基于动态模糊Logic-Ant蚁群系统的路线选择系统

文摘

路线选择基于特定的欲望在大都市城市旅游者的主要问题,以及一个具有挑战性的汽车导航系统的需求。介绍了一种多参数路线选择系统,采用模糊逻辑(FL)局部信息素更新一个蚁群系统(ACS)所需的两点之间的最优多参数检测的方向,出发地和目的地(O / D)。等参数的重要性利率路径长度由用户和流量可调。在此系统中,网络流量数据直接提供交通控制中心(太极拳),进一步分钟流量数据预计采用人工神经网络(ann)。拟议的系统是模拟在伦敦地区,英国,和结果评估。

1。介绍

在路线选择问题,通常两个来源和目的地(O / D),虽然有很多可能的路线选择。目标是找到一个路线最少的成本,根据成本计算不同的可能的方向。

在过去的几年中,许多研究者提出最优路线选择方法通过考虑一些重要参数对城市游客。最近的一些导航系统嵌入算法,试图减少旅行距离和/或旅行时间。然而,许多司机现在越来越关心不断上涨的燃料成本,浪费时间在交通拥挤,以及污染物的排放。

找到一双点之间最短的路线是一个np难问题,需要列举所有可能的路线。此外,大多数用户现在不仅需要路线最短的距离,但也需要航线可以满足他们其他的欲望。这些用户大多需要安全、低流量和风景优美的路线数量最少的连接以避免交通信号灯。研究论文发表在《文学并没有解决一个快速、动态、low-complicated和实用系统,几乎可以在任何地方使用,满足这些欲望包括所有重要的参数。

提出模糊logic-ant蚁群系统(flac)在本文中引入了一种新的动态多参数的车辆导航系统满足上述要求。这个系统使用模糊逻辑(FL)和蚁群系统(ACS)算法来找到一个最佳的多参数之间的路由一双O / D。一条最佳路线是指一个路线,试图满足所有用户所需的参数。这些参数是“距离”,“流量”和“事件的风险。”参数的设置也可以扩展通过添加“宽度”(车道),“质量”(医疗设施,娱乐,等等),和许多“红绿灯”参数。在此系统中,当前交通交通控制中心提供的数据(太极拳)和人工神经网络(ann)是用于交通数据估计的分钟。用户可能不喜欢第一个选定的路线,该系统能够考虑先前选定的路线通过用户和提供一组排名的可行路线。

本文的其余部分组织如下。接下来的部分将回顾一些路线selection-related作品。简要回顾ACS的基本原则以及FL和安提出了部分3。部分4演示的细节提出系统和仿真结果讨论了部分5。最后,本文的结论部分6。

2。相关的路线选择工作

巴斯等人在1)已经开发出一些环保的导航技术,专注于减少能源消耗和污染物排放。这些方法将复杂的移动源能源和排放模型与路径最小化算法用于导航目的。这些方法已经被应用在多个案例研究在南加州,美国。作者的2)强调等更重要的参数数量的红绿灯,右转,停止标志的路线选择。虽然路线规划已被广泛研究,大多数可用的应用程序主要是针对寻找最短旅行时间或最短路径路由,这是现实生活场景中动态路线规划不足(3]。该方法在4]提供了一个最优路线规划通过高效利用潜在的几何结构。它结合了古典与计算几何人工智能的探索。给定一组全球定位系统(GPS)的轨迹,输入是由几何精过滤和舍入算法。这种方法有一些计算复杂性除了依赖于GPS保持最优路线规划。

在[5),一种方法结合线下预先计算的最佳候选路径与在线路径检索和动态适应。基于静态交通数据文件,一套部分独立候选人路径构造旅行前使用启发式链接体重增量方法。该方法满足合理的路径约束满足司机偏好以及替代路径约束限制候选人的联合失效概率路径。这个算法是随机生成的公路网络测试5]。路由车辆基于实时交通状况提出了旅行时间显著减少,因此,在大容量交通情况下成本。作者在6)模型动态路线的决心问题作为一个马尔可夫决策过程(MDP)和现在的程序识别交通数据没有决策价值。这些方法研究了基于实际数据收集在密歇根东南部的航线网络,美国(6]。在[7),使用历史数据和经验决定一个最佳路线基于畅通可靠度的分析和迂回的长度。这可以提供合理的路线旅行指导,即使没有实时交通信息。在[8),一本小说概念的智能导航器可以给一个司机及时建议驾驶安全、高效。从当前交通状况从视觉获得的数据和司机在驾驶目标和偏好,它自动生成的建议,提出了司机。该智能导航器两个主要组成部分是建议一代系统和道路场景识别系统。

FL系统是一个受欢迎的和强大的工具由研究人员实现最优路线选择(9- - - - - -11]。Teodorovic和菊池应用FL方法首次在路线选择11]。他们提出的方法只考虑旅行时间参数和不容易推广到多个线路(9,10]。提出的混合进化算法求解动态路线规划问题(HEADRPP) (3)包括(FLI)和模糊逻辑实现图划分算法(GPA)纳入一个遗传算法(GA)的核心,并提供优化的最短路径和最短时间航线给用户(3]。Kambayashi等人也采用遗传算法寻找司机quasioptimal路线。他们试图整合不舒服变成的条件提出了基于遗传算法的路由选择算法(12]。

通过考虑路径选择问题的多准则问题,蚁群优化(ACO)的一个方法是在(13)解决多式联运网络空间重构问题。这项工作是由实时路线规划与优化的三个标准:时间旅行,旅行距离和车辆的数量。然而在这项工作,作为重构的一个应用程序,执行时间是非常重要的。另一个蚂蚁算法的方法提出了(14],它能够处理数字图像和检测跟踪前留下的车辆在冰雪。Salehinejad等人提出了一系列基于ACS在路线选择系统15- - - - - -17]。在[17),结合a *(*)算法和ACS采用a *算法能刺激一些路径信息素在蚂蚁算法。在这个工作中,A *算法的序言蚂蚁算法。它能刺激产生方向本身为了帮助蚂蚁算法识别最好的高可靠性和低成本方向比纯蚂蚁算法。这是通过更新(增加)信息素量的方向在A *算法。在[15,16],ACS采用人工神经网络来预测进一步分钟的流量数据离线和在线模式,分别。大多数数据预测技术依赖植物模型的准确性或随机过程的知识18- - - - - -20.]。这是在人工神经网络在文献中提出另一种方法。人工神经网络的好处是相对不敏感的错误或丢失数据和处理非线性系统,这是一个重要的问题治疗高度动态交通数据(21,22]。

3所示。一项调查在蚁群系统中,模糊逻辑、人工神经网络

3.1。蚁群系统

ACO算法是一类的第一个成员叫做蚂蚁系统(AS)最初提出的民宿et al。23]。尽管真正的蚂蚁是盲目的,他们有能力找到最短路径的食物来源巢利用液体物质,称为信息素,它们释放的运输路线。发达的策略试图模拟真实蚂蚁的行为的几个人工特征:可见性、内存和离散时间成功地解决许多复杂问题,如旅行商问题(TSP) [24),车辆路径问题(VRP) [25),和最佳路径规划(26]。尽管许多变化ACO算法应用在过去的几年中,他们基本蚂蚁行为机制,是正反馈过程证明了一群蚂蚁还是一样的。蚂蚁算法也大量的网络应用,如通信网络(27)和电气分销网络(28]。不同步骤的一个简单的蚁群系统算法如下。

问题图描述
人工蚂蚁之间移动离散状态离散环境。自从ACS算法解决的问题往往是离散的,他们可以通过一个图表来表示节点和路线。

蚂蚁分布初始化
许多蚂蚁放在原点节点。蚂蚁的数量通常是定义基于试验和错误和在该地区的节点数量。

蚂蚁概率分布规律
蚂蚁概率节点也可以指定为节点之间的过渡转换规则。蚂蚁的转移概率从节点到节点是由 在哪里和是路由节点之间的信息素强度和成本和,分别。的相对重要性和由参数控制和,分别。的设置不可用的路线(访问节点)蚂蚁吗。

更新全球小道
当所有蚂蚁已经组建了一个解决方案,每个周期结束时,强度的信息素更新追踪信息素更新规则。这条规则为ACS算法 在哪里是一个常数参数命名信息素的蒸发和是蚂蚁的数量。信息素的数量放在节点之间的路线和由蚂蚁是 在哪里是一个常数参数和由蚂蚁发现解决方案的成本价值。

停止程序
这个过程完成后,到达一个预定义的周期数,或周期两个改进的最大数量的全球最佳的解决方案。

3.2。模糊逻辑

模糊集理论最初Lotfi德于1965年推出。在这个理论中,通常的集合理论是广义这样一个对象不能仅仅被看作是一个元素的一组(1)会员价值或不是这个集合的元素(成员值0),但是它也有一个成员值在0和1之间。因此定义了模糊集的隶属函数可以认为任何值的区间[,),而不是他们的特征函数,定义假设值0或1只(29日]。

在1970年晚些时候,Assilian Mamdani开发控制复杂的过程的模糊控制的概念尤其是当不存在严格的流程模型(30.,31日]。模糊控制可以被描述为一种控制使用条件句叫做语言“if - then规则而不是数学方程。规则的推理称为推理,需要定义隶属函数描述这个推理。这个函数确定每个命题的真实度(31日]。

一个简单的模糊逻辑控制系统的不同阶段如下。

模糊化
每个模糊系统实现模糊规则的形式等 在哪里和N变量的条件部分,变量的操作部分,,,由隶属函数模糊参数的特点。控制规则的条件部分使用的测量通常是实数(30.]。图1礼物Mamdani模糊推理过程的方法有两个任意规则和隶属度函数。通过考虑和域值,实值测量和匹配相应的模糊变量通过确定他们的成员值吗。

模糊推理引擎
通过考虑和控制规则库中的规则,每个规则的真值的前提是通过构建匹配的成员值的连词 的地方”“一起代表Mamdani的含义如“最小值”功能(30.]。
真相I和II是由程度的规则和,分别。这些定义成员的值和模糊子集和的测量米和,分别。通过考虑作为输出变量的域值,模糊控制的输出是由所有模糊子集的聚合。其成员的值是由分离的所有成员的价值观作为 “*”脱节的“max”功能,当使用Mamdani的含义30.,31日]。

去模糊化
模糊的结果,推断结果,转化为真正的价值,可以作为控制输入。由于所需的输出是一个nonfuzzy结果,定量控制输出的值是由defuzzifying决定。通常有两种方法去模糊化的“重心”和“极大值的意思是”方法。有兴趣的读者被称为(30.更多的描述。

3.3。人工神经网络

大脑是一个广泛的结构由许多神经细胞称为“神经元相连。“在网络,据称模仿生物大脑神经网络的数学模型。模型的大脑连接许多线性或非线性神经元模型和并行分布式的方式处理信息。由于神经网络具有学习和自组织能力,他们能够适应变化的数据和学习输入信号的特点。这样的网络可以学习一个输入和一个输出之间的映射空间和合成一个联想记忆,检索相应的输出时提供输入和概括了新输入(32]。通过考虑上面的特点,神经网络采用今天在许多领域包括模式识别、鉴定、演讲,视野,和控制系统(33]。

与单个神经元有效输入向量图所示2在哪里单独的元素输入和吗权重的连接。人工神经网络可以被训练来执行一个特定的函数,通过调整权重的值(33]。神经元单位有偏见与加权输入,这是总结形成净输入。神经元的输出是输入信号的加权和 神经元激活函数通常是一个连续和非线性函数叫做乙状结肠函数被定义为 在哪里是一个常数,。

人工神经网络的一个主要使用类别称为前馈网络。这个层次结构是由一些层没有在每一层神经元之间的联系,和信号流从输入层到输出层向一个方向如图3。鼓励读者参考(32,33为更多的细节。

4所示。提出了公路选线系统

4.1。系统结构

该系统在本地执行每一个车辆。它发现方向以最小成本基于重要性的用户所需的参数。提出了系统的体系结构提出了图4。在此系统中,交通信号是由太极拳和包含当前交通数据定期更新。内存的系统包含统计数据,车辆的平均速度,当前保存的交通数据,当前时间,等等,。系统信息,如统计数据可以在智能卡为不同的城市。因此,用户可以使用该系统在其他地区由太极拳通过提供适当的智能卡。

在此系统中,人工神经网络用于流量估计的分钟。中描述的方式(22]随访采用人工神经网络流量预测的工作。使用安是由一个隐藏层隐藏的神经元,输入,一个输出,如图所示3。通过考虑统计流量数据年在一个典型的时间作为输入,安结构训练进行交通预测。然后,它可以进一步估计交通负载分钟考虑当前交通节点可用的数据作为输入。安工作的详细描述,热情的读者可能是指(22]。

在图4之前,时间需要两个路口之间的移动,车辆的运动估计的时间延迟估计块。这是由于有不同的交通负荷小时的日夜。因此,系统必须有一个估计的到达时间的其他连接使用适当的数据到达时间结。这估计是通过考虑到车辆平均速度,结点之间的距离,以及当前的交通流量。考虑了交通流量预测数据和估计时间延迟,记者预测交通数据系统中使用。

提出系统的特权逃避即将到来的拥挤。该系统是利用GPS意识到当前车辆位置。因此,如果发生交通拥堵的建议方向,系统立即向用户推荐最近的方向参数和电流方向根据新的条件逃避即将到来的拥堵。考虑前面的系统也有能力选择的方向。执行这个任务通过更新信息素量的ACS的方向。为了有一个更用户友好的系统,它可以提供用户一些候选人方向可供选择。这些属性是可选的为用户和未来可以开发更多的功能。下一小节讨论拟议中的FLACS-based结构细节。

4.2。基于模糊Logic-Ant蚁群系统的模型

提出的伪代码FLACS-based系统提出了算法1。不同的被描述为遵循的步骤。

初始化
它是由算法的初始值等参数数量的蚂蚁,蒸发系数,以及车辆的平均速度。

找到蚂蚁
蚂蚁是位于这个阶段的起点。一个活跃的蚂蚁指的是蚂蚁,还没有到达目的地,而不是阻止连接。因为每个蚂蚁可以在每个迭代遍历每个结一次,一只蚂蚁被阻塞的结的时候没有机会继续向目的地,没有过渡可能向后前进的道路。蚂蚁阻塞连接如图5。

构造概率
在这一步中,每个可能的概率直接路由计算基于成本函数为每个活跃的蚂蚁。从结取代的可能性要结对蚂蚁是 在哪里直接路径信息素强度结吗来。参数控制的重要性和设置为222- - - - - -24,27]。的列表的集合直接封锁路线(访问节点)。参数设置是最重要的参数的集合在大都市司机旅行。更简单,“距离”、“交通流”和“事件风险”参数被认为是在这个集合中。然而,它可以由添加其他参数,比如“宽度”的道路(车道),数量的“红绿灯”,和“道路质量”(医疗设施,加油站的数量,和娱乐),(15- - - - - -17]。成本函数的每个参数是,在那里是归一化的和意义可调的对所有参数。考虑参数描述如下。(我)距离。 在哪里是连接之间的距离和在时间。因为一些路线是双向或单向在特定时间,这个参数是时间的函数。更长的距离增加总成本,因此,减少更长的路线选择的概率(9)。(2)交通流量。 在哪里交通负载连接之间的路线吗和在时间。考虑这个参数在路线选择系统有很多优点比如空气污染更少,更少的时间浪费在交通,和更少的天然气的使用。随着交通路线上的增加,总成本增加,因此减少的概率选择这条路线由系统(9)。(3)事件的风险。 在哪里之间的路由连接的风险吗和在时间。这个参数是一个衡量事件的发生风险,这可能发生在基于统计数据的途径。这个参数与总成本有直接关系,因此风险路线有更少的选择概率(9)。

选择路线
一个随机参数有统一的概率是与参数,在那里和通常是固定在0.9 (34]。之间的比较结果和拿起的两种选择方法之一活性ant继续其路由到下一个结 如果大于,活跃的蚂蚁选择概率最高的路线,否则,轮盘赌选择规则通过概率选择下一个结。

更新禁忌列表
在这一步中,蚂蚁的路线(选中的节点)选择添加到禁忌列表为了不被选中了。此外,它的概率将不再计算。
如果蚂蚁已经到达目的地或被阻塞在连接如图5,它是省略了从活跃的蚂蚁列表。换句话说,这一步的阻塞或到达蚂蚁当前迭代中。

更新信息素
ACS信息素系统是由两个主要规则:首先是应用而构建解决方案(局部信息素更新规则)和其他规则应用在所有蚂蚁都完成了构建解决方案(全局信息素更新规则)。信息素的连接之间的路线和更新的蚂蚁作为 在哪里局部信息素更新的数量。的价值是系统的输出FL。通过考虑FL方法部分3.2,Mamdani含义作为我们的方法,采用FL系统的结构如图6。FL的输入系统的总量“距离”,“交通流”和“事件风险”方向的蚂蚁已选中。通过考虑计算的复杂性,只有两个输入模糊集,“低”和“高”,定义为每一个输入。相应的Trapezoidal-shaped提出了输入变量的隶属度函数数据7,8,9。在这些函数,假设如果总距离的选择方向是超过80%的最大总访问距离蚂蚁在同一循环,其“高”的隶属函数是统一而当选择方向的总距离小于20%的最大总访问距离蚂蚁在同一循环,“低”是统一的隶属函数。的类似的定义是“交通流”和“事件风险”参数。四个输出变量的模糊集被认为是在图10。水平1 - 4代表不同级别的信息密度,这是“很弱”,“弱”,“强劲,”和“很强,”。在最后阶段,对于大多数去模糊化技术中提到的部分3.2“重心”方法在这个FL系统为了解决一个输出值的模糊set.Since重要的参数是不同的,是由不同的用户、不同的模糊规则是预定义的系统中。因此,根据每个用户的偏好,适当的模糊规则系统加载到FL。if - then规则的曲面图呈现在图11。在这个图中,并给出了考虑参数与信息素。作为一个例子,if - then规则的重要性率设置特定参数提出了表1。在这个例子中,用户的偏好“距离”,“流量”和“事件风险”参数是“高”,“低”和“低”,分别。因此,方向与偏好更紧密的成本实现更多的本地信息素更新。这是在路线与“低”,“高”和“高”首选项实现最少的局部信息素更新。
传统的每个循环完成的最后一步是全球性的信息素更新定义为 在哪里蒸发系数,通常设置为0.9 (15- - - - - -17,34]。

选择最好的方向
后循环,从起点到终点的方向成本最低的是推荐的系统。

5。仿真结果

的性能提出了flac路线选择系统与基于ACS和* ACS系统提出了15- - - - - -17评估和在这一节中讨论。

该系统应用于伦敦的一部分,英国、航线网络。选择的区域是由42连接如图12。这些模拟中使用的统计流量数据由伦敦交通控制中心提供高瓦斯)。在所有模拟,开始时间是下午4点,车辆的平均速度是40 km / h视为违约。系统运行在30个循环15初始蚂蚁为默认。运行的循环次数、迭代和蚂蚁的数量定义基于连接的搜索区域,因此该地区的复杂性。在此系统中,蒸发系数被认为是0.9,,。桌面电脑与英特尔Core2Quad Q8300 2.5 GHz CPU和3 MB的RAM用于模拟在MATLAB环境2009 b。

在第一个模拟,10 O / D对随机选择的。平均成本水平的不同数量的周期和一组用户首选项(距离=高;流量=低;事件风险=低)评估。提出了图13,考虑系统成本最平均的周期。按照另一个降序的方式,成本平均ACS和A * ACS系统几乎14日到达稳定值的周期。这是在flac系统到达稳定的成本平均点,这完全是小于其他两个系统,由十周期。由于flac系统收敛速度与平均成本低于其他两个系统,这一事实显示了增强系统的性能与* ACS和ACS系统。

一般来说,比较ACS和* ACS系统图13说明* ACS算法具有更少的成本比ACS算法。这种差异是由于局部信息素更新ACS的A *算法。此外,对比* acs和flac算法说明了flac算法的平均成本最小。这个事实,说明了FL的性能在ACS局部信息素更新和A *算法。

在另一个模拟,ACS的性能,A * ACS和flac系统为每个“距离”相比“流量”和“事件风险”参数分别。对于每个参数,平均10个随机选择的O / D对成本平均利率重要性不同的参数值,比较评价在0和1之间。见图14,所有三个系统的平均成本增加通过增加“距离”参数的重要性。虽然系统几乎相似的行为和不同的“交通”参数重要性水平,但ACS和flac算法完全最和最平均的成本,分别。这是(虽然已经证明17)和之前的模拟,* ACS系统平均成本低于ACS系统。

平均成本的分析对不同重要性的“交通”参数显示在图15,不同的系统有不同的行为该参数的值。事实上,我们还比“距离”参数不太顺畅。这是由于评估进一步通过网络流量数据。因此,每个系统中使用流量数据是不完全一样的其他系统。通过考虑这一事实,一般flac算法最平均的成本比其他算法。类似的模拟、性能的系统研究为不同值的”事件风险”参数如图16。类似于“距离”参数,系统的行为是光滑的降序的方式。

在图17,平均10个随机选择的O / D对平均成本与不同数量的蚂蚁了。如这个图所示,通过考虑一个蚂蚁系统作为工人,平均成本是如此之高。通过激活更多的蚂蚁,系统平均成本降低而收敛于一个特定值的平均成本。的收敛点flac, ACS,和ACS系统是在17岁,17岁,分别和18的蚂蚁数量。然而,在这一点上,行为的flac系统成本平均是静态的,而ACS系统比* ACS系统交替变化。这个图清楚地演示了flac提出系统的性能与其他两个系统。

在另一项研究中,表现比较系统的三个具体的O / D对表2。表示,美国癌症协会最便宜但运行时间等系统。这虽然是一个* ACS,由于计算负载的A *搜索引擎,有更多的运行时间,但成本低于ACS。尽管flac还额外FL对ACS系统组件,仿真结果表明,flac运行时间少于一* ACS和所有系统之间的最小成本。然而,由于其FL系统组件,它的运行时间超过了ACS。在一个特定的情况下,flac和* acs推荐类似的方向O / D对6/13。然而,flac方法推荐这个方向以更少的运行时间以及更少的成本比ACS的方法,这表明flac系统的性能。

完全,系统展示了几乎相同的增长模式的参数增量是由于常见的ACS这些方法的核心。然而,拟议的flac的性能分析系统为不同值的“距离”,“流量”和“事件风险”参数显示更少的成本平均水平和* ACS和纯ACS系统。这也意味着就业的FL技术在局部信息素更新没有被迫或聚合flac到一个特定的结果,但它可以帮助实现最佳结果用更少的成本比纯ACS和* ACS算法。flac的特权和其他方法是其动态行为在不同地区有不同的复杂性由于FL部分的存在。因此,系统执行更少的总成本以及更好的性能。

6。结论和未来的工作

提出的系统介绍了一种动态路由选择系统,采用模糊逻辑(FL)和蚁群系统(ACS)多参数路线选择在城市地区。该系统对城市游客认为一组重要参数:“距离”,“流量”和“事件的风险。“然而,这组可以通过考虑开发其他参数如“宽度”(车道),“质量”(医疗设施,娱乐,等等),和许多“红绿灯”。

在这项工作中,成本可能路线计算基于用户的调整所需的参数。然后选择方向以最优的成本通过提出模糊logic-ant殖民地系统(flac)算法。对于实时应用程序,模糊逻辑是一个管理机制提出了ACS局部信息素更新。这种技术改善ACS性能和准备一个真正不同地区适用的动态系统。这项工作还可以为日常生活使用开发的采用一些先进的技术如vehicle-to-vehicle (V2V)通信和网络技术。另一个版本的工作也可以为乘客开发,可以在他们的移动手机或个人数字援助(pda)。

拟议的系统可以有很多实时应用程序用于紧急服务,导游,和一般的人想要一个低成本、安全、舒适的旅程在城市地区。

确认

作者要感谢匿名评论者的有见地的建议。作者还想欣赏伦敦交通控制中心的客户服务顾问,英国提供了这个项目的流量数据。

引用

1. m·巴斯k Boriboonsomsin a Vu,“环保导航”学报第十届国际智能交通系统(IEEE会议ITSC ' 07)2007年10月,页684 - 689。视图:出版商的网站|谷歌学术搜索
2. h·王,b .张”,路线规划和土地自主车辆导航系统,”学报》第三届国际会议上车辆导航和信息系统(VNIS 92)挪威,页135 - 140年,1992年。视图:谷歌学术搜索
3. l . w .羽扇和d . Srinivasan动态路线规划、混合进化算法”《IEEE国会进化计算(CEC ' 07)新加坡,页4743 - 4749年,2007年9月。视图:出版商的网站|谷歌学术搜索
4. 美国Edelkamp, s -贾巴尔,t . Willhalm“几何旅行计划,”IEEE智能交通系统》第六卷,没有。1,5-16,2005页。视图:出版商的网站|谷歌学术搜索
5. c . Yanyan m·g·h·贝尔,k . Bogenberger“可靠的旅行前多路径规划和动态适应一个集中的道路导航系统,”IEEE智能交通系统,8卷,不。1、14 - 19页。2007。视图:出版商的网站|谷歌学术搜索
6. 美国金、m·e·刘易斯和c . c .白色“状态空间减少的非平稳随机最短路径问题的实时交通信息,“IEEE智能交通系统》第六卷,没有。3、273 - 284年,2005页。视图:出版商的网站|谷歌学术搜索
7. c . Yanyan l .应,d . Huabing“最佳路线选择模型的车辆自动导航系统畅通可靠性分析的基础上,“IEEE智能交通系统程序,2卷,第978 - 975页,2003年。视图:谷歌学术搜索
8. j .三浦m .伊藤,y Shirai”向应用智能导航器:其概念和原型,“IEEE智能交通系统,3卷,不。2、136 - 146年,2002页。视图:出版商的网站|谷歌学术搜索
9. g·k·h·庞k .高桥t .横田和h . Takenaga”自适应路由选择动态路径诱导系统基于模糊神经的方法,”IEEE车辆技术,48卷,不。6,2028 - 2041年,1999页。视图:出版商的网站|谷歌学术搜索
10. g .彭日成和M.-H。楚,”为车辆导航和控制路线选择,”学报》第五届IEEE国际会议上工业信息学(INDIN ' 07)2007年6月,页693 - 698。视图:出版商的网站|谷歌学术搜索
11. d . Teodorovic和菊池,“交通路线选择模型使用模糊接口技术,”《国际会议不确定性建模和分析1:模糊推理、概率模型和风险管理,页140 - 145,马里兰大学学院公园,1990年。视图:谷歌学术搜索
12. y Kambayashi, y Tsujimura、h . Yamachi和h .山本”整合不舒服intersection-turns主观使用遗传算法最优路线选择,”学报》第五届IEEE国际会议上计算控制论(ICCC ' 07)突尼斯,页203 - 208年,2007年10月。视图:出版商的网站|谷歌学术搜索
13. s . Zidi s Maouche,美国拿“实时公共交通的路线规划系统”IEEE智能交通系统研讨会论文集(ITSC 06年)加拿大,页则高达55 - 2006年9月。视图:谷歌学术搜索
14. a . Broggi m . Cellario p Lombardi, m .门”进化的方法为车辆导航,视觉传感”IEEE工业电子产品,50卷,不。1日~ 29,2003页。视图:出版商的网站|谷歌学术搜索
15. h . Salehinejad f . Pouladi, s . Talebi”一个新的路线选择系统:多参数基于蚂蚁算法的车辆导航的方法,”国际会议程序计算智能的建模、控制和自动化,页1089 - 1094,IEEE计算机协会,维也纳,奥地利,2008年。视图:谷歌学术搜索
16. h . Salehinejad和美国Talebi”,一种新的基于蚂蚁算法的车辆导航系统:无线网络的方法,”《电信国际研讨会(是08年),页36-41,德黑兰,伊朗,2008年8月。视图:出版商的网站|谷歌学术搜索
17. h . Salehinejad h . Nezamabadi-Pour s Saryazdi, f . Farrahi-Moghaddam”结合*蚂蚁算法:一个新的多参数车辆导航方案”美国16日伊朗电气工程会议(ICEE ' 08)159年,页154 -德黑兰,伊朗,2008。视图:谷歌学术搜索
18. Abed和c·斯万”,分析高速公路交通times-series数据通过使用盒子詹金斯技术”交通研究,没有。72年,页1 - 9,1979。视图:谷歌学术搜索
19. h·尼科尔森和c d·斯万”,基于光谱分析交通流预测卷,“交通研究,8卷,不。6,533 - 538年,1974页。视图:谷歌学术搜索
20. 即Okutani和y . j . Stephanedes”动态预测的交通量通过卡尔曼滤波理论,“交通研究。B部分,18卷,不。1、1 - 11,1984页。视图:谷歌学术搜索
21. 咸宁,h·川岛、m .小岛和y Kaneko”方法对于使用神经网络的交通事件自动检测,”《车辆导航和信息系统与环太平洋地区地球村会议,会议一程到将来,第235 - 231页,1995年。视图:谷歌学术搜索
22. c·泰勒和d . Meldrum“高速公路数据预测,采用神经网络”《车辆导航和信息系统与环太平洋地区地球村会议,会议一程到将来,第230 - 225页,1995年。视图:谷歌学术搜索
23. 诉Maniezzo m .民宿,a . Colorni”由一群蚂蚁系统:优化代理、合作”IEEE系统,人,和控制论,B部分,26卷,不。1,29-41,1996页。视图:谷歌学术搜索
24. m .民宿和l . m . Gambardella蚁群系统:合作学习方法货郎担问题,“IEEE进化计算,1卷,不。1 - 24,1997页。视图:谷歌学术搜索
25. l . w .董和c·t·香”,蚁群优化VRP和邮件发送的问题,”《IEEE国际会议上工业信息学(INDIN 06年)2006年8月,页1143 - 1148。视图:出版商的网站|谷歌学术搜索
26. c·l·刘,“最佳路径规划公共交通系统”《IEEE第五国际会议上智能交通系统,第839 - 834页,2002年。视图:谷歌学术搜索
27. m .多日,“蚂蚁觅食行为、组合优化、通信网络和路由,”群体智慧:从自然的人工系统1999年,页25 - 107,圣达菲研究所研究科学的复杂性。视图:谷歌学术搜索
28. s . Favuzza g . Graditi m·g .使役动词和e . r . Sanseverino”最优电力分配系统强化规划使用气体微发电机动态蚁群搜索算法,”IEEE电力系统,22卷,不。2、580 - 587年,2007页。视图:出版商的网站|谷歌学术搜索
29. CH。Schuh,“模糊集及其应用在医学上,”《北美模糊信息处理学会年会(NAFIPS ' 05),页86 - 91年,底特律,密歇根州,美国,2005年。视图:谷歌学术搜索
30. e·h·Mamdani,“应用模糊算法控制简单的动态,“美国电气工程师学会学报》上,卷121,不。12日,第1588 - 1585页,1974年。视图:谷歌学术搜索
31. p . Chemouil j . Khalfet和m . Lebourges“交通路由、自适应模糊控制方法”IEEE通讯杂志,33卷,不。7,70 - 76年,1995页。视图:出版商的网站|谷歌学术搜索
32. t .福田和t .柴田”理论和神经网络的应用为工业控制系统,”IEEE工业电子产品,39卷,不。6,472 - 489年,1992页。视图:出版商的网站|谷歌学术搜索
33. h·德穆斯,m .比尔和m·哈根使用MATLAB的神经网络工具箱 ${}^{\circledR }$MathWorks, 2006。
34. 诉Maniezzo、l . m . Gambardella和f·德·路易吉,蚁群优化,新的优化技术在工程施普林格,柏林,德国,2004年。

版权

版权©2010 Hojjat Salehinejad和Siamak Talebi。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。