路径优化算法研究

路径优化算法研究

1. 启发式搜索算法
   (1)启发式搜索算法
   启发式属于运筹学的范畴，通常采用图论(Graph Theory)法进行计算。 启发式算法一般由启发函数来引导搜索方向并估算当前点与终点间的距离，适合解决单源点最短路径问题。通过对搜索空间中每一个可能位置进行函数评估，进而得到最佳位置点，再由这个位置展开搜索直到找到目标点。经典的启发式搜索算法有 Dijkstra 算法、 A算法和 Floyd 算法。Dijkstra 具有贪心算法的思想，每次迭代以选择距离当前源点最近的节点作为下一个源点，以此获取全局最优解。 Dijkstra 算法十分简洁，能够有效的找到最优解，不足之处是时间的复杂度为 O(n2)， 对于存在大量数据节点的路径搜索，内存空间与计算时间会大大增加， 在解决复杂、庞大路径优化问题中满足不了
   实时性要求。
   A(A-Star)是 Dijkstra 的改进，适用于模板地图已知的静态环境下的全局路径优化。 Dijkstra 算法在搜索过程中存在大量的冗余计算， A算法克服了这一缺陷， 采取添加出发点信息和提供目的位置信息的方式，使用估值函数对路径进行评估，使 A算法朝着目标位置不断进行搜索，减少了大量的无目的搜索， 提高了算法的整体搜索效率。但是 A*算法受估价函数的影响较大， 不同的估价函
   数决定了不同的搜索效果。Floyd 算法在 1978 年由图灵奖获得者教授命名。该方法是在图的邻接矩阵基础上来求解任意两点的最短路径， 适用于任意两点间的最短距离的求解， 其规划效率高于 Dijkstra 算法，但复杂度达到了三次方的级别，对于复杂的图形，
   实现仍较为困难。
2. 智能仿生算法
   最优化问题一直是人类在生产生活中不可避免的研究领域， 人们在对优化问题的探索过程中受到自然灵感的启示而提出了许多仿生算法，它们模仿自然界物理现象、生物的行为或进化过程来解决现实中的优化问题。基于进化方向的有遗传算法、差分进化算法(DE)；基于群智能行为方向的有灰狼算法(GWO）、 飞蛾-火焰优化算法(MFO)、 鲸鱼算法、狮群算法；基于物理现象的有万有引力搜索算法(GSA)、黑洞(BH)算法、原子搜索算法(ASO)等。 智能优化算法的出现是对传统路径规划方法的一次革新，它具有强大的全局搜索能力，比传统的启发式搜索算法效率更高、速度更快，精度更高,已被广泛应用于路径优化、电网调度、图像处理及控制参数优化等许多领域。原子搜索优化(ASO)是 2019 年提出的智能优化算法领域的最新成员， 根据原子的运动规律，通过种群中各个原子之间的相互作用力来指导群体进行智能优化搜索。算法结构简单，参数较少， 已经被运用于水文地质参数估计、地下水色散系数的最佳估计和特征选择中的最优特征子集的搜索。