一种基于阿米巴运动机制的路径规划方法

1.本发明涉及车辆控制技术领域，尤其涉及一种基于阿米巴运动机制的路径 规划方法。


背景技术：

2.传统的路径规划算法有：模拟退火算法、人工势场法、模糊逻辑算法、禁 忌搜索算法等。
3.模拟退火算法是一种适用于大规模组合优化问题的有效近似算法。它模仿 固体物质的退火过程，通过设定初温、初态和降温率控制温度的不断下降，结 合概率突跳特性，利用解空间的邻域结构进行随机搜索。具有描述简单、使用 灵活、运行效率高、初始条件限制少等优点，但存在着收敛速度慢、随机性等 缺陷，参数设定是应用过程中的关键环节。
4.人工势场法是一种虚拟力法。它模仿引力斥力下的物体运动，目标点和运 动体间为引力，运动体和障碍物间为斥力，通过建立引力场斥力场函数进行路 径寻优。优点是规划出来的路径平滑安全、描述简单等，但是存在局部最优的 问题，引力场的设计是算法能否成功应用的关键。
5.模糊逻辑算法网模拟驾驶员的驾驶经验，将生理上的感知和动作结合起来， 根据系统实时的传感器信息，通过查表得到规划信息，从而实现路径规划。算 法符合人类思维习惯，免去数学建模，也便于将专家知识转换为控制信号，具 有很好的一致性、稳定性和连续性。但总结模糊规则比较困难，而且一旦确定 模糊规则在线调整困难，应变性差。最优的隶属度函数、控制规则及在线调整 方法是最大难题。
6.在智能仿生学中，主要有蚁群算法、神经网络算法、粒子群算法、遗传算 法等。蚁群算法的思想来自于对蚁群觅食行为的探索，每个蚂蚁觅食时都会在 走过的道路上留下一定浓度的信息素，相同时间内最短的路径上由于蚂蚁遍历 的次数多而信息素浓度高，加上后来的蚂蚁在选择路径时会以信息素浓度为依 据，起到正反馈作用，因此信息素浓度高的最短路径很快就会被发现。算法通 过迭代来模拟蚁群觅食的行为达到目的。具有良好的全局优化能力、本质上的 并行性、易于用计算机实现等优点，但计算量大、易陷入局部最优解。神经网 络算法因为路径规划中复杂多变的环境很难用数学公式进行描述，如果用神经 网络去预测学习样本分布空间以外的点，其效果必然是非常差泛化能力差是其 致命缺点。遗传算法是按照基因遗传学原理而实现的一种迭代过程的搜索算法， 由于是使用迭代的方式，所以最终的效率也不高。


技术实现要素：

7.本发明的目的在于提供一种基于阿米巴运动机制的路径规划方法，旨在提 高路径规划算法的计算效率。
8.为实现上述目的，本发明提供了一种基于阿米巴运动机制的路径规划方法， 包括将城市各个道路状态设定为初始状态；
9.基于工作时间段、车辆运行状态计算每段道路的状态值并结合初始状态判 断每段道路为稳定状态或者失稳状态；
10.基于车辆当前位置和目的地位置，并排除所述失稳状态的道路，生成所有 到达路径；
11.分别计算所有到达路径的状态值之和并生成最优路径。
12.其中，所述将城市各个道路状态设定为初始状态的具体步骤是：
13.将目标城市道路基于检测点进行分段；
14.将每段道路的状态设置为初始状态。
15.其中，所述基于工作时间段、车辆运行状态计算每段道路的状态值并结合 初始状态判断每段道路为稳定状态或者失稳状态的具体步骤是：
16.间隔相同时间对每段道路的车辆运行状态进行收集；
17.结合工作时间段和车辆运行状态计算道路状态值；
18.收集并存储所有道路状态值；
19.道路状态值小于等于初始状态则为稳定状态，道路状态值大于初始状态则 为失稳状态。
20.其中，所述车辆运行状态包括在检测点内预设时间间隔通过的车辆数量， 所述车辆通过检测点的平均车速。
21.其中，所述分别计算所有到达路径的状态值之和并生成最优路径的具体步 骤是：
22.计算所有到达路径的状态值之和；
23.对状态值按从大到小进行排序；
24.最小状态值对应的道路为最优路径。
25.本发明的一种基于阿米巴运动机制的路径规划方法，包括将城市各个道路 状态设定为初始状态；基于工作时间段、车辆运行状态计算每段道路的状态值 并结合初始状态判断每段道路为稳定状态或者失稳状态；基于车辆当前位置和 目的地位置，并排除所述失稳状态的道路，生成所有到达路径；分别计算所有 到达路径的状态值之和并生成最优路径。本发明采用仿生学
‑‑
阿米巴菌的运动机 制，通过间隔收集道路的状态值，反馈给中心以后，求其中到目的地最小的状 态值之和从而得到一个最优路径。利用阿米巴运动的特性，能够更快地收敛， 且能够获取到一个全局最优的路径。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1是本发明的一种基于阿米巴运动机制的路径规划方法的流程图。
28.图2是本发明的将城市各个道路状态设定为初始状态的流程图。
29.图3是本发明的基于工作时间段、车辆运行状态计算每段道路的状态值并 结合初始状态判断每段道路为稳定状态或者失稳状态的流程图。
30.图4是本发明的分别计算所有到达路径的状态值之和并生成最优路径的流 程图。
31.图5是本发明的工作原理图。
具体实施方式
32.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自 始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元 件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不 能理解为对本发明的限制。
33.阿米巴运动机制主要来自于如下实验：研究者以阿米巴粘液菌为中心，在 它周围放置了燕麦片使得阿米巴和燕麦片的分布与东京及周围36座城市的布局 完全一致。
34.起初，粘液菌均匀地以蔓状结构扩散开来，对新的领地进行试探，并逐渐 包围了周边的燕麦片。几小时之后，粘液菌开始重新布局，强化了燕麦片之间 的输送管道，并将其他管道逐渐收缩，直至消失，使能量能够集中到需要强化 的管道上。一天以后，像叶脉般细细的蔓状结构不见了，取而代之的是清晰的 捕食网络，内部相连的输送管道将所有麦片连接了起来，通向中心。而当食物 消失后，阿米巴菌会重新聚集再重新分散寻找食物，优先向诱饵浓度高的地方 移动，这寻找过程就是阿米巴运动。
35.当阿米巴建立好管道后，即聚集到食物处后，我们就认为当前整体处于一 个稳定状态。而当食物消耗完后，阿米巴菌需要重新聚集寻找，此时就认为是 失稳状态。
36.而在本发明中，设阿米巴菌没有聚集时为稳定状态，对应到道路车辆上， 即车辆流畅通行时，判定其为稳定状态。而当阿米巴菌聚集时则对应车辆拥堵， 即出现了失稳状态。
37.下方ei的计算公式为阿米巴运动的失稳条件，这里进行了对应的修改，当 ei》1,即处于失稳状态，设置初始状态值为1，默认各道路为稳定状态，即通畅 的。当发生拥堵时，ei计算值将大于1，故以此判定。
38.计算出的各道路状态值进行汇总，就类似阿米巴菌失稳后聚集到中心收集 道路反馈信息类似。在获得各道路状态值后，小于1的道路都是畅通的，然后 根据起点和终点，计算出状态值和为最小的道路集合就是最优的路径。
39.请参阅图1～图5，本发明提供一种基于阿米巴运动机制的路径规划方法， 包括：
40.s101将城市各个道路状态设定为初始状态；
41.具体步骤是：
42.s201将目标城市道路基于检测点进行分段；
43.检测点为可以对道路车辆进行监测并进行信息提取的点，主要是道路上的 摄像头系统。在两个相邻检测点之间的道路可以设置为一段道路。
44.s202将每段道路的状态设置为初始状态。
45.初始状态如上所述，默认为1。
46.s102基于工作时间段、车辆运行状态计算每段道路的状态值并结合初始状 态判断每段道路为稳定状态或者失稳状态；
47.具体步骤是：
48.s301间隔相同时间对每段道路的车辆运行状态进行收集；
49.所述车辆运行状态包括在检测点内预设时间间隔通过的车辆数量，所述车 辆通过检测点的平均车速。
50.结合摄像头系统产生的图像，并对图像进行处理可以得到上述信息。此处 预设时间间隔可以是十分钟。
51.s302结合工作时间段和车辆运行状态计算道路状态值；
52.由于上下班时间段和其他时间的车流量相差很大，因此在计算时需要考虑 时间影响。
53.状态值计算公式为：
[0054][0055]
其中，λ为时间强度系数，早高峰和晚高峰时期，λ为1，其他时间段可以根 据城市的车辆历史数据进行适应性的调整，分布为[0,1)，f为十分钟内通过的车 辆数，v为十分钟内平均车速，单位为km/h，k为时间间隔，此处为1/6h；
[0056]
s303收集并存储所有道路状态值；
[0057]
s304道路状态值小于等于初始状态则为稳定状态，道路状态值大于初始状 态则为失稳状态。
[0058]
结合上述的初始状态为1，则若有道路的状态值超过1则将其设为失稳拥堵 状态，小于等于1则为稳定状态。
[0059]
s103基于车辆当前位置和目的地位置，并排除所述失稳状态的道路，生成 所有到达路径；
[0060]
此处失稳状态不进行计算，以保证计算出的道路通行无阻。
[0061]
s104分别计算所有到达路径的状态值之和并生成最优路径。
[0062]
选择稳定状态值之和：
[0063][0064]
其中i代表稳定状态的道路，最小的一条线路作为最优路径。
[0065]
具体步骤是：
[0066]
s401计算所有到达路径的状态值之和；
[0067]
s402对状态值按从大到小进行排序；
[0068]
s403最小状态值对应的道路为最优路径。
[0069]
本发明采用仿生学
‑‑
阿米巴菌的运动机制，通过间隔收集道路的状态值，反 馈给中心以后，求其中到目的地最小的状态值之和从而得到一个最优路径。利 用阿米巴运动的特性，能够更快地收敛，且能够获取到一个全局最优的路径。
[0070]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发 明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流 程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。