蚁群算法路径规划代码python_考虑实时路况反馈的动态路径规划算法研究

摘 要：针对现有的路径规划算法在应对突发事件人员车辆疏散过程中没有考虑实时交通拥堵路况反馈因素，降低了疏散路径方案的有效性问题，提出了一种引入实时路况的动态疏散路径规划算法。首先将动态路网中的实时路况信息建模和量化，构建实时动态的旅行时间矩阵，然后利用交通预测模型改进的动态蚁群算法求解全局疏散时间最小化、道路网利用率最大化的最优路径。采用改进的动态蚁群算法构建的动态路径规划方法，能在交通拥堵区和动态路网阻抗变化后快速更新路线，较好地平衡了疏散过程中的全局疏散时间与局部拥堵间的矛盾。实验结果表明，当交通拥堵级别增加时，相比现有的路径规划算法，本文的方法分别减少18%的平均疏散时间和11%的总旅行时间，增加26%的路网利用率。

引用格式：王润泽，王亮，刘涛，等．考虑实时路况反馈的动态路径规划算法研究［Ｊ］．测绘科学，２０２０，４５(７)：１６３-１６９．

应急疏散一般由人员疏散和救援物资配置组成，而人员疏散是营救工作中最重要的一项任务。应急疏散规划是抢险救援工作中的重要组成部分^[1]。好的疏散方案不仅可以减少疏散时间，而且可以避免疏散中不必要的拥挤和二次伤害。为此，疏散路径规划的优化设计拥有重要的现实意义^[2]。

相关文献[3]根据灾害的动态性^[4]将路径规划方法划分为静态路径规划和动态路径规划。动态灾害是指那些行为、位置或严重性发生变化的灾害。文中将对疏散路网影响不大的灾害事故看作是静态的。静态路径规划主要为应急分析和逃生演习准备提供了理论指导，通常采用Dijkstra算法及其改良算法、K最短路径算法、Floyd算法、A*算法和动态规划。像地震、飓风、野火和洪水灾害是动态的，因为随着时间推移它们会从一个地方移动到另一个地方。因此，静态规划方法不再适应灾害或事故以及其他环境变化的动态传播。

动态路径规划是灾害应急管理中实时决策的基础，通常采用高效的启发式算法。文献[5]提出了一种用于解决地震后在交通网络的可达性和出行需求模式发生变化时导致旅行时间变化的动态疏散路径规划方法。该方法将疏散路径问题建模为车辆路径问题(vehicle routing problem，VRP)，利用公共交通工具将疏散者分阶段疏散，并使用启发式的模拟退火算法(simulated annealing，SA)来求解每个阶段。文中主要考虑了运输工具、撤离点和避难所的容量，但没有考虑疏散中撤离点延误对疏散成本的影响。文献[6]提出了具有实时交通预测的动态路线规划系统，该系统利用SCATS(sydney coordinated adaptive traffic system)提供的实时数据构建实时的交通预测模型。该模型利用时空随机场预测未来的SCATS数据，使用高斯过程回归的方法估算传感器未覆盖区域的交通流量。但模型的精度会受到实时数据的影响，在传感器覆盖率低的地方，如果有其他数据源的加入将增加模型的普适性。文献[7]提出一种针对城市交通网的动态实时路径选择模型，该模型结合了实时路况信息和用户对备选路线的偏好。通过自适应学习算法及时为路网中的每辆车提供快速、准确的最优路线。文献[8]进行了实时路径规划的仿真模拟，通过实时计算来确定路网中的最短路径，利用并行计算技术加速最短路径的搜寻，与非实时计算相比，可以节省大量时间。由于现实中城市交通的不确定性和复杂性，在现实生活中微观仿真模型很难发挥实际作用。文献[9]提出自学习的动态路径规划方法，该方法是在BP神经网络初步训练的策略网络基础上，通过自学习的不断迭代构建新策略网络的方法，用于大型公共建筑的疏散。虽然BP神经网络表现良好，但相对一些先进的网络，如卷积神经网络(CNN)和递归神经网络(RNN)仍有很多不足。且近年来国内外对动态路径规划问题的研究大多采用迭代和智能算法。智能算法主要有粒子群优化算法(Particle Swarm optimization, PSO)^[10]、神经网络算法^[11]、遗传算法(Genetic Algorithm，GA)^[12]、蚁群算法(antcolony optimization，ACO)^[13]等。虽然有关动态路径规划问题的研究成果已有很多，且大多数方法将交通视为动态因素，但在应急疏散路径动态规划上的研究还很有限，面对疏散中的突发情况在路线的动态调整和及时反馈方面并不理想，没有考虑应急疏散中撤离点本身的容量对周边道路密度的影响，也没有考虑时变路网上疏散过程中疏散路线的实际容量和密度。

针对现有方法在应急疏散上的不足，本文提出一种动态疏散路径规划方法，采用改进的动态蚁群算法(dynamic ant colony optimization，D-ACO)求解路网阻抗变化下的疏散路径问题。该方法在路径规划中不仅引入了与时间相关的时变路网，而且考虑了撤离点的时间延误和疏散中对路网造成的拥堵，利用蚁群算法的反馈和信息素更新机制，将疏散中的实时路况信息以信息素的形式反馈。针对算法的动态性实时性要求，结合交通预测模型估算车辆在路网中的行驶速度，实现路网阻抗变化时快速更新路径的目的。

4 结束语

针对在应急疏散中没有实时路况信息的反馈，将难以进行大范围的路径规划问题，本文提出将幂模型和实时路况反馈相结合的基于蚁群算法的D-ACO算法。算法能在路网变化后，最大程度地减少交通拥堵和全局疏散时间，快速更新疏散路线。实验结果表明，本文算法提高了路网利用率，减少了疏散时间和总旅行时间，特别是随着交通拥堵级别的增加，其结果越明显。但算法还存在运行时间增加的问题，可能对大规模的严重拥堵情况，影响算法的时效性，后续将考虑交通阻塞的情况，以提高算法的扩展性和实时性。

参考文献(见原文)

文章推荐 时序InSAR的贵州省地质灾害监测 地图解密 | 再遇【最】长安 广州出租车GPS数据分布特征及应用 基于精准地图的室内定位解决方案