CN101840635A - 基于人工免疫粒子群算法的可变限速控制方法 - Google Patents

Abstract

本发明公开了一种基于人工免疫粒子群算法的可变限速控制方法，其特征在于按如下步骤进行：一、计算N个检测时段的初始限速值，确定参数；二、确定N个粒子，建立初始粒子种群；三、计算粒子种群中各个粒子的适应度值f(x_i)；四、确定并存储个体最优粒子和全局最优粒子；五、判断是否符合迭代终止条件，如果符合，则输出最优限速值，否则进入步骤六；六、更新粒子种群，生成新一代种群，并返回到步骤二。本发明通过对车辆行车速度进行控制，调整行车速度使行车速度保持均衡性，防止追尾事故或碰撞事故的发生。

Description

基于人工免疫粒子群算法的可变限速控制方法

技术领域

本发明属于隧道安全领域，具体的说涉及一种基于人工免疫粒子群算法的可变限速控制方法。

背景技术

近年来，随着我国高速公路建设事业的飞速发展，尤其是山区高速公路的修建，公路隧道不断向着长、大的方向发展。然而，随之而来的公路隧道安全问题却日趋严重，因此，隧道安全成为国内外愈来愈关注的话题。而车辆速度是引起隧道内交通异常的主要原因之一。目前车辆安全事故主要是因为速度的不均匀性，车辆之间的安全距离不够，从而导致超车和刹车的比例增大，发生事故的可能性随之增大，特别是追尾或碰撞事故的发生，进而造成交通拥挤与阻塞，违背了安全、畅通原则，因此有效限速十分必要。为了保障车辆行车安全，通常公路都会设置限制车速，限制公路某一段的最高运行速度。目前我国高速公路采用设计速度作为限速值，有的高速公路甚至全线采用一个限速值，而设计速度和限制速度的定义、范围不同，并且车辆的运行速度与实际道路条件、交通条件、气候条件等密切相关，因此机械的采用设计速度作为限制速度是不合理的。对于高速公路限速值的确定，我国还没有一个统一的标准。

现有技术的缺陷在于：车速的不均匀性是车辆安全事故发生的主要原因，而目前我国高速公路上机械的采用设计速度作为限速值，对限速没有统一的认识和规范化设计原则，国家标准中也未有此方面的明确规定，不能解决车辆速度不均衡的缺陷。

发明内容

本发明的目的在于提供一种基于人工免疫粒子群算法的可变限速控制方法，通过对车辆行车速度进行控制，调整行车速度使行车速度保持均衡性，防止追尾事故或碰撞事故的发生。

本发明的技术方案如下：一种基于人工免疫粒子群算法的可变限速控制方法，其关键在于按如下步骤进行：

步骤一：分别获取N个检测时段通过同一道路断面的所有车辆速度，根据每个检测时段通过的所有车辆速度，计算每个检测时段的初始限速值，确定粒子种群的大小N、最大迭代次数Tm、粒子的初始最大速度v_max初和初始最远位置x_max初；

每个检测时段对应一个初始限速值，初始限速值反映了在符合公路隧道车辆安全行车条件前提下，路面状况、天气状况、交通特征等因素对车速的影响，同时也反映了安全效益、畅通效益、经济效益对车速的影响。

粒子种群的大小N为大于1的正整数，当N取值较小时，收敛速度较快，但容易陷入局部最优，当N取值较大时，粒子群优化能力比较好，但收敛速度较慢。通常N取值在10-50之间。

在一定范围内搜索限速值，有利于提高搜索效率。最远位置x_max为N个粒子限速值的最大值，初始最远位置x_max初即N个粒子初始限速值的最大值。为了限制粒子离开搜索空间的可能性，确定粒子的最大速度，该最大速度决定了粒子在每一代中最大的移动距离，v_max太高，粒子可能飞跃最优限速值，v_max太小，粒子容易陷入局部最优。可设定v_max＝α·x_max，其中，α服从[0.1，1.0]区间的均匀分布随机取值。

步骤二：确定N个粒子，建立初始粒子种群：每个检测时段对应一个粒子，计算的初始限速值为粒子位置x_i，步长为粒子速度v_i，其中，步长v_i为随机生成的实数，服从[-v_max初，v_max初]区间的随机均匀分布，i＝1，2，…，N；

粒子种群的大小等于种群中粒子的个数，每个粒子有自己的位置x_i和速度v_i。

步骤三：计算粒子种群中各个粒子的适应度值f(x_i)；

适应度值是唯一能够反映并引导优化更新过程不断进行的参量，是评价粒子质量的位移判断准则。大量研究发现，车速与事故数之间是一个U形曲线，当车速接近平均速度时，事故率降低，因此可以用评价车速与平均车速的偏离程度的车速差或车流速度标准差来作为评价指标，在求解过程中可以用限速后车流速度差值和以及限速后车流速度方差中的任一函数作为适应度函数来求解适应度值，以函数的值最小来作为粒子最好位置的评判标准。

步骤四：根据各个粒子的适应度值，确定粒子种群中的全局最优粒子和每个粒子的个体最优粒子，并将全局最优粒子和每个粒子的个体最优粒子存储在记忆库中；每个粒子的个体最优粒子的位置为单个粒子最好位置P_i，全局最优粒子的位置为所有粒子最好位置P_g；

粒子适应度值越小，则该适应度值对应的粒子位置越好。每个粒子的个体最优粒子是粒子在迭代的过程中适应度值最小的那一代的粒子，全局最优粒子是种群中适应度值最小的粒子。记忆库中存储的个体最优粒子和全局最优粒子在迭代过程中不断更新，存储的个体最优粒子始终为N个。

步骤五：判断是否符合迭代终止条件：

终止条件有两个：迭代数到达最大迭代次数Tm和粒子的适应度值标准差连续2代小于等于10^-6；

粒子适应度值标准差可用下式表示：

$\mathrm{\σ}\left(f\left(x\left(t\right)\right)\right)=\sqrt{\frac{1}{N}\×\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f\left(x_i\left(t\right)\right)-\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left(x_i\left(t\right)\right)}{N})}^2\right)}$

其中，t为迭代数，t＝1，2，…，Tm。

如果满足两个终止条件的其中一个，则停止迭代，输出记忆库中的全局最优粒子，该粒子的位置为最优限速值；找到最优限速值是本发明的最终目标。可以提示驾驶员根据最优限速值调整行车速度，从而降低隧道内高速行车的比例，改善速度的不均匀性，提高安全性，实现对车辆的可变限速的控制。

如果两个终止条件都不满足，则进入步骤六；

步骤六：更新粒子种群，生成新一代种群，按如下步骤进行：

(一)调整当前N个粒子的粒子位置和粒子速度，确定调整后粒子的最大速度v_max调和最远位置x_max调；

在调整粒子速度时，可引入惯性权重或引入收缩因子，不过引入搜索因子比引入惯性权重能更有效的控制和约束粒子的速度，同时增强局部搜索能力。

(二)随机生成M个粒子，其中，粒子位置x_j∈[0，x_max调]，粒子速度v_j∈[-v_{max 调}，v_max调]，j＝1，2，…，M；

(三)根据粒子浓度计算调整后的M+N个粒子的选择概率，依照选择概率的大小从所述M+N个粒子中选出N个粒子，组成粒子群A；

在粒子更新过程中，总是希望适应度好的粒子被保留下来，但如果此类粒子过于集中，即浓度过高，则很难保持粒子的多样性，易陷入局部极优，而丢失那些适应度较差却保持较好进化趋势的粒子，因此采用基于浓度机制的策略，确保了粒子的多样性。粒子浓度越大，选择的概率越小，反之，粒子浓度越小，选择的概率越大。这使得低适应度粒子也可以获得迭代进化的机会。

在选择的过程中，将随机生成的M个粒子与原有N个粒子进行概率选择，用M个粒子中概率大的替换原有N个粒子中概率小的，组成的粒子群A的顺序与原有N个粒子的顺序不变。

(四)将记忆库中存储的每个粒子的个体最优粒子与粒子群A中的粒子一一比对，若记忆库中个体最优粒子的适应度值好于对应的粒子群A中的粒子，则用该个体最优粒子替换对应的粒子群A中的粒子，形成新一代的粒子种群，返回到步骤三。也可返回步骤四。

所述粒子的适应度值f(x_i)可按下式计算：

$f\left(x_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Δ}{V}_{\mathrm{ij}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|V_{\mathrm{ij}}^{\text{'}}-\stackrel{\‾}{V_i}|$

上式中：ΔV_ij-----第i个粒子更新后第j辆车的速度差；

V′_ij-----第i个粒子更新后第j辆车的速度；

-----第i个粒子更新后车流平均速度；

n-----第i个粒子包含的车辆数，即第i个检测时段通过的车辆数。

所述粒子的适应度值f(x_i)也可按下式计算：

$f\left(x_i\right)=\sqrt{\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(V_{\mathrm{ij}}^{\text{'}}-\stackrel{\‾}{V_i})}^2}{n}}$

上式中：V′_ij-----第i个粒子更新后第j辆车的速度；

-----第i个粒子更新后车流平均速度；

n-----第i个粒子包含的车辆数，即第i个检测时段通过的车辆数。适应度值越小，表明粒子的位置越好。单个粒子最好位置P_i由下式确定：

上式中，t为迭代数，t＝2，…，Tm；当t＝1时，P_i＝x_i；

所有粒子最好位置P_g由下式确定：

P_g∈{P₁(t)，P₂(t)，……，P_N(t)}|f(P_g(t))＝min{f(P₁(t))，f(P₂(t))，……f(P_N(t))}上式中，t为迭代数，t＝1，2，…，Tm。

本发明的显著效果：根据隧道实际状况，运用免疫粒子群算法在不同天气、不同路面状况实现对行车速度的控制，实现车流速度限速后较限速前朝着均衡方向发展，趋于一定的稳定性。本方法不仅增强了粒子群算法的全局寻优能力，而且进化更新速度快，收敛精度高，更具有灵活性和可靠性。根据得到的最优限速值调整行车速度，降低隧道内高速行车的比例，改善速度的不均匀性，减少速度差，能有效减缓和消除交通拥挤与阻塞的发生，避免追尾、碰撞等交通事故的发生。

附图说明

图1是本发明的流程图；

图2是车辆安全行驶示意图；

图3是公路隧道限速值的决策模型；

图4是实施例1中在雨天情况下限速前后车流速度差值。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

实施例1：如图1所示，一种基于人工免疫粒子群算法的可变限速控制方法，按如下步骤进行：

步骤一：分别获取N个检测时段通过同一道路断面的所有车辆速度，根据每个检测时段通过的所有车辆速度，计算每个检测时段的初始限速值，确定粒子种群的大小N＝10、最大迭代次数Tm＝200、粒子的初始最大速度v_max初和初始最远位置x_max初；初始最远位置x_max初即N个粒子初始限速值的最大值。v_max初＝α·x_max初，其中，α服从[0.1，1.0]区间的均匀分布随机取值。

限速值与多种因素有关，应综合考虑各种因素来计算限速值，初始限速值的计算过程如下：

A.车辆安全行车条件

高速公路上行驶的车辆在发现前方有危险点时，采取制动措施，保障车辆在滑行一段距离后不撞上危险点，这样才能保证行车安全。如图2所示，安全行车条件是：L_车反+L_车制+L₀≤S_i+1+L_危

即：

其中：S_i+1-----车辆发现危险点准备采取制动措施时距离危险点的距离，即车辆有效视距，单位m；

L_车-----车辆从发现危险点到制动有效行驶的距离，单位m；

L_车反-----车辆发现危险点采取制动之前反应时间内行驶的距离，单位m；

L_车制-----车辆制动距离，单位m；

L₀-----车辆停车后距离危险点的最小安全保障距离，单位m，一般取2～3米；

L_危-----危险点移动距离，危险点若是静态的则为0，单位m；

l_车-----车辆的长度，单位m；

V_i-----危险点移动的速度，单位km/h；

t_l-----车辆驾驶员反应与制动生效时间总和，单位s；

V_i+1-----车辆行驶速度，单位km/h。

k_车、k_危-----分别表示车辆、危险点的制动系数，一般取1.0～1.4之间；

φ_车、φ_危-----分别表示车辆、危险点的轮胎与路面的摩擦系数；

i-----坡度，+表示前进方向为上坡，-表示前进方向为下坡；

g-----重力加速度。

B.确定影响综合限速的各因素的权重

确定综合限速需要考虑多种因素，对公路隧道综合限速的因素有：设计车速V_设，平均运行车速V_平运，道路线形L，危险点X，能见度S，摩擦系数φ，事故指标g，交通量Q，车辆组成K，洞内外亮度差值ΔL，洞内外路基宽度差值ΔW。它们对公路隧道限速影响的重要性分别为：W_V设，W_V平运，W_L，W_X，W_S，W_φ，W_g，W_Q，W_K，W_ΔL，W_ΔW。采用系统工程学的层次分析法来确定影响公路隧道限速的各因素权重，应用1～9标度法将各因素重要性进行两两比较，得到各限速因素权重如下：

W＝[W_V设，W_V平运，W_L，W_X，W_S，W_φ，W_g，W_Q，W_K，W_ΔL，W_ΔW]^T＝

[0.0209，0.0917，0.0137，0.0835，0.2126，0.0774，0.0376，0.0607，0.0847，0.2324，0.0849]^T

C.获得综合影响下的最高车速模型

根据车辆安全行车条件，可以获得能见度S、交通量Q、路面摩擦系数φ、坡度i四个因素影响下的限速模型(L₀可忽略不计)：

$V_{S\·Q\·\mathrm{\φ}\·i}=\frac{[\sqrt{{[V_i+73.025\×(\mathrm{\φ}\±i)]}^2+211.667\×(\mathrm{\φ}\±i)\×S}-73.025\×(\mathrm{\φ}\±i)]}{2.04}\×$

$[1+\sqrt{1-0.0000701\×Q+\frac{0.001219\×Q\×(\sqrt{{[V_i+73.025\×(\mathrm{\φ}\±i)]}^2+211.667\×(\mathrm{\φ}\±i)\×S}-73.025\×(\mathrm{\φ}\±i))}{48596.531}]}$

在线形条件下，车辆的车速一般不会达到相应线形最小半径计算出的限速值，设计车速始终小于按道路线形计算的限速值，因此依照道路线形限速，可取设计车速V_设。

依照事故指标g和危险点X限速，可取平均运行速度V_平运。

车辆组成K影响下的最高车速V_K，可由下式计算：

V_k＝0.0094k²-2.3863k+163.97

洞内外亮度差值ΔL、洞内外路基宽度差值ΔW与车速的关系模型为：

$V_{\mathrm{\ΔL},\mathrm{\ΔW}}=35.4+0.615\×(\sqrt{{[V_i+73.025\×(\mathrm{\φ}\±i)]}^2+211.667\×(\mathrm{\φ}\±i)\×S}-73.025\×(\mathrm{\φ}\±i))-0.001\mathrm{\ΔL}-3.552\mathrm{\ΔW}$

因此，在综合影响因素下，单个车辆的最高车速模型为：

V_i+1max＝(W_V设+W_L)×V_设+(W_V平运+W_g+W_X)×V_平运+(W_S+W_φ+W_Q)×V_S·Q·φ·i+W_K×V_k+(W_ΔL+W_ΔW)×V_ΔL、ΔW

＝0.0346×V_设+0.2128×V_平运+0.3507×V_S·Q·φ·i+0.0847×V_k+0.3173×V_ΔL、ΔW

D.确定初始限速值

基于单个车辆的最高车速模型，确定适当的速度域：

V＝{V₁，V₂，……，V_i-1，V_i，V_i+1，……，V_n-1，V_n}

其中，i表示第i辆车，共n辆车。V_i表示第i辆车行驶的最高限速值，每个粒子对应一个速度域。

本发明主要以车辆运行安全效益、畅通效益、经济效益为判定指标，以决策分析方法建立确定公路隧道限速值的决策模型，如图3所示，以寻求三者综合利益的最大者。

(1)确定准则层对目标层的权重

即确定“安全效益”、“畅通效益”、“经济效益”对限速的权重。“安全效益”、“畅通效益”、“经济效益”在限速值确定过程中的权重根据不同的道路条件、经济地区确定。不同隧道交通状况下的“安全效益”、“畅通效益”、“经济效益”限速值权重值ω⁽³⁾＝[α₁，α₂，α₃]，其中α₁为安全效益的权重值，α₂为畅通效益的权重值，α₃为经济效益的权重值。权重值可以通过调查，或是问卷都或者是专家打分计算可以获得。本实施例取：ω⁽³⁾＝[0.55，0.3，0.15]。

(2)确定方案层对准则层的权重

即分别确定速度域对“安全效益”、“畅通效益”、“经济效益”的权重。

①速度域对“安全效益”权重的确定

利用速度域中各个速度值的车速隶属度之间的相互比值构造的对比矩阵计算的权向量ω₁获得。当车辆行驶速度范围样本区间覆盖速度值的频率随样本总量变化而趋于稳定时，可以用该频率来表示该速度值的隶属度：

A(V_i)＝m/n

式中：A(V_i)-----速度V_i的车速隶属度；m-----调查样本区间出现V_i的频数；n-----样本总量。

②速度域对“畅通效益”权重的确定

“畅通效益”上的优越尺度可以通过各速度值之间的比值来表示，因此可利用速度域两两之间的比值构造对比矩阵，计算权向量ω₂。

③速度域对“经济效益”权重的确定

将速度域中各速度与最佳经济速度V_经济的比值构造权向量ω₃，其中，V_经济是车辆折算成标准车辆单位的最佳经济速度，在平直路段上经济车速一般取90km/h。

(3)确定方案层对目标层的综合权重

方案层对目标层的综合权重ω可以根据ω₁、ω₂、ω₃来确定：

ω＝[ω₁ ^T，ω₂ ^T，ω₃ ^T]×ω^(3)T

(4)确定综合权重下的初始限速值

速度域中每个速度值对应一个综合权重ω，将计算的最大综合权重对应的速度值定为公路隧道初始限速值。

步骤二：确定N个粒子，建立初始粒子种群：每个检测时段对应一个粒子，计算的初始限速值为粒子位置x_i，步长为粒子速度v_i，其中，步长v_i为随机生成的实数，服从[-v_max初，v_max初]区间的随机均匀分布，i＝1，2，…，N；

粒子种群的大小等于种群中粒子的个数，每个粒子有自己的位置x_i和速度v_i。

步骤三：计算粒子种群中各个粒子的适应度值f(x_i)；

本发明用限速后车流速度差值和作为适应度函数来求解适应度值：

$f\left(x_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Δ}{V}_{\mathrm{ij}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|V_{\mathrm{ij}}^{\text{'}}-\stackrel{\‾}{V_i}|$

上式中：ΔV_ij-----第i个粒子更新后第j辆车的速度差；

V′_ij-----第i个粒子更新后第j辆车的速度；

-----第i个粒子更新后车流平均速度；

n-----第i个粒子包含的车辆数，即第i个检测时段通过的车辆数。

步骤四：根据各个粒子的适应度值，确定粒子种群中的全局最优粒子和每个粒子的个体最优粒子，并将全局最优粒子和每个粒子的个体最优粒子存储在记忆库中；每个粒子的个体最优粒子的位置为单个粒子最好位置P_i，全局最优粒子的位置为所有粒子最好位置P_g；

粒子适应度值越小，则该适应度值对应的粒子位置越好。每个粒子的个体最优粒子是粒子在迭代的过程中适应度值最小的那一代的粒子，全局最优粒子是种群中适应度值最小的粒子。记忆库中存储的个体最优粒子和全局最优粒子在迭代过程中不断更新，存储的个体最优粒子始终为N个。

单个粒子最好位置P_i由下式确定：

上式中，t为迭代数，t＝2，…，Tm；当t＝1时，P_i＝x_i。

所有粒子最好位置P_g是种群中适应度值最小的粒子对应的粒子位置，由下式确定：

P_g∈{P₁(t)，P₂(t)，……，P_N(t)}|f(P_g(t))＝min{f(P₁(t))，f(P₂(t))，……f(P_N(t))}

上式中，t为迭代数，t＝1，2，…，Tm。

步骤五：判断是否符合迭代终止条件：

终止条件有两个：迭代数到达最大迭代次数Tm和粒子的适应度值标准差连续2代小于等于10^-6；

粒子适应度值标准差可用下式表示：

$\mathrm{\σ}\left(f\left(x\left(t\right)\right)\right)=\sqrt{\frac{1}{N}\×\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f\left(x_i\left(t\right)\right)-\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left(x_i\left(t\right)\right)}{N})}^2\right)}$

其中，t为迭代数，t＝1，2，…，Tm。

如果满足两个终止条件的其中一个，则停止迭代，输出记忆库中的全局最优粒子，该粒子的位置为最优限速值；找到最优限速值是本发明的最终目标。可以提示驾驶员根据最优限速值调整行车速度，从而降低隧道内高速行车的比例，改善速度的不均匀性，提高安全性，实现对车辆的可变限速的控制。

如果两个终止条件都不满足，则进入步骤六；

步骤六：更新粒子种群，生成新一代种群，按如下步骤进行：

(一)调整当前N个粒子的粒子位置和粒子速度，确定调整后粒子的最大速度v_max调和最远位置x_max调；最远位置x_max调是调整后N个粒子的限速值中的最大限速值，v_max调＝α·x_max调，其中，α服从[0.1，1.0]区间的均匀分布随机取值。

在调整粒子速度时，引入收缩因子：

粒子位置调整(限速值更新)：

粒子速度调整(调整步长)：

$v_i^{(t+1)}=K(v_i^{\left(t\right)}+c_1{r}_1^{\left(t\right)}\×(p_i^{\left(t\right)}-x_i^{\left(t\right)})+c_2{r}_2^{\left(t\right)}\×(p_g^{\left(t\right)}-x_i^{\left(t\right)}))---\left(11\right)$

其中：i＝1，2，…，N；K为收缩因子，

C＝c₁+c₂，C＞4

c₁、c₂为加速常数，通常在0～2之间取值，c₁调节粒子向自身最好位置方向的步长，反映粒子飞行过程中所记忆的最好位置(P)对粒子的飞行影响，又被称为“认知系数”，c₂调节粒子向全局最好位置飞行的步长，反映了整个粒子所记忆的最好位置对粒子飞行速度的影响，又称为“社会学习系数”，这里c₁＝2.8，c₂＝1.3，C＝4.1，使得K＝0.729；r₁∈U(0，1)，r₂∈U(0，1)为两个相互独立的随机函数。

(二)随机生成M个粒子，其中，粒子位置x_j∈[0，x_max调]，粒子速度v_j∈[-v_{max 调}，v_max调]，j＝1，2，…，M；

(三)根据粒子浓度计算调整后的M+N个粒子的选择概率，依照选择概率的大小从所述M+N个粒子中选出N个粒子，组成粒子群A；

第i个粒子的浓度为：

$D\left(x_i\right)=\frac{1}{\underset{j=1}{\overset{N+M}{\mathrm{\Σ}}}|f\left(x_i\right)-f\left(x_j\right)|},i=\mathrm{1,2},...,M+N$

粒子浓度的概率选择公式：

$P\left(x_i\right)=\frac{\frac{1}{D\left(x_i\right)}}{\underset{i=1}{\overset{N+M}{\mathrm{\Σ}}}\frac{1}{D\left(x_i\right)}}=\frac{\underset{j=1}{\overset{N+M}{\mathrm{\Σ}}}|f\left(x_i\right)-f\left(x_j\right)|}{\underset{i=1}{\overset{N+M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N+M}{\mathrm{\Σ}}}|f\left(x_i\right)-f\left(x_j\right)|},i=\mathrm{1,2},...,M+N$

由上式可知，与粒子i相似的粒子越多，粒子i被选中的概率越小。反之，与粒子i相似的粒子越少，粒子i被选中的概率就越大。这使得低适应度的个体也可获得进化的机会。

在选择的过程中，将随机生成的M个粒子与原有N个粒子进行概率选择，用M个粒子中概率大的替换原有N个粒子中概率小的，组成的粒子群A的顺序与原有N个粒子的顺序不变。

(四)将记忆库中存储的每个粒子的个体最优粒子与粒子群A中的粒子一一比对，若记忆库中个体最优粒子的适应度值好于对应的粒子群A中的粒子，则用该个体最优粒子替换对应的粒子群A中的粒子，形成新一代的粒子种群，返回到步骤三。也可返回步骤四。

根据上述方法，分析雨天天气下在能见度分别为200米、100米和25米三种情况下的限速值，如下表所示。雨天天气时，隧道路面潮湿，附着系数降低，取潮湿路面的附着系数

限速前后车流速度差值如图4所示，可以看到，初始车流车速差值分布较分散，车流的离散性大，容易引起事故的发生。对雨天不同能见度下进行限速，大部分车辆速度降低，平均速度降低，速度分布范围变小，车速差值分布范围缩小，速度差ΔV∈[-10，+10]，只有有限个车辆的车速差超出该范围，符合评价车流稳定性的要求。

实施例2：

本实施例与实施例1大致相同，其不同之处在于：以限速后车流速度方差作为适应度函数，所述粒子的适应度值f(x_i)按下式计算：

$f\left(x_i\right)=\sqrt{\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(V_{\mathrm{ij}}^{\text{'}}-\stackrel{\‾}{V_i})}^2}{n}}$

上式中：V′_ij-----第i个粒子更新后第j辆车的速度；

-----第i个粒子更新后车流平均速度；

n-----第i个粒子包含的车辆数，即第i个检测时段通过的车辆数。

分析雨天天气下在能见度分别为200米、100米和25米三种情况下的限速值，如下表所示。雨天天气时，隧道路面潮湿，附着系数降低，取潮湿路面的附着系数

Claims (4)

1.一种基于人工免疫粒子群算法的可变限速控制方法，其特征在于按如下步骤进行：

步骤一：分别获取N个检测时段通过同一道路断面的所有车辆速度，根据每个检测时段通过的所有车辆速度，计算每个检测时段的初始限速值，确定粒子种群的大小N、最大迭代次数Tm、粒子的初始最大速度v_max初和初始最远位置X_max初；

步骤二：确定N个粒子，建立初始粒子种群：每个检测时段对应一个粒子，计算的初始限速值为粒子位置x_i，步长为粒子速度v_i，其中，步长v_i为随机生成的实数，服从[-v_max初，v_max初]区间的随机均匀分布，i＝1，2，…，N；

步骤三：计算粒子种群中各个粒子的适应度值f(x_i)；

步骤四：根据各个粒子的适应度值，确定粒子种群中的全局最优粒子和每个粒子的个体最优粒子，并将全局最优粒子和每个粒子的个体最优粒子存储在记忆库中；每个粒子的个体最优粒子的位置为单个粒子最好位置P_i，全局最优粒子的位置为所有粒子最好位置P_g；

步骤五：判断是否符合迭代终止条件：

终止条件有两个：迭代数到达最大迭代次数Tm和粒子的适应度值标准差连续2代小于等于10^-6；

如果满足两个终止条件的其中一个，则停止迭代，输出记忆库中的全局最优粒子，该粒子的位置为最优限速值；

如果两个终止条件都不满足，则进入步骤六；

步骤六：更新粒子种群，生成新一代种群，按如下步骤进行：

(一)调整当前N个粒子的粒子位置和粒子速度，确定调整后粒子的最大速度v_max调和最远位置x_max调；

(二)随机生成M个粒子，其中，粒子位置x_j∈[0，x_max调]，粒子速度v_j∈[-v_{max 调}，v_max调]，j＝1，2，…，M；

(三)根据粒子浓度计算调整后的M+N个粒子的选择概率，依照选择概率的大小从所述M+N个粒子中选出N个粒子，组成粒子群A；

(四)将记忆库中存储的每个粒子的个体最优粒子与粒子群A中的粒子一一比对，若记忆库中个体最优粒子的适应度值好于对应的粒子群A中的粒子，则用该个体最优粒子替换对应的粒子群A中的粒子，形成新一代的粒子种群，返回到步骤三。

2.根据权利要求1所述的基于人工免疫粒子群算法的可变限速控制方法，其特征在于：所述粒子的适应度值f(x_i)按下式计算：

$f\left(x_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Δ}{V}_{\mathrm{ij}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|V_{\mathrm{ij}}^{\′}-{\stackrel{\‾}{V}}_i|$

上式中：ΔV_ij-----第i个粒子更新后第j辆车的速度差；

V′_ij-----第i个粒子更新后第j辆车的速度；

-----第i个粒子更新后车流平均速度；

n-----第i个粒子包含的车辆数，即第i个检测时段通过的车辆数。

3.根据权利要求1所述的基于人工免疫粒子群算法的可变限速控制方法，其特征在于：所述粒子的适应度值f(x_i)可按下式计算：

$f\left(x_i\right)=\sqrt{\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(V_{\mathrm{ij}}^{\′}-{\stackrel{\‾}{V}}_i)}^2}{n}}$

上式中：V′_ij-----第i个粒子更新后第j辆车的速度；

-----第i个粒子更新后车流平均速度；

n-----第i个粒子包含的车辆数，即第i个检测时段通过的车辆数。

4.根据权利要求1所述的基于人工免疫粒子群算法的可变限速控制方法，其特征在于：单个粒子最好位置P_i由下式确定：

上式中，t为迭代数，t＝2，…，Tm；当t＝1时，P_i＝x_i；

所有粒子最好位置P_g由下式确定：

P_g∈{P₁(t)，P₂(t)，……，P_N(t)}|f(P_g(t))＝min{f(P₁(t))，f(P₂(t))，……f(P_N(t))}

上式中，t为迭代数，t＝1，2，…，Tm。

Images