在交通控制中协调控制方案.DOC

自适应变异粒子群算法在交通信号配时中的应用 孙青 摘要 在现有的道路条件下，提高交通控制和管理水平，合理利用现有的交通设施，充分发挥其能力，是解决我国现在交通问题的有效方法之一。而对单路口信号配时的优化，是城市交通区域控制的基础，十分之重要。本文将自适应变异粒子群算法应用于交通信号配时，与传统的信号配时方法相比较，车辆的平均延误得到了明显的改善。 关键词： 自适应变异粒子群算法 信号优化配时 车辆平均延误 随着生产力的发展和人们生活水平的提高，交通阻塞、交通事故以及环境污染已经成为人们普遍关注的问题。现在,越来越多的国家和地区开始努力寻找解决问题的方案。据调查，多数交通阻塞并不是由于道路问题，而是因为指挥不当引起的。现在交通信号控制器已普遍使用，但是，大多没有智能性，因而，也严重影响了交通信号控制设备性能的有效发挥。因此，研究一种高效的交通控制系统是十分必要的。城市交通的智能控制是一必然的趋势，也是智能运输系统最重要的组成部分。 交通信号控制系统是一个非线性巨系统，其复杂性和随机性都是其显著特点。目前使用广泛的两个系统，TRANSYT、SCOOT，都是采用精确的数学模型和经典算法，以期预设方案进行交通信号控制的时候，效果不尽如人意。智能算法的应用还不够成熟。 粒子群优化算法PSO（Particle Swarm Optimization）是由Eberhart博士和Kennedy最早于1995年提出。在BSO 算法中，由于每次迭代粒子总是通过跟踪两个最优位置到目前为止的群体最优位置和个体最优位置来更新自己[4,5]。因此，这种算法收敛速度快。但也正是因为这个原因存在易早熟收敛等缺点，特别是在比较复杂的多峰搜索问题中。目前解决这一问题的主要方法是增加粒子群的规模，这样对算法的性能有一定的改善，但同样存在缺陷：一是不能从根本上克服早熟收敛问题；二是会大量增加算法的运算量。特别是第二条，对于交通信号配时这种实时系统来讲，不可行。而基于群体适应度方差自适应变异的例子群优化算法（AMPSO）[3]可以很有效的解决早熟收敛的问题。并且将其用于交通信号配时优化，仿真证明，比传统的优化配时，能有效降低城市平面交叉路口的车辆延误,可以大大提高路口的通行效率并使路口信号机的配时更加符合路口的实际情况。 1 城市单路口智能控制方法 对城市单路口进行智能交通控制实际上就是在整个路口总的延误最小的情况下寻找最佳周期和各个相位的最佳绿信比。当车辆到达率远远低于交叉口通行能力的时候，信号周期应该尽量短，但不应该小于最小周期；而当车辆到达率非常大的时候，信号周期应该尽量长，但不应该长于最大周期。另外，无论车辆到达率多么少，相位的绿灯时间都不能小于最小绿灯时间，车辆到达率无论多大，相位的最大绿灯时间都不能大于最大绿灯时间。 单路口智能控制的基本方法是：由埋设在各个路口及路口附近的线圈检测到达路口的车辆数，并由此换算为车辆到达率，将这些数据通过路口信号机输入到区域控制机，由区域控制机利用智能算法优化出各个相位的绿时，再回送到现场控制机，对各个相位的绿时进行优化配置。 2 自适应变异粒子群算法 与遗传算法类似，粒子群优化算法同样基于群体与适应度。粒子群的个体代表问题对应的一个可能解。每个粒子具有位置和速度两个特征。粒子位置所对应的目标函数值即可作为粒子的适应度。算法通过适应度来衡量粒子的优劣。算法首先出示华一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个值来更新自己：一个是粒子本身所找到的最优解，即个体最优解pBest;另一个是粒子群目前所找到的最优解gBest。在粒子找到上述两个极值后，就根据下面两个共式来更新自己的速度和位置[6]： V = w * V + c1* rand* ( pBest - Present) + c2* rand* ( gBest - Present) （1） Present = Present + V （2） 其中, V 是粒子的速度,Present 是粒子的当前位置。 rand 是[0，1]之间的随机数, c1 和c2 被称作学习因子。 通常, c1 = c2 = 2。。w 是加权系数,一般在0。1 到0。9 之间取值。w 是加权系数,一般在011 到019 之间取值。 文献[2 ]通过大量实验证明,如果w 随算法迭代的进行而线性减小,将显著改善算法的收敛性能。 设wmax为最大加权系数, wmin为最小加权系数, run 为当前迭代次数, runMax 为算法迭代总次数, 则有: （3） 在粒子群优化算法运行过程中,如果群体适应度方差等于零,且此时得到的最优解不是理论最优解或者期望最优解,则