【技术实现步骤摘要】
本专利技术涉及多车辆路径规划优化领域。
技术介绍
1、最短路寻径问题旨在为道路网络中多个车辆规划其不同起点和终点之间的距离或行驶时间最短的路径，这类寻径问题在交通出行、货物运输等传统领域和无人驾驶、自主交通等新兴领域有着重要的应用价值。在为车辆规划路径时，如果不考虑车辆之间的合作，则会为多个车辆选择包含相同路段的路径，造成交通拥堵，进而影响车辆个体的行驶时间。现有工作主要集中于小范围区域内的多车辆路径规划，当考虑实际的大规模路网、大量车辆时，现有方法在求解性能和效率方面存在不足，可扩展性差。
2、实际交通路网中路段、交叉路口、车流会在空间上呈现聚集现象，例如，在一些主要的商业区、居民区附近的路网分布往往更加密集，且流入/流出这些区域的车流量较大。
3、目前最短路寻径方法可分为两类：
4、1.直接求解从起点到终点的完整路径，这类方法通过传统的最短路算法如dijkstra算法、a*算法根据静态的路段长度信息或车辆从起点出发时的路况信息，计算从起点到终点的距离最短或出发时行驶时间最短的路径，这类方法计算简单，但是缺少对车辆之间合作的考虑，为多个起点、终点相近的车辆选择的路径会包含多个相同的路段，造成这些路段的拥堵，同时，这类方法不能在车辆的行驶过程中根据路况变化对车辆的路径做出适应性的调整。
5、2.基于下一跳节点的求解方法则在车辆每到达一个交叉路口后，根据路况为车辆更新路径并重新选择下一跳节点。这类方法通过强化学习算法为车辆或交叉路口训练路径选择策略，根据当前的交通状况为车辆自身或靠近
技术实现思路
1、为了解决现有方法在多起点终点的寻径问题求解方面存在的问题，本专利技术将多智能体强化学习技术应用于这一问题的求解，通过图划分算法将原始的路网划分为多个区域，并将每个区域作为智能体。区域智能体可以获得区域内车辆的起点、终点信息，并为车辆选择下一个到达的区域和到达该区域经过的路径。通过多智能体强化学习技术，能够实现区域智能体之间的合作，并且在路径选择时，考虑到车辆之间的相互影响，会为终点接近的车辆选择不同的路径，从而避免全部选择同一路径造成的部分路段的拥堵。
2、技术方案：
3、基于多智能体强化学习的跨域车辆路径优化方法，将交通系统内原始路网划分为多个区域，并将每个区域建模为一个智能体，智能体为区域内的车辆规划跨域的路径，通过强化学习算法学习到自适应、合作式的策略。实现了多车辆间的合作，解决了现有域内车辆路径规划方法在可扩展性方面的不足。
4、本专利技术利用人工智能技术为路网上的多车辆寻径问题给出了新的解决方案，通过强化学习算法训练路径选择策略，能够提供自适应的、合作式的路径优化算法，避免交通拥堵的发生，提高路网的吞吐率，并降低车辆的平均行驶时间。本专利技术技术应用前景广阔，有望在交通出行、货物运输、自主交通等领域得到应用。
本文档来自技高网...【技术保护点】
1.基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，将交通系统内原始路网划分为多个区域，并将每个区域建模为一个智能体，智能体为区域内的车辆规划跨域的路径，通过强化学习算法学习到自适应、合作式的策略。
2.如权利要求1所述的基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，
3.如权利要求2所述的基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，
4.如权利要求2所述的基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，
5.如权利要求2所述的基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，
6.如权利要求2所述的基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，
【技术特征摘要】
1.基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，将交通系统内原始路网划分为多个区域，并将每个区域建模为一个智能体，智能体为区域内的车辆规划跨域的路径，通过强化学习算法学习到自适应、合作式的策略。
2.如权利要求1所述的基于多智能体强化学习的跨域车辆路径优化方法，其特征在于，
3.如权利要求2所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。