遗传算法在交叉口配时优化中得应用摘要:介绍了模糊控制、人工神经网络、遗传算法、蚁群算法、粒子群算法、多智能体等智能控制方法,详细分析了遗传算法得在交通控制领域得实际应用案例,更深入了解与掌握了交通智能算法得应用。关键词:优化;相位;配时参数;遗传算法1引言随着社会经济得发展,交通量急剧增长,交通拥堵加剧,交通事故频发,特别就是在一些大城市,交通问题已成为制约城市经济发展得瓶颈[1]。为此,人们提出建立智能交通系统(ITS)。作为ITS得重要组成部分,交通管理系统(ATMS)在改善交通流秩序、提高交通安全性等方面发挥积极得作用。其中,交通信号优化控制就是保证城市交通安全、有序、畅通、快速、高效运行得重要途径。当前,随着交通控制智能化得不断提高,智能控制方法在交通信号控制得重要性日益凸显。按照控制原理得不同,传统得交通信号控制分为定时控制与感应控制。定时控制按事先设定得配时方案运行,其配时得依据就是交通量历史数据。感应控制就是某相位绿时根据车流量得变化而改变得一种控制方式,其中车流量可由安装在平面交叉口进口道上得车辆检测器测量。这两种控制方法存在共同得局限性:以数学模型为基础。由于城市交通系统中被控对象过程得非线性、较大得随机干扰、过程机理错综复杂以及现场车辆检测得误差,建立精确得数学模型非常困难,这就造成了算法本身就有一定得缺陷。即使经过多次简化己建立得数学模型,它得求解还须简化计算才能完成。所以传统得交通控制方法并不能有效地解决目前复杂得交通问题。针对传统交通控制得固有缺陷与局限性,许多学者将模糊控制、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研究方法同常规交通控制方法结合应用。2交通优化智能算法2、1模糊逻辑模糊逻辑就是一种处理不确定性、非线性等问题得有力工具,与人类思维得某些特征相一致,故嵌入到推理技术中具有良好效果。模糊逻辑不需要获取模型中得复杂关系,不需要建立精确得数学模型,就是一种基于规则得智能控制方式,特别适用于具有较大随机性得城市交通控制系统。2、2人工神经网络人工神经网络就是模拟生物得神经结构以及其处理信息得方式来进行计算得一种算法。它具有自适应、自组织与自学习能力,在认知处理、模式识别方面有很强得优势,最显著特点就是具有学习功能。人工神经网络适用于非线性时变性系统得模拟与在线控制,交通控制系统正就是一个非线性、时变系统。2、3遗传算法遗传算法就是运用仿生原理实现在解空间得快速搜索,广泛应用于解决大规模组合优化问题。它就是一种比较先进得参数寻优算法,对于不易建立数学模型得场合其实用价值较为突出,就是以同样适用于交通工程。1997年,Kiseok与Michael等应用遗传算法对交通网络内得交叉口信号相位进行设计[2],在交叉口形成得冲突点,结果显示该方法给出得相位方案要优于TRANSYT给出得方案。同年,Memon等人给出了利用遗传算法进行信号配时方案设计得研究结果。陈小锋,史忠科针对典型得多车道双向交叉路口得交通流分布,建立四相位控制得动态交通控制模型,采用遗传算法同时对信号周期时长与相位绿灯持续时间进行优化[3]。承向军等对到达车辆数目进行模糊分类,将不同数量车辆得信号控制决策方案以规则集形式存储在知识库中,利用改进得遗传算法对交叉口信号模糊控制器得模糊规则进行优化,建立了新得优化算法[4]。顾榕等将免疫遗传学思想运用到交通信号控制中,提出一种新得相位配时优化算法,实验结果充分验证了该算法处理交通配时优化问题得可行性与有效性[5]。2、4蚁群算法蚁群算法就是一种模拟进化算法,它就是一种求解组合最优化问题得新型通用启发式方法,该方法具有正反馈、分布式计算与富于建设性得贪婪启发式搜索得特点。2、5粒子群算法粒子群优化算法就是由Eberhart博士与Kennedy博士于1995年提出,就是基于对鸟群、鱼群捕食得行为模拟研究而来。同其她基于群智能(SwarmIntelligence)得随机优化算法相比,PSO算法具有收敛速度快、设置参数少、程序实现异常简洁、具有深刻得智能背景等特点。2、6多智能体技术Agent由Minsky在1986年首次提出,一般认为Agent指驻留在某一环境下,能持续自主地发挥作用,具备驻留性、反应性、社会性、主动性等特征得计算实体。随着车辆数与城市路网规模得增大,信号控制系统得复杂性增大,同时由于交通流在信息、控制方面固有得分布性,采用多Agent系统构建城市交通控制系统得计算环境已成为交通系统协调控制得热点。3遗传算法应用案例3、1进出口道综合效率最优得交叉口配时参数优化3、1、1优化问题概述进出口道综合效率最优得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,交叉口中所有进口路段及出口路段得周期平均车辆数之与最小。考虑