[发明专利]一种单交叉口交通信号优化控制方法

摘要

本发明公开了一种单交叉口交通信号优化控制方法，包括建立单交叉口交通信号优化控制模型和设计一种基于模糊自适应的混沌遗传算法，以求解上述单交叉口交通信号优化控制模型。本发明在建立单交叉口交通信号优化控制模型的基础上，通过设计模糊自适应策略，提出了一种求解该模型的混沌遗传算法，应用本发明方法能在保证交通安全的前提下，实现单交叉口交通信号的优化配时，本发明采用的仿真分析表明本发明的单交叉口交通信号优化控制方法简明有效。

主权项

一种单交叉口交通信号优化控制方法，其特征在于，包括以下步骤：1)建立单交叉口交通信号优化控制模型，具体步骤如下：11)第一相位内车辆总延误时长D₁为：D₁＝D₁₁+D₁₃                         (1)$D_{11}=D_{11}^1+D_{11}^2=max\{S_{11}+(c_{11}-g_{11})x_1,0\}(T-x_1)+\frac{1}{2}{c}_{11}{(T-x_1)}^2---\left(2\right)$$D_{13}=D_{13}^1+D_{13}^2=max\{S_{13}+(c_{13}-g_{13})x_1,0\}(T-x_1)+\frac{1}{2}{c}_{13}{(T-x_1)}^2---\left(3\right)$第二相位上车辆总延误时长D₂为：$D_2=D_{21}+D_{23}=(D_{21}^1+D_{21}^2)+(D_{23}^1+D_{23}^2)---\left(4\right)$$D_{21}^1=(S_{21}{x}_1+\frac{1}{2}{c}_{21}{x_1}^2)+max\{S_{21}+c_{21}{x}_1+(c_{21}-g_{21})x_2,0\}(T-x_1-x_2)---\left(5\right)$$D_{21}^2=\frac{1}{2}{c}_{21}{(T-x_1-x_2)}^2---\left(6\right)$$D_{23}^1=(S_{23}{x}_1+\frac{1}{2}{c}_{23}{x_1}^2)+max\{S_{23}+c_{23}{x}_1+(c_{23}-g_{23})x_2,0\}(T-x_1-x_2)---\left(7\right)$$D_{23}^2=\frac{1}{2}{c}_{23}{(T-x_1-x_2)}^2---\left(8\right)$第三相位上车辆总延误时长D₃为：$D_3=D_{32}+D_{34}=(D_{32}^1+D_{32}^2)+(D_{34}^1+D_{34}^2)---\left(9\right)$$\begin{array}{c}{D}_{32}^1=\left(S_{32}\right(x_1+x_2)+\frac{1}{2}{c}_{32}{(x_1+x_2)}^2)\\ +\max \left\{(S_{32}+c_{32}(x_1+x_2)\right)(x_1+x_2)+(c_{32}-g_{32})x_3,0\}{x}_4\end{array}---\left(10\right)$$D_{32}^2=\frac{1}{2}{c}_{32}{x}_4^2---\left(11\right)$$\begin{array}{c}{D}_{34}^1=(S_{34}(x_1+x_2)+\frac{1}{2}{c}_{34}{(x_1+x_2)}^2)\\ +\max \left\{(S_{34}+c_{34}(x_1+x_2)\right)(x_1+x_2)+(c_{34}-g_{34})x_3,0\}{x}_4\end{array}---\left(12\right)$$D_{34}^2=c_{34}{x}_4^2---\left(13\right)$第四相位上车辆总延误时长D₄为：$D_4=D_{42}+D_{44}=(D_{42}^1+D_{42}^2)+(D_{44}^1+D_{44}^2)---\left(14\right)$$D_{42}^1=S_{42}(T-x_4)+\frac{1}{2}{c}_{42}{(T-x_4)}^2---\left(15\right)$$D_{42}^2=0---\left(16\right)$$D_{44}^1=S_{44}(T-x_4)+\frac{1}{2}{c}_{44}(T-x_4)---\left(17\right)$$D_{44}^2=0---\left(18\right)$以上公式中，T表示周期时长，R_ij表示第i相位j方向的交通流；D_ij表示第i相位j方向车辆延误时长；S_ij表示周期开始时，第i相位j方向已存在的排队车辆数；x_i表示第i相位的绿灯时间；c_ij表示第i相位j方向的车流量到达率；g_ij表示绿灯时间内第i相位j方向上的车流量离开率，其中，j＝1,2,3,4分别表示东、南、西、北方向；12)单交叉口在一个周期内车辆总延误时长D为：D＝D₁+D₂+D₃+D₄                    (19)13)根据单交叉口周期内车辆总延误时长，可得到信号配时模型：D^*＝min D                          (20)$s.t.\underset{i=1}{\overset{4}{\&Sigma;}}{x}_i=T,(t_{\min }\&le;x_i\&le;t_{max})---\left(21\right)$其中t_min>0、t_max>0(t_min<t_max)分别是预先给定的相位最小、最大配时时长；14)为求解公式(20)、(21)的非线性优化问题，采用加惩罚函数的方法，所述问题转化为：$D^{*}=\min D=min(D_1+D_2+D_3+D_4)+a{(\underset{i=1}{\overset{4}{\&Sigma;}}{x}_i-T)}^2---\left(22\right)$其中，最后一项是惩罚函数，用于保证出现交通安全、道路损坏等交通问题时，控制器能及时调整配时方案，参数a为较大的事先给定的正数；2)设计一种基于模糊自适应的混沌遗传算法，以求解上述单交叉口交通信号优化控制模型，具体步骤如下：21)初始化群体，通过染色体编码技术，将单交叉口相位差作为基因编码，从而构造染色体形成种群样本；22)选取恰当的种群适应度函数，该函数可以根据待优化的目标函数决定；同时设置相应的遗传参数，包括：种群规模N和最大混沌迭代次数S；23)计算种群样本的方差V和熵S，同时将遗传过程中的变异概率P_m与交叉概率P_c需经过模糊推理得到，并且每次进化过程中不断更新，其中推理步骤如下：231)由公式(23)与公式(24)自动改变遗传交叉率P_c和变异率P_m：$P_c=\{\begin{array}{c}{P}_{c_1}(f_{max}-f^t)/(f_{max}-f_{avg}),\\ f_{\mathrm{\&alpha;}vg\&le;}{f}^{\&prime;},P_{c_1}\&le;1;\\ P_{c_2},f_{\mathrm{av}g}>f^t,P_{c_2}\&le;1;\end{array}---\left(23\right)$$P_m=\left\{\begin{array}{c}{P}_{m_1}(f_{max}-f)/(f_{max}-f_{avg}),\\ f_{avg}\&le;f,P_{m_1}\&le;1;\\ P_{m_2},f_{avg}\&gt;f,P_{m_2}\&le;1.\end{array}\right.---\left(24\right)$式中：f_max为当前种群最大适应值；f_avg为当前种群平均适应值；f′为待交叉两个体适应值中较大者；f为待变异个体的适应值；为正的常数；232)种群样本的差异性可以由公式(25)表示为：$E_1=\frac{f_{max}-f_{avg}}{f_{max}}\&Element;\&lsqb;0,1\&rsqb;---\left(25\right)$而个体样本的差异性可以由公式(26)表示为：$E_2=\frac{f-f_{avg}}{f_{max}}\&Element;\&lsqb;-1,1\&rsqb;---\left(26\right)$上式中：f_avg为种群平均适应值，f_max为种群最大适应值，f为待操作个体适应值；24)通过限定遗传群体的离散变量集，需采用Logistic映射公式得到相应的混沌变量，并映射到待优化的变量中，其变换式为：x′_i＝a_i+b_ix_i；25)计算种群样本个体适应度值，同时进行自适应选择操作，保留最优个体，将得到的最优个体不参与交叉和变异操作，其余非最优个体则采用赌轮选择方式进行交叉和变异操作；26)将遗传过程中交叉率P_c按照相应的交叉方式对选中的多对个体进行交叉操作；同时变异率P_m也需按照相应的变异方式对选中的个体进行相应的变异操作；27)选取经历遗传过程后适应值较高的优良个体，对这些较好的优良个体进行微小混沌扰动操作，使得在混沌搜索过程中能够自适应地调整扰动幅度；28)如果满足最大迭代次数N，则终止迭代运算，否则转23)。