遗传算法在智能交通系统中的应用资料文档.ppt

遗传算法在智能交通系统中的应用 报告人: 王超 P 导师： 周学海教授 2006-6-12 主要内容 智能交通系统背景介绍 遗传算法简介 遗传算法在本文中的应用 测试数据 总结展望 智能交通系统简介 智能交通系统 ITS —Intelligent Transportation System 最先进的电子信息技术 实现人员（包括驾驶员和管理者）、公路和车辆三者的密切结合和和谐统一新公路交通系统。 优点： 减少交通拥挤， 加强对车辆 的集中管理和调度， 为驾驶员提供足够的交通、公安、娱乐等信息 提高交通运输效率 保障交通安全 增强行车的舒适性 改善环保质量 提高能源的利用率。 智能交通系统分类 先进的交通管理系统 (ATMS) 道路、车辆和驾驶员之间建立通讯联系 信息检测系统 -信息传输系统 -信息处理系统 -信息发布系统 先进的车辆控制系统（AVCS） 辅助在以至替代驾驶员实行控制 先进的驾驶员信息系统（ADIS） 向驾驶员提供路况信息，导航 营运车辆调度管理系统（CVO） 企业用车辆调度 先进的大众运输系统（APTS） 向公众提供信息，公交车调度 系统的工作 目的：减少一段时间内每辆到达车辆的平均等待时间 手段：参考历史信息和当前路口上下游路口的拥塞来动态地调整路口交通灯的延长时间 实现方法： 调度算法 模糊控制 遗传编程 遗传算法的基本理论 遗传算法(Genetic Algorithms)是基于自然选择和自然遗传机制的搜索算法，它是一种有效的解决最优化问题的方法 染色体编码方法。 二进制编码，其等位基因是由二进值符号集{0,1}所组成的。如： X＝100111001000101101 就可表示一个个体，该个体的染色体长度是n＝18。 十进制编码 没有“Hamming Cliffs” 01111-10000需要改变所有的位 适合范围变异，直观 遗传算法的基本理论 个体适应度评价。 作用：决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。 要点：根据不同种类的问题，必须预先确定好由目标函数值到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时的处理方法。 遗传算法的基本理论 遗传算子。基本遗传算法使用下述三种遗传算子 选择(selection)：根据各个个体的适应度，按照一定的规则或方法，从当代群体选择出一些优良的个体遗传到下一代群体中。常用的是下面的轮盘赌选择方法。 遗传算法的基本理论 交叉(crossover)：将群体P(t)内的各个个体随机搭配成对，对每一对个体,以某个概率(称为交叉概率，crossover rate)交换它们之间的部分染色体。 均匀交叉 点交叉 遗传算法的基本理论 变异(mutation)：对群体中的每一个个体，以某一概率(称为变异概率，mutation rate)改变某一个或某一些基因座上的基因值为其他的等位基因。 遗传算法的基本理论 基本遗传其法的运行参数。基本遗传算法有下述4个运行参数，影响运行时间和收敛速度： M：群体大小，即群体中所含个体的数量，一般取为20—100。 T：遗传运算的终止进化代数，一般取为100—500。 Pc：交叉概率，一般取为0.4—0.99。 Pm：变异概率，一般取为0.001—0.1。 遗传算法的基本理论 遗传算法的基本步骤 遗传算法在系统中的应用 我们的系统主要通过模糊控制和调度算法来实现对交通的控制 遗传算法的功能就是通过进化生成上面的模糊控制规则表 遗传算法实现的关键技术 染色体的编码方法 一个现有的模糊控制规则表，是一个N×N的矩阵，N为车流模糊量的隶属度，在我们的系统中设置为7，VF(很少)、F(少)、FP(较少)、C(中)、MP(较多)、M(多)、VM(很多) ，对应的编码为0、1、2、3、4、5、6，这样一个7×7的矩阵就可以转化成一个编码序列。 具体例子如下： 遗传算法在系统中的应用 上面的表格编码所得的结果为：0123456 0123456 0123455 0123345 0123344 0112234 0011223。编码长度为7 ×7 = 49 位。 遗传算法在系统中的应用 适应度函数的确定－平均等待时间 在路口的模型中，假设有8个车道。每个车道要分别计算，需要假设各个车道的流出速率。 对于某个车道，如果是绿灯结束的情况： a若上次剩下的车全部离开，又因为是以匀速离开，则在本次绿灯时间内的的等待时间为：上次剩下的车辆数×离开时间÷2。【新来的车可以不考虑】 b 若上次剩下的车没有走完，则在本次绿灯时间内的等待时间为：离开的车辆数×本次绿灯时间÷2＋（新来的车辆＋