《2022年遗传算法在交叉口配时优化中的应用.docx》由会员分享，可在线阅读，更多相关《2022年遗传算法在交叉口配时优化中的应用.docx（12页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选学习资料 - - - - - - - - - 遗传算法在交叉口配时优化中的应用摘要： 介绍了模糊掌握、人工神经网络、遗传算法、蚁群算法、粒子群算法、多智能体等智能掌握方法,具体分析了遗传算法的在交通掌握领域的实际应用案例,更深化明白和把握了交通智能算法的应用；关键词： 优化；相位；配时参数；遗传算法1 引言随着社会经济的进展,交通量急剧增长,交通拥堵加剧,交通事故频发,特殊是在一些大城市,交通 问题已成为制约城市经济进展的瓶颈 1；为此,人们提出建立智能交通系统 ITS ；作为 ITS 的重要组成部 分,交通治理系统ATMS 在改善交通流秩序、提高交通安全性等方面发挥积极的作用；其中,交通
2、信 号优化掌握是保证城市交通安全、有序、畅通、快速、高效运行的重要途径；当前,随着交通掌握智能化 的不断提高,智能掌握方法在交通信号掌握的重要性日益凸显；依据掌握原理的不同,传统的交通信号控 制分为定时掌握和感应掌握；定时掌握按事先设定的配时方案运行,其配时的依据是交通量历史数据；感 应掌握是某相位绿时依据车流量的变化而转变的一种掌握方式,其中车流量可由安装在平面交叉口进口道 上的车辆检测器测量；这两种掌握方法存在共同的局限性：以数学模型为基础；由于城市交通系统中被控 对象过程的非线性、较大的随机干扰、过程机理错综复杂以及现场车辆检测的误差,建立精确的数学模型 特别困难,这就造成了算法本身就有
3、肯定的缺陷；即使经过多次简化己建立的数学模型,它的求解仍须简 化运算才能完成；所以传统的交通掌握方法并不能有效地解决目前复杂的交通问题；针对传统交通掌握的 固有缺陷和局限性,很多学者将模糊掌握、神经网络、遗传算法、蚁群算法、多智能体技术等人工智能基 础讨论方法同常规交通掌握方法结合应用；2 交通优化智能算法2.1 模糊规律模糊规律是一种处理不确定性、非线性等问题的有力工具,与人类思维的某些特点相一样,故嵌入到 推理技术中具有良好成效；模糊规律不需要猎取模型中的复杂关系,不需要建立精确的数学模型,是一种 基于规章的智能掌握方式,特殊适用于具有较大随机性的城市交通掌握系统；2.2 人工神经网络人工
4、神经网络是模拟生物的神经结构以及其处理信息的方式来进行运算的一种算法；它具有自适应、自组织和自学习才能,在认知处理、模式识别方面有很强的优势,最显著特点是具有学习功能；人工神经 网络适用于非线性时变性系统的模拟与在线掌握,交通掌握系统正是一个非线性、时变系统；2.3 遗传算法遗传算法是运用仿生原理实现在解空间的快速搜寻,广泛应用于解决大规模组合优化问题；它是一种 比较先进的参数寻优算法,对于不易建立数学模型的场合其有用价值较为突出,是以同样适用于交通工程；1997 年, Kiseok 和 Michael 等应用遗传算法对交通网络内的交叉口信号相位进行设计 2,在交叉口形成的 Memon 等人给
5、出了利用遗 冲突点,结果显示该方法给出的相位方案要优于 TRANSYT 给出的方案；同年,传算法进行信号配时方案设计的讨论结果；陈小锋, 史忠科针对典型的多车道双向交叉路口的交通流分布,建立四相位掌握的动态交通掌握模型,采纳遗传算法同时对信号周期时长和相位绿灯连续时间进行优化 3；承向军等对到达车辆数目进行模糊分类,将不同数量车辆的信号掌握决策方案以规章集形式储备在学问库名师归纳总结 中,利用改良的遗传算法对交叉口信号模糊掌握器的模糊规章进行优化,建立了新的优化算法4；顾榕等第 1 页,共 7 页- - - - - - -精选学习资料 - - - - - - - - - 将免疫遗传学思想运用到
6、交通信号掌握中,提出一种新的相位配时优化算法,试验结果充分验证了该算法处理交通配时优化问题的可行性和有效性 5；2.4 蚁群算法蚁群算法是一种模拟进化算法,它是一种求解组合最优化问题的新型通用启示式方法,该方法具有正反馈、分布式运算和富于建设性的贪婪启示式搜寻的特点；2.5 粒子群算法粒子群优化算法是由 Eberhart 博士和 Kennedy 博士于 1995 年提出, 是基于对鸟群、 鱼群捕食的行为模拟讨论而来； 同其他基于群智能 Swarm Intelligence 的随机优化算法相比,PSO 算法具有收敛速度快、设置参数少、程序实现反常简洁、具有深刻的智能背景等特点；2.6 多智能体技
7、术Agent 由 Minsky 在 1986 年首次提出,一般认为Agent 指驻留在某一环境下,能连续自主地发挥作用,具备驻留性、反应性、社会性、主动性等特点的运算实体；随着车辆数和城市路网规模的增大,信号掌握系统的复杂性增大,同时由于交通流在信息、掌握方面固有的分布性,采纳多 Agent 系统构建城市交通控制系统的运算环境已成为交通系统和谐掌握的热点；3 遗传算法应用案例进出口道综合效率最优的交叉口配时参数优化进出口道综合效率最优的交叉口配时参数优化问题6如下 , 配时参数优化目标为T 时间段内,交叉口中全部进口路段及出口路段的周期平均车辆数之和最小；minOF k 1IKf j i4f
8、S i j maxtftLj/vj,0,Q t jfiIin,jIoutminni Ki1k1fn k i 1u k i y k i n k i 1n k i uf i1 fy if1 ff2Fn ifS i jf1 mini,jn i ;Q ti jf y i j minf S i j ;Njnj minni jf1i j满意：u if minq t if,Ninf y if iIin;iy if f y i j ,inIinijIoutminnif Wf S h i maxtfL i/vy if hIin,0,Q t ifiIo uth itf h ih1u if minWminf n h
9、 , k Qf h i h i t,Niy if iIout,hIn if Fu ifh1y k Fyif u k ;f1f1考虑行人过街的安全性及驾驶员容忍极限等因素的限制,交叉口的相位绿灯时长应满意如下约束：其中,ft min和ft max分别为相位tftftfS；minmaxf 的最小绿灯时长和最大绿灯时长全部相位的绿灯时长及绿灯间隔时间之和即为交叉口的周期时长,表达式为：名师归纳总结 CfF1tfF1If第 2 页,共 7 页f1- - - - - - -精选学习资料 - - - - - - - - - 其中, C 交叉口周期时长S；I f 相位 f 与下一相位的绿灯间隔时间S；3.1
10、.2 道路交通条件概述在每一个时间间隔KC 内,检测器应能精确检测到输入路段的流量数据；式17所示的数学规划问题即是寻求在特定的约束条件下使得目标函数值最小的Tf值,且优化得到的周期时长及相位绿灯时长可作为下一时间间隔内配时参数的重要理论参考；本数学规划问题可用智能算法遗传算法进行求解；以如图 1 所示的十字交叉口为例进行过饱和和低饱和情形下的实例分析,假设四个进口道均为直行单车道,交叉口采纳两相位掌握,且在过饱和情形下,PCu/S,低PCu/S；四个出口道通行才能分别为0.3、0.25、0.25、 PCu/S,低饱和状态下路段初始容纳车辆数均为10 PCu,过饱和状态下路段初始容纳车辆数为
11、50 PCu； 8 条进口路段及出口路段的最大容纳才能及路段长度如表 1 所示；表 1 进出口路段最大容纳才能及路段长度进出口编号 i 1 2 3 4 5 6 7 8 Ni 100 100 120 80 90 80 50 120 Li 700 700 840 560 630 560 350 840 本文以 10 个信号周期为优化时间间隔,假设全部路段的自由流速度均为 14M/S,结合上述输入参量,通过遗传算法可以求得节点的配时参数值；算例求解遗传算法是依据适者生存、优胜劣汰的进化原就对包含可能解的群体反复进行遗传操作 , 寻求最优或近似最优解的随机搜寻算法,已被广泛应用于数学优化、自动掌握、图
12、像处理与模式识别等方面,主要内容包括编码、初始种群产生、适应度运算及遗传操作 4 个部分；1 编码；由于行人过街时间及排队容忍时间等条件的制约,相位应有最大绿和最小绿的限制,其取值一般分别为 60S12和 15S13；设定本文的求解精度为整数,由于区间长度为 60-15=45 ,区间 15,60 必需分成 45 等份； 32=254526=64,因此编码的二进制串长至少需要 6 位；2 种群产生；种群规模设定为50,初始种群的染色体随机选取；3 适用度运算；考虑本文目标函数在定义域内的取值均大于 0,而且是查找函数最小值,所以可直接引用目标函数作为适用度函数来评判染色体的优劣；即：f s 1m
13、iniI1K1n k PM=0.01,交叉变异后形成Kk4 遗传操作；采纳跨代精英挑选机制,设定交叉概率PC=0.25,变异概率的中间种群与父代种群合并后依据适应度进行排序,且50%个体形成下一代种群；依据上述基本遗传算法,设定南北直行为第一相位,东西直行为其次相位,就两种交通状况下,式 17的最优解分别为：过饱和状态下,T1=59S、T2=60S,优化目标函数值为 581PCu；低饱和状态下,1t =48S,2t =18S,优化目标函数值为 89PCu；进口道及出口道周期平均车辆数之和与相位有效绿灯时长的关系分别如图 3、4 所示；假设全部相位的绿灯间隔时间均为3S,两种状态下的交叉口的周期
14、时长为：C ot 1t2I1I2125 sC ut 1t 2I1I272s名师归纳总结 通过上述算例分析可得,本文模型可同时适用于低饱和及过饱和状态的孤立交叉口信号配时参数优化,第 3 页,共 7 页且在过饱和状态下,交叉口各相位的绿灯时长均接近最大绿；低饱和状态下,由于相位2 关键车流的车辆到达率与相位1 的关键车流车辆到达率接近,且进口道4 属于瓶颈路段,因此,为防止路段排队长度的可能上溯,配时参数优化结果中的 1t 远大于 2t ；- - - - - - -精选学习资料 - - - - - - - - - 图 1 低饱和状况下优化指标与相位绿灯时长关系图 图 2 过饱和状况下优化指标与相
15、位绿灯时长关系图以某城市某区主要交叉路口的交通信号掌握问题为背景,构造交通网络中以多交叉口滞留的车辆数最少为目标的优化模型,求解仿真数据,得到实时掌握的配时方案；道路交通条件采纳的城市道路网如图3 所示；ACFIBDGEH图 3 城市道路网结构简图选取 A、C、I 三个主要交叉口,将该三交叉口视为一个网络主要节点,三个交叉口的交通流向和相位设置如图4 所示；ACI图 4 主要交叉口交通流向和相位结构设置名师归纳总结 其中,路口A 的相位显示次序如图5相位 1相位 2 相位 3 相位 4；第 4 页,共 7 页- - - - - - -精选学习资料 - - - - - - - - - 图 5 交
16、叉口 A 的相位显示次序路口 C、I 的相位显示次序如图相位 1 相位 2 相位 3；图 6 交叉口 C 和 I 的相位显示次序模型参数的标定与建模分析l 为节点编号,取值1,2,3 分别表示路口A、B、C 三个交叉口； i 为相位编号,取值1,2,3,4 分别表示相位 1,相位 2,相位 3,相位 4；j 为各相位的方向编号,取值1,2,3,4 分别表示东,南,西,北上北下南左西右东；k 为车道编号,取值 1,2,3 分别表示左转,直行,右转；Axljki：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道的小车到达率；Axljki：表示第 x 个周期,第 l 个交叉口,
17、相位 i 中 j 方向 k 车道的小车到达率；Axljki ：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道的大车到达率；M xljk i：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道的小车驶离率；M xljk i ：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道的小车驶离率；Txljki：表示第 x 个周期,第 l 个交叉口,相位 i 的绿灯显示时间；Txl：表示第 x 个周期,第 l 个交叉口的周期；SAxljki ：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道到达路口的车辆数；SMxljk
18、i：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道驶离路口的车辆数；T：表示各交叉口周期的最小公倍数；Pl：表示交叉口 l 的放行矩阵,其元素为 Pljki；Pljk i：表示同一个周期内,各交叉口的放行矩阵元素,其值为 0 或 1,即取值为 1 时表示第 l 个交叉口,相位 i,方向 j 中车道 k 车辆放行；取值为 0 时表示禁止放行；uxljk i：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道单位时间内混合车辆总流入车辆数；v xljki：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道单位时间内混合车辆总驶离车辆数
19、；Sxljk i：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道总滞留车辆数；y xljki：表示第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道的黄灯时间；nl：表示交叉口 l 的相位数；将大车折算成标准小汽车,折算系数取为 , 为调和参数,就第 x 个周期,第 l 个交叉口,相位 i 中j 方向 k 车道单位时间内混合车辆总流入车辆数 uxljki 为：uxljki= Axljki+ Axljki +第 x 个周期,第 l 个交叉口,相位 i 中 j 方向 k 车道单位时间内混合车辆总驶离车辆数 vxljki为：vxljki= M xljki+ M
20、 xljk i+就第 x 周期 i 相位时间段内到达的车辆数 SAxljki为：SAxljki= uxljki Txljki 名师归纳总结 - - - - - - -第 5 页,共 7 页精选学习资料 - - - - - - - - - 第 x 周期 i 相位时间段内到达的车辆数 SMxljk i为：SMxljki= vxljkiTxljkiPljki 第 x 周期交叉口l 方向 j 车道 k 滞留的车辆数Sxljki为：Sxljki= Sx-1ljk i+ SAxljki- SMxljki 3T 周期中有 A1 个 T1 ,A2个 T2 , A3 个 T3, Ti1a iT i,在 T 个周
21、期内由实时猜测量实时确定最正确周期Ti；由以上分析,以滞留车辆数最少为目标的实时配时数学模型为：minSa 1j44i4S x 1jk iSA x 1jkiSMx 1jkix11k11Sx2jkiSA x2jkiSMx2jkia2444x1j1k1i1Sx3jkiSA x3jkiSMx 3jkia3444x1j1k1i1约束条件为：txljkitxlji,j,12,3,;4k,12 ,34,20n 1Txl60n 1,n 14 ,n2,3n33PM；T x1tx 11tx 12tx 13tx 143yx 1jk,T x2tx21tx22tx232yx 2jk,Tx 3tx31tx32tx332
22、yx3jkT3alTxl,TxlxljkitxljkiyxljkiMl1采纳遗传算法求解,其中群体大小为M,终止代数为T,初始交叉概率为PC,初始变异概率为4a 13a23a3,T100,P c0.62,P m0 . 001,2.5 ,2以仿真流量为基础数据,以MATlAB 为工具,可运算得到交叉口的每个周期的配时方案；4 结语智能掌握具有传统掌握方法难以比拟的优越性,它通过模拟人的智能的决策方法来到达掌握的目的,在处理复杂性、不确定性的问题时,显示出强大的掌握成效；智能掌握方法的最大特点是其掌握算法是具 有强靠近非线性函数的才能,不依靠于精确的数学模型；利用模糊掌握、神经网络、遗传算法等智能
23、掌握 方法能取得比定时掌握与感应掌握更好的成效；但是单一使用一种智能掌握方法,在策略和懂得上都存在 肯定的不足,假如把多种智能掌握方法结合起来,充分利用它们特点上的互补,可以极大的改良掌握的效 果；因此,采纳多种智能掌握方法的结合对交叉口的掌握是一种必定的趋势；但是,要实现交通信号的智 能掌握,必需第一猎取各个相位上实时的交通流信息,这就需要依靠交通流量检测技术,检测技术的精确 性和牢靠性仍需要进一步提高；另外,将智能掌握理论推广到实际的应用中,仍需要通过硬件来实现,如 何利用硬件来实现智能掌握也是今后需要讨论的内容；总之,智能掌握方法在交通信号掌握的应用仍处于 起步阶段,需要不断地探究和讨论
24、；名师归纳总结 - - - - - - -第 6 页,共 7 页精选学习资料 - - - - - - - - - 参考文献1. 刘智勇 .智能交通掌握理论及其应用 第一版 M. 北京：科学技术出版社 ,2003. 2. Kiseok .S and M. G.H. Bell.An optimisation method for signal timing in area traffic control of the eastern Asia society for TrapsJ.Studies. 1997,Vo1. 2,No 4:993-1001.名师归纳总结 3.陈小锋 ,史忠科 .基于遗传算法的交通信号动态优化方法J.系统仿真学报 ,2004,166:1 155-1 l57;1161. 第 7 页,共 7 页4.承向军 ,贺振欢 ,杨肇夏 .基于遗传算法的交通信号及其学习掌握方法J.系统工程理论与实践,20048:130-135.5.顾榕 ,曹立明 ,王小平 .免疫遗传算法在交叉口信号配时优化中的应用J.同济高校学报 :自然科学版 ,2007,352: 208-212. 6.马东方 . 进出口道综合效率最优的交叉口配时参数优化方法J. 中南高校学报 , 2022-2570. - - - - - - -