基于自适应遗传算法交叉口信号配时多目标优化.docVIP

基于自适应遗传算法交叉口信号配时多目标优化 　　摘 要：本文以交叉口的平均延误、平均停车次数、通行能力为控制目标，建立了多目标信号控制模型，并利用自适应遗传优化算法求解，最后在matlab中进行实例仿真，仿真结果表明，本文所提信号控制模型比传统的Webster法好，同时自适应遗传算法比普通遗传算法求解更快、更准。 　　关键词：交叉口；信号配时；多目标；自适应遗传算法 　　中图分类号：U491 文献标识码：A 文章编号：1671-2064（2017）22-0012-02 　　交通规划是城市整体规划的重要组成部分，而交叉口控制则是交通规划应予以重视和考虑的问题。传统信号控制采取定时信号控制，而路网的交通状况是实时变化的，则定时信号控制方案难以对路口进行最优控制。并且，国内外学者研究最多的则是单目标信号控制模型，评价延误、排队长度、停车次数、通行能力等单一评价指标则是近年来的研究重点，然而，人们在进行城市路口信号控制时，追求的是多种控制目标，因此本文以平均延误、通行能力、平均停车次数作为平均指标，对各优化目标采取建立多目标优化模型，并利用自适应遗传算法求解。 　　1 多目标函数的建立 　　1.1 常用的单目标函数 　　（1）车辆的平均延误： 　　通常情况由于车道的增量 　　信号相位阶段数；损失时间；控制评价函数的权重系数；C实际信号配时中的周期；最大周期；最小周期；、-、分别表示相位的最大平均延误、最大通行能力、最大平均停车次数；、-、分?e表示相位的最小平均延误、最小通行能力、最小平均停车次数。 　　2 目标函数的优化 　　3 自适应遗传算法求解多目标函数 　　3.1 自适应遗传算法 　　自适应遗传算法同普通遗传算法的区别在于，不采用固定个参数，交叉概率和变异概率能够随适应度的变化而相应变化。在自适应遗传算法中，交叉概率和变异概率按式（8）和式（9）调整： 　　3.2 具体步骤 　　Step1：设置种群数个数、染色体的长度、总迭代次数，最小相位绿灯时间，最小周期与最大周期。 　　Step2：采用实数编码，在可行域内随机产生种群数目大小的染色体。 　　Step3：计算每个个体目标函数及适应度值，由于PI值在0～1之间则：。 　　Step4：所有个体（包括父代、子代）进行排序选择操作，挑选出同种群大小的新种群。 　　Step5：随机配对个体以的交叉概率进行交叉操作。 　　Step6：种群内个体以的变异概率变异操作。 　　Step7：判断在选择、交叉、变异、复制后所产生新群体个体个数是否等于设定群体数目大小，如是则进行下一步，否则返回Step4。 　　Step8：判断是否达到迭代总数，若没有，则返回Step3；否则，输出最佳个体（最佳信号配时方案，即周期，各相位绿灯时间）。 　　4 实例分析 　　4.1 路口选取及渠化 　　本文以重庆临江门交叉口为例，如图1，交通调查获得交叉口高峰时段的最高15min流量，折算处理后，如图2。 　　该交叉口无行人和非机动车辆，为三相位定时信号，周期132s，黄灯时间3s，全红时间1s，第一相位时间40s，第二相位时间38s，第三相位时间42s。交叉口现状实测延误89s，服务水平F级。 　　现状北区路左转和直行车流量相差并不大，左转车道为3车道，而直行车道为1车道，则北区方向左转和直行均为两车道。现状临江东路车道的左转车辆和直行车辆所占比例较大，直行增加一车道，右转增加一车道。 　　信号控制方案推荐四相位控制，右转车辆不控制，相位一：北区路-中华路，北区路-临江东路；相位二：临江东路直行，左转；相位三：中华路直行，左转；相位4：临江西路直行。 　　4.2 路口交通流数据检测 　　交叉口各进口方向每条车道停车线前1m处安装了环形感应线圈检测器，检测器能够一天24小时检测出每车道上的交通流。由于凌晨00：00-04：00，人和车流量稀少，交通信号控制灯在这时间段为绿闪，选择某工作日04：00-24：00共300组交通流量。 　　4.3 参数的设置 　　（1）参数的设定。黄灯时间；全红时间；绿灯间隔时间：；绿前、绿后损失：；损失时间：。 　　（2）最小绿灯时间计算。 　　式中：行人过街道长度，m；行人过街步速，取1.0；绿灯间隔时间，s。 　　（3）周期和饱和度的最值。本文中最大周期为：，饱和度的最大值为=0.9，最小值为0.7。 　　（4）优化算法的参数设置。普通遗传算法（交叉概率和变异概率分别为0.9和0.01）和自适应遗传算法的最大进化代数和初始种群都分别为300和50，染色体长度实数编码即变量个数。 　　（5）计算、、-、-、、6个界定值。根据路口现有高峰小时各方向交通流量，采用自适应遗传算法（最大迭代次数为500、粒子数目为2