CN113256013B - 一种在环境约束下的车辆路径智能搜索方法 - Google Patents

Abstract

本发明涉及一种在环境约束下的车辆路径智能搜索方法，属于人工智能车辆路径规划领域。本方法在考虑各种复杂地形和波动气象等约束条件下，通过构建恰当数量的目标点、车辆数目及地图，提出一个以最小化最后一个任务完工时间为目标，由目标点聚类和路径搜索构成的嵌套式算法，在构建的地图上将目标点分配给各个车辆，为每个车辆自动搜索计算出最优的行车路径。本方法考虑了各目标点有不同任务，每个任务耗时不同的特性，具有稳定高效的性能表现。本方法结合了机器学习方法与启发式方法，表现出良好的适应能力。

Description

一种在环境约束下的车辆路径智能搜索方法

技术领域

本发明涉及一种车辆路径智能搜索方法，具体涉及一种在环境约束下的车辆路径智能搜索方法，属于人工智能车辆路径规划领域。

背景技术

车辆路线问题，最早由Dantzig和Ramser于1959年首次提出，是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责提供货物，组织适当的行车路线，更好地满足客户需求。这是经典的VRP问题描述，这一普遍存在于生活中的问题，在各种实际场景中却是要复杂的多。例如：网购物流配送、外卖订单配送、司机运送旅客、军事中部队的执行任务等。在各种实际的场景中，会出现各种条件的制约以及意外情况的发生，使问题变得异常复杂。例如：物流配送中不仅要考虑最快速度配送到多个地点，还需考虑每个地点配送的先后次序、车辆的载货情况、燃料剩余情况、订单转寄及退回等该场景出现的复杂情景。

根据调查发现，在物流配送***中，在基本车辆路线问题基础上，车辆路线问题在学术研究和实际应用上产生了许多不同的延伸和变化形态，包括时窗限制车辆路线问题、多车种车辆路线问题、车辆多次使用的车辆路线问题、考虑收集的车辆路线问题、随机需求车辆路线问题等。在解决方法上，综合以往有关车辆路线问题求解方法，可分为精确算法与启发式解法，其中，精确算法包括分支限界法、分支切割法、集合涵盖法等；启发式解法包括节约法、模拟退火法、确定性退火法、禁忌搜索法、基因算法、神经网络、蚂蚁算法等。

1995年，Fisher曾将求解车辆路线问题方法分为三个阶段。第一阶段是1960年到1970年，属于简单启发式方法，包括有各种局部改善启发式方法和贪婪法等；第二阶段是从1970年到1980年，属于一种以数学规划为主的启发式解法，包括指派法、集合分割法和集合涵盖法；第三阶段是从1990开始至今，属于较新的方法，包括利用严谨启发式方法、人工智能方法等。

近年来，对于车辆路径问题，国内外学者有较多研究。Ge等人研究了多车型车辆调度问题，建立了以油耗最低为目标的模型，采用量子遗传算法进行了求解。Pan等人研究了需求拆分的多车型路径问题，使用了两阶段法求解。Koc等人研究了带时间窗的异质车队的车辆调度问题，将自适应大邻域搜索算法与遗传算法混合进行了求解。

当前，车辆线路问题纷繁复杂、多种多样，对该类问题解决方法的研究层出不穷，每个具体场景下都有其特定的约束条件。在众多的车辆路径问题中，对于地理环境及气象环境的考虑却少之又少，而在实际场景中，雨雪、大雾等恶劣天气都会影响车辆的行车速度，此外，道路拥堵、损毁等意外情况也会使车辆改变原先路径。同时，山丘、沙地等地理情况同样会影响车辆的行车速度。考虑到在军事行动中，部队装甲车及履带式车辆常常不止在公路上行驶，会经常穿越山川河流、沙漠村落等复杂地形，因此，军事行动中车辆的路径规划与地形的联系更为密切。

目前，在现有文献中，各类路线规划问题少有对地形、天气等因素的考虑，大多假设道路是通畅的，目标点之间可以直线到达。而实际情况中，地形、天气并不都是理想环境。因此，需要在考虑不同复杂地形及各类天气影响情况下进行车辆路线规划的方法。

综合以上描述，为了应对各类地形、波动的天气，考虑多车辆行车受阻情况，需要提出一种环境约束下的车辆路径智能搜索方法。

发明内容

本发明的目的是针对复杂地形、波动天气等环境约束下，车辆在目标点之间不能直线到达，为解决车辆行车路线规划的技术问题，提出一种在环境约束下的车辆路径智能搜索方法。

本方法的创新点在于：在考虑各种复杂地形和波动气象等约束条件下，通过构建恰当数量的目标点、车辆数目及地图，提出一个以最小化最后一个任务完工时间为目标，由目标点聚类和路径搜索构成的嵌套式算法，在构建的地图上将目标点分配给各个车辆，为每个车辆自动搜索计算出最优的行车路径。

有益效果

本发明方法对比现有技术，具有如下优点：

1.本方法针对复杂地理环境和波动的各类天气环境下，综合其对车辆行车的速度与路线规划的影响，考虑两目标点之间路线并非是直线的情况，解决了实际情况下路线中常存在障碍物、道路不通畅等意外情况导致无法直接行车到达的问题。

2.本方法考虑了各目标点有不同任务，每个任务耗时不同的特性，具有稳定高效的性能表现。

3.本方法结合了机器学习方法与启发式方法，表现出良好的适应能力。

附图说明

图1是本发明第一部分目标点聚类算法的流程图；

图2是本发明第一部分目标点聚类算法将N个目标点按距离分组示意图。该示例中3辆车可分配，则划分为3组，用不同符号代表。方形为各组质心。

图3是本发明第二部分路径搜索算法的流程图。

具体实施方式

下面结合附图和实施例对本发明方法做进一步详细说明。

首先，本方法基于以下约束条件：

(1)所有车辆均在零时刻从原点出发，依次到达N个目标点。车辆不区分类型，被认为都是相同的。

(2)每个目标点都必须到达一次且仅能到达一次。每个目标点都需执行某项任务，每项任务都需要花费时间。

(3)二维平面上构建的地图是确定的、栅格化的，每个1X1的小格为最小单元；路径的规划及各类地形、天气的设置由多个单元格组成。

(4)车辆遇到极端复杂地形或极端天气难以通行，需绕行，包括高山、湖泊池堰、河流沟渠及大雾。

车辆遇到较复杂地形或不良天气，需减速通过，包括沙漠、丘陵、雨雪。

(5)一个车辆允许被分配给多个目标点，无数量限制。

(6)车辆在到达某个目标点并且完成其任务时，立刻前往下一目标点。

(7)不考虑车辆损毁、车辆相撞。

一种在环境约束下的车辆路径智能搜索方法，包括以下步骤：

定义如下索引：

C：目标点索引(C＝1,2,…,N)

N：顶点索引(N＝C∪{0})

K：车辆索引(K＝1,2,…,k)

G：河流、山地、大雾位置索引(G＝g₁,…,g_m)

H：沙漠、雨雪位置索引(H＝h₁,…,h_m′)

定义如下变量：

t_ij：i∈C,j∈C，目标点i到目标点j行车所需时间

ta_i：i∈C，目标点i的任务所需执行时间

是否将目标点i派给车辆k

从目标点i到目标点j的路线是否被车辆k选择

s_ik：车辆k到达目标点i的时间

v_xy：车辆在位置(x,y)的速度

定义决策变量：

目标量描述如下：

其中，

表示车辆k到达目标点i的时间的最大值，为最小化最后一个目标点任务的完成时间；

约束条件描述如下：

v_xy＝0,(x,y)∈G (5)

其中，

表示是否将目标点i派给车辆k，

同理；

表示从目标点i到目标点h的路线是否被车辆k选择，

同理，h表示任一目标点；v_xy表示车辆在位置(x,y)的速度，v表示车辆的初始速度。

式(2)表示每个目标点必须到达，且只能到达一次；

式(3)表示每个目标点出入是同一车辆；

式(4)表示经过山丘、沙漠、雨雪等位置，车速变为原先的1/3；

式(5)表示经过高山、湖泊、极端大雾等位置，车辆不能通行。

在上述地图模型中，本发明提出一个以最小化最后一个任务完工时间为目标，由目标点聚类和路径搜索构成的嵌套式算法。

步骤1：利用广度优先搜索，计算原点和各个目标点、每两个点之间的地图距离。如图1所示。对于目标点i和目标点j之间距离相同的多个路径，采用距离/速度计算出所用时间，对时间进行排序，取时间最短的路径。

在计算目标点i到目标点j所用时间时，对于每个目标点i所需执行的任务所需时间ta_i，直接加入到路径i-j(从目标点i到目标点j)所需时间中，一并计算。

步骤2：采用k-means聚类算法，令k为车辆数目，将N个目标点按行车时间分为k组，每个组根据行车时间均得到组内质心，使得分组后所有目标点到组内质心的行车时间总和达到最小。二维图像上直观感觉为，相近的目标点被划分在一起。如图2所示。

具体如下：

步骤2.1：确定一个k值，为车辆数目；

步骤2.2：从N个目标点中随机选择k个数据点作为质心；

步骤2.3：对目标点集中每一个点，计算其与每一个质心的时间距离，离哪个质心近，就划分到该质心所属的集合；

步骤2.4：将所有数据归好集合，共有k个集合，然后重新计算每个集合的质心；

步骤2.5：如果新计算出来的质心和原来的质心之间的距离小于某一个设置的阈值(表示重新计算的质心的位置变化不大，趋于稳定，或者说收敛)，认为聚类已经达到期望的结果，算法终止；

步骤2.6：如果新质心和原质心距离变化很大，则重复执行步骤2.3至步骤2.5。

步骤3：进行路径搜索。如图3所示。采用与聚类算法结合的萤火虫算法实现。具体如下：

步骤3.1：设置算法初始化参数：

首先，将各路径荧光素浓度初始化，根据下式对各路径的荧光素浓度值进行混沌初始化。

y(t+1)＝μy(t)[(1-y(t)] (6)

其中，y(t)为混沌变量；μ为控制参数，μ∈[0,4]。当μ＝4，0≤y(t)≤1时，Logistics映射处于完全混沌状态。

然后，将式(1)引入路径荧光素浓度更新式，作为混沌初始荧光素浓度值。各路径荧光素浓度更新值如下式：

l_ij(t)＝(1-ρ)l_ij(t-1)+γ/f_a(t) (7)

其中，l_ij(t)为第t次迭代中客户从目标点i到目标点j路径上的荧光素浓度值；l_ij(t-1)表示第t-1次迭代中客户从目标点i到目标点j路径上的荧光素浓度值；f_a(t)为萤火虫个体ɑ对应的目标函数值，如式(1)所示，由于总用时越短越优，选取目标函数的倒数；ρ为荧光素挥发系数，ρ∈[0,1]；γ为荧光素强度增强系数，γ∈[0,1]。

步骤3.2：将所有萤火虫放置在原点，初始时刻为0；

步骤3.3：以萤火虫当前位置作为起点，首先，每只萤火虫选择动态决策半径r_a(t)内荧光素浓度值大于自身的个体，并且未访问的目标点构成邻域集N_a(t)；动态决策半径r_a(t)的更新公式如下：

r_a(t+1)＝min{r_s,max(0,r_a(t)+β(n_t-|N_a(t)|)} (8)

其中，r_a(t+1)表示萤火虫个体ɑ在t+1次迭代时的决策半径，r_s为萤火虫的最大感知半径，β为动态决策半径更新系数，n_t为个体邻域集内包含的萤火虫数目的阀值。

然后，以萤火虫当前位置为起点，选择动态决策半径内未被访问过的目标点构成邻域集。

步骤3.4：根据萤火虫邻域集是否为空的判定进行状态转移。

首先，如果邻域集为空，表示附近无更亮萤火虫，此时，向最近的另一个未访问过的目标点方向移动。

如果邻域集不为空，则计算萤火虫个体ɑ移向邻域集N_a(t)内萤火虫个体b的概率，此时，采取同组内优先移动的方法，能够加快收敛速度；概率公式如下：

其中，p_ab(t)表示萤火虫个体ɑ移向个体b的概率；θ为增强系数，当萤火虫在同组范围内θ＝1，否则θ<1；l_a(t)表示萤火虫个体ɑ在第t次迭代时的荧光素浓度值，l_b(t)表示萤火虫个体b在第t次迭代时的荧光素浓度值，l_c(t)表示萤火虫个体c在第t次迭代时的荧光素浓度值。

之后，萤火虫采用轮盘赌的方式选择个体，进行移动，并通过下式更新个***置：

其中，s为萤火虫每次飞行的前进步长；x_a(t)为萤火虫个体ɑ在第t次迭代中的位置；x_b(t)表示萤火虫个体b在第t次迭代中的位置；

步骤3.5：根据萤火虫邻居密度的大小和公式(8)动态调整萤火虫个体ɑ的邻域半径的大小；

步骤3.6：判断当前迭代次数是否达到最大迭代次数或违反算法结束条件，如果未达到结束条件，则返回步骤3.3，继续迭代；否则，流程终止，输出最优萤火虫代表的全局最优解和全局最优路径。

Claims (3)

1.一种在环境约束下的车辆路径智能搜索方法，其特征在于，包括以下步骤：

本方法基于以下约束条件：

(1)所有车辆均在零时刻从原点出发，依次到达N个目标点；车辆不区分类型，被认为都是相同的；

(2)每个目标点都必须到达一次且仅能到达一次；每个目标点都需执行某项任务，每项任务都需要花费时间；

(3)二维平面上构建的地图是确定的、栅格化的，每个1×1的小格为最小单元；路径的规划及各类地形、天气的设置由多个单元格组成；

(4)车辆遇到极端复杂地形或极端天气难以通行，需绕行，包括高山、湖泊池堰、河流沟渠及大雾；

车辆遇到较复杂地形或不良天气，需减速通过，包括沙漠、丘陵、雨雪；

(5)一个车辆允许被分配给多个目标点，无数量限制；

(6)车辆在到达某个目标点并且完成其任务时，立刻前往下一目标点；

(7)不考虑车辆损毁、车辆相撞；

首先定义如下索引：

C：目标点索引(C＝1，2，...，N)；

N：顶点索引(N＝C∪{0})；

K：车辆索引(K＝1，2，...，k)；

G：河流、山地、大雾位置索引(G＝g₁，...，g_m)；

H：沙漠、雨雪位置索引(H＝h₁，...，h_m′)；

定义如下变量：

t_ij：i∈C，j∈C，目标点i到目标点j行车所需时间；

ta_i：i∈C，目标点i的任务所需执行时间；

是否将目标点i派给车辆k；

从目标点i到目标点j的路线是否被车辆k选择；

s_ik：车辆k到达目标点i的时间；

v_xy：车辆在位置(x，y)的速度；

定义决策变量：

目标量描述如下：

其中，

表示车辆k到达目标点i的时间的最大值，为最小化最后一个目标点任务的完成时间；

步骤1：利用广度优先搜索，计算原点和各个目标点、每两个点之间的地图距离；

对于目标点i和目标点j之间距离相同的多个路径，采用距离/速度计算出所用时间，对时间进行排序，取时间最短的路径；

在计算目标点i到目标点j所用时间时，对于每个目标点i所需执行的任务所需时间ta_i，直接加入到路径i-j所需时间中，一并计算；

步骤2：采用聚类算法，令k为车辆数目，将N个目标点按行车时间分为k组，每个组根据行车时间均得到组内质心，使得分组后所有目标点到组内质心的行车时间总和达到最小；

步骤3：进行路径搜索，采用与聚类算法结合的萤火虫算法实现，具体如下：

步骤3.1：设置算法初始化参数：

首先，将各路径荧光素浓度初始化，根据下式对各路径的荧光素浓度值进行混沌初始化：

y(t+1)＝μy(t)[(1-y(t)] (6)

其中，y(t)为混沌变量；μ为控制参数，μ∈[0，4]；当μ＝4，0≤y(t)≤1时，Logistics映射处于完全混沌状态；

然后，将式(1)引入路径荧光素浓度更新式，作为混沌初始荧光素浓度值；各路径荧光素浓度更新值如下式：

l_ij(t)＝(1-ρ)l_ij(t-1)+γ/f_a(t) (7)

其中，l_ij(t)为第t次迭代中客户从目标点i到目标点j路径上的荧光素浓度值；l_ij(t-1)表示第t-1次迭代中客户从目标点i到目标点j路径上的荧光素浓度值；f_a(t)为萤火虫个体α对应的目标函数值，如式(1)所示，由于总用时越短越优，选取目标函数的倒数；ρ为荧光素挥发系数，ρ∈[0，1]；γ为荧光素强度增强系数，γ∈[0，1]；

步骤3.2：将所有萤火虫放置在原点，初始时刻为0；

步骤3.3：以萤火虫当前位置作为起点，首先，每只萤火虫选择动态决策半径r_a(t)内荧光素浓度值大于自身的个体，并且未访问的目标点构成邻域集N_a(t)；动态决策半径r_a(t)的更新公式如下：

r_a(t+1)＝min{r_s，max(0，r_a(t)+β(n_t-|N_a(t)|)} (8)

其中，r_a(t+1)表示萤火虫个体a在t+1次迭代时的决策半径，r_s为萤火虫的最大感知半径，β为动态决策半径更新系数，n_t为个体邻域集内包含的萤火虫数目的阀值；

然后，以萤火虫当前位置为起点，选择动态决策半径内未被访问过的目标点构成邻域集；

步骤3.4：根据萤火虫邻域集是否为空的判定进行状态转移；

首先，如果邻域集为空，表示附近无更亮萤火虫，此时，向最近的另一个未访问过的目标点方向移动；

如果邻域集不为空，则计算萤火虫个体a移向邻域集N_a(t)内萤火虫个体b的概率，此时，采取同组内优先移动的方法，能够加快收敛速度；概率公式如下：

其中，p_ab(t)表示萤火虫个体α移向个体b的概率；θ为增强系数，当萤火虫在同组范围内θ＝1，否则θ＜1；l_a(t)表示萤火虫个体α在第t次迭代时的荧光素浓度值，l_b(t)表示萤火虫个体b在第t次迭代时的荧光素浓度值，l_c(t)表示萤火虫个体c在第t次迭代时的荧光素浓度值；

之后，萤火虫采用轮盘赌的方式选择个体，进行移动，并通过下式更新个***置：

其中，s为萤火虫每次飞行的前进步长；x_a(t)为萤火虫个体α在第t次迭代中的位置；x_b(t)表示萤火虫个体b在第t次迭代中的位置；

步骤3.5：根据萤火虫邻居密度的大小和公式(8)，动态调整萤火虫个体a的邻域半径的大小；

步骤3.6：判断当前迭代次数是否达到最大迭代次数或违反算法结束条件，如果未达到结束条件，则返回步骤3.3，继续迭代；否则，流程终止，输出最优萤火虫代表的全局最优解和全局最优路径。

2.如权利要求1所述的一种在环境约束下的车辆路径智能搜索方法，其特征在于，步骤2包括以下步骤：

步骤2.1：确定一个k值，为车辆数目；

步骤2.2：从N个目标点中随机选择k个数据点作为质心；

步骤2.3：对目标点集中每一个点，计算其与每一个质心的时间距离，离哪个质心近，就划分到该质心所属的集合；

步骤2.4：将所有数据归好集合，共有k个集合，然后重新计算每个集合的质心；

步骤2.5：如果新计算出来的质心和原来的质心之间的距离小于某一个设置的阈值，认为聚类已经达到期望的结果，算法终止；

步骤2.6：如果新质心和原质心距离变化很大，则重复执行步骤2.3至步骤2.5。

3.如权利要求1所述的一种在环境约束下的车辆路径智能搜索方法，其特征在于，约束条件具体描述如下：

v_xy＝0，(x，y)∈G (5)

其中，

表示是否将目标点i派给车辆k，

表示是否将目标点h派给车辆k；

表示从目标点i到目标点h的路线是否被车辆k选择，

表示从目标点h到目标点j的路线是否被车辆k选择，h表示任一目标点；v_xy表示车辆在位置(x，y)的速度，v表示车辆的初始速度；

式(2)表示每个目标点必须到达，且只能到达一次；

式(3)表示每个目标点出入是同一车辆；

式(4)表示经过极端复杂地形位置时，车速减速，变为原先的1/3；

式(5)表示经过极端天气位置时，车辆不能通行。

Images