基于迁移学习和模因计算的智能交通路径规划研究

With the rapid development of city intelligent transportation and the increasingly complex real traffic conditions, the problem of fast optimization in dynamic routing problems of intelligent transportation system has attracted significant attentions from researchers, and requires to be solved urgently. Since this problem is a NP-hard problem, and the routing data is with big volume nowadays, most traditional heuristic search algorithms cannot offer a satisfactory solution in a given time budget. Based on the similarities among routing problems, this project will first investigate the common structured knowledge existed in optimized routing solutions. Subsequently, we will derive the corresponding transfer learning as well as memetic computing paradigms to reuse the structured knowledge captured from past optimized routing experiences for speeding up heuristic search process. In this manner, instantaneity and validity requirements in dynamic routing of intelligent transportation would be guaranteed. The novelty of this project lies in the following three-folds: 1) the new heuristic optimization paradigm for fast routing in intelligent transportation system; 2) the new data mining and transfer learning model for routing problem; 3) the new memetic computing paradigm for speeding up heuristic routing process. The completion of this project will not only provide a new option for fast dynamic routing in intelligent transportation, but also the technical support for fast heuristic optimization search.

随着城市智能交通的高速发展以及现实交通情况的日渐复杂，实现智能交通中动态路径快速规划已成为社会广泛关注，并急需解决的热点问题。研究表明该问题属于NP-hard问题，且随着路径数据的增加，大多数传统的启发式搜索算法都无法在短时间内给出令人满意的结果。本课题利用路径规划问题之间的相关性，研究存在于历史优化路径中的通用知识信息模块，建立并推导其相应的迁移学习以及模因计算模型，通过迁移和演化通用历史优化信息以加速启发式路径搜索，使其适应智能交通系统动态路径规划的实时性和有效性。本课题的创新性主要体现在：1）适应于智能交通快速路径规划算法的创新；2）路径规划中数据挖掘和迁移学习模型的创新；3）加速路径搜索的模因计算模型创新。本课题的完成将为智能交通快速动态路径规划提供新思路，为实现快速启发式优化搜索提供技术支撑。

随着城市智能交通的高速发展以及现实交通情况的日渐复杂，实现智能交通中动态路径快速规划已成为社会广泛关注，并急需解决的热点问题。研究表明该问题属于NP-hard问题，且随着路径数据的增加，大多数传统的启发式搜索算法都无法在短时间内给出令人满意的结果。本课题基于迁移学习和Memetic(模因)计算, 研究存在于历史优化路径中的通用知识信息模块，建立和推导其相应的数据挖掘，迁移学习以及模因计算模型，通过挖掘和利用通用历史优化信息加速启发式路径搜索。..该项目成果为智能交通快速动态路径规划提供新思路，为实现快速启发式优化搜索提供通用框架，可以灵活结合不同的启发式搜索算法进行路径规划优化。新的框架对于利用信息挖掘及迁移学习来提升传统优化性能的许多前沿研究领域有理论价值和潜在的应用前景。此外，该项目提出的迁移学习及Memetic计算模型具有一定的通用性，可为相关组合优化问题的快速求解提供技术参考。..项目按照计划进度正常执行，实际经费支出与预算基本相符，执行期间项目组成员共发表论文20篇，其中包括《IEEE Transactions on Evolutionary Computation》、《IEEE Transactions on Cybernetics》、《IEEE Transactions on Intelligent Transportation Systems》、《IEEE Computational Intelligence Magazine》、《Memetic Computing》等SCI期刊论文9篇，EI国际会议论文11篇，申请发明专利3项，超过预期目标。