Resumen

Con el rápido desarrollo del transporte inteligente, los algoritmos inteligentes y la planificación de rutas se han convertido en métodos efectivos para aliviar la presión del tráfico. El algoritmo inteligente puede realizar el modo de selección de prioridad para lograr eficiencia en la optimización del tráfico. Sin embargo, existe una optimización local en la inteligencia y es difícil lograr una optimización global. En este artículo, se utiliza el modelo de antiaprendizaje para resolver el problema de que el algoritmo del lobo gris cae en una optimización local. Se actualizan las posiciones de los diferentes lobos. Cuando se cae en una optimización local, la posición actual se optimiza para lograr una optimización global. Se introduce el modelo del algoritmo Extreme Learning Machine (ELM) para acelerar la optimización del Mejorado Algoritmo del Lobo Gris (IGWO) y mejorar la velocidad de convergencia. Finalmente, el experimento demuestra que el algoritmo IGWO-ELM se compara en la planificación de rutas, y el algoritmo tiene un efecto ideal y una alta ef

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Desarrollo; Transporte inteligente; Algoritmos; Planificación de rutas; Optimización; Eficiencia
• Keywords:Development; Intelligent transportation; Algorithms; Path planning; Optimization; Efficiency