CN104616508A - 一种基于混沌人工鱼群算法的关联交叉口信号控制方法 - Google Patents

Abstract

本发明涉及一种基于混沌人工鱼群算法的关联交叉口信号控制方法。从城市道路交叉口之间的关联关系出发，对关联交叉口进行初步定义。在此基础上，提出以关联交叉口总体通行效率作为控制目标，针对城市道路交通流存在的非线性及时变特点，设计出基于混沌人工鱼群算法的交通信号控制算法，将混沌人工鱼群算法应用于城市关联交叉口的信号控制参数优化求解，具有计算简单操作方便的优势且满足现代交通控制技术在实时性方面的要求。本文提出的城市关联交叉口群信号控制策略，以关联交叉口群内车辆平均延误时间最少为优化目标，因此其全局控制效果优于单点控制，有利于改善关联交叉口的总体通行效率，对于提高城市路网整体通行效率具有十分重要的意义。

Description

一种基于混沌人工鱼群算法的关联交叉口信号控制方法

技术领域

本发明属于智能交通领域，涉及一种基于混沌人工鱼群算法的关联交叉口信号控制方法。

背景技术

城市交通流量大，使得各相邻交叉口相互关联，所以只关注某一个交叉口交通信号控制是不能够解决城市主干道的交通问题。同时在城市交通网中，各交叉口相距都比较近，如果各相邻的交叉口分别设置单点信号控制，车辆可能会经常遇到红灯，造成车辆的通行不畅，也会使环境污染加重。为了减少车辆在各个交叉口上的停车等待时间，尤其使干道上的车辆能够畅通行驶，所以本方法针对城市关联交叉口进行实时信号控制，对于提高城市路网整体通行效率具有十分重要的意义。

城市关联交叉口具有关联性、交通流行为复杂且多变等特征，是普遍存在于城市路网中的一类交叉口集合形式。关联交叉口既可以是相互邻近的交叉口，也可以是隧道两端的交叉口集合而不受实际距离的限制约束，其关联性主要体现在交叉口交通流之间的关联性。相邻交叉口之间的关联会随着交通流的变化而变化。城市关联交叉口构成城市路网中的重点交通区域(包括重要交通密集及交通瓶颈地带)。因此，对城市关联交叉口的控制效果直接影响着城市路网通行效率。

目前，对交叉口信号控制的研究有很多。杨锦冬等人(杨锦冬,杨东援.城市信号控制交叉口信号周期时长优化模型[J].同济大学学报:自然科学版,2001,29(7):789-794.)提出了一种新的城市道路交叉口信号配时方法；徐建闽等人(徐建闽,舒宁.新型模糊控制算法在交叉口信号控制中的应用[J].华南理工大学学报:自然科学版,2000,28(6):1-5.)提出了一种新型的孤立交叉口信号控制的模糊算法，实现了孤立交叉口信号控制的优化；李明伟等人(李明伟,康海贵,周鹏飞.基于混沌云粒子群算法的交叉口信号智能配时优化[J].武汉理工大学学报：交通科学与工程版,2013(1):82-86.)基于猫映射和云模型对标准粒子群算法进行改进，应用提出的混沌云粒子群算法对交叉口信号配送模型求解；杨海荣(杨海荣,罗大庸.交叉口信号实时滚动优化模型及算法[J].控制与决策,2014,29(4):645-650.)等人提出了改进的遗传算法对建立的可变相序实时滚动优化模型求解。但都没有考虑到交叉口交通流的关联性。

发明内容

针对以上城市关联交叉口信号控制问题，本发明提出了一种基于混沌人工鱼群算法求解关联交叉口信号控制模型。本发明的技术方案包括以下步骤：

步骤1：建立关联交叉口信号优化控制模型

如附图1所示的星型关联交叉口集合，该关联交叉口集合主要包括主交叉口C₀和与主交叉口C₀距离d_i的附近交叉口C_i。C₀和C_i之间的关联度系数为r_0i，满足条件公式(1.1)、(1.2)的相邻的交叉口就构成了以C₀为中心的关联交叉口。

dist(C₀,C_i)≤d₀

(1.1)

max{Corr(M_0i，M_ij)}≥r₀，j＝1，2，3，4

(1.2)

式中：i＝1，2，3，4，分别代表交叉口进口的东、西、南、北方向；dist(C₀,C_i)为交叉口C₀和C_i之间的距离；M_0i为交叉口C₀在进道口i方向的交通流参数时间序到；M_ij为交叉口C_i在进道口j方向的交通流参数时间序列；Corr(M_0i，M_ij)为交叉口C₀进口i方向和交叉口C_i进口j方向交通流参数时间序列之间的关联度；d₀和r₀为确定的值。

步骤2：关联交叉口优化策略

由附图2可知，首先，在保持关联性不变的情况下，将4个交叉口组成的关联交叉口分拆成为四个基本的子单元，然后对这4个基本单元进行优化。该关联交叉口有4个十字交叉口组成，各个交叉口设计为4相位的信号控制，以关联交叉口内的车辆延误时间最小为优化目标，进而实现对关联交叉口的信号实时优化控制。

步骤3：关联交叉口信号控制性能指标函数的确定

关联交叉口控制性能指标与单交叉口的控制性能指标类似，主要包括车辆的通行能力、延误时间、停车次数、排队时间、油耗等。常用的控制指标有通行能力、延误时间、排队长度。当交叉口的交通状态处于不饱和或者临界饱和时，一般要求调整交叉口控制参数，使交叉口的延误时间和车辆的停车次数达到最小；而当交叉口交通状态为过饱和状态时，应使交叉口的通行能力达到最大值。

取N_hij为交叉口的通行状态变量，则有

交叉口h的通行状态系数矩阵N_h可以表示为：

$N_h=\left[\begin{array}{ccccccccccc}0& 1& 1& 0& 0& 0& 0& 1& 1& 0& 0\\ 1& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 1& 1& 0& 0& 0& 0& 1\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 1& 0\end{array}\right]$

所以由C个单交叉口组成的关联交叉口的车辆总延误可以表示为：

$D=\underset{h=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\underset{j=1}{\overset{12}{\mathrm{\Σ}}}\underset{m=1}{\overset{t_{\mathrm{hi}}}{\mathrm{\Σ}}}\max [0,(P_{\mathrm{hij}}+\underset{n=1}{\overset{m}{\mathrm{\Σ}}}{q}_{\mathrm{hn}}-s_{\mathrm{hj}}{N}_{\mathrm{hij}}{t}_{\mathrm{hi}})]---\left(1.3\right)$

式中：t_hi表示为第h交叉口各个相位的配时；P_hij表示为第h个交叉口第j条车流在第i个相位前停留的车辆数目；j表示为交叉口东、西、南、北四个入口方向的右、中、左共计12条车流。

S_hj表示为对应车流的饱和车流量。

所以，关联交叉口内的车辆平均的延误时间为：

$\stackrel{\‾}{D}=\frac{D}{\underset{h=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\underset{j=1}{\overset{12}{\mathrm{\Σ}}}{q}_{\mathrm{hj}}{t}_{\mathrm{hi}}}---\left(1.4\right)$

综合考虑周期和最短绿灯时间等约束条件，交叉口平均延误最小的性能函数可表示为：

$\min s=\min \underset{h=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\underset{j=1}{\overset{12}{\mathrm{\Σ}}}\underset{m=1}{\overset{t_{\mathrm{hi}}}{\mathrm{\Σ}}}\max [0,(P_{\mathrm{hij}}+\underset{n=1}{\overset{m}{\mathrm{\Σ}}}{q}_{\mathrm{hn}}-s_{\mathrm{hj}}{N}_{\mathrm{hij}}{t}_{\mathrm{hi}})]/q_{\mathrm{hj}}{t}_{\mathrm{hi}}---\left(1.5\right)$

对应的约束条件为：

$\begin{array}{c}\left\{\begin{array}{c}{t}_{h1}+t_{h2}+t_{h3}+t_{h4}=T\\ g_{\min }\≤t_{\mathrm{hi}}\≤T-3g_{\min }\end{array}\right.\\ (h=\mathrm{1,2},...,C,i=\mathrm{1,2,3,4})\end{array}---\left(1.6\right)$

式1.6中：g_min为最小绿灯时间，一般取为15s；T为关联交叉口的通用信号周期，我们取关联交叉口中各交叉口Webster最优估计周期中的最大值。

步骤4：算法思想

本方法利用混沌人工鱼群算法(CAFSA)对关联交叉口信号优化配时的目标函数进行优化求解，该算法首先采用混沌初始化方法产生初始种群，然后利用混沌现象随机和不重复遍历的特性，使种群在可行解空间中形成比较理想的分布，最终得到所求目标函数的最优值。实验结果表明，该算法具有很强的全局搜索能力，求解精度高、适应性强、对初值无要求且参数选取不敏感，并且加快了收敛速度；克服了早熟收敛现象。

步骤5：算法步骤

根据混沌人工鱼群算法思想，给出关联交叉口信号控制的流程：首先，检测关联交叉口的交通流信息，通过对标准车型估算后得出各个交叉口的准确流量信息；然后，根据交叉口之间的距离、交叉口的车流量及车辆的平均速度信息，初步的确定关联交叉口的公用周期和相位差，建立类似公式1-5中的控制参数的优化性能函数；最后依据混沌人工鱼群算法的思想，对控制参数进行求解。算法步骤如下：

Step1设定人工鱼群算法的参数：鱼群规模m，最大迭代次数gen，人工鱼的感知范围Visual，最大移动步长step，拥挤度因子δ、每次移动最大试探次数为Trynumber等。

Step2利用混沌运算对鱼群初始化。随机的在解空间中混沌产生N条人工鱼，并从中选出较优的M(M<N)条人工鱼作为初始鱼群X⁽⁰⁾。

Step3对初始鱼群X⁽⁰⁾的每个个体计算其函数值，并将其中最优的数值计入公告板。

Step4对目前精确度进行考察，如果达到初始设置的精确度要求，执行步骤9，否则继续执行下一步骤。

Step5分别对模拟人工鱼X_i模拟鱼群的聚群行为和追尾行为，并得到与之相应的X_inext，对X_inext的各分量在其视野范围内进行一次混沌搜索XH＝X_inext+Δi，其中Δi＝-Visual+2Visual*z，其中z为混沌变量，若XH的位置优于X_inext，则替换X_inext。

Step6将得到的最优的X_inext作为下一步状态执行，完后得到新的群体X(t)。

Step7将公告板中的数值与新产生群体中的最优数值进行比较，如果优于公告板上的数值，则更新公告板。

Step8对公告板上的数值进行精确度比较，若其数值达到设定的精确度，则继续执行下一步骤；否则转向步骤5。

Step9算法终止，输出最优解。

步骤6：结果分析

本发明的有益效果在于提出一种混沌人工鱼群优化方法，对关联交叉口信号控制进行优化配时，提高交叉口车辆的通行能力。将人工鱼群算法和决策者主观偏好进行有效结合，引入鱼群感知范围的概念，以及决策者主观偏好对人工鱼的移动步长、视野范围和邻域搜索进行动态调整，提高了混沌人工鱼群算法的全局搜索能力。

附图说明

图1为星型关联交叉口示意图。

图2为关联交叉口模型。

图3为仿真实验中的关联交叉口示意图。

具体实施方式

为了对本发明控制方法进行验证，以如附图3所示的关联交叉口为仿真对象进行仿真试验，其中C₀为主交叉口，使用Vissim仿真软件进行实验。交叉口C₀与C₁之间的距离d₁＝450.0m，交叉口C₀与C₂之间的距离d₂＝150.0m；交叉口C₁南北向为4车道，交叉口C₂东西向为4车道，其余皆为6车道。

各交叉口进口方向交通流量饱和值Q₁＝Q₅＝1200veh/h，Q₂＝Q₃＝1200veh/h，Q₄＝Q₄＝Q₈＝1200veh/h，Q₇＝1200veh/h；按常规方法将各交叉口周期设定为120s，采取四相位控制方式，相位配时t₁＝t₃＝40s，t₂＝t₄＝20s。

以关联交叉口平均延误最少为优化目标，利用CAFSA算法进行3个交叉口相位时长优化求解，分别得出交叉口C₀、C₁与C₂各相位时长，将此信号控制参数施加于控制对象即3个关联交叉口共620s，通过Vissim仿真软件的评价参数输出功能，可以获取路段d₁、d₂上下行的行程时间T_i(i＝1,2,3,4)。现将本发明方法与常规方法(即按经验初步选定的控制方法)的行程时间对比统计如表1所示。

表1不同方法的路段行程时间对比表

表2控制性能指标对比表

通过表2各项统计数据可以看出：本发明提出的算法综合考虑了关联交叉口协调控制方向的双向排队长度，以车辆的最小延误时间为优化目标，使得在车辆平均排队长度、停车次数、平均延误方面较常规方法明显减少。与相互独立的单点控制方法相比具有明显的优势。

Claims (1)

1.一种基于混沌人工鱼群算法的关联交叉口信号控制方法，包括以下步骤：

步骤1：建立关联交叉口信号优化控制模型

满足条件公式(1.1)、(1.2)的相邻的交叉口就构成了以C₀为中心的关联交叉口；关联交叉口集合主要包括主交叉口C₀和与主交叉口C₀距离d_i的附近交叉口C_i。C₀和C_i之间的关联度系数为r_0i，

dist(C₀,C_i)≤d₀   (1.1)

max{Corr(M_0i，M_ij)}≥r₀，j＝1，2，3，4   (1.2)

式中：i＝1，2，3，4，分别代表交叉口进口的东、西、南、北方向；dist(C₀,C_i)为交叉口C₀和C_i之间的距离；M_0i为交叉口C₀在进道口i方向的交通流参数时间序到；M_ij为交叉口C_i在进道口j方向的交通流参数时间序列；Corr(M_0i，M_ij)为交叉口C₀进口i方向和交叉口C_i进口j方向交通流参数时间序列之间的关联度；d₀和r₀为确定的值；

步骤2：关联交叉口优化策略

在保持关联性不变的情况下，将4个交叉口组成的关联交叉口分拆成为四个基本的子单元，然后对这4个基本单元进行优化；该关联交叉口有4个十字交叉口组成，各个交叉口设计为4相位的信号控制，以关联交叉口内的车辆延误时间最小为优化目标，进而实现对关联交叉口的信号实时优化控制；

步骤3：关联交叉口信号控制性能指标函数的确定

取N_hij为交叉口的通行状态变量，则有

交叉口h的通行状态系数矩阵N_h可以表示为：

$N_h=\left[\begin{array}{c}01100001100\\ 10000010000\\ 00001100001\\ 00010000010\end{array}\right]$

所以由C个单交叉口组成的关联交叉口的车辆总延误可以表示为：

$D=\underset{h=1}{\overset{C}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{12}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{t_{\mathrm{hi}}}{\mathrm{\&Sigma;}}}\max [0,(P_{\mathrm{hij}}+\underset{n=1}{\overset{m}{\mathrm{\&Sigma;}}}{q}_{\mathrm{hn}}-s_{\mathrm{hj}}{N}_{\mathrm{hij}}{t}_{\mathrm{hi}})]---\left(1.3\right)$

式中：t_hi表示为第h交叉口各个相位的配时；P_hij表示为第h个交叉口第j条车流在第i个相位前停留的车辆数目；j表示为交叉口东、西、南、北四个入口方向的右、中、左共计12条车流；

S_hj表示为对应车流的饱和车流量；

所以，关联交叉口内的车辆平均的延误时间为：

$\stackrel{\&OverBar;}{D}=\frac{D}{\underset{h=1}{\overset{C}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{12}{\mathrm{\&Sigma;}}}{q}_{\mathrm{hj}}{t}_{\mathrm{hi}}}---\left(1.4\right)$

交叉口平均延误最小的性能函数可表示为：

$\min s=\min \underset{h=1}{\overset{C}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{12}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{t_{\mathrm{hi}}}{\mathrm{\&Sigma;}}}\max [0,(P_{\mathrm{hij}}+\underset{n=1}{\overset{m}{\mathrm{\&Sigma;}}}{q}_{\mathrm{hn}}-s_{\mathrm{hj}}{N}_{\mathrm{hij}}{t}_{\mathrm{hi}})]/q_{\mathrm{hj}}{t}_{\mathrm{hi}}---(1.5)$

对应的约束条件为：

$\left\{\begin{array}{c}{t}_{h1}+t_{h2}+t_{h3}+t_{h4}=T\\ g_{\min }\&le;t_{\mathrm{hi}}\&le;T-3g_{\min }\end{array}\right.---\left(1.6\right)$

(h＝1，2，…，C，i＝1，2，3，4)

式1.6中：g_min为最小绿灯时间，一般取为15s；T为关联交叉口的通用信号周期，我们取关联交叉口中各交叉口Webster最优估计周期中的最大值；

步骤4：算法思想

利用混沌人工鱼群算法(CAFSA)对关联交叉口信号优化配时的目标函数进行优化求解，该算法首先采用混沌初始化方法产生初始种群，然后利用混沌现象随机和不重复遍历的特性，使种群在可行解空间中形成比较理想的分布，最终得到所求目标函数的最优值；

步骤5：算法步骤

算法步骤如下：

Step1设定人工鱼群算法的参数：鱼群规模m，最大迭代次数gen，人工鱼的感知范围Visual，最大移动步长step，拥挤度因子δ、每次移动最大试探次数为Trynumber等；

Step2利用混沌运算对鱼群初始化：随机的在解空间中混沌产生N条人工鱼，并从中选出较优的M(M<N)条人工鱼作为初始鱼群X⁽⁰⁾；

Step3对初始鱼群X⁽⁰⁾的每个个体计算其函数值，并将其中最优的数值计入公告板；

Step4对目前精确度进行考察，如果达到初始设置的精确度要求，执行步骤9，否则继续执行下一步骤；

Step5分别对模拟人工鱼X_i模拟鱼群的聚群行为和追尾行为，并得到与之相应的X_inext，对X_inext的各分量在其视野范围内进行一次混沌搜索XH＝X_inext+Δi，其中Δi＝-Visual+2Visual*z，其中z为混沌变量，若XH的位置优于X_inext，则替换X_inext；

Step6将得到的最优的X_inext作为下一步状态执行，完后得到新的群体X(t)；

Step7将公告板中的数值与新产生群体中的最优数值进行比较，如果优于公告板上的数值，则更新公告板；

Step8对公告板上的数值进行精确度比较，若其数值达到设定的精确度，则继续执行下一步骤；否则转向步骤5；

Step9算法终止，输出最优解；

步骤6：结果分析。