全局最优退火PSO算法及在交通控制中应用.docVIP

全局最优退火PSO算法及在交通控制中应用 　　摘 要：为进行区域交通的协调控制, 针对微粒群算法的优缺点，提出基于全局最优退火的微粒群算法.该算法能增强算法探索和开发的能力，避免计算量过度增加.典型测试函数结果显示，能提高算法搜索速度、搜索精度.仿真结果表明,该方法应用于区域交通协调控制信号配时，可获得更低的车辆平均延误和平均停车率. 　　关键词：微粒群优化； 退火； 函数优化； 信号配时 　　中图分类号：U491.54； TP182文献标志码：A 　　 　　PSO with Gbest annealed and its application in traffic control 　　XU Bowei1, LI Junjun2, WEI Lin1 　　（1.Lab Administration, Shanghai Maritime Univ., Shanghai 200136, China; 　　 2.College of Engineering Science Technology, Shanghai Ocean Univ., Shanghai 200090, China） 　　Abstract： For the coordination control of urban traffic, a sort of particle swarm optimization algorithm with Gbest annealed is proposed according to the advantage and disadvantage of the particle swarm algorithm. This algorithm can enhance the exploration and exploitation ability of the algorithm andthe computation time is well controlled at the same time. The results from typical function optimization problems show that this method possesses good convergent performance with faster convergent rate. It indicates that signal timing optimization to urban traffic based on this algorithm in simulation can get lower average delay and stop rate of vehicles. 　　Key words：particle swarm optimization； annealing； function optimization； signal timing 　　 　　0 引 言 　　 　　城市交通系统是个随机性很强的复杂系统.应用区域交通协调控制减少车辆延误、缓解交通拥挤以及提高道路通行率，成为当今城市交通问题研究的热点之一.目前，TRANSYT，SCOOT，SCATS和RHODES等一些区域交通控制系统都易陷入局部极小点，且我国城市交通状况与国外有一定差距，控制效果不理想.［1-3］因此，一些研究人员尝试将智能计算技术应用于区域交通协调控制的信号配时.［3-6］微粒群优化（Particle Swarm Optimization, PSO）算法是种新的进化计算技术（Evolutionary Computation），最先由EBERHART等［7-8］提出.标准微粒群算法全局搜索能力强，但易陷入局部极值.模拟退火（Simulated Annealing，SA）算法［9］是基于金属退火的机理建立起的1种全局最优方法，具有较强的局部搜索能力，但对整个空间的搜索能力不强.因此，一些文献［10-11］提出将微粒群算法和模拟退火算法结合的混合优化算法，虽能提高算法性能，但增加算法复杂度，效率不高. 　　针对标准微粒群算法的特点，提出1种基于全局最优退火的微粒群算法，能提高算法探索和开发的能力，避免陷入局部极值，增加的计算量也较少. 　　1 区域交通协调控制 　　TRRL(英国运输与道路研究所)研究结果表明，只要围绕每个交叉口的小区能取得1个接近整体最小值的性能指标值PI，则整个路网范围的性能指标值也会接近其整体最小值.［1］因此，在路网条件一定时，区域交通协调控制参数优化模型的目标函数是使PI最小.优化模型［2-3］如下 　　?? J=min PI= 　　∑NTt=1∑NLi=1∑NJj=1(DijtW