基于模糊神经网络的环保车辆城市路径规划



基于模糊神经网络的环保车辆城市路径规划

基于公共交通网络提出了一个环保车辆分布模型，目的是减少空气污染、降低噪声，采用模糊神经网络方法对离散输入函数进行非线性优化。模型中考虑到驾驶员和乘员的费用不同以及周围环境因素等变化，采用了自适应神经网络方法。该模型的一个优点是将各个影响因素转化为输入参数而引入到模型之中。城市交通系统的复杂性使得这一转化充满了挑战，而且周围环境也很难预测。模型中驾驶员和乘员的费用标准是根据已有文献和已给定变量的逻辑指标确定的，包括系统运行成本和乘员平均费用。环境质量的相关标准包括对人和动物有伤害的公共交通环境副产品及影响人健康和生活质量的噪声等级。以贝尔格莱德市的环境为案例，将输入参数定义为链接IP镜像（IPs mirror），其数量反应了贝尔格莱德市拥有环保车辆的数量。理论上，该算法支持任何网络规模和运输需求的车辆数量规划。同样地，该算法也可以用于对公共交通中电动客车进行路径规划。

通过仿真测试，验证了本模型算法可以有效地减少环保车辆排放到空气中的污染物含量，对改善当地的空气质量有明显的作用。未来的研究中，还会着眼于绿色车辆和传统车辆最优分布研究，可以通过遗传算法和其它模型进行分析。

刊名：Expert Systems with Applications（英）

刊期：2014年第6期

作者：Aleksandar D. Jovanovic et al

编译：陈鹏飞