[论文解读] Combined A*-Ants Algorithm: A New Multi-Parameter Vehicle Navigation Scheme

Hojjat Salehinejad, Hossein Nezamabadi–pour+2 more|arXiv (Cornell University)|Apr 28, 2015

Data Management and Algorithms参考文献 7被引用 9

一句话总结

本文提出了一种新颖的联合A*-蚁群算法，通过将A*搜索与蚁群优化相结合，利用电子地图计算多参数最优车辆路径。通过A*算法初始化信息素水平以引导基于蚁群的路径搜索，该方法在真实世界测试中（伊朗克尔曼市道路网络）相比标准蚁群算法实现了更低的代价函数值和更高的效率。

ABSTRACT

In this paper a multi-parameter A*(A- star)-ants based algorithm is proposed in order to find the best optimized multi-parameter path between two desired points in regions. This algorithm recognizes paths, according to user desired parameters using electronic maps. The proposed algorithm is a combination of A* and ants algorithm in which the proposed A* algorithm is the prologue to the suggested ant based algorithm .In fact, this A* algorithm invigorates some paths pheromones in ants algorithm. As one of implementations of this method, this algorithm was applied on a part of Kerman city, Iran as a multi-parameter vehicle navigator. It finds the best optimized multi-parameter direction between two desired junctions based on city traveler parameters. Comparison results between the proposed method and ants algorithm demonstrates efficiency and lower cost function results of the proposed method versus ants algorithm.

研究动机与目标

• 开发一种多参数车辆导航系统，综合考虑用户定义的标准，如行驶时间、距离和道路质量。
• 解决独立A*算法和蚁群算法在处理复杂多目标路径规划问题时的局限性。
• 通过A*算法预先提供信息素初始化，提升蚁群优化中的路径搜索效率。
• 在具有真实交通和基础设施约束的真实城市环境中验证所提方法。
• 在代价函数最小化方面，证明优于传统蚁群优化算法。

提出的方法

• 该算法首先执行A*阶段，基于用户定义的参数计算初始最优路径，随后用该路径作为种子初始化蚁群系统中的信息素水平。
• 信息素初始化基于A*路径生成，确保在基于蚁群的搜索阶段优先考虑高质量路径。
• 蚂蚁根据信息素水平和启发式信息（如距离、限速）的概率选择规则穿越道路网络。
• 信息素更新规则遵循标准蚁群系统公式，对有助于降低代价函数的路径进行强化。
• 算法通过多轮蚁群周期迭代优化路径，利用信息素蒸发机制平衡探索与开发。
• 最终路径根据最低代价函数选定，综合考虑多个参数，如行驶时间、距离和道路类型。

实验结果

研究问题

• RQ1 A*与蚁群优化的结合是否能产生优于单一方法的多参数车辆路径规划？
• RQ2 A*引导的信息素初始化在多目标路径规划中对收敛速度和解质量有何影响？
• RQ3 在代价函数最小化方面，所提算法相较于标准蚁群优化算法的性能提升程度如何？
• RQ4 该算法在具有复杂道路网络的真实城市环境中表现如何？
• RQ5 用户定义的参数对路径选择和优化结果的影响是什么？

主要发现

• 在克尔曼市测试案例中，联合A*-蚁群算法的代价函数值低于标准蚁群算法。
• 利用A*进行信息素初始化显著提升了收敛速度和解质量。
• 该方法在真实城市道路网络中有效处理了行驶时间、距离和道路质量等多参数问题。
• 在路径优化效率和解的一致性方面，该算法优于蚁群算法。
• 在克尔曼市道路地图上的实际应用中，该方法生成了更可靠且更符合用户偏好的导航结果。
• 结果证实，A*引导的信息素初始化可显著提升蚁群系统在多参数车辆导航中的性能。