标函数可以采用不同的权值测量方法。 　　最优路径规划的目标函数为：车辆行驶过程中的始末道路最短路径DistanceMin。设，式中为车辆行驶过程中的路径值，。 　　最优路径规划的目标函数为：车辆行驶过程中的始末道路最短时间DistanceMin。设，式中为道路路径的宽度和等级，，为系数。假设车辆的平均速度与道路路径的宽度和等级成正比。 　　此外，据用户所关心的目标函数可以采用不同的权值测量方法，最优路径规划的目标函数为车辆行驶路程缴费最小的情况时，需要考虑车辆行驶过程中的道路的收费和油耗，并忽略车辆其他损耗。 　　2.2 最优路径规划的目标函数T 　　依据用户所关心的目标函数T，可以采用不同的定义方法。通常在最优路径规划策略考虑，始末道路节点的路径最短、及车辆耗时最小等。 　　车辆在智能交通网络的行驶过程中，始末道路口节点之间的道路径，分为m条路径，车辆通过每条路径的时间为。最优路径规划的目标函数T定义为： 　　标函数T为最小路径： 　　； （2.2） 　　标函数T为最小路径： 　　， （2.3） 　　因为： 　　（2.4） 　　则： 　　（2.5） 　　3 A-star算法设计 　　A-star算法是一种路径规划过程中比较经典的预测方式的搜索算法。采用智能交通网的全局信息变量，通过选择合理的预测估计评价函数，预设置优先查询的到路径方向，以减少搜索的道路口节点及路径的路段个数，实现查询的最优效率。以道路口节点之间的欧式距离及道路等级为A-star算法预测启发式的评价指标，定义如下所示： 　　（3.1） 　　其中，是始点到当前节点之间实际所产生的通过道路路径的费用，即是始末两节点之间的，每段路径的道路等级乘以道路的路径长度相加的代数和，是当前节点到目的地节点的最小代价值，本文取当前节点到目的地节点的欧式距离，为表智能交通道路分类序号值，取值为0、1、2；选择道路等级作为算法价值的评价指标，主要是考虑智能交通网中的高等级路，道路的路况及安全系数较高，虽然不是车辆行驶过程中的最短路径，但是可以给行车者带来精神放松，提升交通安全指标。A-star算法主程序框图如图3.1所示。 　　4 实验研究 　　车辆的静态最优路径轨迹规划，以复杂情况较大的北京市东城区的三环和四环之间的道路网数据为路径规划源。东西距离10KM，南北距离4KM。技术平台支持：