遗传算法在交叉口配的时优化中的应用.docVIP

遗传算法在交叉口配时优化中的应用 摘要：介绍了模糊控制、人工神经网络、遗传算法、蚁群算法、粒子群算法、多智能体等智能控制方法，详细分析了遗传算法的在交通控制领域的实际应用案例，更深入了解和掌握了交通智能算法的应用。 关键词：优化；相位； 配时参数； 遗传算法 1 引言 随着社会经济的发展，交通量急剧增长，交通拥堵加剧，交通事故频发，特别是在一些大城市，交通问题已成为制约城市经济发展的瓶颈[1]。为此，人们提出建立智能交通系统(ITS)。作为ITS的重要组成部分，交通管理系统（ATMS）在改善交通流秩序、提高交通安全性等方面发挥积极的作用。其中，交通信号优化控制是保证城市交通安全、有序、畅通、快速、高效运行的重要途径。当前，随着交通控制智能化的不断提高，智能控制方法在交通信号控制的重要性日益凸显。按照控制原理的不同，传统的交通信号控制分为定时控制和感应控制。定时控制按事先设定的配时方案运行，其配时的依据是交通量历史数据。感应控制是某相位绿时根据车流量的变化而改变的一种控制方式，其中车流量可由安装在平面交叉口进口道上的车辆检测器测量。这两种控制方法存在共同的局限性：以数学模型为基础。由于城市交通系统中被控对象过程的非线性、较大的随机干扰、过程机理错综复杂以及现场车辆检测的误差，建立精确的数学模型非常困难，这就造成了算法本身就有一定的缺陷。即使经过多次简化己建立的数学模型，它的求解还须简化计算才能完成。所以传统的交通控制方法并不能有效地解决目前复杂的交通问题。针对传统交通控制的固有缺陷和局限性，许多学者将模糊控制、神经网络、遗传算法、蚁群算法、多智能体技术等人工智能基础研究方法同常规交通控制方法结合应用。2 交通优化智能算法 2.1 模糊逻辑 模糊逻辑是一种处理不确定性、非线性等问题的有力工具，与人类思维的某些特征相一致，故嵌入到推理技术中具有良好效果。模糊逻辑不需要获取模型中的复杂关系，不需要建立精确的数学模型，是一种基于规则的智能控制方式，特别适用于具有较大随机性的城市交通控制系统。 2.2 人工神经网络 人工神经网络是模拟生物的神经结构以及其处理信息的方式来进行计算的一种算法。它具有自适应、自组织和自学习能力，在认知处理、模式识别方面有很强的优势，最显著特点是具有学习功能。人工神经网络适用于非线性时变性系统的模拟与在线控制，交通控制系统正是一个非线性、时变系统。 2.3 遗传算法 遗传算法是运用仿生原理实现在解空间的快速搜索，广泛应用于解决大规模组合优化问题。它是一种比较先进的参数寻优算法，对于不易建立数学模型的场合其实用价值较为突出，是以同样适用于交通工程。1997年，Kieok和Mihael等应用遗传算法对交通网络内的交叉口信号相位进行设计[]，在交叉口形成的冲突点，结果显示该方法给出的相位方案要优于TRANSYT给出的方案。同年，Meon等人给出了利用遗传算法进行信号配时方案设计的研究结果。陈小锋，史忠科针对典型的多车道双向交叉路口的交通流分布，建立四相位控制的动态交通控制模型，采用遗传算法同时对信号周期时长和相位绿灯持续时间进行优化[]。承向军等对到达车辆数目进行模糊分类，将不同数量车辆的信号控制决策方案以规则集形式存储在知识库中，利用改进的遗传算法对交叉口信号模糊控制器的模糊规则进行优化，建立了新的优化算法[]。顾榕等将免疫遗传学思想运用到交通信号控制中，提出一种新的相位配时优化算法，实验结果充分验证了该算法处理交通配时优化问题的可行性和有效性[]。 2.4 蚁群算法 蚁群算法是一种模拟进化算法，它是一种求解组合最优化问题的新型通用启发式方法，该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。 2.5 粒子群算法 粒子群优化算法是由Eerhart博士和ennedy博士于1995年提出，是基于对鸟群、鱼群捕食的行为模拟研究而来。同其他基于群智能(Swrm Intelligence)的随机优化算法相比，PSO算法具有收敛速度快、设置参数少、程序实现异常简洁、具有深刻的智能背景等特点。 2.6 多智能体技术 Agen由Minky在1986年首次提出，一般认为Agen指驻留在某一环境下，能持续自主地发挥作用，具备驻留性、反应性、社会性、主动性等特征的计算实体。随着车辆数和城市路网规模的增大，信号控制系统的复杂性增大，同时由于交通流在信息、控制方面固有的分布性，采用多Agen系统构建城市交通控制系统的计算环境已成为交通系统协调控制的热点。 进出口道综合效率最优的交叉口配时参数优化问题 [6]如下, 配时参数优化目标为T时间段内，交叉口中所有进口路段及出口路段的周期平均车辆数之和最小。 考虑行人过街的安全性及驾驶员容忍极限等因素的限制，交叉口的相位绿灯时长应满足如下约束： 其中，和分别