CN104751652B - 基于遗传算法的绿波优化算法 - Google Patents
基于遗传算法的绿波优化算法 Download PDFInfo
- Publication number
- CN104751652B CN104751652B CN201510176697.2A CN201510176697A CN104751652B CN 104751652 B CN104751652 B CN 104751652B CN 201510176697 A CN201510176697 A CN 201510176697A CN 104751652 B CN104751652 B CN 104751652B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- algorithm
- mtr
- mtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于遗传算法的绿波控制参数优化算法,方法主要包括交通基础输入数据的处理、基础绿波算法的参数求解、优化目标函数的建立、绿波参数的优化。本发明利用基础绿波算法求得初始的绿波控制参数,包括公共信号周期、相位差、绿信比。然后针对绿波控制算法中最重要的相位差参数,建立优化目标函数,利用遗传算法,进行目标函数的优化,提高绿波控制效果,减少停车延误和停车次数。本算法与传统的绿波控制算法相比,通过对控制参数的实时调整控制,体现了更好的动态性和实时性,从而达到更好的控制效果,保证主干道通畅的情况下,有效避免了次干道的长等待。相比与自适应等其他复杂控制算法,本算法实现相对简单,具有更好的实施性。
Description
技术领域
本发明涉及一种交通控制方法,尤其涉及一种基于遗传算法的绿波优化算法。
背景技术
目前。近年来,我国经济不断高速发展,城市建设不断推进,交通流也在不断膨胀。同时,随着经济的发展,居民对出行的便捷性和舒适性有了更高的要求,导致私家车数量快速增加,交通需求的压力持续增大。道路交通基础设施建设的不完备以及交通信号控制策略的落后,使得交通拥堵问题尤为突出。
为缓解这一问题,国内外很多学者相继对干线控制进行了大量的研究和实践。在干线控制的研究和实践中,绿波技术是研究比较广泛,也比较早的技术,是现在干线交通控制研究中的热点。
传统的绿波控制算法中,典型的计算方法包括图解法和数解法,这种控制方法实现简单,但明显的缺点是控制过于理论化,在实际的交通中,交通流构成的多样性、车流的离散性、驾车习惯的复杂性,使得控制的实际效果不如人意。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种基于遗传算法的绿波优化算法,根据实际的交通基础信息,通过遗传算法对绿波控制中最重要的相位差参数进行优化,得到更好的控制效果。本发明采用的技术方案是:
本发明提出的基于遗传算法的绿波优化算法,包括下述步骤:
1)基础交通数据的处理:利用k-means算法处理交通流量数据,获取不同时段的平均交通流量;
2)基础绿波算法的参数求解:利用传统的数解法,求得基础的绿波控制参数,包括公共信号周期、相位差、绿信比;
3)优化目标函数的设定:针对步骤2)中求解的相位差参数,设定优化目标函数;
4)优化处理:利用遗传算法,对设定的目标函数进行优化,求得其最优解。
所述的公共周期为:根据各个交叉口实际的交通数据,计算得到各自的信号周期,从中选取周期的最大值作为所有交叉口的公共周期;
所述的数解法是在绿波信号配时中,一种常用的求取控制参数的计算方法;
所述的相位差为:沿着车辆行驶方向任意相邻路口的协调相位起始时刻的最小时间差,车辆行驶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;
所述的绿信比:在一个公共周期中,每个路口各个相位的绿灯时间与公共周期的比。
本发明的优点在于:本算法与传统的绿波控制算法相比,通过对控制参数的实时调整控制,体现了更好的动态性和实时性,从而达到更好的控制效果,保证主干道通畅的情况下,有效避免了次干道的长等待。相比与自适应等其他复杂控制算法,本算法实现相对简单,具有更好的实施性。
附图说明
图1为本发明的算法流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明提出的基于遗传算法的绿波优化算法,如图1所示,包括下述步骤:
1)基础交通数据的处理:利用k-means算法处理交通流量数据,获取不同时段的平均交通流量;
2)基础绿波算法的参数求解:利用传统的数解法,求得基础的绿波控制参数,包括公共信号周期、相位差、绿信比;
3)优化目标函数的设定:针对步骤2)中求解的相位差参数,设定优化目标函数;
4)优化处理:利用遗传算法,对设定的目标函数进行优化,求得其最优解。
所述的公共周期为:根据各个交叉口实际的交通数据,计算得到各自的信号周期,从中选取周期的最大值作为所有交叉口的公共周期;
所述的数解法是在绿波信号配时中,一种常用的求取控制参数的计算方法;
所述的相位差为:沿着车辆行驶方向任意相邻路口的协调相位起始时刻的最小时间差,车辆行驶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;
所述的绿信比:在一个公共周期中,每个路口各个相位的绿灯时间与公共周期的比。
通常在计算车流平均流量时,往往是人为的硬性确定各个时段的时间区间,例如对一天的交通流量进行划分时,会硬性将早8点到早10点划分为早高峰,类似的划分晚高峰,这样的处理方式使得区段间的划分不平滑,这里提出使用k-means方式进行区间划分,将交通流量信息扩展为二维属性,车流量的统计间隔为半个小时,记录形式为<时间,流量>对的形式,然后利用k-means聚类进行评价流量的计算。
这里之所以利用基础的绿波控制算法求解,是因为遗传算法需要一个初始的良好的相位差参数,即良好的“初始种群”,基于这个良好的“种群”,可以更快的得到最优解。基础绿波控制算法采用数解法,对输入参数“平均交通流量”进行处理,可以得到的控制参数有公共信号周期、相位差、绿信比。
在绿波控制中,相位差参数是最重要的参数,根据实际的车流信息,学习优化相位差是非常有利于提高和改善控制效果的。同时,对于路网运行状态或控制信号控制效果的评价指标有很多,包括平均停车时间和平均停车次数,在通常情况下,二者是单独作为评价指标来衡量控制效果的,本发明采用将二者结合的方式来评价整个路网的运行状态和信号控制策略的优劣,为二者分配不同的权重后,取二者的总体结果作为最终的目标函数。其中,停车次数保证的干线绿波的通畅性,而等待时间(即停车时间)保证了支路不会为干线的通畅牺牲太多通行权。
根据上面论述的情况,本专利设定的优化目标函数为:
s.t.
其中,N为目标绿波带中包含的交叉口的总数;Ci表示第i个交叉口的路口总数;表示第i个交叉口j方向路口对于停车次数的惩罚系数;Sij表示第i交叉口j方向路口的停车次数;βij表示i交叉口j方向路口对停车等待时间的惩罚项系数;Wij表示i交叉口j方向路口的停车等待时间,t表示设定的驾驶员可以容忍的最长等待时间。其中βij是根据具体的路口重要程度优先级进行初始设定的,优先级越高,惩罚项越大,表示要倾向于满足优先级高的路口方向的车辆的通行。
上面的式子(1)中,并未直接体现出要优化的参数,即相位差的信息,这里假设对信号控制策略优劣起决定作用的是相位差参数,而相位差参数设定的优劣会在停车次数和停车时间上表现出来,所以通过停车次数和停车时间,来调整优化相位差参数。
遗传算法的优化求解过程为:
①求解问题:求解的目标函数如下所示:
s.t.
②初始化:采用通过数解法获得的相位差参数作为遗传算法的初始值;遗传算法运行中,会改变相位差参数,从而会引起式子(1)中如停车次数和停车时间等相关参数的改变;
③交叉:设定交叉的概率Px,种群中每个个体,对应产生一个[0,1]的随机数,若随机数小于交叉概率Px,则进行交叉;
④变异:设定变异的概率Pm,种群中的每个个体,对应产生一个[0,1]的随机数,若随机数小于变异概率Pm,则进行变异;
⑤循环:通过③④产生新的种群,然后继续循环产生下一代种群;
⑥结束:当新种群参数产生的控制效果降低时,结束迭代循环。式子(1)输出的值越小,则控制效果越好,反之控制效果越低,当式子(1)输出的值大于一个设定阈值,则结束迭代循环。
Claims (1)
1.一种基于遗传算法的绿波优化算法,其特征在于,包括下述步骤:
1)基础交通数据的处理:利用k-means算法处理交通流量数据,获取不同时段的平均交通流量;
2)基础绿波算法的参数求解:利用传统的数解法,求得基础的绿波控制参数,包括公共信号周期、相位差和绿信比;
3)目标函数的设定:针对步骤2)中求解的相位差参数,设定目标函数;
4)优化处理:利用遗传算法,对设定的目标函数进行优化,求得其最优解;
步骤3)中,设定的目标函数为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mrow>
<mo>{</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mo>&part;</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<msub>
<mo>&part;</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>;</mo>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>N</mi>
<mo>/</mo>
<mn>4</mn>
<mo>;</mo>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,N为目标绿波带中包含的交叉口的总数;Ci表示第i个交叉口的路口总数;表示第i个交叉口j方向路口对于停车次数的惩罚项系数;Sij表示第i个交叉口j方向路口的停车次数;βij表示第i个交叉口j方向路口对停车等待时间的惩罚项系数;Wij表示第i个交叉口j方向路口的停车等待时间,t表示设定的驾驶员可以容忍的最长等待时间;其中βij是根据具体的路口重要程度优先级进行初始设定的,优先级越高,惩罚项系数越大,表示要倾向于满足优先级高的路口方向的车辆的通行;
步骤4)中,遗传算法的优化求解过程为:
①求解问题:求解的目标函数如下所示:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mrow>
<mo>{</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mo>&part;</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<msub>
<mo>&part;</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>;</mo>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>N</mi>
<mo>/</mo>
<mn>4</mn>
<mo>;</mo>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
②初始化:采用通过传统的数解法获得的相位差参数作为遗传算法的初始值;
③交叉:设定交叉的概率Px,种群中每个个体,对应产生一个[0,1]的随机数,若随机数小于交叉概率Px,则进行交叉;
④变异:设定变异的概率Pm,种群中的每个个体,对应产生一个[0,1]的随机数,若随机数小于变异概率Pm,则进行变异;
⑤循环:通过③④产生新的种群,然后继续循环产生下一代种群;
⑥结束:当新种群参数产生的控制效果降低时,即当式子(1)输出的值大于一个设定阈值时,结束迭代循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510176697.2A CN104751652B (zh) | 2015-04-14 | 2015-04-14 | 基于遗传算法的绿波优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510176697.2A CN104751652B (zh) | 2015-04-14 | 2015-04-14 | 基于遗传算法的绿波优化算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751652A CN104751652A (zh) | 2015-07-01 |
CN104751652B true CN104751652B (zh) | 2017-10-20 |
Family
ID=53591262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510176697.2A Active CN104751652B (zh) | 2015-04-14 | 2015-04-14 | 基于遗传算法的绿波优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751652B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023591B (zh) * | 2016-06-20 | 2018-05-29 | 北方工业大学 | 一种城市干线绿波控制评估方法及装置 |
CN110689741B (zh) * | 2019-10-14 | 2021-08-27 | 沈阳建筑大学 | 一种基于非等周期的干线交叉口交通信号协调控制方法 |
CN111028521B (zh) * | 2019-12-19 | 2021-01-05 | 东南大学 | 一种有轨电车网络绿波协调控制方法与装置 |
CN114299736A (zh) * | 2021-12-22 | 2022-04-08 | 安徽建德基文化传媒有限公司 | 一种多路口交通自适应协调控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266718A (zh) * | 2008-04-24 | 2008-09-17 | 山东大学 | 基于路口组的交通流优化控制方法 |
DE102008050822A1 (de) * | 2008-10-08 | 2010-04-15 | Gevas Software Systementwicklung Und Verkehrsinformatik Gmbh | Verkehrsadaptive Netzsteuerung und Verfahren zur Optimierung der Steuerungsparameter |
CN101707000B (zh) * | 2009-10-26 | 2013-07-03 | 北京交通大学 | 城市道路交通多目标优化控制方法 |
JP2013016075A (ja) * | 2011-07-05 | 2013-01-24 | Kumamoto Univ | 情報処理装置、情報処理方法及びプログラム |
CN103824446A (zh) * | 2013-12-13 | 2014-05-28 | 华南理工大学 | 一种子区多交叉口群决策控制方法 |
CN103794064B (zh) * | 2014-01-16 | 2015-11-25 | 同济大学 | 直观的主干道若干十字路口双向绿波带的实现方法 |
-
2015
- 2015-04-14 CN CN201510176697.2A patent/CN104751652B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104751652A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751652B (zh) | 基于遗传算法的绿波优化算法 | |
CN109840641B (zh) | 一种列车多区间运行曲线快速优化方法 | |
CN101707000B (zh) | 城市道路交通多目标优化控制方法 | |
CN109785619A (zh) | 区域交通信号协调优化控制系统及其控制方法 | |
CN107331166B (zh) | 一种基于路径分析的动态限行方法 | |
CN104134356B (zh) | 城市交叉口模型参考自适应信号的控制方法 | |
CN104021685B (zh) | 一种含混合交通流的交叉口交通控制方法 | |
CN111899534A (zh) | 基于道路实时容量的交通灯智能控制方法 | |
CN109767632B (zh) | 一种基于迭代学习与模型预测控制的交通信号混合控制方法 | |
Lin et al. | Traffic signal optimization based on fuzzy control and differential evolution algorithm | |
CN106447119A (zh) | 一种基于卷积神经网络的短期交通流量预测方法及系统 | |
CN104485004A (zh) | 主干道双向动态绿波与次干道半感应相结合的信号控制方法 | |
CN109583125B (zh) | 一种提高地铁列车再生制动能利用率的优化方法 | |
CN109272747B (zh) | 一种信号控制平面交叉口可变导向车道属性动态调整阈值设置方法 | |
CN108538065A (zh) | 一种基于自适应迭代学习控制的城市主干道协调控制方法 | |
CN104766485A (zh) | 一种基于改进的模糊控制的红绿灯优化配时方法 | |
Pang et al. | Deep deterministic policy gradient for traffic signal control of single intersection | |
CN108288095A (zh) | 一种基于黄金分割遗传算法的地铁列车节能优化方法 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
CN103236169A (zh) | 城市干线公交站间双向分段绿波信号设置方法 | |
CN105279981A (zh) | 一种潮汐车道行驶方向动态控制方法 | |
CN104952261A (zh) | 一种单交叉口交通信号优化控制方法 | |
CN102903038B (zh) | 基于用户轨迹的小件物流配送方法及系统 | |
CN103699933A (zh) | 基于最小生成树聚类遗传算法的交通信号配时优化方法 | |
CN111680413B (zh) | 基于双层算法的有轨电车定时节能运行优化方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |