基于遗传算法及模糊控制智能交通控制系统设计.docVIP

基于遗传算法及模糊控制智能交通控制系统设计摘 要： 针对智能交通控制的特点，提出采用模糊控制系统，对城市干线各交叉路口进行协调优化控制，并且采用遗传算法对模糊控制器的模糊控制输出量进行优化，使得模糊控制的控制效果得以提高，交通干线通行能力得以提升。 关键词： 遗传算法； 智能交通； 模糊控制 中图分类号： TP273 文献标识码： A 文章编号： 1009-8631（2011）06-0089-01 一、引言 智能交通系统（ITS）就是将先进的信息技术、传感器技术、数据通讯技术、自动控制技术、运筹学、图像分析技术、计算机网络和人工智能技术等有效地综合运用于整个交通管理体系，在系统工程综合集成思想指导下，建立起实时、准确、高效的交通运输综台体系。从而达到增强系统运行效率，提高系统的可靠性和安全性[1]。采用模糊控制系统，对城市干线各交叉路口进行协调优化控制，尽量降低交通干线上通行车辆平均延误数，提高交通干线通行能力，此方面的技术已经得到一定的应用。然后，模糊控制器存在隶属函数因人为制定而影响模糊控制系统控制性能的不足之处，针对这个问题，文章提出采用遗传算法对模糊控制器的模糊控制输出量进行优化，使得模糊控制的控制系统得以提高，交通干线通行能力得以提升。 二、遗传算法概述 遗传算法简称GA（Genetic Algorithms）。1962年由美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。遗传算法通过遗传中的复制、交叉及变异对个体进行筛选，使适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。遗传算法的算法简单，可并行处理，并能到全局最优解[2]。 遗传算法的基本操作为： （1）复制（Reproduction Operator） 复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。具有高适应度的位串更有可能在下一代中产生一个或多个子孙。复制操作可以通过随机方法来实现。首先产生0~1之间均匀分布的随机数，若某串的复制概率为40%，则当产生的随机数在0.40~1.0之间时，该串被复制，否则被淘汰。 （2）交叉（Crossover Operator） 复制操作能从旧种群中选择出优秀者，但不能创造新的染色体。而交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种。交叉的过程为：在匹配池中任选两个染色体，随机选择一点或多点交换点位置；交换双亲染色体交换点右边的部分，即可得到两个新的染色体数字串。 （3）变异(Mutation Operator) 变异运算用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。在染色体以二进制编码的系统中，它随机地将染色体的某一个基因由1变为0，或由0变为1。 若只有复制和交叉，而没有变异，则无法在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，从而影响解的质量。为了在尽可能大的空间中获得质量较高的优化解，必须采用变异操作。 三、遗传算法和模糊控制在智能交通中的应用 1.模糊控制对交叉路口的协调控制 模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法，它是从行为上模仿人的模糊推理和决策过程的一种智能控制方法。该方法首先将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上。 采用模糊控制系统，对城市干线各交叉路口进行协调优化控制，尽量降低交通干线上通行车辆平均延误数，提高交通干线通行能力，一个现有的模糊控制规则表，是一个N×N的矩阵，N为车流模糊量的隶属度，在我们的系统中假设为7，VF(很少)、F(少)、FP(较少)、C(中)、MP(较多)、M(多)、VM(很多)，对应的编码为0、1、2、3、4、5、6，这样一个7×7的矩阵就可以转化成一个编码序列。如表1所示： 2．遗传算法优化模糊量输出 针对模糊控制器存在隶属函数因人为制定而影响模糊控制系统控制性能，采用遗传算法对模糊控制器的模糊控制输出量进行优化，使得模糊控制的控制系统得以提高。遗传算法的功能就是通过进化生成表1的模糊控制规则表。 遗传算法中染色体的编码方法：表1编码所得的结果为：0123456 0123456 0123455 0123345 0123344 0112234 0011223。编码长度为7×7=49 位。