买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：一种基于自组织多模态多目标量子粒子群优化算法的路径规划方法，包括：一种自组织网络模型被用来获取每一个粒子的最佳邻居位置，该邻居位置参与量子粒子群算法中粒子位置的更新；将决策空间划分为多个相等区域，在更新粒子位置过程中，种群的中心位置和全局最佳位置是根据决策空间子分区中帕累托最优解数量最少区域确定，进而引导粒子位置进化更新；为了维持帕累托解档案集在决策空间和目标空间的多样性和收敛性，一种档案选择更新策略被用于维持档案集的多样性和收敛性。本发明不仅能够在决策空间找到多样和等价的帕累托解，而且能够维持解集合在目标空间的收敛性。同时，更好地解决路径规划问题，为用户在路径规划时提供多种等效路径以供选择。

主权项：1.一种基于自组织多模态多目标量子粒子群路径规划方法，其特征在于：包含以下步骤：S1.在决策空间内初始化一个种群POP带有NP个粒子，并计算目标函数值；根据每一个路口的坐标初始化种群POP,种群规模为100；每一个粒子的基因编码方式为POPi＝{r1,r2,...ri,...,rn}，n表示路口的数量，ri＝1表示经过第i个十字路口，ri＝0表示为经过该十字路口；在该编码方式中，所有ri＝1表示先后经过的十字路口，依次计算先后经过十字路口之间的距离之和为该路径的总长度，并统计该路径上的红色拥堵区域的数量和路口作为三个目标函数；S2.对每一个粒子POPi的个体最佳历史位置pbesti定义为粒子的位置，每一个粒子的最佳历史位置的集合PBseti为粒子的位置，即PBseti＝POPi,pbesti＝POPi；S3.计算所有粒子最佳历史位置pbesti的平均位置mbest；S4.对种群POP进行非支配排序并获得非支配解PSPF，非支配解PSPF中第一个解即为种群POP的最优个体位置gbest；S5.初始化自组织模型SOM；S6.初始化一个冗余档案RA为空；S7.算法进入主循环，如果迭代结束条件不满足进入S8.S8.更新自组织网络SOM并获取最好的邻居粒子，具体步骤如下：S81.初始化种群POP中新产生的非支配解为自组织网络的训练集trainingset；S82.根据种群中每一个个体POPu初始化权重向量为这里d是决策变量数量；S83.自组织模型训练T次；S84.在每一次训练过程中，对训练集中每一个样本trainingseti，设置为该样本的最好神经单元；S85.更新权重向量和学习率ηt，更新公式如下： 其中，T是总训练次数，t是当前训练次数，η0是初始学习率；S86.更新神经元的邻居神经元neighbor＝{neighbor1,neighbor2,....neighborm}，更新公式如下： 其中，σt是第t次训练的学习半径，σ0是初始学习半径；S87.自组织模型训练结束；对于每一个粒子POPi，POPi最佳神经元ui通过自组织模型获得；S88.获得最佳神经元ui的邻居neighbor＝{neighbor1,neighbor2,....neighborm}S89.获得所有邻居的个体最好历史个体集合并进行非支配排序获得非支配解candidate_neighbor，candidate_neighbor中的第一个非支配解即是粒子POPi的最佳邻居；S810.获得所有个体的最佳邻居nbest；S9.种群更新迭代；具体步骤如下：S91.更新每一个粒子的pi根据公式5： 其中，λ和r是0到1的随机数，ξ是一个随机整数，g和G是当前迭代次数和最大迭代次数，pbesti和nbesti分别是POPi的个体历史最佳位置和最佳邻居，gbest是全局最好个体；S92.更新每一个粒子的位置根据公式6. 其中μ是一个0至1之间的随机数，β是一个逐渐递减的参数，其定义如下： 其中，β0和β1是两个常数，并且β0＜β1；S93.计算每一个更新后POPi的目标函数；S94.更新每一个粒子POPi的历史最佳位置集合PBseti并进行非支配排序，在PBseti内的第一个粒子即为pbesti；S95.合并所有粒子的PBseti并进行非支配排序获得非支配解PSPF；S96.将决策空间等分为k＝2d个相等的区域，这里d是决策变量数目，并记录每一个区域的非支配解{pspf1,pspf2,...,pspfk}和每一个子区域非支配解的数量{s1,s2,...sk}；S97.根据区域划分结果，找到非支配解数量最少的区域和该区域的非支配解 S98.更新种群的平均位置mbest；计算在决策空间内的平均位置即为mbest；S99.根据更新种群的全局最好位置；的第一个粒子即为gbest；S10.当PSPF档案集的数量大于NP时进行外部档案集PSPF维护，其主要步骤如下：S10-1.初始化一个临时的解集tempPSPF，对于决策空间，找到PSPF的每一个决策向量中每一维的最大值与最小值放入临时解集tempPSPF，并将他们从PSPF中移除；S10-2.分别计算tempPSPF和PSPF中解与解之间的距离，找到PSPF与tempPSPF中每一个解之间最小的距离的所有解，并在这些最小距离解中找出一个最大距离的解从PSPF中移动到tempPSPF，直至tempPSPF中解的数量等于NP；S10-3.将PSPF中剩余的非支配解放入冗余矩阵RA中，并重新将tempPSPF赋值给PSPF；S10-4.返回PSPF和tempPSPF；S11.种群迭代结束；合并PSPF和RA并进行非支配排序获得非支配解PSPF；S12.进行步骤S10选择多样的非支配解，输出最终的解PSPF；对于PSPF解集的一个解PSPFi＝{r1,r2,...ri,...,rn}，其基因位ri＝1表示经过该路口，ri＝0表示未经过该路口，并依次计算两者之间的距离之和作为总距离。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于自组织多模态多目标量子粒子群优化算法的路径规划方法