基于遺傳算法的綠波優(yōu)化算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種交通控制方法，尤其涉及一種基于遺傳算法的綠波優(yōu)化算法。
【背景技術(shù)】
[0002] 目前。近年來，我國經(jīng)濟(jì)不斷高速發(fā)展，城市建設(shè)不斷推進(jìn)，交通流也在不斷膨脹。 同時，隨著經(jīng)濟(jì)的發(fā)展，居民對出行的便捷性和舒適性有了更高的要求，導(dǎo)致私家車數(shù)量快 速增加，交通需求的壓力持續(xù)增大。道路交通基礎(chǔ)設(shè)施建設(shè)的不完備以及交通信號控制策 略的落后，使得交通擁堵問題尤為突出。
[0003] 為緩解這一問題，國內(nèi)外很多學(xué)者相繼對干線控制進(jìn)行了大量的研宄和實踐。在 干線控制的研宄和實踐中，綠波技術(shù)是研宄比較廣泛，也比較早的技術(shù)，是現(xiàn)在干線交通控 制研宄中的熱點。
[0004] 傳統(tǒng)的綠波控制算法中，典型的計算方法包括圖解法和數(shù)解法，這種控制方法實 現(xiàn)簡單，但明顯的缺點是控制過于理論化，在實際的交通中，交通流構(gòu)成的多樣性、車流的 離散性、駕車習(xí)慣的復(fù)雜性，使得控制的實際效果不如人意。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)中存在的不足，提供一種基于遺傳算法的綠波優(yōu) 化算法，根據(jù)實際的交通基礎(chǔ)信息，通過遺傳算法對綠波控制中最重要的相位差參數(shù)進(jìn)行 優(yōu)化，得到更好的控制效果。本發(fā)明采用的技術(shù)方案是：
[0006] 本發(fā)明提出的基于遺傳算法的綠波優(yōu)化算法，包括下述步驟：
[0007] 1)基礎(chǔ)交通數(shù)據(jù)的處理：利用k-means算法處理交通流量數(shù)據(jù)，獲取不同時段的 平均交通流量；
[0008] 2)基礎(chǔ)綠波算法的參數(shù)求解：利用傳統(tǒng)的數(shù)解法，求得基礎(chǔ)的綠波控制參數(shù)，包 括公共信號周期、相位差、綠信比；
[0009] 3)優(yōu)化目標(biāo)函數(shù)的設(shè)定：針對步驟2)中求解的相位差參數(shù)，設(shè)定優(yōu)化目標(biāo)函數(shù)； [0010] 4)優(yōu)化處理：利用遺傳算法，對設(shè)定的目標(biāo)函數(shù)進(jìn)行優(yōu)化，求得其最優(yōu)解。
[0011] 所述的公共周期為：根據(jù)各個交叉口實際的交通數(shù)據(jù)，計算得到各自的信號周期， 從中選取周期的最大值作為所有交叉口的公共周期；
[0012] 所述的數(shù)解法是在綠波信號配時中，一種常用的求取控制參數(shù)的計算方法；
[0013] 所述的相位差為：沿著車輛行駛方向任意相鄰路口的協(xié)調(diào)相位起始時刻的最小時 間差，車輛行駛方向包括上行方向和下行方向，相位差包括上行相位差和下行相位差，同一 路口的上行相位差和下行相位差的不同的；
[0014] 所述的綠信比：在一個公共周期中，每個路口各個相位的綠燈時間與公共周期的 比。
[0015] 本發(fā)明的優(yōu)點在于：本算法與傳統(tǒng)的綠波控制算法相比，通過對控制參數(shù)的實時 調(diào)整控制，體現(xiàn)了更好的動態(tài)性和實時性，從而達(dá)到更好的控制效果，保證主干道通暢的情 況下，有效避免了次干道的長等待。相比與自適應(yīng)等其他復(fù)雜控制算法，本算法實現(xiàn)相對簡 單，具有更好的實施性。
【附圖說明】
[0016] 圖1為本發(fā)明的算法流程圖。
【具體實施方式】
[0017] 下面結(jié)合具體附圖和實施例對本發(fā)明作進(jìn)一步說明。
[0018] 本發(fā)明提出的基于遺傳算法的綠波優(yōu)化算法，如圖1所示，包括下述步驟：
[0019] 1)基礎(chǔ)交通數(shù)據(jù)的處理：利用k-means算法處理交通流量數(shù)據(jù)，獲取不同時段的 平均交通流量；
[0020] 2)基礎(chǔ)綠波算法的參數(shù)求解：利用傳統(tǒng)的數(shù)解法，求得基礎(chǔ)的綠波控制參數(shù)，包 括公共信號周期、相位差、綠信比；
[0021] 3)優(yōu)化目標(biāo)函數(shù)的設(shè)定：針對步驟2)中求解的相位差參數(shù)，設(shè)定優(yōu)化目標(biāo)函數(shù)；
[0022] 4)優(yōu)化處理：利用遺傳算法，對設(shè)定的目標(biāo)函數(shù)進(jìn)行優(yōu)化，求得其最優(yōu)解。
[0023] 所述的公共周期為：根據(jù)各個交叉口實際的交通數(shù)據(jù)，計算得到各自的信號周期， 從中選取周期的最大值作為所有交叉口的公共周期；
[0024] 所述的數(shù)解法是在綠波信號配時中，一種常用的求取控制參數(shù)的計算方法；
[0025] 所述的相位差為：沿著車輛行駛方向任意相鄰路口的協(xié)調(diào)相位起始時刻的最小時 間差，車輛行駛方向包括上行方向和下行方向，相位差包括上行相位差和下行相位差，同一 路口的上行相位差和下行相位差的不同的；
[0026] 所述的綠信比：在一個公共周期中，每個路口各個相位的綠燈時間與公共周期的 比。
[0027] 通常在計算車流平均流量時，往往是人為的硬性確定各個時段的時間區(qū)間，例如 對一天的交通流量進(jìn)行劃分時，會硬性將早8點到早10點劃分為早高峰，類似的劃分晚高 峰，這樣的處理方式使得區(qū)段間的劃分不平滑，這里提出使用k-means方式進(jìn)行區(qū)間劃分， 將交通流量信息擴(kuò)展為二維屬性，車流量的統(tǒng)計間隔為半個小時，記錄形式為〈時間，流量 >對的形式，然后利用k-means聚類進(jìn)行評價流量的計算。
[0028] 這里之所以利用基礎(chǔ)的綠波控制算法求解，是因為遺傳算法需要一個初始的良好 的相位差參數(shù)，即良好的"初始種群"，基于這個良好的"種群"，可以更快的得到最優(yōu)解?；?礎(chǔ)綠波控制算法采用數(shù)解法，對輸入?yún)?shù)"平均交通流量"進(jìn)行處理，可以得到的控制參數(shù) 有公共信號周期、相位差、綠信比。
[0029] 在綠波控制中，相位差參數(shù)是最重要的參數(shù)，根據(jù)實際的車流信息，學(xué)習(xí)優(yōu)化相位 差是非常有利于提高和改善控制效果的。同時，對于路網(wǎng)運行狀態(tài)或控制信號控制效果的 評價指標(biāo)有很多，包括平均停車時間和平均停車次數(shù)，在通常情況下，二者是單獨作為評價 指標(biāo)來衡量控制效果的，本發(fā)明采用將二者結(jié)合的方式來評價整個路網(wǎng)的運行狀態(tài)和信號 控制策略的優(yōu)劣，為二者分配不同的權(quán)重后，取二者的總體結(jié)果作為最終的目標(biāo)函數(shù)。其 中，停車次數(shù)保證的干線綠波的通暢性，而等待時間（即停車時間）保證了支路不會為干線 的通暢犧牲太多通行權(quán)。
[0031]
[0030] 根據(jù)上面論述的情況，本專利設(shè)定的優(yōu)化目標(biāo)函數(shù)為：
【主權(quán)項】
1. 一種基于遺傳算法的綠波優(yōu)化算法，其特征在于，包括下述步驟： 1) 基礎(chǔ)交通數(shù)據(jù)的處理：利用k-means算法處理交通流量數(shù)據(jù)，獲取不同時段的平均 交通流量； 2) 基礎(chǔ)綠波算法的參數(shù)求解：利用傳統(tǒng)的數(shù)解法，求得基礎(chǔ)的綠波控制參數(shù)，包括公 共信號周期、相位差、綠信比； 3) 優(yōu)化目標(biāo)函數(shù)的設(shè)定：針對步驟2)中求解的相位差參數(shù)，設(shè)定優(yōu)化目標(biāo)函數(shù)； 4) 優(yōu)化處理：利用遺傳算法，對設(shè)定的目標(biāo)函數(shù)進(jìn)行優(yōu)化，求得其最優(yōu)解。
2. 如權(quán)利要求1所述的基于遺傳算法的綠波優(yōu)化算法，其特征在于： 步驟3)中，設(shè)定的優(yōu)化目標(biāo)函數(shù)為：
其中，N為目標(biāo)綠波帶中包含的交叉口的總數(shù)；Ci表示第i個交叉口的路口總數(shù)；％表 示第i個交叉口 j方向路口對于停車次數(shù)的懲罰系數(shù)；Sij表示第i交叉口 j方向路口的停 車次數(shù)；β u表示i交叉口 j方向路口對停車等待時間的懲罰項系數(shù);Wu表示i交叉口 j方 向路口的停車等待時間，t表示設(shè)定的駕駛員可以容忍的最長等待時間；其中％，β u是根 據(jù)具體的路口重要程度優(yōu)先級進(jìn)行初始設(shè)定的，優(yōu)先級越高，懲罰項越大，表示要傾向于滿 足優(yōu)先級高的路口方向的車輛的通行。
3. 如權(quán)利要求1所述的基于遺傳算法的綠波優(yōu)化算法，其特征在于： 步驟4)中，遺傳算法的優(yōu)化求解過程為： ① 求解問題：求解的目標(biāo)函數(shù)如下所示：
② 初始化：采用通過數(shù)解法獲得的相位差參數(shù)作為遺傳算法的初始值； ③ 交叉：設(shè)定交叉的概率Px，種群中每個個體，對應(yīng)產(chǎn)生一個[〇，1]的隨機數(shù)，若隨機 數(shù)小于交叉概率P x，則進(jìn)行交叉； ④ 變異：設(shè)定變異的概率？111，種群中的每個個體，對應(yīng)產(chǎn)生一個[〇，1]的隨機數(shù)，若隨 機數(shù)小于變異概率P m，則進(jìn)行變異； ⑤ 循環(huán)：通過③④產(chǎn)生新的種群，然后繼續(xù)循環(huán)產(chǎn)生下一代種群； ⑥ 結(jié)束：當(dāng)新種群參數(shù)產(chǎn)生的控制效果降低時，即當(dāng)式子（1)輸出的值大于一個設(shè)定 閾值時，結(jié)束迭代循環(huán)。
【專利摘要】本發(fā)明提供一種基于遺傳算法的綠波控制參數(shù)優(yōu)化算法，方法主要包括交通基礎(chǔ)輸入數(shù)據(jù)的處理、基礎(chǔ)綠波算法的參數(shù)求解、優(yōu)化目標(biāo)函數(shù)的建立、綠波參數(shù)的優(yōu)化。本發(fā)明利用基礎(chǔ)綠波算法求得初始的綠波控制參數(shù)，包括公共信號周期、相位差、綠信比。然后針對綠波控制算法中最重要的相位差參數(shù)，建立優(yōu)化目標(biāo)函數(shù)，利用遺傳算法，進(jìn)行目標(biāo)函數(shù)的優(yōu)化，提高綠波控制效果，減少停車延誤和停車次數(shù)。本算法與傳統(tǒng)的綠波控制算法相比，通過對控制參數(shù)的實時調(diào)整控制，體現(xiàn)了更好的動態(tài)性和實時性，從而達(dá)到更好的控制效果，保證主干道通暢的情況下，有效避免了次干道的長等待。相比與自適應(yīng)等其他復(fù)雜控制算法，本算法實現(xiàn)相對簡單，具有更好的實施性。
【IPC分類】G08G1-081
【公開號】CN104751652
【申請?zhí)枴緾N201510176697
【發(fā)明人】王志廣, 臺憲青
【申請人】江蘇物聯(lián)網(wǎng)研究發(fā)展中心
【公開日】2015年7月1日
【申請日】2015年4月14日