基于多目标优化的交通信号协调控制参数优化模型.docxVIP

基于多目标优化的交通信号协调控制参数优化模型 0 交通信号控制的优化方法 交通信号协调控制是最重要的交通工具之一，应反映安全、畅通和效率等诸多控制的意图。在优化交通信号协调控制参数(包括周期时长、相位差、绿信比等)时,需要综合权衡多个优化目标,具体包括车流在交叉口上的平均延误、停车次数、排队长度以及通过流量等。自Webster建立了至今仍广泛应用于非饱和交通流的稳态随机延误模型起,已有的信号控制参数协调优化模型大多为单目标优化模型或多个优化目标的线性组合。例如,Heydecker等采用机动车流在交叉口上的平均延误作为信号控制参数优化目标;Robertson等采用平均延误、停车次数等优化目标的线性组合建立信号控制参数优化模型。 近年来,采用多目标优化方法研究城市道路交通信号控制问题已成为研究热点。常健等以机动车流在交叉口上的排队延误和在路段上的行程时间为优化目标,建立了信号控制参数的多目标优化模型,采用加权法转化为线性组合优化模型求解,并定性地探讨了权重系数与优化目标之间的变化关系。Zeng等用元胞传输模型模拟机动车流在信号控制交叉口上的运行规律,以平均延误和通行能力为优化目标,建立了信号控制参数的多目标优化模型,并基于MOGA多目标遗传算法给出了模型的求解方法。姚新胜等以平均延误、平均停车率、通行能力为优化目标,建立了多目标优化模型,但并未给出具体的求解算法。马莹莹等以机动车流的平均延误、平均停车率,以及行人等候时间为优化目标,建立了单个交叉口定周期信号控制时周期时长的多目标优化模型,并结合偏好信息运用加权法转化为线性组合优化问题,采用蚁群优化算法求解。李瑞敏等以机动车流在交叉口上的平均延误和平均停车次数作为优化目标,建立了单个交叉口信号控制参数的多目标优化模型,运用随机权重的加权方法转化为线性组合优化模型,并利用遗传算法进行优化。曹成涛等以机动车流的平均延误、平均停车次数和总通过流量为优化目标,建立了具有饱和度约束的单交叉口信号控制参数的加权组合优化模型,并利用遗传算法对模型进行求解。笔者为了克服以往采用加权组合方法将多目标优化模型转为单目标优化模型进行求解的弊端,以非饱和交叉口为研究对象建立了定周期信号控制参数的多目标优化模型,并以非支配排序遗传算法(NSGA-Ⅱ)为基础,建立了直接求解单个交叉口交通信号多目标优化模型的求解算法。Schmocker等以机动车流在交叉口上的平均延误、平均排队长度以及过街行人在交叉口上的等候时间3个评价指标为优化目标,建立了交通信号控制参数的多目标优化模型,并基于Bellman-Zadeh模糊判决原理将多个优化目标之间的冲突和支配关系转化为单个目标优化问题,进而应用标准遗传算法求解,通过VISSIM交通仿真软件评价交通信号控制方案。 从目前各国的研究现状来看,关于交通信号控制参数的多目标建模与优化方法主要以单个交叉口为对象进行研究。本文中将以交叉口群为对象,研究交通信号协调控制参数的多目标建模与优化问题,并且直接采用多目标优化方法获得多目标优化模型的Pareto最优前沿。 1 方法的线性组合优化模型 中国大城市中心区路网结构普遍存在交叉口间距短且交通关联性强的特点,这些彼此相邻的交叉口往往需要进行协调控制,本文中将这类交叉口的集合称为“交叉口群”,并将其作为路网协调控制的基本单元或范围。 假定交叉口群包含N个交叉口,第i(i=1,2,…,N)个交叉口的信号控制方案包含的相位数为ni,优化变量包括交叉口群的公共周期时长,以及各个交叉口的相位差和绿信比。这些优化变量可表示为列向量Ψ Ψ=(c,o1,λ11,λ12,…,λ1,n1,o2,λ21,λ22,…, λ2,n2,…,oN,λN1,λN2,…,λN,nN)T(1)式中:c为公共周期时长;oi为第i个交叉口的相位差;λij为第i个交叉口j(j=1,2,…,ni)个相位的绿信比。 多个优化目标向量为(f1(Ψ),f2(Ψ),…,fr(Ψ))T,则其线性组合优化模型的一般形式为minrk=∑1αkfk(Ψ);多目标优化模型的一般形式为(min f1(Ψ),min f2(Ψ),…,min fr(Ψ))T。这二者在本质上是2类不同的优化模型,后者是使每个优化目标均达到最小,而前者仅使这些优化目标的线性组合达到最小。即使当ak=1(k=1,2,…,r)时,前者也不能代替后者,这是因为多个优化目标的线性组合最小并不能使每个优化目标同时达到最小,因此在一般情况下,多个优化目标同时最小是其线性组合最小的充分条件,但不是必要条件;另一方面,多目标加权组合优化方法对于目标空间非凸的多目标优化与控制问题无效。 假定整个优化时段包含了Nc个周期。本文中以交叉口群内的机动车流为研究对象,以优化时段内各个交叉口的总通过流量最大,且机动车流的平均延误、平均停车率、平均排队