本数据集面向智能交通系统中单智能体最短路径规划算法的性能评估需求，其生成背景源于城市道路网络中机器人或车辆在静态障碍物环境下的路径搜索与导航问题。数据集基于巴黎某城区的网格化扫描地图构建（详见R. Stern et al., "Multi-agent pathfinding: Definitions, variants, and bench-marks," in Proc. Int. Symp. Combinatorial Search, vol. 10, no. 1, 2019,pp. 151-158.），采用256×256栅格表示，其中黑色区域为建筑障碍物（不可通行），白色区域为可通行区域。将每个栅格点视为网络节点，可通行区域内的节点与上、下、左、右、左上、左下、右上、右下八个方向的相邻节点相连，形成移动路径，障碍物节点则隔离于网络之外。由此构建的大规模路径网络包含65536个节点和354938条边，得到65536*8的稀疏邻接矩阵数据文件Paris_1_256_weight_nodirect.mat以及其局部有向图矩阵数据Paris_1_256_weight_direct.mat，为算法测试提供了高复杂度场景。本数据集支持在无向图和有向图（通过限制部分节点的邻居方向）两种模式下进行路径规划实验，已用于验证多种离散时间布谷鸟搜索（DBMC）控制策略的收敛性能。数据内容包含一个完整的网格地图网络拓扑（gml或其他格式），以及明确的起终点节点标识（起点为节点65374，终点为节点1），可有效支撑路径规划算法的最短路径求解能力、收敛速度及鲁棒性研究。
本数据集基于仿真生成方式构建，其原始地图来源于巴黎某城区的实际扫描地图，通过栅格化处理得到256×256分辨率的二值网格（黑色为障碍，白色为可通行区域）。地图数据未直接来自特定文献或公开数据集下载，而是基于该扫描图进行网格化加工生成。所有节点和边的拓扑结构完全依据网格黑白属性及邻接规则自动生成，不包含实测交通流量或动态环境数据。
本数据集通过编程方式加工生成。首先将巴黎某城区的扫描地图转换为256×256的二值网格图像，其中黑色像素映射为障碍节点（不可通行），白色像素映射为可通行节点。然后，以每个网格点作为网络节点，对于可通行区域内的节点，建立与其八个方向（上、下、左、右、左上、左下、右上、右下）相邻可通行节点的无向边；对于障碍节点，不建立任何边。最后设置边权重：垂直和水平方向的边权重为1，对角线方向的边权重为√2（保留浮点数精度）。接着，对于有向图模式，选取矩形区域，将该区域内节点的邻居数从八个缩减为三个（仅保留右、右上、右下方向），从而将无向图转化为有向图。最终导出65536*8的稀疏邻接矩阵数据文件Paris_1_256_weight_nodirect.mat以及其局部有向图矩阵数据Paris_1_256_weight_direct.mat。
本数据集在生成过程中实施了严格的质量控制，确保了数据的完整性、准确性和可用性。经核查，网格地图尺寸严格为256×256，节点总数65536，未出现节点缺失或编号跳变；边总数354938，每条边均正确关联两个可通行节点，且权重取值准确（1或√2），无异常值或重复边。障碍区域与可通行区域的二值划分清晰，不存在模糊像素。图连通性检查表明，整个可通行区域构成一个弱连通无向图（在有向图模式下，修改区域内的连通性符合预期），确保任意两点间存在可行路径。起终点节点（65 374和1）均位于可通行区域，且存在至少一条最短路径。通过与经典Dijkstra算法基准对比，验证了所有边权和邻接关系的正确性。该数据集已成功用于多种路径规划算法的对比测试，实验结果（如最短路径长度、收敛曲线）可重复且稳定，表明数据质量可靠，可有效支撑路径规划算法的评估与比较。
| # | 编号 | 名称 | 类型 |
| 1 | 2022ZD0120000 | 博弈智能场景应用 |
本作品采用
CC BY 4.0 （知识共享 署名 4.0 国际许可协议）进行许可。
