本发明涉及最佳路径计算技术领域，具体涉及一种基于智能学习算法的最佳路径计算方法。
背景技术：
伴随信息技术的发展，物联网思想已经被引入到生活中，手机app技术已成为生活便利的主要手段，这一技术及要求效率又要求准确度，所谓物联网技术就是通过安装信息传感设备，如射频识别（RFID）装置、红外感应器、全球定位系统、激光扫描器等，将所有的物品都与网络连接在一起，方便识别和管理。电视、洗衣机、空调甚至自行车、门锁和血压计上都能使用。
专家预测十年内，物联网就可能大规模普及，将广泛运用于智能交通、环境保护、政府工作、公共安全、平安家居、智能消防、工业监测、老人护理、个人健康等多个领域，一个上万亿元规模的高科技市场就此诞生。而智能学习算法运用在手机app和实际设备之间完成一系列功能的计算又是如虎添翼为人民的实际生活带来方便与快捷。
在很多高层写字楼中，安装了多部电梯，并且分布在整个建筑的多个部位，如果在高峰期想到某一层的时候，会等很长时间。所以造成很多上班族或者其他赶时间的人的时间浪费，并产生一系列的反应。
技术实现要素：
本发明要解决的技术问题是：本发明针对以上问题，提供一种基于智能学习算法的最佳路径计算方法，通过手机查询定位寻找最近最快电梯的系统，只要通过输入目的地，系统就会告诉你现在以什么样的速度去哪部电梯处。
本发明所采用的技术方案为：
一种基于智能学习算法的最佳路径计算方法，所述方法采用改进的智能学习算法，结合现实的应用场景，通过粒子群优化算法将用户作为一个粒子，并且虚拟出多个粒子，这些虚拟的粒子模拟用户位于建筑不同方位相同距离的场景，和用户以相同的速度接近建筑物，当到达一个最优位置的时候用户便可采用最后的结果，从而选择最佳路径。
所述方法采用物联网方式，通过电梯和手机相互关联上网实现。
所述方法操作步骤如下：
第一步：搜集每个位置的电梯的数据；
第二步：用户输入目的楼层，并且要实时关注返回结果；
第三步：根据实时结果，当到达一个最终位置的时候，用户选择最佳的结果。
所述粒子群优化算法中引入了记忆技术以确保在学习的时候不会走重复的路线。
在优化过程中，粒子追随群体中当前位置和速度最优的粒子而移动，并经逐代迭代搜索后得到最优解。
在每一代中，粒子将跟踪本身迄今找到的最优解pbest和迄今找到的最优解gbest进行搜索，涉及公式如下：
present[i]=present[i]+v[i] (1)
v[]=w*v[]+c1*rand1()*(pbest[]-present[])+c2*random2()*(gbest[]-present[])(1)+
random(v) (2)//速度更新公式random (v)是添加的随机值来保证速度逼真性
if（present[i]==cache && present！=pbest）//当前不是最优粒子
{
return;//如果发现走的是重复的路线则重新初始化
}
c1,c2取2，random()取（0，1）之间的随机数；
其中：式（1）中，第一项是认知项，第二项v[]是动量项，粒子认识到自身经验，从而增强学习，第三项是社会项，代表了粒子之间相互影响，相互合作，认知项代表粒子之间的竞争，社会项代表粒子之间的合作，从而实现群体智能搜索。
本发明的有益效果为：
本发明对传统粒子群优化算法进行了改进，利用了粒子群算法的一部分，和移动的方位进行学习，实时反馈最佳路径；现实的上班族应用场景，节省时间，高效利用资源；并根据物联网思想，通过电梯和手机相互关联上网实现。
在粒子群优化算法中，本发明添加了随机的粒子和随机的权值以保证粒子群的逼真性，添加了记忆力确保了粒子不走重复路线也就是避免了局部死锁，提高了成功率，不同的参数对应不同的粒子群优化模型，对于粒子群来说算法参数选取和收敛性是影响算法性能和效率的关键因素，并且有紧密的联系，直接影响着粒子群的搜索过程和收敛特性。
改进的粒子算法没有直接引用算法的最终计算记过，而是不断的采用动态学习过程中的最优路径，这是不同于传统的算法的使用之处，本发明中粒子群算法不用等到所有粒子都聚集在一起才算最终结果，而是当到达某一位置的时候，粒子群算法终止，此时用户根据方位采取最佳结果即可。
根据实验结果判断，改进的技术在长期的使用过程中，准确率和节省的时间能够提高20%-30%。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合说明书附图，根据具体实施方式对本发明进一步说明：
实施例1：
一种基于智能学习算法的最佳路径计算方法，所述方法采用改进的智能学习算法，结合现实的应用场景，通过粒子群优化算法将用户作为一个粒子，并且虚拟出多个粒子，这些虚拟的粒子模拟用户位于建筑不同方位相同距离的场景，和用户以相同的速度接近建筑物，当到达一个最优位置的时候用户便可采用最后的结果，从而选择最佳路径。
粒子群优化算法（Particle Swarm Optimization PSO）是一种用无质量、无体积的粒子作为个体。本发明在传统的粒子群算法的基础上进行了改进，在此场景中将用户作为一个粒子，在同一目标的其他7个方位都虚拟了一个同一的粒子，7个虚拟的粒子和真实的用户一起向前移动，这样的话会实时的显示哪条路线更加接近目的地。
实施例2
在实施例1的基础上，本实施例所述方法采用物联网方式，通过电梯和手机相互关联上网实现。
实施例3
如图1所示，在实施例2的基础上，本实施例所述方法操作步骤如下：
第一步：搜集每个位置的电梯的数据；
第二步：用户输入目的楼层，并且要实时关注返回结果；
第三步：根据实时结果，当到达一个最终位置的时候，用户选择最佳的结果。比如：建筑的北门大厅门口的时候，此时为最后的计算位置，根据此时返回的结果选择即可。
实施例4
在实施例3的基础上，本实施例所述粒子群优化算法中引入了记忆技术以确保在学习的时候不会走重复的路线。
实施例5
在实施例4的基础上，本实施例在优化过程中，粒子追随群体中当前位置和速度最优的粒子而移动，并经逐代迭代搜索后得到最优解。
实施例6
在实施例5的基础上，本实施例在每一代中，粒子将跟踪本身迄今找到的最优解pbest和迄今找到的最优解gbest进行搜索，涉及公式如下：
present[i]=present[i]+v[i] (1)
v[]=w*v[]+c1*rand1()*(pbest[]-present[])+c2*random2()*(gbest[]-present[])(1)+
random(v) (2)//速度更新公式random (v)是添加的随机值来保证速度逼真性
if（present[i]==cache && present！=pbest）//当前不是最优粒子
{
return;//如果发现走的是重复的路线则重新初始化
}
c1,c2一般取2，random()取（0，1）之间的随机数，这样使算法更具随机性。
其中：式（1）中，第一项是认知项，第二项v[]是动量项，通常认为粒子认识到自身经验，从而增强学习，第三项是社会项，代表了粒子之间相互影响，相互合作，认知项代表粒子之间的竞争，社会项代表粒子之间的合作，从而实现群体智能搜索。
实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。