神经网络和遗传算法在动态路径诱导中的应用

针对智能交通路径诱导目前存在的实时性差和求解效率低的问题,提出了将神经网络与遗传算法结合的动态路径诱导方法,研究了基于神经网络的交通信息实时预测方法,构造了具有时变性的路阻矩阵,解决了传统静态路阻存在时变性差等的局限性问题;探讨了基于遗传算法的最优路径求解问题,提出了适用于路径优化的编码方式、适应度函数和遗传操作算子,解决了求解效率和求解质量的平衡问题。仿真实验表明,该方法满足路径诱导的准确性、实时性和快速性要求。

基于并行遗传神经网络算法的限制搜索区域最优路径方法

在大规模路网的路径诱导中,研究了基于神经网络的交通信息实时预测方法,构造了具有时变性的路阻矩阵,解决了传统静态路阻存在的局限性问题;探讨了基于并行遗传算法的最优路径求解问题,给出了相应的遗传、变异算子和群体更新方式,提出了矩形限制搜索区域方法,降低了并行遗传算法的搜索范围,解决了遗传算法在大规模路网中求解最优路径时存在的实时性差、收敛速度慢等问题;仿真实验表明该方法满足大规模路网路径诱导的准确性、实时性和快速性要求。

基于并行遗传神经网络算法的动态路径选择方法

实时、高效的求解大规模路网中的最优路径是动态路径诱导领域的研究难点。针对基本遗传算法在计算大型网络的优化问题时表现出的求解效率低等缺点,在基本遗传算法中引入了子群体和迁移策略,提出了基于并行遗传算法的最优路径选择方法,设计了适用于路径优化的编码方式、适应度函数、遗传操作算子和迁移算子,并采用神经网络预测方法构造了实时动态的路阻矩阵。仿真试验表明:该方法的准确性、实时性和快速性优于基本遗传算法,并且大规模路网中求解效率和求解质量的平衡问题也得以解决。