时辰：2023-06-08 09:15:56
序论：速颁发网连系其深挚的文秘经历，出格为您挑选了11篇路子打算典范算法范文。若是您须要更多首创材料，接待随时与咱们的客服教员接洽，但愿您能从中罗致灵感和常识！
交通运输的古代化令人们享用便利的同时，也面临路子拥堵、变乱频发等问}。比来几年来，智能交通体系愈来愈遭到人们的正视，它触及到交通范畴诸多方面，如最优路子挑选、车辆路子打算、静态车辆调剂、交通流量节制等。此中一个首要的操纵是一类典范的以数学现实为底子的组合优化题目，而蚁群算法具备内涵的搜刮机制及正反应性，合适求解一系列的组合优化题目。
1 蚁群算法描写
蚁群算法源于20世纪90年月初意大利学者M.Dorigo初次提出的蚂蚁体系。它是基于种群的开导式放生退化体系，是经由历程对蚁群寻食历程中其步履的研讨而得出的一种算法。首要思绪是蚂蚁借助本身路子寻优的才能能够或许或许或许或许或许或许或许或许或许或许或许找到巢穴与食品之间最短的路子。在寻觅历程中首要依托的是每一个蚂蚁在前进历程中留下的挥发性排泄物――信息素，依托信息素，蚁群的蚂蚁之间能够或许或许或许或许或许或许或许或许或许或许或许彼此合作，彼此共同，是以组成的正反应能够或许或许或许或许或许或许或许或许或许或许或许使每只蚂蚁找到一切路子中最短的路子。
蚂蚁a从节点j挪动至k的转移几率能够或许或许或许或许或许或许或许或许或许或许或许从式（1）中获得：
（1）
（2）
（3）
2 蚁群算法的操纵上风
蚁群算法，别名蚂蚁算法，蚂蚁能够或许或许或许或许或许或许或许或许或许或许或许操纵信息素的浓度巨细从而寻觅到寻食的最优路子。该算法的长处能够或许或许或许或许或许或许或许或许或许或许或许总结为：
2.1 并行散布式计较
每一个蚂蚁都是自力的个别，在寻食历程中属于多动身点同时启动，互不影响，从底子上阐发该历程属于散布式的多Agent体系，全体蚁群终究使命的顺遂实现不会因为某些个别的毛病谬误而遭到影响。该算法具备实在可用性，并且可用于处置对单方针的优化或对多方针的优化等首要题目。别的，蚂蚁算法还可停止并行计较。
2.2 鲁棒性
蚁群算法的终究功效与蚂蚁最初挑选的路子无太大干系，在操纵野生仿真蚂蚁停止题目求解历程中，不须要对其停止野生的修整。把题目简略化，能够或许或许或许或许或许或许或许或许或许或许或许和其余算法彼此连系求解最优题目。
2.3 自机关性
蚁群算法机关指令的来历为体系内部，它不受外界情况的搅扰，是以该算法具备自机关性。
2.4 正反应性
蚂蚁对最优路子的挑选首要依托路子上信息素浓度的几多，信息素的聚积是正反应的历程，路子上信息素的含量越多则该路子被挑选的几率就会越大，正反应的感化是使全体能够或许或许或许或许或许或许或许或许或许或许或许更快的寻觅到最优路子，正反应在蚁群算法中处于首要地位。
2.5 易于实现
它是一种开导示算法，其计较庞杂性为，全部算法的空间庞杂度是：。
3 蚁群算法在智能交通范畴的操纵空间
蚁群算法在处置组合优化题目方面有着较着的上风，从而在智能交通范畴也有着普遍的操纵空间。
3.1 车辆路子导航
按照行车职员的须要，按照对及时路况信息的统计，体系能够或许或许或许或许或许或许或许或许或许或许或许智能的为其保举最优路子，节流时辰，节流资本。
3.2 静态车辆调剂
当客户须要调剂中间为其停止车辆办事时，调剂中间要斟酌到客户的情况，要斟酌到效力的题目，要斟酌到行车线路、行驶时辰等题目。蚁群算法便可敏捷获得公道的处置打算，使客户和调剂中间都可受害。
3.3 车辆路子打算
面临多个客户差别的请求时，配送中间要按照现实情况停止车辆的配送，经由历程蚁群算法体系获得全体的最优线路，按照线路打算，及时停止车辆动身以知足客户请求，同时充实操纵了路子资本和车辆资本。
3.4 大众交通智能化调剂
操纵前进前辈的手艺手腕、大型数据库手艺等静态地获得及时交通讯息，实现对车辆的及时监控和调剂，终究成立集运营批示调剂、综合营业通讯及信息办事等为一体的智能化办理体系。
3.5 交通流量节制
经由历程蚁群算法简化庞杂的路子交通搜集，尽能够或许或许或许或许或许或许或许使交通流量在各个路子上散布均匀，防止因流量过大而组成车辆的梗阻。及时领会交通流量情况，减缓了交通拥堵，下降了交通变乱的发生率。
参考文献
[1]M.Dorigo，V.Maniezzo，A.Colom.Ant System：Optimization by a colony of cooperating agents.IEEE trans on SMC，1996，26（01）：28-41
[2]Eric BONABEAUB， Marco DORIGO，Guy THERAULAZ.AWARM intelligence： from natural to artificial systems[M].New York：Oxford University Press，1999
[3]杨海.蚁群算法及其在智能交通中的操纵[D].济南：山东师范大学，2008：14-18
作者简介
白晓（1979-），女。工学硕士学位。现办事于厦门软件职业手艺学院软件工程系。首要研讨标的方针为软件工程、智能算法。
1 弁言
在挪念头器人导航手艺操纵历程中，路子打算是一种必不可少的算法，路子打算请求机械人能够或许或许或许或许或许或许或许或许或许或许或许本身鉴定妨碍物，以便自立决议路子，能够或许或许或许或许或许或许或许或许或许或许或许避开妨碍物，自立路子打算能够或许或许或许或许或许或许或许或许或许或许或许主动的请求挪念头器人能够或许或许或许或许或许或许或许或许或许或许或许宁静实现智能化挪动的标记，凡是而言，机械人挑选的路子包罗良多个，是以，在路子最短、操纵时辰最短、耗损的能量起码等预约的准绳下，能够或许或许或许或许或许或许或许或许或许或许或许挑选一条最优化的路子，成为良多计较机学者研讨的热点和难点。
2 背景常识
神经搜集摹拟生物退化思惟，具备怪异的打算神经元反应机制，其具备散布式信息存储、自顺应进修、并行计较和容错才能较强的特色，以其怪异的打算和信息处置体例，在主动化节制、组合优化范畴获得了普遍的操纵，特别是大规模搜集数据阐发和态势瞻望中，神经搜集能够或许或许或许或许或许或许或许或许或许或许或许成立一个杰出的分类进修模子，并且在进修历程中优化每层的神经元和神经元毗连的每一个节点。1993年，Banta等将神经搜集操纵于挪念头器人路子打算历程中，比来几年来，获得了普遍的研讨和成长，morcaso等人构建操纵一个能够或许或许或许或许或许或许或许或许或许或许或许实现自机关的神经搜集实现机械人导航的功效，并且能够或许或许或许或许或许或许或许或许或许或许或许经由历程传感器练习搜集，获得更好的成长，肯定体系的最好路子。神经搜集拓扑打算模子能够或许或许或许或许或许或许或许或许或许或许或许分为：
2.1 前向搜集
收调集各个神经元接管前一级的输出，并输出到下一级，收调集不反应，能够或许或许或许或许或许或许或许或许或许或许或许用一个有向无环路图表现。这类搜集实现旌旗灯号从输出空间到输出空间的变更，它的信息处置才能来自于简略非线性函数的屡次复合。搜集打算简略，易于实现。反传搜集是一种典范的前向搜集。
2.2 反应搜集
搜集内神经元间有反应，能够或许或许或许或许或许或许或许或许或许或许或许用一个无向的完全图表现。这类神经搜集的信息处置是状况的变更，能够或许或许或许或许或许或许或许或许或许或许或许用能源学体系现实处置。体系的不变性与遐想影象功效有紧密亲密干系。Hopfield搜集、波耳兹曼机均属于这类范例。
3 基于野生神经搜集的挪念头器人路子打算算法
神经搜集处置挪念头器人路子打算的思绪是：操纵神经搜集算法能够或许或许或许或许或许或许或许或许或许或许或许描写机械人挪动情况的各类束缚，计较碰撞函数，该算法能够或许或许或许或许或许或许或许或许或许或许或许将迭代路子点集作为碰撞能量函数和间隔函数的和当作算法须要优化的方针函数，经由历程求解优化函数，能够或许或许或许或许或许或许或许或许或许或许或许肯定点集，实现路子最优打算。神经搜集算法在挪念头器人路子打算历程中的算法以下：
（1）神将搜集算法能够或许或许或许或许或许或许或许或许或许或许或许初始化神经收调集的一切神经元为零，肯定方针点地位的神经元活性值，并且能够或许或许或许或许或许或许或许或许或许或许或许神经搜集每层的神经元毗连将神经元的值传布到动身点；
（2）静态优化神经搜集，按照神经搜集的方针节点和妨碍物的具相信息，在神经搜集拓扑打算中的映照中发生神经元的内部输出；
（3）肯定方针值附件的神经元活性值，并且操纵部分侧的各个神经元之间，毗连全部神经搜集，并且在各个神经元中停止传布。
（4）操纵登山法搜刮此后邻域内活性值最大的神经元，若是邻域内的神经元活性值都不大于此后神经元的活性值，则机械人坚持在原处不动；不然下一个地位的神经元为邻域内具备最大活性值的神经元。
（5）若是机械人到达方针点则路子打算历程竣事，不然转步骤（2）。
4 基于野生神经搜集的挪念头器人路子打算手艺瞻望
将来时辰内，野生神经在机械人路子打算历程中的操纵首要成长标的方针包罗以下几个方面：
4.1 与信息论相融会，肯定神经搜集的最优化化方针解
在神经搜集操纵历程中，因为经历值较为难以肯定，是以在神经搜集的操纵历程中，将神经搜集看做是一个贝叶斯搜集，按照贝叶斯搜集含有的信息熵，肯定神经搜集的方针函数的最优解，以便更好的判定机械人挪动的最好路子。
4.2 与遗传算法想连系，肯定全局最优解
将神经搜集和遗传算法连系起来，其能够或许或许或许或许或许或许或许或许或许或许或许将机械人的挪动情况设置为一个二维的情况，妨碍物的数目、地位和外形是肆意的，路子打算能够或许或许或许或许或许或许或许或许或许或许或许由二维使命空间一系列的根基点组成，神经搜集决议机械人的勾当节制法例，操纵相干的神经元的传感器感化获未知情况的情况，将妨碍信息和方针点之间的间隔作为神经搜集的输出信息，操纵遗传算法实现神经搜集的权值练习，神经搜集的输出作为挪念头器人的勾当感化力，实现一个能够或许或许或许或许或许或许或许或许或许或许或许在未知情况中停止的机械人勾当路子打算。
4.3 与蚁群算法相连系，下降搜刮空间，前进路子打算切确性
为了前进神经搜集的搜刮切确性和前进效力，能够或许或许或许或许或许或许或许或许或许或许或许将蚁群算法与神经搜集彼此连系，蚁群算法的路子打算体例起首接纳栅格法对机械野生作情况停止建模，而后将机械人动身点作为蚁巢地位，路子打算终究方针点作为蚁群食品源，经由历程蚂蚁间彼此合作找到一条避开妨碍物的最优机械人挪动路子。
5 结语
跟着挪念头器人手艺的成长，路子打算作为最首要的一个组成部分，其获得了良多的操纵和成长，其在导航历程中，也引入了良多前进前辈的算法，比方神经搜集，加倍优化了挪动的路子。将来时辰内，跟着神经搜集手艺的改良，能够或许或许或许或许或许或许或许或许或许或许或许引入遗传算法、信息论、蚁群算法等，将这些算法上风连系，将会是路子打算加倍切确和切确。
参考文献
[1]朱大奇,颜明重,滕蓉. 挪念头器人路子打算手艺综述[J].节制与决议打算,2010,25(7): 961-967.
[2]刘毅.挪念头器人路子打算中的仿真研讨[J].计较机仿真,2011,28(6): 227-230.
[3]熊开封,张华.基于改良型 FNN 的挪念头器人未知情况路子打算[J].制功课主动化,2013,35(22): 1-4.
[4]柳长安,鄢小虎,刘春阳.基于改良蚁群算法的挪念头器人静态路子打算体例[J].电子学报,2011,39(5).
二、算法模子
基于时辰本钱的物流线路优化计较首要操纵到三个求解算法，别离是聚类算法、最优路子算法和定单日打算算法。根基求解打算是：第一步按照车辆装载率实现对客户乐趣点聚类；第二步详尽优化配送路子；第三步平衡逐日定单散布。
1.聚类算法
聚类是空间数据发掘中的一个首要研讨范畴，是指将物理的或笼统的东西分组成为由类似东西组成的多个类（簇）的历程。
以绍兴烟草为例，聚类计较时起首接纳自下而上的一阶段体例对全地域26000个批发户点停止聚类，获得411个初始聚类功效。再按照现实须要，按照类容量将前408个类作为间接指派的初始类核，以配送车装载率90%作为类容量下限，停止间接指派聚类，终究获得聚类功效。
2.最优路子算法
最优路子算法的方针是寻觅给定动身点和动身点间的最短路子，文章接纳Dijkstra（迪杰斯特拉）算法。Dijkstra算法是典范的单源最短路子算法，用于计较一个节点到其余一切节点的最短路子。首要特色是以肇端点为中间向外层层扩大，直到扩大到动身点为止。
⑴初始时，S只包罗源点，即S=v。U包罗除v外的其余极点，U中极点u对应的间隔值为边上的权（若v与u有边）或 （若u不是v的出边毗邻点）。
⑵从U当拔取一个间隔v最小的极点k，把k，插手S中（该选定的间隔便是v到k的最短路子长度）。
⑶以k为新斟酌的中间点，点窜U中各极点的间隔；若从源点v到极点u的间隔（颠末极点k）比本来间隔（不颠末极点k）短，则点窜极点u的间隔值，点窜后的间隔值为极点k的间隔加上边上的权。
⑷反复步骤（2）和（3）直到一切极点都包罗在S中。
3.配送使命量模子和定单日打算算法
停止定单日打算时，文章引入使命量模子观点，将综合功课时辰作为线路优化的单一规范，把送货户数、送货量、行驶里程等多维度统一转换成使命时辰，处置线路优化时方针过量，计较坚苦的题目。
综合功课时辰=卸车交代时辰+车辆行驶时辰+根基办事时辰+客户交代时辰+现金缴款时辰。卸车交代时辰=（卸车筹办时辰车次）+（卸车框数单框卸车时辰）
定单日打算算法的方针是肯定各配送线路的配送车辆和配送日，打算请求知足以下束缚前提：车辆数起码；一周内各配送车辆使命时辰根基平衡；天天各配送车辆使命时辰根基平衡；天天使命时辰下限设定6.5小时。
定单日打算算法模子：
束缚前提：
（1.1）
（1.2）
（1.3）
（1.4）
i 须要支配的线路序号；取值规模从1到线路的最大数；
j 送货车序号；取值规模从1到指定车辆数；
k定单日的序号；取值规模从1到5，表现一周配送5天；
b天天一切车辆使命时辰的下限；
c每辆车一周使命量下限；
d每辆车天天使命量的下限，d为6.5小时。
公式（1.1）一条线路有却只能有某辆车在某一天配送；
公式（1.2）天天一切车
的使命量不能逾越下限b；
公式（1.3）每辆车每周的使命量不能逾越下限c；
关头词：多机械人；路子打算；强化进修；评判准绳
Abstract:This paper analyzed and concluded the main method and current research of the path planning research for multirobot.Then discussed the criterion of path planning research for multirobot based large of literature.Meanwhile，it expounded the bottleneck of the path planning research for multirobot，forecasted the future development of multirobot path planning.
Key words:multirobot；path planning;reinforcement learning;evaluating criteria
比来几年来，散布式野生智能(DAI)成为野生智能研讨的一个首要分支。DAI研讨大抵能够或许或许或许或许或许或许或许或许或许或许或许分为DPS（distributed problem solving）和MAS（multiagent system）两个方面。一些处置机械人学的研讨职员受多智能体体系研讨的开导，将智能体观点操纵于多机械人体系的研讨中，将单个机械人视做一个能自力履行特定使命的智能体，并把这类多机械人体系称为多智能体机械人体系（MARS）。是以，本文中多机械人体系同即是多智能体机械人体系。今朝，多机械人体系已成为学术界研讨的热点，而路子打算研讨又是其焦点部分。
机械人路子打算题目能够或许或许或许或许或许或许或许或许或许或许或许建模为一个带束缚的优化题目，其包罗地舆情况信息建模、路子打算、定位和避障等使命，它是挪念头器人导航与节制的底子。单个挪念头器人路子打算研讨一向是机械人研讨的重点，且已有良多功效[1~3]，比方在静态情况中罕见的有毗连图法、可视图法、切线图法、Voronoi图法、自在空间法、栅格法、拓扑法、链接图法、DempsterShafer证据现实建图等；静态情况中罕见的有粒子群算法、免疫算法、遗传算法、神经搜集、蚁群算法、摹拟退火算法、野生势场法等。可是，多机械人路子打算研讨比单个机械人路子打算要庞杂良多，必须斟酌多机械人体系中机械人之间的避碰机制、机械人之间的彼此合作机制、通讯机制等题目。
1 多机械人路子打算体例
单个机械人的路子打算是找出从肇端点至动身点的一条最短无碰路子。多个机械人的路子打算偏重斟酌全部别系的最优路子，如体系的总耗时辰起码路子或是体系总路子最短等。从今朝国际外的研讨来看，在打算多机械人路子时，更多斟酌的是多机械人之间的调和和合作式的路子打算。
今朝国际外多机械人路子打算研讨体例分为传统体例、智能优化体例和其余体例三大类。此中传统体例首要有基于图论的体例（如可视图法、自在空间法、栅格法、Voronoi图法和野生势场体例等）；智能优化体例首要有遗传算法、蚁群算法、免疫算法、神经搜集、强化进修等；其余体例首要有静态打算、最优节制算法、恍惚节制等。它们中的大部分都是从单个机械人路子打算体例扩大而来的。
1）传统体例 多机械人路子打算传统体例的特色首要表此刻基于图论的底子上。体例通俗都是先将情况构建成一个图，而后再从图中寻觅最优的路子。其长处是比拟简略，比拟轻易实现；毛病谬误是获得的路子有能够或许或许或许或许或许或许或许不是最优路子，而是次优路子。薄喜柱等人[4]提出的一种新路子打算体例的根基思惟便是基于栅格类的情况表现和妨碍舆图的。而野生势场体例的根基思惟是将挪念头器人在情况中的勾当视为一种假造野生受力场中的勾当。妨碍物对挪念头器人发生斥力，方针点发生引力，引力和斥力四周由必然的算法发生呼应的势，机械人在势场中遭到笼统力感化，笼统力使得机械人绕过妨碍物。其长处是合适未知情况下的打算，不会显现维数爆炸题目；可是野生势场法也轻易堕入部分最小，并且存在丧失解的部分有用信息的能够或许或许或许或许或许或许或许。顾国昌等人[5]提出了援用全体势减小的静态调剂手艺的多机械人路子打算，较好地处置了这个题目。
2）智能优化体例 多机械人路子打算的智能优化方（算）法是跟着比来几年来智能计较成长而发生的一些新体例。其绝对传统体例加倍智能化，且日趋成为国际外研讨的重点。
遗传算法是比来几年来计较智能研讨的热点，作为一种基于群体退化的几率优化体例，合用于处置传统搜刮算法难以处置的庞杂和非线性题目，如多机械的路子打算题目。在路子打算中，其根基思惟是先用链接图法把情况舆图构建成一个路子节点链接网，将路子个别抒发为路子中一系列半途节点，并转换为二进制串；而后停止遗传操纵（如挑选、穿插、复制、变异），颠末N次退化，输出此后的最优个别即机械人的最优路子。遗传算法的毛病谬误是运算速率烦懑，退化浩繁的打算要占有很大的存储空间和运算时辰；长处是有用防止结部分极小值题目，且计较量较小。
孙树栋等人[6，7]在这方面较早地睁开了研讨，提出的基于调集调和思惟的一种夹杂遗传算法来打算多机械人路子体例较好地处置了避障题目。但缺少的是该体例必须成立情况舆图，在情况未知情况下的打算不获得很好的处置；且打算只能保障找到一个比拟对劲的解，在求解全局最优解时仍有规模。
文献[8]中提出的一种基于定长十进编码体例有用下降了遗传算法的编码难度，降服了已有的变长编码机制及定长二进制编码机制需特别遗传操纵算子和特别解码的毛病谬误， 使得算法加倍简略有用。
智能计较的别的一种罕见的体例——蚁群算法属于随机搜刮的仿生算法。其根基思惟是摹拟蚂蚁群体的寻食勾当历程来实现寻优，经由历程蚂蚁群体中各个别之间的彼此感化，散布、并行地处置组合优化题目。该算法一样比拟合适处置多机械人的路子打算题目。
朱庆保[9]提出了在全局未知情况下多机械人勾当蚂蚁导航算法。该体例将全局方针点映照到机械人视线域边境四周作为部分导航子方针，再由两组蚂蚁彼此合作实现机械人视线域内部分最优路子的搜刮，而后在此底子上停止与其余机械人的碰撞瞻望与避碰打算。是以，机械人的前进路子不时被静态点窜，从而在每条部分优化路子指点下，使机械人沿一条全局优化的路子到达方针点。但其缺少是在静态不肯定的情况中路子打算时辰开消剧增，并且机械人缺少须要的进修，以致于全部机械人体系路子难以是最优路子。
强化进修[10，11] (又称再鼓励进修)是一种首要的机械进修体例。它是一种智能体从情况状况到步履映照的进修，使得步履从情况中获得堆集夸奖值最大。其道理如图1所示。
强化进修算法通俗包罗了两个步骤：a）从此后进修轮回的值函数肯定新的步履战略；b）在新的步履战略指点下，经由历程所获得的刹时赏罚值对该战略停止评估。进修轮回历程以下所示，直到值函数和战略收敛:
v0π1v1π2…v*π*v*
今朝比拟罕见的强化进修体例有：Monte Carlo体例、静态打算体例、TD（时辰差分）体例。此中TD算法包罗Sarsa算法、Q进修算法和Dyna-Q算法等。其Q值函数迭代公式别离为
TD（0）战略： V(si)V(si)+α[γi+1+γV(si+1)-V(si)]
Sarsa算法： Q(st，at)Q(st，at)+α[γt+1+γQ(st+1，at.+1)-Q(st，at)]Qs′进修算法： Qπ(s，a)=∑Pαss′[Rass′+γVπ(s′)]
比来几年来，基于强化进修的路子打算日趋成为国际外学者研讨的热点。M. J. Mataric[12]初次把强化进修引入到多机械人情况中。而基于强化进修的多机械人路子打算的长处首要表此刻：不必成立切确的情况模子，简化了智能体的编程；不必构建情况舆图；强化进修能够或许或许或许或许或许或许或许或许或许或许或许把路子打算、避碰、避障、合作等题目统一处置。
张芳等人[13]提出了基于再鼓励调和避障路子打算体例，把再励函数设想为基于步履分化的无模子非均匀打算，新的再励函数打算使得进修速率得以前进且有较好的鲁棒性。同时，证实了在路子打算中，机械人的趋势方针和避障步履紧密亲密相干，对反应各根基步履的再励函数取加权和来表现总的再励函数要优于取间接和的表现体例，也反应了再励函数设想得公道与否及其切当程度将影响再励进修的收敛速率。王醒策等人[14]在静态编队的强化进修算法方面睁开了研讨。宋一然[15]则提出了分段再励函数的强化进修体例停止路子打算。其毛病谬误是进修次数较多、效力不高，当机械人数目增添时，它有能够或许或许或许或许或许或许或许面临维数灾害的坚苦。以是，基于强化进修的路子打算在多机械人情况下的进修将变得比拟坚苦，须要对传统的强化进修加以优化，如基于野生神经搜集的强化进修[16]等。
3)其余体例 除以上国际外几种比拟罕见且研讨较多的体例外，另有唐振民等人[17]提出的基于静态打算思惟的多机械人路子打算，把运筹学中的静态打算思惟与Dijkstra算法引入到多机械人的路子打算中，用静态打算的根基思惟来处置图论中的用度流题目和路子打算中的层级静态同盟题目。其挑选间隔临近法作为同盟参考按照。一个机械人的邻人是指在地舆地位上散布在这个机械人四周的其余机械人；与该机械人比来邻的机械报酬第一层邻人，第一层邻人的邻报酬该机械人的第二层邻人， 依此类推。那末层级越高（即越近)的邻人，它知足合作请求的能够或许或许或许或许或许或许或许性越大。静态打算算法本色上是一种以空间换时辰的手艺，它在实现的历程中，必须存储发生历程中的各类状况，其空间庞杂度要大于其余算法，故静态打算体例比拟合适多机械人的全局路子打算。
孙茂相称人[18]提出了最优节制与智能决议打算相连系的多挪念头器人路子打算体例。其起首机关一个以各机械人最优勾当状况数据库为焦点的及时专家体系， 在离线状况下实现; 而后各机械人在此专家体系的撑持下， 以最优打算战略为底子， 接纳速率迁徙算法， 自立决议其节制。该体例具备较好的不变性与庞杂度。焦立男等人[19]提出的基于部分传感和通讯的多机械人勾当打算框架较好地处置了多机械人路子打算在部分在线打算的体系框架题目。沈捷等人[20]提出了坚持队形的多挪念头器人路子打算。以基于步履的导航算法为底子，把机械人行列的勾当历程别离为通俗勾当、避障和规复队形三个阶段。在避障阶段，引入假造机械人使队形坚持部分完全;当队形被严峻打乱时，打算机械人的部分方针位姿使行列疾速规复队形。其算法重点为避障机械人进入避障状况，临时离开行列，并以假造机械人取代避障机械人。
2 多机械人避碰和避障
避障和避碰是多机械人路子打算研讨中须要斟酌的重点题目之一。避障和避碰首要会商的内容有防止碰撞；抵触消解、防止堵塞；若何防止死锁。在路子打算中罕见的多机械人避障体例[21]有主从节制法、静态优先法（成立在机械人之间的通讯协商上）、交通法例法、速率调剂法，和妨碍物收缩法、基于野生势场的体例等。
今朝国际外对多机械人避障睁开的研讨还不是良多，比拟典范的有徐潼等人[22]以Th.Fraichard的思惟为底子，扩大并完美了路子/速率分化打算来调和多机械人，设立调集办理agent停止全体打算，为每一个机械人打算路子；并按照优先级法例对勾当特色停止散布式打算以防止机械人世的抵触。周明等人[23]提出散布式智能避撞打算体系，将本来比拟庞杂的大体系转换为绝对简略的子体系题目，由各智能机械人按照使命请求和情况变更， 自力调剂本身勾当状况，实现使命的散布式智能决议打算体系打算。任炏等人[24]提出了基于历程夸奖和优先打扫的强化进修多机械人体系的抵触消解体例。该算法能够或许或许或许或许或许或许或许或许或许或许或许较着削减抵触，防止死锁，前进了体系全体机能。欧锦军等人[25]提出了经由历程调剂机械人的勾当速率实现多机械人避碰，将避碰题目转换为高维线性空间的优化题目， 并进一步将其转换为线性方程的求解。该体例的毛病谬误是体系的庞杂度较高、计较量太大。
野生势场体例的特色是计较简练、及时性强、便于数学描写，且合适于多自在度机械人情况，但轻易发生发抖和堕入部分极小。为了降服其毛病谬误，景兴修等人[26]提出了野生调和场的体例，在传统排挤力场中增添一个调和力，并将吸收力、排挤力和调和力与部分情况下机械人的勾当状况和勾当请求连系起来，有用地保障机械人的宁静性，前进机械人在庞杂静态情况下步履决议打算的切确性和鲁棒性。
3 多机械人合作和调和机制
多机械人世的勾当调和[27~31]是多机械人路子打算的关头，也是多机械人与单机械人路子打算相区分的底子地址。多机械人体系在庞杂静态及时情况下，因为遭到时辰、资本及使命请求的束缚，须要在无限时辰、资本的情况下停止资本分派、使命分配、抵触处置等调和合作题目，而机械人世的调和与合作，能够或许或许或许或许或许或许或许或许或许或许或许大大地前进全部别系的效力和鲁棒性，成为体系实现节制或处置使命的关头。
今朝已有的调和体例分为调集式、散布式和夹杂式三种。在调集式调和中，调集打算器详细地打算出每一个机械人的举措，凡是的做法是将多个机械人看做一个多自在度的机械人停止打算；而散布式调和打算中，机械人之间停止合作，将一个使命分红多个子使命，按照各自的特色实现差别的子使命，从而共同实现总使命；夹杂式调和是调集式和散布式夹杂在一路的情势。
多机械人世典范的调和体例[32]有条约网和谈[33]、黑板模子、功效同享的协同体例、市场机制。比来几年来强化进修在多机械人合作方面也获得很好的操纵，陈雪江[32]在基于强化进修的多机械人合作方面睁开了研讨，提出了多智能体合作的两层强化进修体例来求解在多智能体完全合作、有通讯情况下的合作题目。其首要经由历程在单个智能体中修建两层强化进修单元来实现：第一层强化进修单元担任进修智能体的连系使命合作战略；第二层强化进修单元担任进修在本智能体看来是最有用的步履战略。陈伟等人[34]提出基于多方针决议打算现实的多机械人调和体例；经由历程对情况的拓扑建模，从基于步履的机械人学角度动身，对使命停止分化并设想方针步履，以多方针步履决议打算现实作为决议打算撑持，从而到达多机械人勾当调和的方针。
4 多机械人路子打算方(算)法的判优准绳
凡是评估机械人路子打算方(算)法的规范文献[35]有切确性、时辰/空间庞杂度、并行性、靠得住性、扩大性、鲁棒性和进修。而多机械人的路子打算除以上一些权衡规范以外，还须要斟酌全部别系的最优化和机械人世的调和性。
1)切确性 是阐发算法的最根基的准绳之一。通俗来讲算法的切确性是指:在给定有用的输出数据后，算法颠末有穷时辰的计较能给出切确的谜底。但在多机械人路子打算算法中，切确性首要指:路子打算算法要天生多个机械人调和勾当的无碰宁静路子;这条路子是优化的。
2)宁静性 通俗指多机械人所天生的各路子中节点与妨碍物有必然的间隔。但在现实的操纵背景下，有人觉得宁静机能够或许或许或许或许或许或许或许或许或许或许或许从两个方面来懂得：a）狭义地讲，它便是机械人在行走历程中所做的功。在必然的前提下，它与路子长度准绳是一致的。b）狭义地讲，它是各类优化前提加权综合而获得的功效。
3)庞杂度 一个算法的庞杂性凹凸表此刻该算法所须要的计较机资本的几多上面。所须要的资本越多，该算法的庞杂性越高；反之，所须要的资本越少，该算法的庞杂性就越低。算法的庞杂性包罗时辰庞杂度和空间庞杂度。
在多机械人的路子打算算法中，算法的庞杂度阐发显得特别首要。通俗地，单机械人路子打算算法的时空庞杂度已颇高，它们的数目级起码是O(n2)；多机械人的路子打算算法不只是m-O(n2)(即m个机械人路子打算简略地叠加)，它们之间还存在着对勾当空间合作的抵触，面临不时变更的抵触的调和须要破费大批的时辰和空间。凡是多机械人的路子打算算法与机械人的个数呈指数干系O(km×n2)（k为常数）。这对多机械人路子打算算法的时辰/空间庞杂度节制是一个很严峻的磨练。
4)并行性 算法的并行性从算法设想、编写法式、编译和运转等多个差别的条理来表现。路子打算历程须要大批的计较，当处置的情况比拟庞杂，机械野生作的情况过于松散，特别是机械人数目良多时，算法的时辰/空间庞杂度必将会成为算法效力的关头。是以，在算法设想和运转上的并行性是凡是斟酌的体例。对多个机械人的路子打算尽能够或许或许或许或许或许或许或许接纳散布式多历程的打算机制，以实现每一个机械人路子打算的并行性。
5)靠得住性 把多个机械人及其使命情况当作是一个别系，多机械人处于它们各自的肇端点时，称该体系处于初始状况；当它们处于各自的方针点时，称该体系处于方针状况。多机械人的路子打算便是在该体系的这两个状况间成立一串公道的状况变更。这一状况变更历程能够或许或许或许或许或许或许或许会历经良多状况，若是在状况变更历程中，路子打算算法节制不好各状况间的转移干系，就会致使体系杂乱，显现机械人世的碰撞、找不到路子等恶性功效，使使命失利。以是这就对算法的靠得住性和完全性提出了挑衅。为了很好地降服这一坚苦，须要对体系的各类能够或许或许或许或许或许或许或许状况建模，阐发它们彼此间的干系，成立无限状况自念头模子或Petri网模子，并以此为指点，按照软件工程的思惟，机关得当的算法输出来对算法的靠得住性停止查验。
6)可扩大性 在多机械人的路子打算算法中，可扩大性首要是指一种路子打算算法在逻辑上，或说在实现上可否轻易地从2D空间扩大到3D空间，从低自在度扩大到高自在度，从较少的机械人数到更多的机械人数。可扩大性在各类路子打算算法之间不一种量的比拟规范，只能从现实的详细情况动身、从对情况描写的合适程度动身、从算法处置这一题方针庞杂度动身、从算法本身的自顺应动身等来斟酌。
7)鲁棒性和进修 鲁棒性对多机械人体系很是首要。因为良多操纵，如路子打算请求持续的功课、体系中的单个机械人显现毛病或被粉碎，请求机械人操纵残剩的资本依然能够或许或许或许或许或许或许或许或许或许或许或许实现使命。进修是在线顺应特定的使命。固然通用的体系很是有用，但将它用于特定操纵上时，凡是须要调剂一些参数。具备在线调剂相干参数的才能是很是吸收人的，这在将体系打算转移到其余操纵时能够或许或许或许或许或许或许或许或许或许或许或许节流良多使命。特别是多机械人体系中机械人的本身进修和彼此间的进修能够或许或许或许或许或许或许或许或许或许或许或许大大前进全部别系的效力和体系的不变性。
8）最优化 对静态情况有优化反应。因为有些操纵范畴触及的是静态的情况前提，具备按照前提优化体系的反应才能成为可否胜利的关头。
5 竣事语
综上所述，国际外研讨者在多机械人路子打算获得了一些功效，可是在合作、进修、通讯机制等方面仍面临很大的坚苦和缺少。若何进一步前进机械人世的调和性，增强机械人本身和彼此间的进修以前进多机械人体系的效力和鲁棒性都有待深切研讨。比来几年来无线通讯手艺获得长足成长，但在今朝的手艺前提下，在多机械人体系中实现一切机械人之间的点对点及时通讯另有较大坚苦，这也是大大都多机械人体系依然接纳调集通讯体例的首要缘由。是以，若何下降多机械人体系对通讯速率的依靠程度也是一个很是首要的题目。
总之，多机械人路子打算设想和实现是一项极为庞杂的体系工程，瞻望其能在连系计较智能体例，如差分退化、遗传算法、粒子群算法、免疫算法、恍惚逻辑算法、BP搜集、野生势场的改良、摹拟退火和情况建模体例等方面获得新的冲破。
参考文献：
［1］WEISS G.Multiagent systems:a modern approach to distributed modern approach to artificial intelligence[M].Cambridge， Massachusetts：MIT Press，1999：121-161.
[2]蔡自兴，徐光祐.野生智能及其操纵:研讨生用书[M].3版.北京：清华大学出书社，2004：124-198.
[3]谭民，王硕，曹志强.多机械人体系[M].北京：清华大学出书社，2005：6-81.
[4]薄喜柱，洪炳熔.静态情况下多挪念头器人路子打算的一种新体例[J].机械人，2001，23（5）：407-410.
[5]顾国昌，李亚波.基于全体势减小的静态调剂手艺处置多机械人的路子打算[J].机械人，2001，23（2）：171-174.
[6]孙树栋，林茂.基于遗传算法的多挪念头器人调和路子打算[J].主动化学报，2000，26（5）：672-676.
[7]周明，孙树栋，彭炎午.基于遗传算法的多机械人体系调集调和式路子打算[J].航空学报，2000，21（2）：146-149.
[8]CAI Zixing，PENG Zhihong.Cooperative coevolutionary adaptive genetic algorithm in path planning of cooperative multimobile robot systems[J].Journal of Intelligent and Robotic Systems:Theory and Applications，2002，33(1):61-71.
[9]朱庆保.全局未知情况下多机械人勾当蚂蚁导航算法[J].软件学报，2006，17（9）：1890-1898.
[10]SANDHOLM T W，CRITES R H.Multiagent reinforcement learning in the iterated prisoner’s dilemma[J].BioSystems，1996，37(1):147-166.
[11]高阳，陈世福，陆鑫.强化进修研讨综述[J].主动化学报，2004，30（1）：
86-100.
[12]MATARIC M J.Interaction and intelligent behavior[D].Massachusetls:Department of Electrical Engineering and Computer Science，MIT，1994.
[13]张芳，颜国正，林良明.基于再励进修的多挪念头器人调和避障路子打算体例[J].计较机工程与操纵，2003，39（3）：80-83.
[14]王醒策，张汝波，顾国昌.多机械人静态编队的强化进修算法研讨[J].计较机研讨与成长，2003，40（10）：1444-1450.
[15]宋一然.基于强化进修的多机械人路子打算体例[J].莆田学院学报，2006，13（2）：38-41.
[16]韩学东，洪炳熔.基于野生神经搜集的多机械人合作进修研讨[J].计较机工程与设想，2002，23（6）：1-3.
[17]唐振民，赵春霞，杨静宇，等.基于静态打算思惟的多机械人路子打算[J].南京理工大学学报，2003，27（5）：610-615.
[18]孙茂相，周明，王艳红，等.多挪念头器人及时最优勾当打算[J].节制与决议打算，1998，
13（2）：125-130.
[19]焦立男，唐振民.基于部分传感和通讯的多机械人勾当打算框架[J].计较机工程与操纵，2007，43(17)：89-93.
[20]沈捷，费树岷，郑波.多挪念头器人坚持队形路子打算[J].西北大学学报，2005，35(3):391-395.
[21]MANSOR M A，MORRIS A S.Path planning in unknown environment with obstacles using virtual window[J].Journal of Intelligent and Robotic Systems，1999，24(3):235-251.
[22]徐潼，唐振民.多机械人体系中的静态避碰打算[J].计较机工程，2003，29(17):
79-81，104.
[23]周明，孙茂相，尹朝万，等.多挪念头器人散布式智能避撞打算体系[J].机械人，1999，21（2）：139-143.
[24]任炏，陈宗海.基于强化进修算法的多机械人体系的抵触消解的体例[J].节制与决议打算，2006，21(4):430-434，439.
[25]欧锦军，朱枫.一种多挪念头器人避碰打算体例[J].机械人，2000，22(6):474-481.
[26]景兴修，王越超，谈大龙.基于野生调和场的多挪念头器人及时调和避碰打算[J].节制现实与操纵，2004，21(5):757-764.
[27]PANAIT L，LUKE S.Cooperative multiagent learning:the state of the art[J].Autonomous Agents and MultiAgent Systems，2005，11(3):387-434.
[28]TZAFESTAS C S，PROKOPIOU P A，TZAFESTAS S G.Path planning and control of a cooperative three robot system manipulating large objects[J].Journal of Intelligent and Robotic Systems，1998，22(2):99-116.
[29]薛宏涛，叶媛媛，沈林成，等.多智能体体系体系打算及调和机制研讨综述[J].机械人，2001，23（1）：85-90.
[30]周风余，李贻斌，宋锐，等.基于夹杂式多智能体体系的合作多机械人体系研讨[J].山东大学学报:工学版，2005，35(1):82-87.
[31]夏冰，张佐，张毅，等.基于多智能体体系的静态路子挑选算法研讨[J].公路交通科技，2003，20（1）：93-96.
[32]陈雪江.基于强化进修的多机械人合作机制研讨[D].杭州：浙江财产大学，2004.
弁言
物流与公民经济及糊口的诸多范畴紧密亲密相干，获得愈来愈多的正视，乃至被看做是企业“第三利润的源泉”。是以，作为物流范畴中的典范题目，观光商题目(Traveling Salesman Problem，TSP)的研讨具备庞大的经济意思。
TSP(Traveling Salesman Problem)题目, 是VRP[2]的惯例，也称为巡回观光商题目,货担郎题目。简称为TSP题目，已证实TSP题目是NP坚苦。。TSP题目可描写为:给定一组n个都会和它们两两之间的中转间隔,寻觅一条闭合的旅程,使得每一个都会恰好颠末一次并且总的观光路子最短。TSP题方针描写很简略,简言之便是寻觅一条最短的遍历n个都会的路子,或说搜刮整数子集X={1,2,…,n}(X中的元素表现对n个都会的编号)的一个摆列π(X)={v1, v2,…, vn},使取最小值.式中的d(vi,vi+1)表现都会vi到都会vi+1的间隔。它是一个典范的、轻易描写但却难以处置的NP完全题目。同时TSP题目也是诸多范畴内显现的多种庞杂题方针调集归结综合和简化情势。以是,有用处置TSP题目在计较现实上和现实操纵上都有很高的价格。并且TSP题目因为其典范性已成为各类开导式的搜刮、优化算法 (如遗传算法、神经搜集优化法、列表寻优法、摹拟退火法等)的间接比拟规范。
1 遗传算法与蚁群算法
1.1 遗传算法道理
遗传算法(Genetic Algorithms，GA) 是一种鉴戒生物界天然挑选和天然遗传机制的随机搜刮算法,由美国J.Holland传授提出,其首要内容是种群搜刮战略和种群中个别之间的信息互换,搜刮不依靠于梯度信息.该算法是一种全局搜刮算法,特别合用于传统搜刮算法难于处置的庞杂和非线性题目.。挑选算子、穿插算子和变异算子是遗传算法的3个首要操纵算子.遗传算法中包罗了以下5个根基身分:①对参数停止编码;②设定初始种群巨细;③设想顺应度函数;④设想遗传操纵;⑤设定节制参数(包罗种群巨细、最大退化代数、穿插率、变异率等)
1.2 蚁群算法道理
研讨标明：蚂蚁在寻食途中会留下一种外激素．蚂蚁操纵外激素与其余蚂蚁互换、合作，找到较短路子．颠末某地的蚂蚁越多，外激素的强度越大．蚂蚁择路标的方针挑选外激素强度大的标的方针．这类跟从外激素强度前进的步履会跟着颠末蚂蚁的增添而增强，因为经由历程较短路子来回于食品和巢穴之间的蚂蚁能以更短的时辰颠末这条路子上的点，以是这些点上的外激素就会因蚂蚁颠末的次数增添而增强．如许就会有更多的蚂蚁挑选此路子，这条路子上的外激素就会愈来愈强，挑选此路子的蚂蚁也愈来愈多．直到最初，几近一切的蚂蚁都挑选这条最短的路子．这是一种正反应景象．
2.算法改良
在传统处置体例中，遗传算法以其疾速全局搜刮才能在物流范畴获得了普遍的操纵。但遗传算法在求解到必然程度时，常常作大批的冗余迭代，对体系中的反应信息操纵不够，效力较低；蚁群算法也以其较强的鲁棒性和智能挑选才能被普遍操纵于观光商题目 。蚁群算法是经由历程信息素的积累和更新而收敛于最优路子,具备散布、并行、全局收敛才能，但因为蚁群算法的全局搜刮才能较差，易堕入部分最优，很难获得最优解。
为了降服两种算法各自的毛病谬误,组成上风互补。为此起首操纵遗传算法的随机搜刮、疾速性、全局收敛性发生有关题方针初始信息素散布。而后,充实操纵蚁群的并行性、正反应机制和求解效力高档特色。算法流程如图1
图1 遗传夹杂算法流程
2.1遗传夹杂算法的详细描写以下：
Step1 给出，支配m个蚂蚁在n个都会上。
Step 2 把一切蚂蚁的初始都会号码支配到tabuk中，列表tabuk记载了此后蚂蚁k所走过的都会，当一切n个都会都插手到tabuk中时，蚂蚁k便实现了一次轮回，此时蚂蚁k所走过的路子便是题方针一个解。
Step 3 蚂蚁K从动身点起头，按几率的巨细挑选下一个都会j,k∈{1，2，…,m},j∈allowedk若是蚂蚁k转移到j ,从allowedk中删除,并将j插手到tabuk直至allowedk= 时从头回到动身点。
Step 4 是不是走完一切的都会，否，则转入Step 3。
Step 5 计较,记实，更新信息素浓度，一切路子信息更新，若是,清空tabuk则转入Step 2。
Step 6 那时，获得绝对较优蚂蚁的序列。初始化种群。
Step 7 计较顺应度值。
Step 8 停止遗传穿插与变异操纵。
Step 9 输出获得的最短回路及其长度。
2.2 算法历程实现
（1）种群初始化
用蚁群算法停止初始化种群，放m只蚂蚁对一切都会停止遍历，将获得的功效停止优化，做为蚁群算法的初始种群。每只蚂蚁走过的路子的就代表了一条基因（a0、a1、…、am-1、am），对这条基因表现这只蚂蚁起首从a0动身，次之拜候a1、…而后顺次拜候am-1、am最初再回到a0。
（2）状况转移法例设置
转移几率，为t时辰蚂蚁由i城到j城的几率。
（1）
式中，allowedk表现蚂蚁k下一步许可选则的都会，表现信息开导因子，其值越大，该蚂蚁越偏向于挑选其余蚂蚁颠末的路子，蚂蚁之间的合作性超强；β为期望开导因子，β的巨细标明开导式信息受正视的程度，其值越大，蚂蚁挑选离它近的都会的能够或许或许或许或许或许或许或许性也越大，越接近于贪心法例［6］。为开导因子，其抒发式为: ，每条路上的信息量为：
（2）此中
此中ρ表现路子上信息的蒸发系数，1-ρ表现信息的保留系数；表现本次轮回路子(i,j)上信息的增量。表现第k只蚂蚁在本次轮回中留在路子(i,j)上的信息量，若是蚂蚁k不颠末路子(i,j)，则的值为零，表现为：
（3）
此中，Q为常数， 表现第k只蚂蚁在本次轮回中所走过的路子的长度。
（3）穿插算子的设想
起首随机地在父体中挑选两杂交点,再互换杂交段,别的地位按照坚持父体中都会的绝对挨次来肯定。比方,设两父体及杂交点的A1和A2, A1=(2 6 4 7 3 5 8 9 1), A2=(4 5 2 8 1 6 7 9 3)。互换杂交段是以仍有B1=(2 6 4 1 8 7 6 9 1),B2=(4 5 2 7 3 5 8 9 3)。在新的都会序列中有反复的数，将杂交段中对应挨次摆列,即: 7-8、3-1、5-6，依此对应干系替换杂交段中反复的都会数。将B1中(2 6 4)反复的6换为5，B2(9 3)中反复的3换为1.。杂交后的两个别为B1=(2 5 4 1 8 7 6 9 1),B2=(4 5 2 7 3 5 8 9 1)。本算法接纳此体例交杂交。
3.仿实在验
对TSP题目仿真所用的数据库是TSPLIB典范51都会的数据。仿真平台如表1所示。
表1 仿实在验平台
装备称号
型号
CPU
Pentium(R)M 1.66 GH
内存
512M
操纵体系
Microsoft Windows XP
仿真软件
MierosoftVisualC++6.0
3.1 遗传算法仿真
根基遗传算法仿真。对51都会路子优化路子优化。参数设置以下:种群:50,最大迭代数:5000,穿插几率:0.8,变异几率:0.2
遗传算法找到最优解的时辰是95 s, ,路子长度497。
3.2 蚁群算法仿真
根基蚁群算法对51都会路子优化。其参数设置以下：ρ=1α=1，β=8，τ0=0.001Qu=100., m=51
根基蚁群算法找到最优解的时辰是68 s, 路子长度465。
3.3遗传夹杂算法
遗传夹杂算法对51都会路子优化。其参数设置以下：种群:51,最大迭代数:5 000,穿插几率:0.8,变异几率:0.001;ρ=1α=1，β=8，τ0=0.001Qu=100，m=51；
遗传夹杂算法找到最优解的时辰是50 s, 路子长度459。
遗传算法、根基蚁群算法、遗传夹杂算法对TSPLIB典范51都会的数据停止仿真,仿真结
果对照方表2所
算法称号
所用时辰（s）
最优功效
遗传算法
95
497
根基蚁群算法
68
465
改良夹杂算法
50
456
4.论断
本文为了更好地处置物流范畴中的观光商题目，充实阐扬遗传算法的全局搜刮才能和蚁群算法的正反应才能和协同才能，接纳了遗传算法与蚁群算法夹杂算法停止求解，并且停止了摹拟仿真。仿真功效标明，操纵遗传与蚁群夹杂算法能够或许或许或许或许或许或许或许或许或许或许或许找到较好解的才能，大大前进计较效力，功效品质也较好。
参考文献：
［1］小平,曹立明.遗传算法———现实、操纵与软件实现[M].西安交通大学出书社,2002.
［2］[日]玄光男,程润伟.遗传算法与工程设想[M].迷信出书社, 2000.
［3］胡小兵，黄席樾。蚁群优化算法及其操纵[J]. 计较机仿真 2004，24（5）
一、概述各挪动运营商及挪动通讯相干手艺征询单元在停止打算打算考证时，传统的体例是经由历程打算仿真软件操纵宏蜂窝传布模子及20米精度三维电子舆图对打算打算停止仿真考证；可是，宏蜂窝传布模子的操纵规模和本身规模性限定了打算打算仿真考证的精度：起首，宏蜂窝传布模子的操纵规模通俗在500米以上，而CBD地区基站的笼盖半径通俗在500米以下。其次，宏蜂窝传布模子只能从微观上反应打算笼盖功效，没法按照修建物的高度从微观上反应部分的笼盖情况。是以，须要接纳更合适的传布模子共同高精度的三维电子舆图对CBD地区的打算打算停止仿真考证，以确保该重点地区无线搜集建成后的搜集机能。
今朝射线跟踪模子作为一种高精度的打算仿真传布模子在大中型都会笼盖重点地区的打算打算仿真考证中获得普遍操纵。本文起首对射线跟踪模子的道理停止切磋，而后以WaveCall公司的WaveSight模子为例申明射线跟踪模子的操纵体例。其功效有助于操纵射线跟踪模子对打算打算停止切确考证，对打算使命有主动的参考和指点感化。
二、射线跟踪模子简介2.1 微蜂窝传布模子先容 此后传布模子按照操纵规模可分为宏蜂窝传布模子和微蜂窝传布模子，宏蜂窝传布模子操纵规模为1km至几十km；而微蜂窝传布模子操纵规模仅为几百米，通俗只合用于基站四周地区。收费论文。因为CBD地区基站的笼盖通俗在500米之内，是以操纵微蜂窝传布模子对该地区打算打算的功效停止仿真考证加倍合适。
微蜂窝传布模子按照模子成立体例，可分为经历模子，肯定性模子和夹杂模子；
l经历模子
经历模子是在大批丈量的底子上发生的，该模子与室外传统宏蜂窝传布模子类似，不斟酌现实计较，对基站四周丈量大批数据后统计归结出经历模子。
l肯定性模子
肯定性模子是按照电波传布现实计较出领受点与发射点之间的传布耗损。射线跟踪模子是一种典范的肯定性模子，肯定性模子不斟酌丈量，仅在肯定计较公式中的个别参数时须要丈量考证。
l夹杂模子
夹杂模子连系了经历模子和肯定性模子，一方面夹杂模子以电波传布现实为按照得出电波的传布模子，同时须要对基站四周丈量大批数据以统计肯定传布模子中的参数值。
2.2 射线跟踪模子先容 射线跟踪模子是一种肯定性模子，其根基道理为规范衍射现实（Uniform Theory ofDiffraction，简称UTD）。按照规范衍射现实，高频次的电磁波远场传布特色可简化为射线（Ray）模子。是以射线跟踪模子现实上是接纳光学体例，斟酌电波的反射、衍射和散射，连系高精度的三维电子舆图（包罗修建物矢量及修建物高度），对传布耗损停止切确瞻望。
因为在电波传布历程中影响的身分过量，在现实计较瞻望中没法把一切的影响身分都斟酌出来，是以须要简化传布身分；射线跟踪算法把修建物的反射简化为滑腻立体反射、修建物边缘散射和修建物边缘衍射。
按照斟酌路子的品种差别，射线跟踪模子可分为三种：
l2D射线跟踪模子
只斟酌程度切面的传布路子，即第一类路子。
l3D射线跟踪模子
只斟酌程度切面和垂直切面的传布路子，即第一类落第三类路子。
l全3D射线跟踪模子
斟酌一切传布路子，即斟酌一切第一、二、三类路子。
三、射线跟踪模子根基道理射线跟踪模子的根基道理是简化传布身分，接纳光学体例定位传布路子并计较各领受点与发射点之间的路子耗损；是以，射线跟踪模子的关头在于若何定位领受点与发射点之间的传布路子并计较路子耗损。收费论文。
3.1 程度切面的传布耗损从发射源在领受点之间能够或许或许或许或许或许或许或许存在良多传布路子，可是通俗只需一到两条强度最强，在传布中起主导感化的主导传布路子。路子耗损计较时只需计较主导传布路子的耗损便可。收费论文。
3.2 垂直切面的传布耗损 绝对程度切面的传布耗损，垂直切面的传布耗损计较要简略一些，计较垂直切面的传布耗损时，须要起首肯定发射源与领受点之间的垂直传布路子，而后计较此中各个刀锋衍射耗损，其路子耗损为各刀锋衍射耗损之和。
3.3 射线跟踪模子扼要论断 按照射线跟踪模子的现实和相干材料，能够或许或许或许或许或许或许或许或许或许或许或许获得射线跟踪模子的扼要论断以下：
1.对近间隔的场强瞻望， 程度切面算法（2D射线跟踪算法）起主导感化。
2.全3D标的方针算法中全3D路子（即第三类路子）对远间隔的场强瞻望切确性影响很大。
3.在整洁打算的修建群中，对远间隔的场强瞻望，垂直切面算法可取代全3D标的方针算法。
四、射线跟踪模子的操纵 本节首要以WaveCall公司的WaveSight射线跟踪模子为例，对射线跟踪模子的操纵停止申明。
WaveCall公司的WaveSight射线跟踪模子作为AIRCOM公司的打算软件Enterprise的插件，可用于高精度的打算打算仿真考证。该模子基于规范衍射现实及射线跟踪算法，综合斟酌电波传布规模内修建物的表面、高度、地形剖面图，对电波的传布特色停止切确瞻望。
WaveSight模子是一种3D射线跟踪模子，该模子包罗两种范例路子：程度切面路子和垂直切面路子。
对照传统射线跟踪模子，WaveSight 具备长处很是较着：起首，WaveSight射线跟踪模子接纳了差别于传统射线跟踪模子的算法，绝后地前进了计较效力：该模子实现一个基站的笼盖瞻望所需时辰仅是传统射线跟踪模子所需时辰的1/3摆布，不只保障了笼盖瞻望的精度，同时还保障了笼盖瞻望的速率。别的，WaveSight 模子操纵简略，该模子不须要操纵测试数据对其停止调校，仅须要输出两个参数：操纵频次及领受端高度。
WaveSight 射线跟踪模子的毛病谬误是：仅合用于郊区情况，对电子舆图精度请求较高，不只请求舆图精度必须到达5m 以上，并且请求供给修建物矢量信息和高度信息。
五、论断及后续使命 本文起首对射线跟踪模子的道理停止切磋，而后给出射线跟踪模子的扼要论断，最初以WaveCall公司的WaveSight模子为例申明射线跟踪模子的操纵体例。其功效有助于操纵射线跟踪模子对打算打算停止切确考证，对打算使命有主动的参考和指点感化。
此后研讨使命能够或许或许或许或许或许或许或许或许或许或许或许再上述研讨底子长进一步睁开，对全3D射线跟踪算法进前进一步的切磋，同时也能够或许或许或许或许或许或许或许或许或许或许或许对别的射线跟踪模子如WinProp模子等停止研讨，
进一步研讨射线跟踪传布模子算法，更切确地都会CBD地区停止瞻望，指点搜集的打算及优化使命。
【参考文献】
1．WaveCall公司；《WaveCallPropagationWhitePaper》；2001
中图分类号：P208 文献标识码：A 文章编号：1007-9599 （2013） 02-0000-02
1 概述
物流财产跟着底子财产的不时壮大及花费市场的兴旺成长而疾速鼓起。而中国的物流企业不管从手艺装备仍是办理程度与外洋仍存在较大差异，归结综合起来有一下几个方面：对古代物流理念上的差异，企业规模方面的差异，社会须要方面的差异，办理体系体例方面的差异，专业手腕方面的差异，特地人材方面的差异。据对美国物流业的统计与阐发，以运输为主的物流企业年均匀资产报答率为8.3%（irr），仓储为7.1%，综合办事为14.8%。在中国大部分物流企业的年均匀资产报答率仅为1%。这一数据，不只申了然中国物流效力低下，同时企业仍有很大的空间经由历程物流来下降本钱。
若何操纵前进前辈的手艺手腕来前进物流业的运营效力，及时高效、经济地将商品配送到客户手中，成了大师切磋的话题，这也便是古代物流范畴中备受存眷的车辆路子题目（vehicle routing problem，VRP）。物流配送路子打算的优化与否，对物流配送效力、用度和办事程度影响较大。而此类题目都触及若何处置大批的空间数据与属性数据而延长物流时辰、下降本钱的题目。
地舆信息体系作为不只具备对空间和属性数据收罗、处置和显现功效，并且可为体系用户停止瞻望，监测、打算办理和决议打算供给迷信按照。它能够或许或许或许或许或许或许或许或许或许或许或许有用的连系最优路子、各类VRP模子、车辆行驶本钱等身分，在可视化阐发和物流打算路子阐发等方面具备不可替换的感化。GIS手艺与古代物流工程手艺相连系，给古代物风行业供给了庞大的成长空间，为物流企业完美办理手腕、减低办理本钱、前进经济效益、终究晋升焦点合作力供给了机缘。
2 手艺实现路子研讨
物流配送车辆线路优化题目由Dautzig和Ramser于1959年初次提出，该题目通俗界说为：对一系列给定的主顾（取货点或送货点），肯定得当的配送车辆行驶线路，使其从配送中间动身，有序地经由历程它们，最初前往配送中间。并在知足必然的束缚前提下（如车辆容量限定、主顾须要量、交发货时辰等），到达必然的方针（如旅程最短、用度起码等）。配送中间的每次配送勾当凡是面临多个非牢固用户，并且这些用户散布在差别的地址，同时他们的配送时辰和配送数目也都不尽不异。若是配送中间不公道打算车辆、货色的运输线路，常会影响了配送办事程度，还会组成运输本钱的回升，是以对车辆及货色的配送线路停止打算是配送中间的一项首要使命。
车辆线路优化题目通俗可按照空间特色和时辰特色分为车辆线路打算题目和车辆调剂题目。当不斟酌时辰请求，仅按照空间地位支配车辆的线路时称为车辆线路或车辆路子打算题目（VRP）。当斟酌时辰请求支配运输线路时称为车辆调剂题目（VSP）。本文不斟酌时辰请求，首要针对第一类VRP题目，提出呼应的手艺实现打算研讨。
典范的VRP具备以下特色：（1）一切车辆从堆栈动身，并终究回到堆栈；（2）一切车辆必须知足必然的束缚；（3）多辆车担任多个客户；（4）每一个客户由一辆车拜候一次；（5）车辆的线路上能够或许或许或许或许或许或许或许或许或许或许或许取送货。今朝研讨的车辆线路打算的模子首要有两类，一类为搜集图模子，别的一类为数学模子。因为VRP难以用切确算发求解，开导式算法是求解车辆运输题方针首要体例，多年来良多学者对车辆运输题目停止了研讨，提出了各类百般的开导式体例。
物流公司的营业通俗具备配送规模广的特色，本文首要针对大规模跨省配送的案例停止智能路子打算，是以影响身分较多，首要包罗：（1）大规模、跨省的配送交通搜集图；（2）庞杂的车辆运作法例，包罗运转时辰、运载才能、运转本钱计较、驾驶员使命时辰限定等；（3）庞杂的路子挑选优先级；（4）庞杂的运输车辆优先级；（5）客户定单及运输车辆数据；（6）取货及散发历程；（7）庞杂的配送法例，如堆栈、货色、客户的时辰等；（8）运输车辆的反复操纵，请求统一辆车在合适多个束缚前提下尽能够或许或许或许或许或许或许或良多的到场到差别线路的配送中。
本文首要基于ArcObjects的搜集阐发和舆图揭示等组件停止二次开辟，同时对其供给的车辆路子打算算法停止了拓展性研讨。
3 功效模块设想打算
3.1 软件架构设想
体系扶植遵守SOA架构，由数据资本层、组件层、办事层和表现层组成。数据资本层包罗各类数据库、干系型数据库和空间数据库引擎ArcSDE，实现对物流营业数据的存储和办理；组件层包罗接口和谈、GIS组件、其余中间件；办事层实现计较功效，接管表现层的请求停止计较；表现层接纳多种情势揭示阐发功效。
3.2 软件功效设想
本体系是物流营业办理体系的一部分，首要供给汗青数据办理模块、线路优化阐发模块、舆图操纵模块，同时供给与其余相干营业体系的扩大功效。
（1）线路优化阐发模块
线路优化阐发模块是体系的关头，供给两种阐发功效：一种是基于AO自带的搜集阐发模块设想，计较阐发功效；别的一种是历次按照详细路况等信息的现实调剂功效。
现实调剂功效来自车辆GPS监控数据，并将现实调剂功效作为输出，用来校订线路优化阐发体例，最初天生最优路子打算。
（2）舆图揭示模块
舆图揭示模块，在配送交通搜集图上揭示路子根基信息、周边情况、堆栈及客户地址、车辆地位信息等。同时将各类车辆路子打算阐发功效以舆图情势揭示。基于ArcGIS供给的底子舆图操纵功效，实现舆图缩放、阅读、鹰眼、图层节制、丈量、挑选、标注、信息查问等功效。
（3）汗青数据办理模块
汗青数据办理首要存储汗青客户定单数据、及时路况信息、汗青路子打算阐发功效、现实运输路子等，可撑持对汗青数据的查问和点窜。
（4）扩大功效模块
供给与其余相干营业体系、车载GPS装备、车辆监控装备等的接口，便于体系的扩大。
3.4 数据库设想
本体系中触及的数据库首要包罗元数据库、底子地舆空间数据库、营业数据库、阐发模子数据库、汗青数据库等。
4 竣事语
本文将物流车辆路子打算现实算法的研讨与地舆信息体系的搜集阐发模块相连系，颠末二次开辟，组成了用于现实的物流车辆路子打算信息体系。别的车辆路子打算设想束缚较多，本文中不斟酌时辰请求，仅按照空间地位支配车辆的线路，同时不斟酌装箱题目。
车辆路子打算题目是古代物流业的热点题目，可是根基逗留在现实算法层面，跟着手艺的不时前进，必然显现斟酌更多束缚的前进前辈算法，但愿将这些算法真正与古代物流业连系，那将会是一个逾越式的前进。
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）32-0190-04
Design and Implementation of Order Routing System Based on iOS
XU Jing-hui
（North China University of Technology， Beijing 100144， China）
Abstract： The routing problem of multi-warehouse and multi-distribution task in order distribution has the characteristics of picking from the warehouse and returning to the starting warehouse after completing the delivery task by multiple distribution points. In view of the current path planning applications on the mobile platform to solve the known starting point to the end of the route planning， after a number of points along the planning has not yet been a good application to achieve. Therefore， this paper combines the path planning and iOS platform to make full use of the characteristics of electronic map application， design and implement the order routing system based on iOS in order to provide the optimal path results. This paper focuses on how to realize the function of map display and operation， map location， mark drawing， route planning and so on. Finally， using the real order data of inventory management platform， the test proves the effectiveness and convenience of the system.
Key words： route plan； multi-warehouse multi-distribution tasks； iOS； digital map； optimal path
在现实定单配送关头中，路子打算请求找出车辆从堆栈取货动身顺次颠末一系列配送点后前往堆栈的最短回路路子。今朝对路子打算的研讨大都调集在罕见路子算法的改良及优化方面[1-3]，对路子打算操纵体系的研讨还较少。国际iOS平台上有关路子打算的热点操纵有高德舆图、百度舆图等App，但它们也只供给了撑持公交、驾车及步辇儿三种出行体例的点到点的路子打算，对从动身点颠末多个沿途点到达动身点的线路打算并未触及。鉴于今朝还没有有将路子打算与iOS挪动平台的操纵特色充实相连系的操纵，本文就设想开辟了iOS平台上基于电子舆图的路子打算体系――称之为“易配送体系”。易配送体系可在用户操纵时代主动定位用户此后地址地位，同时供给堆栈到各配送点的线路打算和导航等首要功效，还经由历程办事真个接口办事将数据封装成XML编码格局经由历程搜集供给给客户端，保障了定单数据的实在性与及时性。在体系开辟历程中操纵高德iOS舆图SDK停止操纵开辟，供给了可视化的路子打算人机交互界面。
本文的内容起首对iOS平台开辟相干手艺停止了扼要先容，而后对定单配送路子打算体系停止阐发，设想出了全体的手艺打算与体系架构，而后对体系功效停止详细实现，包罗堆栈、定单查问，舆图地位显现、线路打算及导航等功效，最初停止功效阐发与总结。
1 iOS开辟平台先容
1.1 iOS体系架构
iOS平台操纵的开辟说话首要有Objective-C和Swift说话，因为swift作为一门重生说话操纵人数较少的缘由，本体系接纳了支流开辟说话Objective-C停止编码开辟。Objective-C作ANSI C的超集[4]，不只扩大了面向东西设想的才能，如类、动静、担当，同时它能够或许或许或许或许或许或许或许或许或许或许或许挪用C的函数，也能够或许或许或许或许或许或许或许或许或许或许或许经由历程C++东西拜候体例，具备对C和C++说话的兼容性。
苹果公司最新推出的iOS 10 SDK （Software Development Kit， 软件开辟东西包）增添了新的API （Application Programming Interface， 操纵法式编程接口）和办事，能够或许或许或许或许或许或许或许或许或许或许或许撑持更多新范例的操纵法式和功效。今朝基于iOS平台开辟的操纵法式能够或许或许或许或许或许或许或许或许或许或许或许扩大到动静、Siri、德律风和舆图等体系自带办事，具备了更吸收人的功效。图1为iOS体系架构图：
图中可触摸层首要供给用户交互相干的办事如界面控件、事务办理、告诉中间、舆图，包罗以下框架：UIKit、Notification Center、MapKit等；媒体层首要供给图象引擎、音频引擎及视频引擎框架；焦点办事层为法式供给底子的体系办事如搜集拜候、阅读器引擎、定位、文件拜候、数据库拜候等。最底层的焦点体系层为下层打算供给了最底子的办事包罗操纵体系内核办事、本地认证、宁静、加速等。
1.2 iOS 舆图SDK
iOS 舆图SDK 是高德供给的一套基于 iOS 6.0.0 及以上版本的舆图操纵法式开辟接口，供开辟者在iOS操纵中插手舆图相干的功效[6]。它供给的四种舆图情势包罗：规范舆图、卫星舆图、夜景情势舆图和导航情势舆图。开辟者不只能够或许或许或许或许或许或许或许或许或许或许或许操纵其舆图计较东西实现坐标转换和间隔或面积计较，并且能够或许或许或许或许或许或许或许或许或许或许或许挪用API实现出行线路打算及点标注、折线、面的绘制等使命。这些实现的提早须要注册并认证成为高德开辟者，接着为操纵请求APIKey，而后将iOS舆图SDK设置装备摆设到操纵工程中，这里能够或许或许或许或许或许或许或许或许或许或许或许接纳手动和主动化两种设置装备摆设体例。前者的设置装备摆设历程简略易操纵，但更新操纵价格大，后者设置装备摆设历程稍显负杂，但更新很便利。手动设置装备摆设的体例则须要手意向工程名目中导入MAMapKit.framework和AMapSearchKit. framework两个包，当框架有更新时需将工程中旧框架删除并增添新框架，其操纵稍显费事。本体系的实现接纳了主动化设置装备摆设工程的体例，操纵第三方库办理东西CocoaPods经由历程号令：pod ‘AMap3DMap’， ‘～>4.0’和pod ‘AMapSearch’， ‘～>4.0’实现主动导入框架的方针，当框架更新时只需履行pod update便可实现名目中框架的更新。
2 全体打算设想
凡是App功效庞杂的情况下须要有背景办事器的营业处置撑持，本文触及的路子打算功效须要处置的计较量会跟着配送点个数的增添呈指数阶回升，是以须要背景办事器的壮大计较才能处置路子打算功效，进而加重客户端内存操纵压力。
本体系全体手艺打算的设想综合斟酌了挪动操纵端、办事端（包罗操纵办事器和供给商办事器）和数据库办事器三部分所触及的手艺及其扼要的功效模块别离，以下图2所示：
此中操纵办事端是典范的电商进销存办理体系，挪动端LBS操纵――易配送App的实现须要在进销存Web体系的表现层、营业逻辑层、数据耐久层增添呼应的定单配送接口，该接口将办事端颠末处置的数据功效封装成XML规范的数据格局经由历程HTTP和谈传输给App。
3 基于iOS的路子打算App设想
3.1 App开辟情势
易配送App接纳Objective-C开辟说话，开辟东西为Xcode7.0，首要针对iPhone停止设想的。体系的设想情势接纳了MVC范型如图3。因为体系所触及的内容数据均经由历程搜集请求办事器及时更新获得，故接纳了iOS App开辟情势中的Native App，以保障有较好的搜集情况和节流的带宽，以便操纵充实的装备资本来供给杰出的交互休会。
该体系平台中的地位信息首要表此刻：地位办事和舆图。地位办事是由Core Location框架担任，它将用户的地位及标的方针信息以Objective-C说话能辨认的情势枚举出来[4]；舆图办事经由历程操纵中集成的高德开辟平台供给的MAMapKit框架担任，操纵它能够或许或许或许或许或许或许或许或许或许或许或许揭示出舆图和图钉标注等信息。易配送App的路子打算模块有用地将Core Location框架和MAMapKit框架连系起来，以实现舆图定位、间隔测试、线路显现及导航功效。
3.2 首要功效设想及关头手艺实现
体系的主界面设想接纳了图文连系的打算体比方图4，操纵户能够或许或许或许或许或许或许或许或许或许或许或许疾速便利的操纵体系。对信息查问类似功效的界面多接纳表视图打算，获得了清晰地揭示大批内容信息的功效如图5所揭示的待配送定单列表。
图4 主界面 图5 待配送列表
图6 路子打算
体系首要的路子打算功效在电子舆图的地舆信息背景下实现了标注及线路可视化如图6所示，其关头手艺的实现以下：
1）初始化舆图办事
体系中舆图办事的操纵起首须要初始化舆图控件，这须要在成立MAMapView之前须要先绑定APIKey：[MAMapServices sharedServices].apiKey = APIKey； 和[AMapSearchServices sharedServices].apiKey = APIKey；接着初始化MAMapView舆图控件：_mapView = [[MAMapView alloc] initWithFrame： self.view. frame]；并o体系增添舆图视图：[self.view addSubview：_mapView]；
2）分组待配送定单
因为营业请求须要将待配送定单按各自对应的出货堆栈停止分组配送，体系中经由历程自界说实现分组体例：-（void）groupAction：（NSMutableArray *）array； 此中参数array中存储着多个配送单东西XJDeliveryOrder。体例实现中操纵可变的调集东西NSMutableSet保管的内容东西不反复的特色，用_warehouseSet记实差别的堆栈信息：_warehouseSet = [NSMutableSet set]； [array enumerateObjectsUsing Block： ^（ XJDeliveryOrder * _Nonnull order， NSUInteger idx， BOOL * _Nonnull stop） {[_warehouseSet addObject：order.warehouseName]； }]； 同时该体例中操纵谓词NSPredicate过滤数组array实现按堆栈称号分组：[_warehouseSet enumerateObjectsUsingBlock：^（NSString * _Nonnull warehouseName， BOOL * _Nonnull stop） {NSPredicate *predicate = [NSPredicate predicateWithFormat： @"warehouseName = %@"， warehouseName]；NSArray *tempArr = [NSArray arrayWithArray：[array filteredArrayUsingPredicate：predicate]]； [groupArr addObject： tempArr]；}]；
3）增添标注及气泡视图
给舆图增添标注须要挪用地舆编码请求：[self.search AMapGeocodeSearch： geo]； 此中东西geo为AMapGeocodeSearchRequest类东西且其属性值address不为空，该请求会回调AMapSearchDelegate中的体例：- （void）onGeocodeSearchDone： （AMapGeocodeSearchRequest*）request response：（AMapGeocodeSearchResponse *） response；此中response东西中包罗了经纬度信息并且该体例中挪用了增添标注体例：[_mapView addAnnotation：pointAn]；此中东西pointAn为MAPointAnnotation类东西。
实现触摸标注弹出气泡的功效须要实现MAMapViewDelegate拜托中-（MAAnnotationView*）mapView：（MAMapView*）mapViewviewForAnnotaion： （id< MAAnotation>）annotation；和-（void）mapView：（MAMapView*）mapView didSelect AnnotationView：（MAAnnotationView *）view；体例。
4）路子打算及绘制线路
iOS舆图API供给了按参数挨次停止路子打算的体例：[_search AMapDriving RouteSearch：request]；此中request为AMapDrivingRouteSearchRequ -est东西，须要给定request的属性：动身点origin、动身点destination和沿途点waypoints的值。而对最优路子的打算只能经由历程自界说体例：-（void）planBestPaths WithLoaction：（CLLocationCoordinate2D）location wayPoints： （NSArray*） wayPoints；该体例中挪用了搜集请求办事器体例，并能够或许或许或许或许或许或许或许或许或许或许或许获得办事器前往的处置功效，其功效中包罗了多个经纬度字符串，须要操纵体例- （CLLocationCoordinate2D *）coordinatesForString：（NSString*）string coordinateCount：（NSUInteger *）coordinate Count parseToken：（NSString *）token；来剖析经纬度，而后体系操纵剖析获得的经纬度挪用[MAPolyline polylineWithCoordinates：coordinates count：count]来绘制线路。
5）最优路子算法
本体系的办事端路子打算接口实现中接纳了合适处置单回路最短路子题方针算法――比来c拔出算法。比来拔出法是一种开导式算法，它不只合用于各类庞杂的TSP题目，对中小规模题目一样合用。图7为算法详细流程。算法的实现是在背景办事端经由历程java说话实现的，这里就不做详细申了然。
4 体系测评与操纵实例
为了对体系的功效及路子优化功效停止测试，接纳了以下的尝试情况：客户端是一切体系为iOS 7.0及以上iPhone手机，装配App后便可操纵；办事端为可装配运转在windows平台下的进销存办理体系；数据库为Oracle数据库装配在Linux数据库办事器上。
本体系中路子打算功效的实现接纳了将多个堆栈多配送点的路子计别离化为多个单堆栈多点配送的思惟。上面一系列图示申了然多个单堆栈动身到多个配送点的路子打算对照功效。
图8中显现当天须要打算路子的一切点，包罗三个堆栈和八个客户地位。接上去别离对三个堆栈停止出货配送支配，如图9为从总堆栈动身的配送线路对照，此中上图为按下单挨次顺次配送的线路图，下图为按照与动身堆栈间隔由近到远的顺次配送的线路图，从图中能够或许或许或许或许或许或许或许或许或许或许或许较着看出二者各自的旅程价格，表1为各堆栈配送路子的对照功效。
经由历程尝试测试功效标明，当单次打算的配送数目小于即是6时，本体系的最优路子切确且计较处置很快，几近搜集无提早。当单次打算的配送数目大于6小于17时，优化功效切确可是处置速率变慢，并且处置呼合时辰虽配送数目显现指数阶增添。当单次打算的配送数目大于16时，办事端需经由历程必然路子优化算法处置大规模计较，但其功效常常是最优解的类似值而非最优路子值。
5 竣事语
本文是在iOS体系上基于电子舆图的操纵开辟，根基实现了小规模定单配送的路子打算功效。颠末优化的路子简直节流了良多里程，真正意思上为企业前进了效益。可是本体系还存在一些缺少的地方，如合适处置小规模定单配送路子打算的规模性，体系的可扩大性有待增强。在此后的进修和研讨中，将进一步深入和扩大该操纵的功效，供给加倍丰硕的视图信息和交互体例，实现更杰出的路子打算休会。
参考文献：
[1] WANG Tiejun，WU Kaijun. Study multi-depots vehicle routing based on improve -ed particle swarm optimization[J]. Computer Engineering and Applications，2013， 49（2）： 5-8.
[2] 马建华，房勇，袁杰.多车场多车型最快实现车辆路子题方针变异蚁群算法[J].体系工程现实与现实，2011（8）.
[3] 李波，邱红艳.基于双层恍惚聚类的多车场车辆路子遗传算法[J].计较机工程与操纵，2014（5）.
中图分类号:TP312文献标识码:A文章编号:1009-3044(2010)09-2132-02
Application of C-W Algorithm in Logistics Distribution Vehicle Scheduling
CAO Jing-xia1,2
(1.School of Information Engineering, Jiangnan University, Wuxi 2141222, China; 2.Jiangyin Polytechnic College, Jiangyin 214400, China)
Abstract: Logistics Distribution Vehicle Scheduling is a very crucial step in the process of logistic distribution. This paper briefly describes the most representative algorithm, points out that the heuristic algorithm is the main method to solve vehicle routing problem, and demonstrates its applicability to solving the problem of vehicle scheduling by citing the examples of C-W algorithm, a typical method among the heuristic algorithm.
Key words: C-W algorithm; delivery vehicle scheduling; heuristic algorithm
跟着我国市场经济的成立和成长,作为“第三利润源泉”的物流日趋遭到当局有关部分和泛博企业的正视,成为此后最首要的合作范畴。配送是物流勾当中间接与花费者相连的关头,在物流的各项本钱中,配送本钱占了相称高的比例。配送车辆调剂的公道与否对配送速率、本钱、效益影响很大,接纳迷信、公道的体例来停止配送车辆调剂,是物流配送中很是关头的一环。
1 物流配送车辆路子题目(VRP) 概述
物流配送车辆路子题目(Vehicle Routing Problem ,VRP) 最早是由Dantzig 和Ramser于1959年提出的,一经提出当即引发了运筹学、物流迷信、计较机操纵等学科专家和运输题目拟定和办理者的极大存眷。
该题方针研讨方针是对一系列的主顾须要点设想得当的线路,使车辆有序地经由历程它们,在知足必然的束缚前提(如货色须要量、发送量、交发货时辰、车辆容量限定、行驶里程限定、时辰限定等) 下, 到达必然的优化方针(如里程最短、用度起码、时辰尽能够或许或许或许或许或许或许或许少、车队规模尽能够或许或许或许或许或许或许或许小、车辆操纵率尽能够或许或许或许或许或许或许或许高档)。
2 VRP题方针求解算法
VRP题目是组合优化范畴闻名的NP坚苦之一,即跟着客户数方针增添,可选的配送路子打算数目将以指数速率急剧增添,即显现组合爆炸景象,是以凡是的做法便是操纵相干手艺将题目分化或转化为一个或多个已研讨过的根基题目,再操纵绝对照拟成熟的根基现实和体例求解。VRP题方针求解体例根基上能够或许或许或许或许或许或许或许或许或许或许或许分为切确算法和开导式算法两大类。
2.1 求解VRP题方针切确算法
求解VRP题方针切确算法首要操纵线性打算、整数打算、非线性打算等数学打算手艺来描写物流体系的数目干系,以便求得最优解。求解VRP题目经常操纵的切确算法有分枝定界法、割立体法、静态打算法、搜集流算法等。这些体例从现实上给出了VRP题目切确求法,在能够或许或许或许或许或许或许或许或许或许或许或许求解的情况下,其解凡是要优于开导式算法。因为切确算法在求解时引入了严酷的数学体例(手腕),是以没法避开指数爆炸题目,使其获得全部别系的最优解愈来愈坚苦,是以,这些算法都是针对某一特定题目设想的, 合用才能较差, 在现实中其操纵规模很无限。
2.2 求解VRP题方针开导式算法
为了降服切确算法的缺少,能够或许或许或许或许或许或许或许或许或许或许或许操纵一些经历法例来下降优化模子的数学切确程度,并经由历程仿照人的跟踪校订历程来求取运输体系的对劲解,为此专家们首要把精神花在机关高品质的开导式算法上。开导式算法能同时知足详细描画和求解题方针须要,较切确式算法加倍适用。
今朝己经提出的开导式算法良多,按照Cesar Reg的分类法,根基能够或许或许或许或许或许或许或许或许或许或许或许分为机关开导式算法(节俭算法、最临近法、拔出法、扫描法)、两阶段开导式算法、不完全优化算法和智能化开导式算法(忌讳搜刮算法、摹拟退火法、遗传算法、神经搜集算法、蚁群算法、微粒群算法等)四类。开导式算法中由Clarke 和Wright 在1964 年提出的节俭法(简记为C-W算法)具备很是典范的代表性。
3 C-W算法的操纵
3.1 界说与道理
C-W算法是按照物流中间的运输才能和物流中间到各送/ 取货点和各个送/ 取货点之间的间隔,制定使总的车辆运输吨千米数(或时辰或用度)最小的打算。
C-W算法的根基思绪如图1所示,已知P点为配送中间,它别离向用户A 和B送货。设P点到用户A 和用户B 的间隔别离为a 和b。用户A 和用户B 之间的间隔为c,现有两种送货打算,如图1(a)和(b)所示。
在图1(a)中配送间隔为2(a+b);图1(b)中,配送间隔为a+b+c。对照这两个打算,2(a+b)-(a+b+c)=a+b-c,很较着,由三角形的多少性子可知, 三角形中肆意两条边的边长之和大于第三边的边长。即:a+b-c>0 。毗连AB所得的节俭量是a+b-c。
3.2 实例
为了使C-W算法表现较为了然,拔取较典范的实例先容。假设配送中间操纵同范例的配送车(首要是装载量和容积不异),保障一条线路上各用户的货运量之和不大于车辆的载分量。
根基材料先容:
现有6个用户(标号是1,…,6),各个用户的货运量是gi(吨)(i=1,…,6),这些用户由配送中间(标号是0)收回的载分量为8吨的车辆实现配送使命,请求最初的线路支配使总间隔最小。详细数据见表1、表2。
起首,把各个点零丁与配送中间相连,构建仅含一个点的初始线路,获得总的间隔为:2*(40+60+75+90+200+100)=1130km
而后,毗连两两用户到统一条线路上获得节俭值(节俭量公式a+b-c),节俭值越大,申明两用户连在一路时运距削减的越多,若是是负值就不应当把两用户连在统一条线路上。
C-W算法解题步骤:
1)计较各用户之间的节俭值(节俭量公式a+b-c)
比方:毗连用户1和用户2时,节俭量=40+60-65=35
毗连用户3和用户5时,节俭量=75+200-50=225,类似能够或许或许或许或许或许或许或许或许或许或许或许获得其余,如表3。
2)按照从大到小的挨次排序,见表4。
表4 节俭里程排序表
3)毗连点对,见表5。
按照表,获得最初的线路支配以下:
0-3-5-6-0
0-1-2-4-0
比初始线路节俭运距:230+225+50+35=540km
经由历程操纵C-W算法,对配送线路停止组合此后,由本来的6条初始化线路,削减到2条组合线路, 运转间隔从起头的1130km 延长为590 km ,节俭的里程相称可观。不难大白, 中国的物风行业是一座金山。只需不时停止物流办理和手艺立异,前进物流效力, 才能够或许或许或许或许或许或许或许大幅下降全部营业本钱。
参考文献:
[1] 李如姣.“节俭里程法”在某物流公司配送中间的现实操纵[J].科技征询,2008(28):156-158.
中图分类号：TP393文献标识码：A文章编号：1009-3044(2011)21-5080-03
Research on Technology of Nodes Localization Based on Mobile Beacon for Wireless Sensor Network (WSN)
DING Hui, LI Bo-yong, AI Shu-liang
(Chenzhou Vocational and Technical College, Chenzhou 423000, China)
Abstract：Wireless sensor network has been used in many field. Nodes location of WSN has provided the basic information for many applications. Nodes location based on mobile beacon is one of the important research fields. Some basic principles and performance evaluating criterions of nodes localization based on mobile beacon for WSN are introduced. Some issues which need to be resolved in future are discussed.
Key words: wireless sensor network (WSN); mobile beacon; nodes localization
跟着传感器手艺、无线通讯、微电子手艺和嵌入式计较等手艺的成长，无线传感器搜集(Wireless Sensor Network 简称WSN)获得了普遍操纵，成为现今活泼的研讨范畴。无线传感器搜集是新型的传感器搜集，同时也是一个多学科穿插的范畴，与现今支流无线搜集手艺一样，均操纵802.15.4的规范，由具备感知才能、通讯才能和计较才能的大批微型传感器节点组成，具备低本钱、低功耗的长处和壮大的数据获得和处置才能。
在无线传感器搜集的浩繁操纵中,如：国防军事、情况监测、交通办理、医疗卫生、方针跟踪、物流办理、入侵检测、交通流量监控和勘察操纵等范畴, 监测到事务以后须要肯定事务发生的地位，信息融会后获得的相干数据信息若是不包罗事务地位信息将毫成心思，只需带有标识地位信息的传感数据才有现实的意思。传感器节点本身的正肯定位是供给事务地位信息的前提, 是以节点的精肯定位底子而关头[1] 。
1 无线传感器搜集节点定位的分类及根基体例
节点定位是指肯定传感器节点的绝对地位或绝对地位，节点所收罗到的数据必须连系其在丈量坐标系内的地位信息才成心思。野生支配传感节点和为一切节点装配GPS领受器都会遭到本钱、功耗、节点体积、扩大性等方面的限定，乃至在某些操纵中是底子没法实现的。凡是是为部分节点设置装备摆设定位装配（如GPS领受器）或事前标定其切确地位，这些节点称为信标节点（也称锚节点），再操纵信标节点的相干信息接纳必然的机制与算法实现无线传感器搜集节点的本身定位。今朝人们提出了两类节点定位算法[2]：基于丈量间隔的定位算法与丈量间隔有关的定位算法。基于间隔的定位体例起首操纵测距手艺丈量相邻节点间的现实间隔或方位，而后操纵三边丈量法、三角丈量法、最小二乘估量法等体例停止定位。与丈量间隔有关的定位算法首要包罗：APIT、质默算法、DV-Hop、Amorphous等。
1.1 基于无线传感器搜集本身定位体系的分类[1,3-5]
1) 绝对定位与绝对定位。绝对定位与物理定位类似，定位功效是一个坐标地位，如经纬度。而绝对定位凡是是以传感地区某点为参考，成立全部搜集的绝对坐标体系。
2) 物理定位与标记定位。经纬度便是物理地位；而某个节点在某街道的某门牌的修建物内便是标记地位。必然前提下，物理定位和标记定位能够或许或许或许或许或许或许或许或许或许或许或许彼此转换。与物理定位比拟，标记定位在一些特定的操纵场所加倍便于操纵。
3) 调集式计较与散布式计较定位。调集式计较是指把所需信息传递到某个中间节点，并在那边停止节点定位计较的体例；散布式计较是指依靠节点间的信息互换和调和，由节点自行计较的定位体例。
4) 挪动信标与牢固信标定位。挪动信标节点是一类装备了GPS或别的定位装配的可挪动节点，它在挪动的历程中周期性本身的地位信息。基于挪动信标的未知节点定位有良多长处，如定位本钱低，轻易到达很高的定位精度、可实现散布式定位计较、易于实现三维定位等。而牢固信标节点是一类装备了GPS或别的定位装配的不可挪动节点。
1.2 基于间隔的节点坐标计较根基体例
待定位节点在获得与临近信标节点的间隔信息后，凡是接纳以下体例计较本身的地位[3]。
1) 三边丈量法：操纵收调集三个信标节点的地位坐标和未知节点到这三个信标节点的间隔，操纵多少体例求出未知节点的坐标。
2) 三角丈量法：操纵收调集三个信标节点的地位坐标和未知节点为角极点角边别离为三个信标节点的角度，操纵多少体例求出未知节点的坐标。
3) 最小二乘估量法：操纵未知节点的相邻节点中的多个信标节点的地位坐标和它们与未知节点的间隔或角度，操纵最小均方差估量体例求出未知节点的坐标。
1.3 经常操纵的测距体例
1) 旌旗灯号领受强度（RSSI）测距法
已知发射功率和天线领受增益，在领受节点丈量旌旗灯号领受功率，计较传布耗损，操纵现实或经历的无线电传布模子由传布耗损计较出信源与领受者间的间隔。凡是操纵以下对数-常态散布模子来计较节点间的间隔[1]。
PL(d)=PL(d0)+10λ・log(d/d0)+X （1）
PL(d0)=32.44+10λ・log(d0)+ 10λ・log(f) （2）
RSSI=发射功率+天线增益-路子耗损(PL(d)) （3）
此中PL(d)[dB]是颠末间隔d后的路子耗损，X是均匀值为0的高斯散布随机变数，其规范差取为4至10，λ为取衰减因子凡是为2至3.5，f是频次，取d0=1(m)，如许按照上述3式可得节点间的间隔。
2) 到达时辰测距法
到达时辰(TOA)手艺经由历程丈量旌旗灯号传布时辰来丈量间隔，若电波从信标节点到未知节点的传布时辰为t，电波传布速率为c，则信标节点到未知节点的间隔为t×c。
3) 时辰差测距法
TDOA测距是经由历程丈量两种差别旌旗灯号到达未知节点的时辰差，再按照两种旌旗灯号传布速率来计较未知节点与信标节点之间的间隔，凡是接纳电波和超声波组合。
4) 到达角定位法
到达角(AOA)定位法接纳阵列天线或多个领受器组合来获得相邻节点所处地位的标的方针，从而组成从领受机到发射机的方位线。两条方位线的交点便是未知节点的地位。
1.4 典范非测距算法
基于间隔丈量和角度丈量的定位算法的毛病谬误是对公用硬件有必然的请求，从而使传感器节点本钱和体积加大，限定了它的适用性。非测距的算法不须要丈量未知节点到信标节点的间隔，在本钱和功耗方面比基于测距的定位体例具备必然的上风，可是精度绝对缺少。
1) DV－hop算法
为了防止对节点间间隔的间接丈量， Niculescu等人提出了DV－hop算法[3]。该算法根基思惟是：用收调集节点的均匀每跳间隔和信标到待定位节点之间的跳数乘积来表现待定位节点到信标节点之间的间隔，再用三角定位来获得待定位节点的地位坐标。
2) 质心法
质心法由南加州大学Nirupama Bulusu等学者提出[3]，该算法是未知节点以一切可收到旌旗灯号的信标节点的多少质心作为本身的估量地位，它是一种基于搜集连通性的室外节点定位算法。
3) APIT 算法
一个未知节点任选3个能够或许或许或许或许或许或许或许或许或许或许或许与之通讯的信标节点组成一个三角形，并测试本身地位是在这个三角形内部仍是在其内部；而后再挑选别的3个信标节点停止一样的测试，直到穷尽一切的组合或到达所需的精度。
4) Amorphous 算法
Amorphous 定位算法[3]接纳与 DV-Hop 算法类似的体例获得距信标节点的跳数，称为梯度值。未知节点搜集邻人节点的梯度值，计较对某个信标节点的部分梯度均匀值。Amorphous 算法假设事后晓得搜集的密度，而后离线计较搜集的均匀每跳间隔，最初当获得3个或更多锚节点的梯度值后，未知节点计较与每一个锚节点的间隔，并操纵三边丈量法和最大似然估量法预算本身地位。
2 基于挪动信标的无线传感器搜集节点定位手艺
不管是间隔相干仍是间隔有关定位算法，常接纳牢固信标节点体例丈量间隔、绝对角度、传布时辰差及传布时辰等停止节点定位[1]。凡是到场定位的牢固信标节点越多, 定位精度将越高。可是信标节点的本钱远远高于通俗节点，当定位使命实现后，信标节点将转成通俗的传感器节点操纵。是以信标点越多，布设全部搜集的本钱将会增大, 定位算法的计较负荷和通讯负荷将会增大[1] ，过量的信标节点将会组成较大的华侈。以是操纵挪动节点收回的假造坐标点停止帮助定位的思惟将成为节点定位研讨的一个首要研讨标的方针。
假设全部WSN由勾当节点和挪动节点(如流传节点终了的飞机、勾当的车辆、挪动的小型机械人或通俗的能挪动的传感器节点等) 两种范例节点组成。按照传感器搜集的规模巨细, 能够或许或许或许或许或许或许或许或许或许或许或许设置装备摆设一个或多个挪动节点。各挪动节点均设置装备摆设一个GPS领受器用于定位挪动信标节点本身, 并有充足的能量自我挪动或绑缚挪念头器人、挪动车辆或三维空间中的飞机等东西。挪动节点在传感器地区内按照必然的勾当路子挪动, 并周期性地发送坐标地位信息, 待定位节点按照领遭到的坐标信息与接纳得当的定位算法实现定位[6] 。
近几年有一些研讨者对挪动锚节点路子打算睁开研讨，提出了一些比拟好的路子打算打算。挪动锚节点路子打算首要有两个方针：
1) 挪动轨迹能够或许或许或许或许或许或许或许或许或许或许或许笼盖收调集的一切未知节点；
2) 为未知节点定位供给品质好的信标点。
若是知足搜集节点均匀散布的前提，打算路子凡是接纳静态打算路子，挪动锚节点都按照事后打算的路子挪动，不具备按照节点散布状况矫捷变更的机能。文献[7]针对挪动锚节点的路子打算题目操纵空间添补线现实提出了SCAN、DOUBLESCAN和HILBERT路子打算体例，别离如图1、图2和图3所示。在节点通讯间隔小和空间添补线密度大的前提下， SCAN路子比HILBERT路子的定位功效切确。可是在节点通讯间隔大、空间添补线密度较小时，HILBERT路子较着优于SCAN路子。
SCAN路子存在较着的毛病谬误便是供给了大批共线的信标点，HILBERT路子经由历程增添挪动路子长度处置了信标点共线性的题目，只需到达必然的密度便能够或许或许或许或许或许或许或许或许或许或许或许为定位供给优良的不共线信标点。为了处相信标点存在共线性的题目，文献[8]提出了圆形打算路子和S形打算路子体例，如图4和图5所示。圆形打算路子完全笼盖方形搜集地区时必须增添大圆路子，这很大程度增添了路子的长度。而圆形的直径很是大时，在部分带来了信标点的共线性题目。S形路子经由历程引入S形曲线取代直线，处置了信标点共线性题目。
而对现实情况中节点非均匀散布的情况，文献[9]提出了提出了宽度优先和回溯式贪心算法。这类体例能够或许或许或许或许或许或许或许或许或许或许或许按照搜集信息自顺应停止路子打算，打算路子不再是法例的图形，能够或许或许或许或许或许或许或许或许或许或许或许充实操纵节点散布信息笼盖一切节点，保障路子最短，降服了静态路子打算的毛病谬误。文献[10]提出让一个照顾GPS的挪动信标接纳随机挪动模子的体例尽能够或许或许或许或许或许或许或许遍历传感地区，而后接纳散布式算法为未知节点定位，该体例连系了基于测距体例的长处，并且无需支配牢固的信标节点，节流了本钱开消，可是因为挪动信标的挪动模子接纳随机的体例，难以让其挪动规模笼盖全部传感地区，从而有些未知节点没法定位。
3 定位算法的评估规范
定位算法设想的好坏凡是以以下几个评估规范[11]来评估：
1）定位精度：通俗用偏差值与节点无线射程的比例表现，是定位手艺首要的评估方针。
2）定位笼盖率：指操纵定位算法能够或许或许或许或许或许或许或许或许或许或许或许停止定位的节点数与总的未知节点个数之比，它是评估定位算法的别的一个首要的方针。
3）信标节点密度：信标节点占一切节点的比例或是单元地区内信标节点的数目。
4）节点密度：节点密度凡是以搜集的均匀连通度来表现。
5）功耗：功耗是指传感器节点在单元时辰内所耗损的能源的数目。因为传感器节点不会一直在使命的，偶然候会处于休眠状况，但这一样也会耗损少许的能量，是以，传感器节点的功耗通俗会有两个，一个是使命时的功耗，别的一个是待机时的功耗。
6）本钱：包罗时辰、空间和用度。时辰指一个别系的装配、设置装备摆设和定位所需的时辰。空间包罗一个定位体系或算法所需的底子举措措施和搜集节点的数目、装配尺寸等。用度则包罗实现某种定位体系或算法的底子举措措施、节点装备的总用度。
7）鲁棒性：定位体系和算法必须具备很强的容错性和自顺应性，能够或许或许或许或许或许或许或许或许或许或许或许经由历程本身调剂或重构改正毛病、顺应情况、减小各类偏差的影响，以前进定位精度。
上述的这些评估方针不只是评估WSN本身定位体系和算法的规范，也是其设想和实现的优化方针。
4 竣事语
操纵挪动信标节点来实现WSN一切节点的定位，就必须要充足的时辰让挪动信标节点遍历完全部搜集, 为了减小一切节点定位所需的时辰和前进定位效力，若何进一步优化挪动信标节点的勾当路子将成为基于挪动信标的WSN节点定位手艺更研讨的首要标的方针。
参考文献：
[1] 孙利民.无线传感器搜集[M].北京:清华大学出书社,2005.
[2] A l-Karaki.JN, Kamal.AE. Routing Techniques in Wireless Sensor Networks: A Survey[J].In Wireless Communications,IEEE,Volume:11,Issue:6, Dec,2004:6-28.
[3] 王福豹,史龙,任丰原.无线传感器收调集的本身定位体系和算法[J].软件学报,2005,16(5):857-869.
[4] Kushwaha,M. Molnar,K. Sallai,J. Volgyesi, P. Maroti, M. Ledeczi, A. Sensor Node Localization Using Mobile Acoustic Beacons[C], In proc. 2005. IEEE International Conference on Mobile Adhoc and Sensor Systems Conference, Nov,2005.
[5] 倪巍,王宗欣.基于领受旌旗灯号强度丈量的室内定位算法[J].复旦学报(天然迷信版),2004.43(1):72-76.
[6] Mihail L. Sichitiu ,Vaidyanathan Ramadurai. Localization of Wireless Sensor Networks with a Mobile Beacon[C].//IEEE 2004:174-182.
[7] Koutsonilas D, Das S M, Hu Y Charlie. Path Planning of mobile landmarks for localization in wireless sensor networks[J].Computer Communication.2007,30(13): 2577-259.
[8] Rui Huang,Zaruba Gergely V. Static Pathplanning for mobile beaeons to localize sensor networks[C] / /Proc of IEEE PerComW. Piscataway,NJ:IEEE，2007:323-330.
[9] Hongjun Li,Jianwen Wang,Xun Li and Hongxu Ma. Real-time Path Planning of Mobile Anchor Node in Localization for Wireless Sensor Networks[C].//Proeeedings of the 2008 IEEE International Conference on Information and Automation,Zhangjiajie,China,June,20-23,2008.
中图分类号：U116.2 文献标识码：A
Abstract： Vehicle routing problem is the core problem in logistics management and in the organization and optimization of transportation， and is a classic combinatorial optimization problem in operations research. This article systematically summarized the common classifications and the basic model of VRP problems. And through referring to scholars' research situation， summarized the commonly used and efficient heuristic algorithms of solving VRP problems and the present situation of the corresponding research. Finally， summarized the problems in the research of VRP problems and discussed the future research and the solving methods for VRP problems.
Key words： vehicle routing problem； heuristic algorithm； optimization
0 引 言
跟着科技的前进和电子商务的飞速成长，作为公民经济中一个首要行业的物流财产已成为拉动国度经济成长与前进住民糊口程度的首要能源源泉，而物风行业中的车辆路子题目（Vehicle Routing Problem， VRP）是限定物风行业成长的一个关头身分，其研讨也遭到人们的普遍存眷。车辆路子题目是物流办理与运输机关优化中的焦点题目之一，是指在知足必然的束缚前提（如时辰限定、车载容量限定、交通限定等）下，经由历程对一系列收货点与发货点客户公道支配行车线路，在客户的须要获得知足的前提下，到达配送车辆起码、配送时辰最短、配送本钱最低、配送旅程最短等方针。该题目由Dantzig和Ramser[1]于1959年在优化亚特兰大炼油厂的运输路子题目时初次提出，现已成为运筹学中一类典范的组合优化题目，是典范的NP-坚苦。
企业经由历程拔获得当的配送路子，对运输车辆停止优化调剂，能够或许或许或许或许或许或许或许或许或许或许或许较着前进配送效力，有用削减车辆的空驶率和行驶间隔，下降运输本钱，加速呼应客户的速率从而前进客户办事品质，前进企业的焦点合作力。VRP作为物流体系优化关头中关头的一环，其研讨功效已操纵到快递和报纸配送连锁商铺线路优化和都会绿化车线路优化等社会现实题目中，是以车辆路子题方针优化研讨具备很好的现实意思。
1 车辆路子题方针分类与根基模子
VRP的组成身分凡是包罗车辆、客户点、货色、配送中间（车场）、路子搜集、方针函数和束缚前提等，按照偏重点的差别，VRP能够或许或许或许或许或许或许或许或许或许或许或许分为差别的范例。按照运输车辆载货状况分类可分为非满载车辆路子题目和满载车辆路子题目；按照使命特色可分为仅装货、仅卸货和装卸夹杂的车辆路子题目；按照优化方针的数目可分为单方针车辆路子题目和多方针车辆路子题目；按照配送车辆是不是不异可分为同型车辆路子题目和异型车辆路子题目；按照客户对货色领受与发送有没偶然辰窗束缚可分为不带时辰窗的车辆路子题目和带时辰窗的车辆路子题目；按照客户须要是不是可拆分可分为须要可拆分车辆路子题目和须要不可拆分车辆路子题目；按照客户是不是优先可分为优先束缚车辆路子题目和无优先束缚车辆路子题目；按照配送与取货实现后车辆是不是须要前往动身点可分为开放式车辆路子题目和闭合式车辆路子题目；还能够或许或许或许或许或许或许或许或许或许或许或许将上述两个或更多束缚前提连系起来，组成一些更庞杂的车辆路子题目。
因为VRP的束缚前提差别引发了其分类多种多样，而差别范例的VRP其模子机关及求解算法有很大差别。VRP的通俗数学模子为：
在上述模子中，式（1）表现方针函数，式（2）表现束缚前提。其余VRP模子大抵都是在此模子的底子上按照束缚前提完美组成的。
2 VRP的求解算法与研讨近况
VRP的求解体例，根基上可分为切确算法和开导式算法两大类。因为切确算法的计较难度与计较量跟着客户点的增添呈指数级增添，在现实中操纵规模无限，而开导式算法例具备全局搜刮才能强、求解效力高的特色，求出的解也具备较好的参考性，是以，今朝大部分研讨者们首要把精神调集在若何机关高品质的开导式算法上，本文也首要会商一些比来几年来研讨比拟多的开导式优化算法。针对VRP题目今朝已提出了大批的开导式算法，此中研讨较多的首要包罗以下算法：
2.1 遗传算法（Genetic Algorithm，GA）
GA是一种经由历程摹拟生物退化历程来搜刮最优解的体例，该体例经由历程对群体停止挑选、穿插和变异等操纵，发生代表新的解集的种群，按照个别顺应度巨细挑选个别，经由历程迭代慢慢使群体退化到类似最优解状况。可是该算法具备搜刮速率慢、易早熟、全体可行解品质不高档毛病谬误。
接纳遗传算法研讨VRP题方针研讨近况包罗：蒋波[2]设想了遗传算法求解以配送总本钱最小为方针函数和带有赏罚函数的VRPTW模子；赵辰[3]基于遗传算法求解了从出产中间到堆栈之间的路子优化题目，设想了配送路子优化决议打算；张群和颜瑞[4]成立了多配送中间、多车型车辆路子题目夹杂模子，并接纳一种新的恍惚遗传算法求解该题目。
2.2 摹拟退火算法（Simulated Annealing，SA）
SA同忌讳搜刮算法一样，也属于部分搜素算法，可是摹拟退火算法是仿照金属加工中退火的历程，经由历程一个温度函数作为方针函数，使其趋于最小值，是一种基于几率的算法。
接纳摹拟退火算法研讨VRP题方针研讨近况包罗：郎茂祥[5]研讨了装卸夹杂车辆路子题目，并机关了摹拟退火算法求解该题目；穆东等[6]提出了一种并行摹拟退火算法，并将该算法的操纵范畴扩大到其余车辆路子题目和组合优化题目；魏江宁和夏唐斌[7]以摹拟退火算法为底子，研讨了单个集散点与多个客户之间的运输题目；Mirabi和Fatemi Ghomi等[8]提出了一种基于摹拟退火思惟的三步开导式算法求解最小化配送时辰的多配送中间VRP模子。
2.3 蚁群算法（Ant Colony Optimization，ACO）
蚁群算法是人们受蚂蚁能够或许或许或许或许或许或许或许或许或许或许或许疾速找到食品的天然景象开导提出的。蚁群算法所成立的机制，首要包罗蚂蚁的影象、蚂蚁操纵信息素停止交互通讯及蚂蚁的集群勾当三个方面。单个蚂蚁缺少智能，但全部蚁群则表现为一种有用的智能步履。经由历程这类群体智能步履成立的路子挑选机制能够使蚁群算法的搜刮向最优解接近。
接纳蚁群算法研讨VRP题方针研讨近况包罗：马建华等[9]研讨了基于静态打算体例的多车场最快实现车辆路子题方针变异蚁群算法；辛颖[10]经由历程对MMAS蚁群算法停止了三种战略的革新，指出蚁群算法能够或许或许或许或许或许或许或许或许或许或许或许找到绝对较好的解和很强的鲁棒性；陈迎欣[11]针对蚁群算法的毛病谬误，别离对信息素更新战略、开导因子停止改良，引入搜刮热区机制，有用处置车辆路子优化题目；段征宇等[12]经由历程最小本钱的最临近法天生蚁群算法和部分搜刮操纵设想了一种求解TDVRP题方针改良蚁群算法。
2.4 粒子群算法（Particle Swarm Optimization，PSO）
PSO算法是经由历程对鸟群寻食步履的研讨而得出的一种群体并行优化算法，它从随机解动身，经由历程迭代寻觅最优解。蚁群算法具备轻易实现、收敛速率快、精度高档长处，在多种优化题目上均获得了较好的功效。可是因为PSO算法是经由历程粒子之间的彼此感化来寻觅最优解，缺少像遗传算法那样的变异机制，是以PSO算法轻易堕入部分最优。
接纳粒子群算法研讨VRP题方针研讨近况包罗：马炫等[13]提出了一种基于粒子互换道理的整数粒子更新体例求解偶然候窗束缚的车辆路子题目；吴耀华和张念志[14]以处置集货或送货非满载带时辰窗车辆路子优化题目为背景，提出了带自调理机制的部分隔壁粒子群算法处置VRP题目。
2.5 蝙蝠算法（Bat Algorithm，BA）
蝙蝠算法是剑桥大学学者Yang[15]于2010年提出的一种新型群智能退化算法，摹拟天然界中蝙蝠经由历程超声波搜刮、捕食猎物的生物学特色，是一种基于种群的随机寻优算法。停止今朝，蝙蝠算法首要用于求解持续域的函数优化题目，只需多数学者将其用来求解团圆型题目，具备很好的研讨远景。
接纳蝙蝠算法研讨VRP题方针研讨近况包罗：马祥丽等[16]将蝙蝠算法操纵于求解VRP题目，在蝙蝠速率更新公式中引入了惯性权重，对根基蝙蝠算法停止了改良，降服了根基蝙蝠算法的缺少的地方；马祥丽等[16]针对VRPTW题方针详细特色从头界说了蝙蝠算法的操纵算子，设想了求解VRPTW 题方针蝙蝠算法，并接纳罚函数的体例对方针函数停止了简化求解。
3 总结与瞻望
车辆路子题目因为束缚前提的差别其分类多种多样，数学模子与求解算法也层见叠出。本文总结了近几年一些相干学者对VRP题方针研讨和求解算法，经由历程较为体系地总结VRP题目，本文总结出以下此后研讨存在的题目和此后能够或许或许或许或许或许或许或许的研讨标的方针：
（1）研讨方针过分抱负化。今朝学者研讨VRP的研讨过于重视本钱最小和路子最短，大部分是单方针优化，而在现实操纵中，配送的驾驶员也能够或许或许或许或许或许或许或许会因良多缘由迟误打算的旅程，主顾的须要各别乃至抵触，主顾对劲度与企业本钱最小化方针之间存在效益悖反的抵触。此后的研讨能够或许或许或许或许或许或许或许或许或许或许或许将本钱、旅程、驾驶员歇息、主顾对劲度等多个方针连系起来停止研讨，并能够或许或许或许或许或许或许或许或许或许或许或许经由历程线性加权的体例停止综合求解。
（2）单个束缚的VRP题目因为研讨时辰较长，此刻已研讨的较为成熟，并且其操纵规模也比拟大，应当斟酌将多个束缚前提连系起来，成立合适现实的多束缚前提的车辆路子题目，更好地处置企业的配送优化。
（3）固然开导式算法具备全局搜刮才能强，运算便利等长处，可是也存在着部分搜刮才能差、收敛时辰太长、易陷于部分最优等题目。操纵单一的群智能算法不是求解VRP的最有用算法，将两种和多种群智能算法连系起来研讨车辆路子题目，扬长避短，是此后应当斟酌的题目；同时，应斟酌追求更多的智能优化算法来求解VRP题目。
参考文献：
[1] GB. Dantzig， JK. Ramser. The truck dispatching problem[J]. Management Science， 1959，6（1）：80-91.
[2] 蒋波. 基于遗传算法的带时辰窗车辆路子优化题目研讨[D]. 北京：北京交通大学（硕士学位论文），2010.
[3] 赵辰. 基于遗传算法的车辆路子优化题目研讨[D]. 天津：天津大学（硕士学位论文），2012.
[4] 张群，颜瑞. 基于改良遗传算法的夹杂车辆路子题目[J]. 中国办理迷信，2012，20（2）：121-128.
[5] 郎茂祥. 装卸夹杂车辆路子题方针摹拟退火算法研讨[J]. 体系工程学报，2005，20（5）：485-491.
[6] 穆东，王超，王胜春，等. 基于并行摹拟退火算法求解时辰依懒型车辆路子题目[J]. 计较机集成制作体系，2015，21（6）：1626
-1636.
[7] 魏江宁，夏唐斌. 基于夹杂摹拟退火算法的多阶段库存路子题目研讨[J]. 财产工程与办理，2015，20（3）：1-8.
[8] M Mirabi， SMTF Ghomi， F Jolai. Efficent stochastic hybrid heuristics for the multi-depot vehicle routing problem[J]. Robotics and Computer-Integrated Manufacturing， 2010，26（6）：564-569.
[9] 马建华，房勇，袁杰. 多车场多车型最快实现车辆路子题方针变异蚁群算法[J]. 体系工程现实与现实，2011，31（8）：1508
-1516.
[10] 辛颖. 基于蚁群算法的车辆路子打算题目求解研讨[D]. 长春：吉林大学（硕士学位论文），2015.
[11] 陈迎欣. 基于改良蚁群算法的车辆路子优化题目研讨[J]. 计较机操纵研讨，2012，29（6）：2031-2034.
[12] 段征宇，杨东援，王上. 时辰依靠型车辆路子题方针一种改良蚁群算法[J]. 节制现实与操纵，2010，27（11）：1557-1563.
[13] 马炫，彭M，刘庆. 求解带时辰窗车辆路子题方针改良粒子群算法[J]. 计较机工程与操纵，2009，45（27）：200-204.
[14] 吴耀华，张念志. 带时辰窗车辆路子题方针改良粒子群算法研讨[J]. 计较机工程与操纵，2010，46（15）：230-235.
