一种基于贪婪算法的路径规划方法与流程

本发明涉及路径规划领域，尤其涉及一种基于贪婪算法的路径规划方法。

背景技术：

1、在当今日益繁忙的城市生活中，人们对路径规划的需求变得越来越迫切。从通勤、物流到旅游，路径规划贯穿了人们的各个生活领域。然而，传统的路径规划方法往往受限于静态路网和简单的算法，无法应对城市交通的复杂性和动态性。与此同时，随着交通工具的多样化和智能化，以及交通数据的大规模产生和应用，路径规划技术面临着新的挑战和机遇。路径规划技术的发展一直是人工智能、交通领域和城市规划的焦点之一。传统的规划方法主要基于启发式算法和静态地图数据，这在一定程度上满足了基本的需求，但难以适应日益复杂和动态变化的城市交通环境；因此，发明出一种基于贪婪算法的路径规划方法变得尤为重要。

2、经检索，中国公布号cn113467481a公开了一种基于改进sarsa算法的路径规划方法，该发明虽然能够有效减少算法的总步数与平均每轮步数，提高了算法的性能，但是无法全面地搜索整个路径空间，无法应对实时交通状况的变化，降低找到最优路径的机会；此外，现有的路径规划方法的路径规划无法贴近实际情况，降低路径规划的准确性和实用性，降低用户的出行体验和路径选择的满意度；为此，我们提出一种基于贪婪算法的路径规划方法。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于贪婪算法的路径规划方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于贪婪算法的路径规划方法，该规划方法具体步骤如下：

4、s1、收集地理数据并构建路径规划所需的图结构；

5、s2、通过贪婪算法生成初始路径并优化该初始路径；

6、s3、对路径中的关键节点进行识别标记；

7、s4、对路径进行细化并预测路径中的动态变化；

8、s5、在模拟环境中对规划路径评估修正；

9、s6、实时监控环境变化并根据实时反馈对路径进行微调。

10、作为本发明的进一步方案，s1中所述路径规划图结构具体构建具体步骤如下：

11、步骤一：对收集到的原始数据进行噪声过滤，去除错误数据和无效数据，再使用插值方法填补缺失的gps数据，并通过历史数据修正异常的交通流量数据；

12、步骤二：将来自不同传感器和数据源的数据进行整合，统一格式并去重，将不同来源的数据进行时间同步后，从各组地理数据中识别出道路网络中的节点，节点代表路口、终点以及起点，依据图论中的节点定义，将这些点标记为图结构中的节点；

13、步骤三：根据道路网络数据生成节点之间的边，边代表道路或路径，记录每条边对应的属性信息，基于距离、时间以及交通流量计算每条边的权重，再为每个节点添加属性信息；

14、步骤四：将构建好的图结构存储到数据库或内存中，并将节点和边的信息录入到路径规划系统中,对存储的图结构进行一致性检查，并处理其中的孤立节点或无效边，验证生成的图结构中的路径可达性，再定期获取最新的交通信息，并更新图结构中的边权重，根据实时获取的环境信息，动态调整图结构中的节点和边信息。

15、作为本发明的进一步方案，s2中所述初始路径生成具体步骤如下：

16、步骤1：收集用户设定的起点s以及终点信息g，从起点s开始，并记作ncurrent＝s，依据图结构找到当前节点ncurrent的所有邻居节点，记作nneighbors，之后计算每个邻居节点的启发值；

17、步骤2：从所有邻居节点中选择启发值最小的节点作为下一个节点，再将当前节点更新为选择的最优邻居节点，之后将当前节点添加到路径列表中，若当前节点为终点g，则路径生成完成，否则，重复寻找最优邻居节点，直至当前节点为终点g。

18、作为本发明的进一步方案，步骤1中所述启发值具体计算公式如下：

19、

20、式中，(xn,yn)代表节点n的坐标；(xg,yg)代表终点g的坐标；

21、步骤2中所述最优节点选择具体计算公式如下：

22、

23、式中，nneighbors代表当前节点的所有邻居节点集合；h(ni)代表邻居节点ni的启发值。

24、作为本发明的进一步方案，s2中所述初始路径优化具体步骤如下：

25、步骤ⅰ：初始化同时参与路径优化的蚂蚁数量以及挥发系数，之后初始化所有边上的信息素，再将每只蚂蚁放置在起点s，之后每只蚂蚁根据概率选择下一个节点；

26、步骤ⅱ：蚂蚁从起点开始，逐步选择下一个节点，直到到达终点，当每只蚂蚁完成路径后，计算路径的总长度，并将所有边上的信息素浓度按照挥发系数进行挥发；

27、步骤ⅲ：每只蚂蚁沿其路径释放信息素，以增强对应路径的信息素，并更新所有边上的信息素浓度，判断是否达到预设的时间限制,在达到终止条件后，输出在所有迭代中找到的最优路径及其长度。

28、作为本发明的进一步方案，步骤ⅰ中所述概率选择具体计算公式如下：

29、

30、式中，τij代表边(i,j)上的信息素浓度；ηij代表边(i,j)上的启发因子；α代表信息素的重要性系数；β代表启发因子的重要性系数；allowed代表蚂蚁可以选择的节点集合；

31、步骤ⅱ中所述路径总长度具体计算公式如下：

32、

33、式中，lk代表蚂蚁k的路径总长度；dij代表边(i,j)的实际距离；

34、步骤ⅱ中所述信息素浓度挥发具体计算公式如下：

35、τij＝(1-ρ)τij

36、式中，ρ代表信息素挥发系数；

37、步骤ⅲ中所述信息素浓度更新具体计算公式如下：

38、

39、

40、式中，代表蚂蚁k在边(i,j)上释放的信息素量；q代表信息素增强系数；m代表蚂蚁数量。

41、作为本发明的进一步方案，s4中所述路径动态变化预测具体步骤如下：

42、步骤①：收集并预处理历史交通数据、环境数据以及地理数据，再对数据进行标准化或归一化处理，将时间序列数据按时间顺序排列，构建输入序列，并基于深度学习框架构建动态预测模型；

43、步骤②：将处理后的数据划分为训练集以及验证集，将训练集数据划分多组小批量数据传入动态预测模型，动态预测模型通过前向传播计算模型输出和损失，并将计算出的损失从动态预测模型输出层开始，进行反向传播，计算损失对模型各网络层的梯度，并通过adam优化器更新参数；

44、步骤③：每次训练周期结束后，在验证集上评估模型性能，调整超参数，当动态预测模型性能不再提升或开始恶化时，提前终止训练，否则，通过训练集以及验证集反复对模型进行训练验证，直至达到预设训练次数后停止；

45、步骤④：将待预测的时间序列数据输入动态预测模型中，并输出路径动态变化，若预测到任一路段将出现拥堵，可以选择替代路径，若预测到任一路段将畅通，可以优先选择该路段，将调整后的路径信息录入系统，更新路径规划图结构。

46、作为本发明的进一步方案，s5中所述路径评估修正具体步骤如下：

47、第一步：依据动态预测结果，从起点开始构建搜索树，以当前节点为根节点，并将图结构中的各组节点作为子节点加入搜索树中，并记录各节点访问次数、价值评估以及探索优先值；

48、第二步：从根节点开始，根据探索优先值选择一个未完全扩展的节点，对选定的节点进行扩展，生成其未访问的子节点，采用随机模拟或启发式算法进行路径模拟，并评估模拟结果；

49、第三步：将模拟评估结果回溯到根节点，更新节点的访问次数和价值评估，更新父节点的探索优先值，重复进行选择、模拟以及回溯，直到达到预设搜索时间或迭代次数的限制；

50、第四步：根据节点的访问次数和价值评估，选择路径中访问次数最多的节点作为最优节点，并将从根节点到最优节点的路径作为最优路径，根据最优路径修正初始路径，将原有路径中与最优路径不同的部分进行修正，输出修正后的最优路径，作为最终的路径规划结果。

51、相比于现有技术，本发明的有益效果在于：

52、1、该基于贪婪算法的路径规划方法收集用户设定的起点以及终点信息，从起点开始，依据图结构找到当前节点的所有邻居节点，之后计算每个邻居节点的启发值，从所有邻居节点中选择启发值最小的节点作为下一个节点，再将当前节点更新为选择的最优邻居节点，之后将当前节点添加到路径列表中，若当前节点为终点，则路径生成完成，否则，重复寻找最优邻居节点，直至当前节点为终点，初始化同时参与路径优化的蚂蚁数量以及挥发系数，之后初始化所有边上的信息素，再将每只蚂蚁放置在起点，蚂蚁从起点开始，根据各节点选择概率逐步选择下一个节点，直到到达终点，当每只蚂蚁完成路径后，计算路径的总长度，并将所有边上的信息素浓度按照挥发系数进行挥发，每只蚂蚁沿其路径释放信息素，以增强对应路径的信息素，并更新所有边上的信息素浓度，判断是否达到预设的时间限制,在达到终止条件后，输出在所有迭代中找到的最优路径及其长度，能够更全面地搜索整个路径空间，使得路径的选择更加智能化和适应性更强，能够更好地应对实时交通状况的变化，提高找到最优路径的机会。

53、2、该基于贪婪算法的路径规划方法收集并预处理历史数据，之后构建动态预测模型，通过历史数据训练并验证动态预测模型，并通过动态预测模型，依据动态预测模型预测路径动态变化，从起点开始构建搜索树，以当前节点为根节点，并将图结构中的各组节点作为子节点加入搜索树中，并记录各节点访问次数、价值评估以及探索优先值，从根节点开始，根据探索优先值选择一个未完全扩展的节点，对选定的节点进行扩展，生成其未访问的子节点，采用随机模拟或启发式算法进行路径模拟，并评估模拟结果，将模拟评估结果回溯到根节点，更新节点的访问次数和价值评估，更新父节点的探索优先值，重复进行选择、模拟以及回溯，直到达到预设搜索时间或迭代次数的限制，根据节点的访问次数和价值评估，选择路径中访问次数最多的节点作为最优节点，并将从根节点到最优节点的路径作为最优路径，根据最优路径修正初始路径，将原有路径中与最优路径不同的部分进行修正，输出修正后的最优路径，作为最终的路径规划结果，能够使路径规划更加贴近实际情况，提高路径规划的准确性和实用性，为用户提供更好的路径导航服务，提高用户的出行体验和路径选择的满意度。