一种基于DSSA算法的路径规划方法

一种基于dssa算法的路径规划方法
技术领域
1.本发明涉及群体智能优化技术领域，具体涉及一种基于dssa算法的路径规划方法。


背景技术：

[0002]“旅行商问题”(tsp,traveling salesman problem)是数学领域中的著名问题之一，是由物流配送领域的实际需求产生的。假设有一个旅行商人要拜访n个城市，他必须选择出所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市，路径的选择目标是要求得路径路程为所有路径之中的最小值，即构成一条行程最短的hamilton回路。
[0003]
对于互联网时代，旅行商问题的应用愈发广泛。如：快递配送、车辆导航和无人驾驶等领域。现有技术中对于大规模的最短路径求解问题，往往需要巨大的时间成本且存在一定程度性能缺陷。


技术实现要素：

[0004]
本发明的目的在于，提供一种基于dssa算法的路径规划方法，其能够在较短的时间内得到优秀的路径，有效地降低快递配送、车辆导航等领域的时间成本。
[0005]
为实现上述目的，本技术提出一种基于dssa算法的路径规划方法，包括：
[0006]
步骤1：对路径规划问题进行建模，确定设计变量的范围和约束条件；并且得到路径规划问题的目标函数，即约束条件路径的长度；根据城市的位置信息确定每对城市之间的路径长度d
ij
(i＝1，2，
…
，n)，其中n为城市的总数，即路径规划问题的规模；
[0007]
步骤2：设定最大迭代次数t和种群数量n，生成初始种群tour；其中每个个体touri的位置对应着一条候选路径，tour
ij
则代表了第i条候选路径的第j个经过地点，即第j个设计变量；
[0008]
步骤3：根据所述路径规划问题的目标函数获取每条初始候选路径的长度；更新当前最优候选路径besttour和最优路径长度bestf；
[0009]
步骤4：将第一条候选路径作为领导者，使用d-opt算子进行更新，具体见式(1)：
[0010]
tour1＝d-opt(tour1，d)
ꢀꢀ
(1)
[0011]
其中d是用于控制d-opt算子搜索强度的参数，其更新方式见式(2)：
[0012][0013]
其中d
max
和d
min
是d的取值上界和下界，t为当前迭代次数。
[0014]
步骤5：将其余候选路径作为跟随者，并使用sec算子进行更新，具体见式(3)：
[0015]
touri＝sec(touri，tour
i-1
)
ꢀꢀ
(3)
[0016]
每次迭代时，会在所述跟随者中产生一个第二领导者，使用tpals算子进行更新，具体见式(4)：
[0017]
touri＝tpals(touri)
ꢀꢀ
(4)
[0018]
所述第二领导者在每次迭代时有且只有一个，其变异率为：
[0019][0020]
步骤6：判断是否达到最大迭代次数，若达到最大迭代次数则进行步骤7，否则返回步骤3。
[0021]
步骤7：输出最优候选路径besttour和最优路径长度bestf。
[0022]
本发明采用的以上技术方案，与现有技术相比，具有的优点是：
[0023]
1、dssa将传统的2-opt算子改进为d-pot算子，在保证了性能的同时降低了算子的时间复杂度。有效地节省了求解路径规划问题的时间成本。
[0024]
2、dssa将用于dna片段组装领域的pals算子改进为tpals算子，极大地提高了算法求解路径规划问题的能力和鲁棒性。
[0025]
3、本发明提出的一种基于dssa算法的路径规划方法，能够在较短时间内求得优秀的路径，良好地解决路径规划问题，可以有效地降低快递配送、车辆导航等领域的时间成本。
附图说明
[0026]
图1为基于dssa算法的路径规划方法的流程图。
具体实施方式
[0027]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术，即所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
[0028]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0029]
为了证明本发明所提方法的有效性，选择基准实例oliver30作对比计算。该路径规划问题共涉及30个城市，该数据集中提供了所有30个城市的二维坐标。
[0030]
实施例1
[0031]
如图1所示，本技术提供一种基于dssa算法的路径规划方法，具体包括：
[0032]
步骤1：对路径规划问题进行建模，确定设计变量的范围和约束条件；根据城市的二维坐标确定每对城市之间的距离，见式(6)：
[0033][0034]
并且得到路径规划问题的目标函数，见式(7)：
[0035][0036]
变量范围见式(8)：
[0037]
1≤xi≤n
ꢀꢀ
(8)
[0038]
约束条件为遍历所有城市。
[0039]
步骤2：设定最大迭代次数t和种群数量n，生成初始种群tour；其中每个个体touri的位置对应着一条候选路径，tour
ij
则代表了第i条候选路径的第j个经过的地点，即第j个设计变量；
[0040]
步骤3：根据所述路径规划问题的目标函数获取每条初始候选路径的长度；更新当前最优候选路径besttour和最优路径长度bestf；
[0041]
步骤4：将第一条候选路径作为领导者，使用d-opt算子进行更新；
[0042]
步骤5：将其余候选路径作为跟随者，其使用sec算子进行更新；根据变异率在跟随者中产生第二领导者，此时使用tpals算子进行更新。
[0043]
步骤6：判断迭代次数是否达到500，若达到最大迭代次数则进行步骤7，否则返回步骤3。
[0044]
步骤7：输出最优候选路径besttour和最优路径长度bestf，所述最优路径即是规划路径的城市顺序，而最优路径长度则是规划路径问题的最小成本。
[0045]
最后求得路径长度平均值、标准差及误差如表1：
[0046]
表1.dssa求解路径规划问题得到的平均值、标准差及误差
[0047][0048]
本发明在intel(r)core(tm)i5-105003.10ghz cpu和16.00gb内存，windows 10运行环境下，借助matlab对该方法进行仿真实验，实验结果表明本发明的方法结果优于其他算法的实验结果。
[0049]
方法对比：
[0050]
为了比较算法的鲁棒性，每个算法独立运行20次，取最优值、平均值、标准差以及最优解作为评估指标。对比算法有人工蜂群算法(abc)、蚁群算法(aco)、离散jaya算法(djaya)和离散树种算法(dtsa)。
[0051]
对比结果见表2。其中所有算法中最好的平均值、标准差及误差将被加粗。
[0052]
表2.几种算法求解路径规划问题得到的平均值、标准差及误差
[0053][0054]
对比分析：
[0055]
从表2的结果来看，基于dssa算法的路径规划方法在所有方法中能够取得最好的平均值，因此本发明所提方法在实际应用中具有良好的鲁棒性。而从标准差和误差的对比可以看出，基于dssa算法的路径规划方法找到了全局最优的路径，因此本发明所提方法具有良好的性能。
[0056]
综上所述，本发明提出的一种基于dssa算法的路径规划方法，同其他先进的方法
相比，具有更好的性能和鲁棒性，能够在更短的时间内获得更好的规划路径。
[0057]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。