基于头脑风暴优化的多模态个性化车辆路径导航方法

本发明属于车辆导航，具体的涉及到多模态个性化车辆路径导航。

背景技术：

1、在导航技术的研究中，路径规划是其核心，是导航研究的一个重要环节和课题。所谓路径规划是指按照距离、时间、能源消耗等中搜索一条从起始状态到目标状态的最优或次优路径。路径规划主要涉及的问题包括：利用环境信息建立较为合理的模型，再寻找一条从起始状态到目标状态的最优或近似最优的路径；能够处理环境模型中的不确定因素和路径跟踪中出现的偏航；利用已知的所有信息来引导机器人的动作，从而得到相对更优的行为决策。

2、现有的路径规划系统，在导航时显示的信息往往局限于路径里程，红绿灯数量等有限信息，且路径之间差异较小。而用户对于某一路径的要求差别很大，除以上信息外，还包括经过某一处或几处特定地点，驾驶时间，驾驶舒适程度，以往驾驶习惯等信息，用户希望在驾驶途中平衡多个目标。目前大多数的研究针对最小化路径长度的规划需求，在满足约束条件的前提下同时规划出多条最短路径，这是一种单目标的优化问题。然而，单一目标通常难以满足人们的实际需求，车辆在行驶过程中，路况信息也可能发生变化如拥堵和临时性的事故，因此车辆导航也需要考虑路况的动态环境，考虑到路网环境的不确定性，用户希望可以同时获得多条路径以供选择，这些路径在行驶里程、堵塞路段数量等目标具有较好目标值、且差异性较大。不同的用户在驾驶时也存在着偏好，结合用户和其他使用者的导航数据，选择合适用户的偏好，给出个性化的导航规划。虽然已经有学者对个性化路径规划问题进行了深入研究，但是由于问题建模复杂，求解难度大，当前关于多模态多目标路径规划问题的研究成果很少。

3、群体智能优化方法作为一种能有效地确定复杂大规模优化问题的方法，已成为诸多领域关注的研究热点。传统的群体智能优化方法以模型驱动为主，如粒子群优化方法，差分演化方法等都是基于简单的迭代公式，这些方法采用了相同的参数设置和结构来确定不同的优化问题，实现简单，不需要问题背景知识的优点，但是方法的精度不高，难以保障针对特定问题的性能。

4、头脑风暴优化方法(bso)是一种融合了数据分析的优化方法，在运行过程中，通过对解集合数据分类或者聚类操作，迭代搜索解空间，利用搜索得到的当前信息，引导解集合趋向于适应度值更好的区域。针对多模态问题的特性，提高方法的求解精度，增加输出的多样性至关重要。

技术实现思路

1、本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种模型参数计算简单、效率高、测试速度快、预报准确的基于头脑风暴优化的多模态个性化车辆路径导航方法。

2、解决上述技术问题所采用的技术方案是由下述步骤组成：

3、(1)量化用户目标的参数

4、用户目标的参数g∈{1,2,3}，用户目标为时间最短，g为1；用户目标为距离最短，g为2；用户目标为经过红绿灯数最少,g为3。

5、(2)建模栅格地图

6、根据用户终端选择的出发地路径点和目的地将实际路网地图中的道路特征建模成规则的栅格地图gra，路径点的集合p为{1,2,…,n}，n表示栅格地图gra中总的路径点数，n是至少为2的有限正整数。

7、(3)量化路径差异性目标参数

8、路径差异性目标量化包括对距离s、行车速度v、红绿灯数r、间隔时间rt、行车时间t、堵塞程度时间c、堵塞路段e的数值量化如下：

9、按下式确定任意两路径点之间的距离s：

10、

11、其中sp,q表示路径点p到路径点q的距离，p,q∈[2,n]。

12、按下式确定任意两路径点之间的行车平均速度v：

13、

14、其中va,b表示路径点a到路径点b的行车平均速度，a,b∈[2,n]。

15、按下式确定任意两路径点之间的红绿灯数r：

16、

17、其中rc,d表示路径点c到路径点d的红绿灯数，c,d∈[2,n]。

18、按下式确定任意两路径点之间的红绿灯数之间的间隔时间rt：

19、

20、其中rtu,g表示路径点u到路径点g的红绿灯间隔时间，u,g∈[2,n]。

21、按下式确定任意两路径点之间距离所用的行车时间t：

22、

23、

24、其中，te,k表示路径点e到路径点k的行车时间，e,k∈[2,n]。

25、按下式确定任意两路径点之间的堵塞时间c：

26、

27、其中，cz,j表示路径点z到路径点j的堵塞时间，z,j∈[2,n]。

28、按下式确定堵塞时间超过界限值ψ分钟的两路径点之间的堵塞路段e：

29、

30、

31、其中，ψ表示交通堵塞时间界限，ψ∈[1，30]，eo,l为1表示路径点o到路径点l的堵塞时间超过通堵塞时间界限值ψ分钟，o,l∈[2,n]，eo,l为0表示路径点o到路径点l的堵塞时间co,l未超过界限值ψ分钟；

32、(4)初始化种群

33、按式(10)初始化种群xn：

34、xn＝(x1,x2,…,xn) (10)

35、其中，xn为起始点到目的点的第n条路径。

36、(5)评估个体

37、按式(11)-(13)确定适应度函数f(x)的适应度值。

38、

39、

40、

41、其中，w1为最小化驾驶时间所占权重，w1∈[1,100]，μ为道路堵塞时间所占权重，μ∈[0.0001,100]，tx(i-1),x(i)表示当前路线x的第i-1路径点到i路径点的平均行驶时间，rtx(i-1),x(i)表示当前路线x的第i-1路径点到i路径点红绿灯间隔时间，cx(i-1),x(i)表示当前路线x的第i-1路径点到i路径点的堵塞时间，i∈{1,2,...,n}，n为有限正整数，δσ为判定系数，δσ为0，表示当前路线不可选择，δσ为1，表示当前路线可选择，当前路线中使得ex(i-1),x(i)为1，即当前路线为堵塞路段，不选择当前路线，δσ为0，当前路段中使得ex(i-1),x(i)为0，即当前路线不堵塞路段，选择当前路线，δσ为1，dx(i-1),x(i)表示当前路线x的第i-1路径点到i路径点的路径长度，rx(i-1),x(i)表示当前路线x的第i-1路径点到i路径点的红绿灯数目，φ1为最小化路径长度所占权重，φ1∈[1,100]，φ2为最小化时间所占权重，φ2∈[0.0001,0.1]，φ3为最小化红路灯数目所占权重，φ3∈[0.0001,10]，δ1为最小化红路灯数目所占权重，δ1∈[1,100]，δ2为最小化红路灯数目所占权重，δ2∈[0.0001,0.1]，δ3为最小化路径长度所占权重，δ3∈[0.0001,10]。

42、(6)划分集合

43、在每次迭代中对所有解按照适应度值的优劣进行排序，并划分为精英解集合和普通解集合其中表示第e个精英个体，表示第nr个普通个体。

44、(7)更新个体

45、按式(14)生成新的样本表达式

46、

47、

48、其中，pc1和pc2表示概率参数，pc1,pc2∈(0,1)，n(2,1)是均值为2，方差为1的高斯随机函数，rand(0,1)为(0,1)之间的随机数。

49、(8)更新最差解

50、按式(16)更新最差解

51、

52、其中，分别为当前解集合中最劣解、最优解、随机解，t表示迭代次数，t∈[20,2000]，f表示缩放因子，f∈[0.001,2]。

53、(9)输出导航结果

54、将全部备选的路线输出给用户，根据选择结果进行导航。

55、在本发明的步骤(5)评估个体的式(11)-式(13)中，所述的w1取值最佳为50，μ取值最佳为50，φ1取值最佳为50，φ2取值最佳为0.05，φ3取值最佳为5，δ1取值最佳为50，δ2取值最佳为0.05，δ3取值最佳为5。

56、在本发明的步骤(7)更新个体中，所述的pc1表示概率参数取值最佳为0.5，pc2表示概率参数，取值最佳为0.5。

57、在本发明的步骤(8)更新最差解中，所述的t为迭代次数取值最佳为1000，f为缩放因子，取值最佳为1。

58、由于本发明采用量化用户目标的参数、评估个体，解决了现有技术没有全面考虑路况的动态环境和用户需求，不适用于多模态导航规划的问题。量化用户目标的参数、建模栅格地图、量化路径差异性目标参数，解决了现有技术模型参数获取复杂，不适用于个性化导航规划的问题。本发明具有参数计算简单、高效高、计算速度快、预报准确等优点，可在汽车和手机上推广使用。