研究优化改进的灰狼Optimization-Extreme学习机器算法在车辆路线规划

文摘

随着智能交通的快速发展,智能算法和路径规划已成为有效的方法来缓解交通压力。智能算法可以实现优先级选择模式在实现交通优化效率。然而,有局部优化的智力,很难实现全局优化。摘要学校模型用于解决问题的灰狼算法陷入局部优化。不同的狼的位置更新。当陷入局部优化,当前位置进行了优化,实现全局优化。极端学习机(ELM)算法模型介绍了加速改善灰狼优化(IGWO)优化和提高收敛速度。最后,实验证明IGWO-ELM算法在路径规划相比,算法具有理想的效果和效率高。

1。介绍

交通拥挤已成为许多城市所面临的一个常见的问题,甚至是世界上大多数国家。交通堵塞不仅会增加等待时间人们花在路上,导致城市交通瘫痪也加剧环境污染。据了解,当车辆在交通堵塞,汽油不完全燃烧的发动机由于低速车辆,导致污染物的几倍,正常驾驶时的速度。路径规划城市交通系统中起着重要的作用。精心策划的交通系统不仅可以减少城市交通的压力,也带来巨大便利人们的旅行,它有一个伟大的角色在改善城市景观,提升城市的形象,为人们提供一个良好的工作和学习环境1]。路径规划的主要目的是设计一个交通路线,最好的满足游客的实际需要,为旅行者提供最省时、最便宜的路线,减少交通拥堵,改善道路交通条件,实现城市交通持续发展(2]。作为人工智能交通预测中发挥着越来越明显的作用,它可以计划交通路径和大大减少拥堵在路上的时间。

路径规划已广泛应用于高技术、日常生活、决策管理和其他领域(3- - - - - -6]。根据不同的分类类型,路径规划的分类也不同。当分类根据当前路径的掌握的程度,它主要分为两个部分:全局路径规划和局部路径规划。为核心的移动智能车辆自主规划和导航技术,国内外研究人员近年来做了大量研究。Mrazovic et al。7)使用大数据分析技术来计算当前车辆流通和停车场利用率和开发了一种multivehicle路由算法来减少道路拥堵造成的停车或特定区域。在这篇文章中,一个两层的局部搜索算法(贪婪随机自适应)用于火车收集大量的历史数据。通过优化算法比较和分析,城市道路优化管理和合理的路线规划实现。Gunduz et al。8)提出了一种新的基于一种改进遗传算法的路径规划方法。给出了评价指标和优化函数通过路径长度和路径的能量。三维路径层结构,建立了基于模糊神经网络,然后使用遗传算法来解决最优路径。林等。9)提出了一种路径优化算法对动态规划算法的基础上,采用多目标算法的方法,可以实现并行处理不同的优化目标。蚁群算法采用正反馈机制,不断搜索过程是收敛的。并行性,大大提高了算法的运行效率。启发式概率搜索具有更好的全局优化能力。然而,蚁群算法的缺点是计算很大(10]。Mauricio et al。11)采用粒子群优化方法来解决非均匀终端车辆路径问题。通过自适应惯性权重和局部搜索策略,更好的车辆路线方案解决。实验结果表明,该方法可以有效地保存配送总成本和车辆所需的数量分布。Vareias et al。12]提出了一种随机车辆路径优化方法,并分配相应的工具来解决优化问题。车辆的耗时和耗时的计划路线的评价,一个时间窗口设置为每辆车,和一个点球和约束机制和早期设置车辆晚。两级解决方案方法,实现路径优化的成本和时间窗口分解为好子窗口评估优化的效果。Hiraishi [13)提出了一种路由优化方案以乘客为标准来判断车辆的状态。路线计划通过判断乘客的地位。例如,如果乘客被认为是累了,一个耗时的路线计划。赛义德et al。14使用内存存储模式通过最优路线,自适应决策认知框架;该方法可以记忆、存储和优化车辆信息和更新的路线最优路线通过持续学习模式。这些算法有一定的智能处理和优化信息的能力,但他们不评估历史时间和消费。约束机制和实时路况不能更好的评估,和实时路况无法预测。上述文件有一定的优势在解决实时路径优化和在短时间有很好的预测效果。

2。灰太狼优化算法策略

2.1。标准狼优化算法

灰狼优化(拥有)提出的算法是一个人口智能算法Mirjalili Seyedali灵感来自2014年灰太狼的捕食行为。灰太狼包层的分层机制 , , ,和 。其中,狼是最好的领袖灰狼之间的适应性。和是两个人的第二个最好的健身。他们的任务是帮助狼在管理狼群狩猎和决策过程。是剩下的常见的狼群。捕食过程描述如下:首先,狼领导灰狼搜索、跟踪和方法猎物;然后,狼和狼围攻猎物的指挥下和召唤普通狼攻击猎物,直到他们捕获的猎物。拥有算法完成捕食行为模仿周围的捕食任务,比如灰狼,狩猎,和攻击,从而实现全局优化的过程。

2.2。拥有的数学模型

在拥有的领导体系,狼的最高水平,和狼和由狼也更好的个人。狼搜索路径下的狼 ,狼 ,和狼 。作为不断优化目标, , ,和狼不断更新位置信息,也不断优化目标。

假设在D维空间,灰色的狼群 由N灰色的狼。GWO算法描述如下:狼后包围阶段:确定猎物的位置,他们首先包围的猎物。数学描述如下: 在哪里D是灰太狼和猎物之间的距离;猎物后的位置吗tth迭代(当前最优解);是灰太狼的位置(可行解)的位置后tth迭代;一个和C系数的因素,定义如下: 在哪里和随机数在[0,1];t算法的迭代次数;马克斯的最大迭代数。 随着迭代次数的增加t: 狩猎阶段:狼可以快速找到猎物的位置,寻找猎物。当狼狼发现猎物的位置 , ,和有一定的理解的猎物的位置和要求接近猎物的位置。这是狼的猎物的过程。

围攻阶段完成后,狼让狼和追捕猎物。打猎的过程中,个别狼的位置将猎物逃跑的: 在哪里 , ,和代表当前位置的狼 , ,和 ; 显示当前灰狼位置; 是随机向量。

狼的位置更新 :

通过不断更新位置信息,狼不断更新的位置来获取最优位置信息。灰狼的候选解决方案算法更新自己的位置的位置信息的领导水平。候选解决方案是分布在一个随机循环定义的领导水平。从上面的公式和原理图,它可以概括,灰狼算法的优化过程是选出的狼 , ,和反过来,然后使用当选精英个人评估可能的猎物的位置,然后组中的其他个体随机更新猎物周围的位置关于狼的位置信息 , ,和 。

3所示。改进的灰狼优化算法

灰狼优化算法是一种自然搜索算法的启发,它具有良好的性能和效率在解决各种优化问题。“火焰”变量的过程中所使用的横向方向是一个重要的参数拥有更新新职位的人口。然而,火焰的减少将降低收敛速度,从而影响最终的解决方案的质量。为了克服这个缺点,一种新的学校(还)蛾火焰算法。此外,对于跨境飞蛾,镜子采用跨境战略确保飞蛾在尺寸范围内,提高种群的多样性。

3.1。学校的算法

还被Tizhoosh于2005年首次提出。描述如下:假设的观点 在d维空间, 和 。其反向点 定义如下:

拥有的基础上,附加功能H基于学校策略添加到拥有加快收敛,和高精度的解。的H功能描述如下: 在哪里 , 和是灰太狼的最大和最小的位置分别和是搜索空间的上限和下限,C是最佳火焰位置在任何迭代过程,然后呢是(0,1)之间的一个随机数。方程(7)是一种新形式的学校。H函数生成一个新的反向解决方案根据灰狼的反转位置。

3.2。灰狼跨境镜子的策略

在拥有优化过程中,灰太狼更新它的位置根据公式(5),其位置坐标穿过边境,将不断的边界,这不仅降低了灰狼种群的多样性,也容易使算法陷入局部优化,从而影响了算法的优化性能。针对这种情况,使用方程(11)更新跨境灰太狼: 在哪里是j维跨境位置我th灰太狼;和的值范围吗jth维度。重复操作公式(11)可以映射尺寸的范围,确保人口的多样性,有效地提高拥有算法的优化性能。

3.3。措施改善灰狼优化算法

提出了一种改进的灰狼优化器(IGWO)通过改善灰狼算法。IGWO的实现步骤总结如下:步骤1:设置算法参数,包括人口规模N最大迭代时间max,搜索空间维度 ,搜索空间上限U,下界l。步骤2:初始化,根据法在部分人口2.2, 。步骤3:计算和排序的健身价值灰狼个人根据目标函数,找出最高的个人健身健身价值,并保存他们的位置 , ,和 ,分别。步骤4:更新位置根据公式的步长段步长更新机制(4)和(5)。第五步:更新灰狼人口位置根据设计的算法公式(11)。第六步:更新参数一个,一个,C,原线性收敛因子一个改为指数非线性收敛因子。第七步:确定的最大迭代数已经达到了,如果是这样,停止迭代和输出。

4所示。极限学习机(ELM)

黄教授等。15)在2006年提出了极端的学习机器。基于SLFN榆树算法是一种改进的新算法。榆树算法相对于传统的SLFN算法的最大优点是,它不需要在培训更新参数,如输入层和隐层之间的重量和隐层神经元的阈值。一旦确定隐层节点的数量,榆树算法可以获得一个独特的全局最优解具有良好的泛化和通用逼近能力。

极端学习机是一种单隐层前馈神经网络(SLFN),受到广泛关注和应用,因为其快速收敛和快速的学习能力和良好的非线性分类能力。

集n不同的训练样本 ,的kth输入 对应的输出 ,设置网络的输入层的节点数N,隐层节点的数量米和激活函数表示为 ;然后SLFN的统一模型 在哪里代表了jth输入层和隐层的重量,b隐层的节点的偏见,隐层的激发函数,输出层的输出是什么 ,预期的输出 , 代表神经元和神经元之间的连接权(我和j,分别地。,represent the serial numbers of neurons in the input layer and the hidden layer), and 代表神经元和神经元之间的连接权(我和j,分别地。,represent the serial numbers of neurons in the hidden layer and the output layer). Then the output of each sample is

这个方程表示为

H(x)是指所有在隐藏层神经元的响应与输入向量x并计算输出:

的系统输出N样品是

误差函数被定义为 在哪里是常态。以上的基本数学推理过程是一个单隐层前馈神经网络。不断更新,所有的参数值和阈值和两个隐藏层和输出层的权重将优化。

5。实验方案

在本文中,一个有向图 被定义为城市十字路口代表城市的关键路口条件,如图1,在那里 代表N城市和关键的十字路口 代表城市的所有道路,总计道路。每个关键路口之间的交通流由矩阵表示 ,在哪里从车站代表汽车的数量来 。然而,成本矩阵 ,十字路口之间的车辆通过。这表明代表车辆到达的成本从站 ,通常是指时间或距离。因为时间与距离成正比时,车辆速度是相同的,成本都是一样的不管时间或距离。然而,如果没有站之间的道路和站 , 被定义为大量。例如, 意味着两个reintersections沟通在不同的时间和两个路口之间的道路状况是不同的。

在图1城里,通过时间不同的路口在某些时刻显示了在不同的时间不同的传递时间,不同季节、不同月份,不同时间点的显示不同的传递时间,路况显示不同,具体显示拥塞,缓慢的移动,顺畅。在图1来回,不同道路的交通状况,和数字代表特定的位置。数量之间的位置和位置代表成本之间可以做的位置,一般指时间或成本可以做到的。

通过GPS数据的相关统计分析,在不同的时间经度和纬度的不同部分和当前的路况地图进行了分析。进行相关统计分析,经度,纬度,在GPS数据和地理信息,车辆信息在不同时间点的道路部分GPS数据统计,主要路口屈指可数,排序表中描述的数据1。

以上是在特定时间点的统计,和道路状况信息通常是每5分钟计算。一般来说,当前的实时路况的统计结果可分为三种状态:堵塞,缓慢旅行,和舒适。1、2和3分别使用。阈值判断标准如下:堵塞小于12公里/小时,缓慢旅行是12∼25 km / h,并疏通大于25公里/小时。表中的数据1是通过原始数据的统计数据。路ID表示在地图的数量;车辆ID表示车辆的数量;路段长度表示一个路段的实际长度;条目的时间表示开始时进入路段的车辆;起飞时间表示结束时离开路段的车辆;速度表示一般通过计算道路段的长度除以时间;道路状况表示道路状况进行分类的速度。

通过灰太狼算法预测城市交通的关键路口,预测关键路线通过不同的十字路口是本文的重点。为了能够预测最优路线从起点到终点和预测不同的十字路口,人物2比较了不同路线的预测效应。

最优路线在图2路线选择是当前关键路线的阻塞时,将此称为最优路线。推荐的路线选择IGWO-ELM算法与最优路线基本上是在高协议的路线,但这是实际的路线选择,考虑道路条件在不同的时间。IGWO-ELM算法是理想的执行效果,表明该算法具有良好的执行效果。为了反映算法的性能影响,PSO和拥有算法之间的比较效果如图3。

在图3与时间相比,在不同路径,IGWO-ELM算法在实际应用的时候接近理论值。PSO和拥有算法运行时间的差异。在一些路径,这两种算法的运行效率是相同的,有时PSO比拥有,交替的两个算法的时间效率。

6。结论

本文提出了一种改进的灰狼算法应用到城市交通路径规划。合理的交通路径规划可以提高交通运行效率和节省大量的时间。基本灰狼算法容易陷入局部优化,和全球总量很难获得优化。灰狼算法是通过学校改进的模型;因此,实际的实现全局优化。最后,实验比较表明,IGWO-ELM算法在执行效率和时间有着明显的优势。考虑IGWO-ELM算法效率的比较优势,将使用不同的时间点或季节性点在后期作为研究对象。历史数据训练预测交通规划在未来一段时间,和车辆合理计划缓解交通拥堵。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

所有作者的贡献同样写这篇文章。所有作者阅读和批准最终的手稿。

确认

这项工作是支持的智能教学模式的设计和应用基于雨教室批准号41620200001/002,蕴藏学习行为数据挖掘研究基于网络环境下批准号80059900227,翻转课堂教学和研究模型下基于Micro-Lectures批准号80059900253。

引用

1. W.-H。王,y, z, C.-Z。魏,J.-C。赵,L.-q。太阳,”效应强化生态浮床的城市景观水的净化与再生水供应,”科学的环境卷,622 - 623,1630 - 1639年,2018页。视图:出版商的网站|谷歌学术搜索
2. m . s .赵y . Liu Sundhararajan et al .,”评价体系对城市交通的可持续发展和生态环境基于支持向量机,”《智能与模糊系统,34卷,不。2、831 - 838年,2018页。视图:出版商的网站|谷歌学术搜索
3. j·b·刘,j .赵和z Cai,“广义邻接、拉普拉斯算子和无符号的拉普拉斯算子谱的加权边缘电晕网络”自然史一卷,540年,页1 - 11,2020。视图:出版商的网站|谷歌学术搜索
4. l . j . w . Liu Li任et al .,“探索民生弹性及其对生活的影响策略在中国农村,“社会指标研究,卷150,不。3、977 - 998年,2020页。视图:出版商的网站|谷歌学术搜索
5. J.-B。刘,j .赵h .他和z邵,“Valency-based拓扑描述符和广义sierpiński网络的结构属性”统计物理学杂志,卷177,不。6,1131 - 1147年,2019页。视图:出版商的网站|谷歌学术搜索
6. w·江d·r·卡特·h·l·傅et al .,“生物质作物援助计划的影响对美国森林产品市场:全球森林产品的应用程序模型中,“森林,10卷,不。3、1 - 12,2019页。视图:出版商的网站|谷歌学术搜索
7. p . Mrazovic e . es h . Ferhatosmanoglu et al .,“高效的城市货运交通,多车路线规划”《2018年国际会议上智能系统(是),IEEE, Funchal-Madeira、葡萄牙2019年9月,IEEE Funchal-Madeira葡萄牙,。视图:出版商的网站|谷歌学术搜索
8. m·g . Gunduz m . s . Kiran, e . Ozceylan“分层的方法基于群体智慧解决旅行商问题,“土耳其的电气工程和计算机科学杂志》上,23卷,第117 - 103页,2015年。视图:出版商的网站|谷歌学术搜索
9. 中州。林,L.-C。黄,S.-Y。陈,C.-M。Yu”检验任务的最优路线规划自主水下航行器由MOPSO-based动态路由算法在电流,”应用海洋研究卷,75年,第192 - 178页,2018年。视图:出版商的网站|谷歌学术搜索
10. w·y·h·安东尼,t . Nahhal b Aghezzaf et al .,“MapReduce-based方法提高大规模公路网络的最短路径计算:的情况下算法”,《大数据,5卷,不。1,p。2018。视图:出版商的网站|谷歌学术搜索
11. g . e .毛、r . i .极限和j·w·Escobar”MultiDepot metaheuristic算法的车辆路径问题和异构舰队”国际期刊的工业工程计算,9卷,不。4、461 - 478年,2018页。视图:出版商的网站|谷歌学术搜索
12. 公元Vareias、p . p . Repoussis和c·d·Tarantilis”评估客户服务可靠性与自我时间窗路线规划和随机旅行时间,“交通科学,53卷,不。1,第281 - 256页,2019。视图:出版商的网站|谷歌学术搜索
13. h . Hiraishi”客运车辆路线规划为基础的认知状况系统”,软件科学和计算智能的国际期刊,10卷,不。2、25 - 35,2018页。视图:出版商的网站|谷歌学术搜索
14. y赛义德、k·艾哈迈德·m·Zareei et al .,“车载认知路线决定使用模糊建模和人工神经网络,”IEEE访问7卷,第20272 - 20262页,2019年。视图:出版商的网站|谷歌学术搜索
15. g . b .黄问:朱y, c . k .萧et al .,“极端的学习机器:理论和应用程序,”Neurocomputing,卷70,不。1 - 3、489 - 501年,2006页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020仕进李和辅王。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。