刘晓欢，张德干，张 捷，张 婷，朱浩丽

(1.天津理工大学 计算机科学与工程学院，天津 300384;2.北京交通大学 电子信息工程学院，北京 100044)

自1959年Dantzig等提出车辆路径规划的问题[1]，随着研究人员们的深入探索，这一难题得到不同程度的解决[2]，包括遗传算法，蚁群算法，粒子群优化等[3].在设计智能驾驶车辆路径规划算法时，人们将研究重点放在复杂环境和多移动目标的系统上[4-5]，包括模糊控制，强化学习，智能决策等[6].

粒子群算法[6-7]通过鸟群搜寻食物源和相互传递各自的信息使整个鸟群都能聚集在食物源周围[8].该算法在路径规划中的应用受到很多研究人员的青睐[9].其结构简单、需要调节的参数少而被普遍应用[10-11].但由于其在搜索后期，粒子群种群的多样性下降容易导致粒子陷入局部极值最优解[12-13].针对这一问题，文献[14]提出一种变异操作方法，增加种群多样性，通过路径点冗余筛选算法使所规划路径更平滑更短.文献[15]提出了将细菌觅食算法引入到粒子群搜索过程的具有全局搜索能力和快速收敛的混合算法.

结合神经网络算法的路径规划方法有很好的适应性，因此市场应用前景良好[16].所以近年来与之相关的问题也成为研究人员们的关注热点[17-20].例如：为解决网络流量时间序列的预测问题，文献[21]提出了量子遗传算法与模糊神经网络相结合的网络流量时间序列预测模型.量子遗传算法具有运算效率高、全局寻优能力强、稳定性好等优点[22].因此利用……