基于云计算的并行动态路径搜索算法研究.docVIP

精品文档（可编辑） 值得下载 基于云计算的并行动态路径搜索算法研究 摘要：由于动态路径导航系统中总会出现预测不准确和重新计算时间长的问题，因此需要有一个高效的动态路径搜索算法作为系统的有益补充。路径搜索算法中蚁群算法具有很好的并行特性，但目前针对路径搜索中应用的蚁群算法在并行性分布方面存在重复搜索和难以找到最优解的一些缺陷。因此，本文研究针对路径搜索的更加合理的并行蚁群算法，通过合理划分数据域，使得计算结果的准确性和计算资源的利用效率都能有很大提高，最后用实验结果的对比来进一步说明算法的高效和准确性。 关键词：智能交通；蚁群算法；并行性部署；优化问题 中图分类号：TP312 文献标识码：A DOI：10.3969/j.issn.1003-6970.2015.04.029 0.引言 随着城市化的发展，车辆拥堵、交通意外等现象越来越频繁地影响着人们的出行，为社会生活的各个方面带来了不必要的损失。动态路径导航系统运用智能交通技术，引入了云计算的新兴前沿技术，加强车辆、道路、使用者三者之间的联系，缓和道路堵塞和减少交通事故，提高人民群众出行便利性，对于智能交通的发展推广具有重要意义。 由于导航系统中出行者OD（origin-destination）信息来自于基于历史信息平均的预测，或者是依据历史信息和进行计算前收集的实时交通流情况倒推的预测，这就总会出现预测不准确的问题。当真实OD需求超过了预测，或者某段道路情况由于事故等原因突发拥堵，上述数据会与实际偏差较大。理想的解决方法是根据当前网络情况再重新计算交通分配，但计算耗时较长，根据前期实验达15分钟以上，具体时间由待处理网络规模、路网状态以及计算效率等决定。出行者无法等待，因此需要有一个高效的动态路径搜索算法作为系统的有益补充。 大规模动态路径搜索问题对运算效率要求很高，虽然很早时就有了经典的Diikstra和Floyd算法，不过当面对大规模网络时仍然达不到要求。对于该问题，一些学者提出了许多动态路径导航算法，如杨易等人提出的病毒化遗传算法、Marco Dorigo提出的蚁群算法等，但是就性能而言，蚁群算法相对较好。 尽管传统蚁群算法在求解小规模路径导航问题或者TSP（Traveling Salesman Problem）问题（或其他优化问题）时，表现出极高的性能，但是随着问题规模的增大，传统蚁群算法的缺点也暴露出来：①收敛速度明显减慢，也就是说，算法找到目前已知的最优解所需的时间急剧增加；②搜索易于停滞，即当搜索到一定程度后，所有个体所发现的解完全一致，不能对空间进一步搜索。 而在实际的导航问题中，要寻找的街道路口等构成的数据规模比较大，若采用传统蚁群算法则可能导致求解速度过慢，很难满足实际导航对于实时性的要求。为了解决这一难题，不少学者曾提出了改进算法，如Tsai C，Wei Gao等人提出的改进算法，经研究发现，如果能在导航问题中采用若干蚁群并行执行，通过合理的划分蚁群来减小每个蚁群的搜索范围，这样就可以极大的提高搜索速度，避免传统蚁群算法由于搜索范围太大而带来的收敛速度慢的问题。 目前已经有学者提出了一些并行蚁群算法，如Xu JunYong、ChengyongLiu等提出的并行蚁群算法，这些并行蚁群算法的并行策略可以归纳为以下两类：蚂蚁级并行策略和数据级并行策略，两者皆有其缺点和局限性：①如果采用蚂蚁级并行策略，则服务器云端在实际的寻路计算中，很有可能出现很多蚂蚁多次重复沿同一路径查找的问题，这样会造成极大的计算资源浪费，严重影响并行算法的效率。②如果采用数据级并行策略，则可以避免蚂蚁级策略所遇到的计算资源浪费问题，但是如果数据域划分的太小，由于各个蚁群无法跨区域搜索，则会造成很难找到真正的最优解的问题，因此对于数据级并行策略，如何合理划分数据域是一个十分关键的问题。 本文将交通信息数据与实时通信有机结合，以动态交通地理信息（如路网中的动态交通分配信息、交通事件信息等）为主，以物理上的道路距离为辅设计动态交通路网模型，以旅行时间最少作为搜索准则，设计启发式算法以及在云平台的部署方法。算法设计目标是提高求解最优路径的速度和精确性，本文将具体研究如何将云计算模型与并行蚁群算法相结合来求解融入动态交通信息的最优路径，并通过实验验证算法的高效和准确性。