复杂多阶段动态决策的蚁群优化方法及其在交通系统控制中的应用控制科学与工程专业论文.docxVIP

浙江大掌博士学位论文摘要 浙江大掌博士学位论文 摘要 从系统控制与优化的角度来看，城市交通系统是一个具有高度复杂性的动态 系统。一方面，从系统动力学角度分析，具有离散事件一连续时间混合动态特性、 高度非线性、非平稳未知分布的随机性、系统参数经常随环境条件和人们出行需 求发生漂移以及交叉口之问具有强耦合特性等，所以系统状态难以准确测量、预 测和控制；另一方面，交通系统的控制作用有很多种，如信号灯、诱导信息等， 信号灯是当前被广泛应用的主要控制作用。但是，信号灯通过相位切换对交叉口 进行控制，同时也在交通控制模型中引入了整数决策变量，使交通控制模型成为 一个大规模混合整数规划问题，需要指数复杂度的优化算法。并且，从交通安全、 通行效率及人们出行习惯的角度考虑，信号灯相位的设置具有很强的约束，如最 短和最长绿灯持续时间、最大排队长度以及信号灯的配时参数要具有一定的稳定 性不能变化太剧烈等等。交通系统的上述特性决定了其控制问题的高度复杂性。 基于模型的控制算法的控制效果虽然受到交通模型预测精度的影响，但对于 交通系统这样的复杂大系统，具有一定精度的模型对系统状态进行预测并对控制 作用进行评价，仍是获得系统全局最优控制策略的重要途径。建立基于模型的城 市交通自适应协调控制系统(Urban Traffic Adaptive Coordinated Control System， UTACCS)需要解决三个重要问题：一是建立合适的控制问题的数学描述，包括 交通流预测模型、目标函数以及控制作用的数学形式；二是设计高效的优化算法， 以满足控制问题在线求解的需要；三是在urI’Accs现场实施前要经过充分的实 验室验证，目前最佳的验证工具是微观交通仿真系统。本文主要在这三个方面进 行了深入研究，相应地建立了配时参数协调优化和信号相位滚动优化两种主要的 基于模型的UTACCS控制算法，通过设计蚁群优化(Ant Colony Optimization， ACO)算法的解构造图使其能够应用于交通控制问题的求解，并且改进ACO算 法以提高其在大规模交通控制问题上的搜索性能，最后在浙江大学自主研发的城 域混合交通仿真与分析系统(Simulation and Analysis System for Urban Mixed Tra伍c，SASUMT)上从单点控制、干线控制及区域控制不同层次对所建立的两 种控制算法的控制效果进行了比较和分析。具体的研究内容有以下几点： (1)蚁群优化算法由于是一种基于显式表达解空间的启发式搜索方法，解 构造图显式地描述了优化问题的整个解空间，所以解构造图的定义方法会直接 影响到算法的计算量和搜索性能。本论文根据对解构造块的分解方式以及与解 构造图节点之间的映射方式的不同，分别定义了简单解构造图、基本层状解构 造图及复合层状解构造图，并研究了这三种解构造图适于求解的优化问题的特 性。其中两种层状解构造图适用于对复杂多阶段决策问题的求解，而复合层状 解构造图通过将解构造块进‘步细分，比蟹本层状解构造图更适用于求解具有高维决策变量的复杂多阶段决策问题。 解构造图通过将解构造块进‘步细分，比蟹本层状解构造图更适用于求解具有 高维决策变量的复杂多阶段决策问题。 (2)蚁黪优纯算法的懿鞠造匿极要静态地接述整个勰空目(藏者是离教 纯了的解空间)，对于大蕊划动态决策阀禳，不仅存在稀述解空闽的隧难，丽且 让蚁群在迭代过程中始终在熬个解空间中进行搜索，搜索性能会很低。本论文 将蚁群优化算法与遗传算法结合，建立一个动态窗口蚁群优化算法，通过每隔 若于次ACO翼法迭伐就霞浚黄算法霹瑟秘造图遂幸亍动悫重穆，蜜逶旋逮调节解 构造图所映射的解空间区域，从而使蚁群在迭代过程中逐渐集中到W能产生高 质量解的解空闻区域进行精细搜索，可极大地提高ACO算法在大规模动态决策 润蘧上的搜索性能。 (3)SCOOT系统眨毯步微调配露参数的方式逡行优化，不能有效避免陵 入局部最优解的问题，所以本论文设计了～个基于以实时交通检测值为输入的 宏观交通流预测模型和蚁群优化算法的城市交通区域配时参数协调优化的控制 算法，放瑟实瑷了对全竭最筑信号配嚣方寨翡求簿。凌跨，还褥餐琴磐嚣嚣方 案的切换对交通流状态的影响过程分为过渡态和稳态来研究，并在ACO算法中， 以单交叉口在濑渡态的交通延迟作为局部启发信息，根据整个控制区域达到稳 态瓣豹总交通怒迟来决定释放信息素的爨。出于蚁群後化算法以孛勾遗解的方式 羧索勰空间，掰黻可敬更鸯效地解决信号配对方案翻羧辩过渡态与稳态、单交 叉口局部利益与区域全局利靛之间的矛盾。 (4)作为第三代交通投制方法，“j煎测多步、执行一步”的信号相位滚动 钱纯技本霉毅嶷瑗对交逶镶芍莛透露更灵活瓣控裁。囊予辕枣交通聪竣载菇号 相位滚动优化模型具有高阶决策变量和非