《表1 初始目标点坐标顺序和目标点顺序》
由于在项目中所需要的目标点没有达到类似TSP问题数量级的规模,为了测试算法的准确性和稳定性,我们选择手动输入几个数据,用以模拟小车通过视觉获取的目的地坐标。算法执行之前会以城市数量为基数乘以8作为SOM神经网络结构中的神经元个数进行添加。在模型训练次数上,一般来说,迭代上限越高,得到最终结果越准确。刚开始测试时,为了测试算法的准确性,把迭代上限设置成10万次,但是算法并没有完成该迭代次数,因为其中存在一个衰减变量,每次迭代都会更新衰减变量,如果判定衰减变量小于阈值,证明隐藏层神经元已经完成计算,再迭代下去的意义不大,可以得到最终的输出。表1中左边为初始目标点坐标顺序,其中有9个点,1个点生成了72个神经元结构,迭代了14 253次,巡回9个点可能的最佳路线为(1,2,3,5,9,8,4,6,7),其总长度为87.666,在算法中加入时间函数,用以打印算法执行时间,实际测试运行时间为88 304m s。表1中右边为算法执行后目标点顺序。图5为算法计算的目标点巡回最短路线图[2]。
图表编号 | XD0099596400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.10 |
作者 | 张俊、欧阳孝培 |
绘制单位 | 泉州师范学院数学与计算机科学学院、泉州师范学院数学与计算机科学学院 |
更多格式 | 高清、无水印(增值服务) |