CN104766484B - 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 - Google Patents
基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 Download PDFInfo
- Publication number
- CN104766484B CN104766484B CN201510129217.7A CN201510129217A CN104766484B CN 104766484 B CN104766484 B CN 104766484B CN 201510129217 A CN201510129217 A CN 201510129217A CN 104766484 B CN104766484 B CN 104766484B
- Authority
- CN
- China
- Prior art keywords
- msub
- crossing
- mrow
- vehicle
- population
- 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.)
- Expired - Fee Related
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000001939 inductive effect Effects 0.000 claims abstract description 29
- 230000006698 induction Effects 0.000 claims abstract description 17
- 239000003016 pheromone Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000004048 modification Effects 0.000 claims description 14
- 238000012986 modification Methods 0.000 claims description 14
- 238000011144 upstream manufacturing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开了基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法,该方法将基于进化多目标优化的交通控制与基于蚁群算法优化的诱导技术相结合,控制系统构建了单路口多目标优化控制模型及路口间的协调机制,采用改进的进化多目标优化算法实现交通信号优化。诱导系统采用构建等效路径的方法,结合改进的蚁群算法获得最优等效路径,实现对交通流的主动引导。整个系统包括交通状态感知模块、单路口优化控制模块、路口间协调控制模块、配时方案输出模块、车辆诱导模块、诱导路径输出模块、受控车流。
Description
技术领域
本发明涉及一种基于进化多目标优化和蚁群算法的交通控制与诱导系统及其实现方法,属于智能交通的技术领域。
背景技术
随着交通流的日益增大及复杂化,城市路网拥堵的问题越来越严重,现有的智能交通控制难以提高城域交通系统的整体效率。将主动引导交通流、均衡交通负载的诱导系统和被动疏导交通流的控制系统有机结合是解决城市交通问题的有效途径。如何构建这样的智能交通系统优化模型及其优化方法已成为当前的研究热点和关键技术。现有交通控制系统难以有效兼顾各种指标根据实时交通状态高效调节控制信号配时;区域多路口协调方式中各路口控制耦合度高,协调控制复杂,实时性差,并且对路口拥堵预判能力差;诱导系统较少考虑道路上的动态代价和出行者的起始地与目的地,并且难以与控制系统有效地协调工作。本发明是有效解决这些问题的新技术手段。
发明内容
本发明目的在于针对现有交通控制系统存在的问题,提出了一种基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法,该方法将基于进化多目标优化的交通控制与基于蚁群算法优化的诱导技术相结合,控制系统构建了单路口多目标优化控制模型及路口间的协调机制,采用改进的进化多目标优化算法实现交通信号优化。诱导系统采用构建等效路径的方法,结合改进的蚁群算法获得最优等效路径,实现对交通流的主动引导。本发明的应用能有效引导交通流,均衡交通负载,提高城域路网的交通效率。
本发明解决其技术问题所采取的技术方案是:一种基于进化多目标优化和蚁群算法的交通控制与诱导系统,该系统包括交通状态感知模块、单路口优化控制模块、路口间协调控制模块、配时方案输出模块、车辆诱导模块、诱导路径输出模块、受控车流。
交通状态感知模块的功能是:采集各路口各车道上的车流量信息、上个周期遗留车辆数、路网的路权矩阵数据。
单路口优化控制模块的功能是:根据交通状态感知模块采集到的交通信息,优化出各个路口最优的配时方案。
路口间协调控制模块的功能是:根据路口间的拥挤程度,动态地修改调整单路口优化配时方案。
配时方案输出模块的功能是:把最终配时方案,通过信号输出装置作用于受控车流。
车辆诱导模块的功能是:根据交通状态感知模块采集到的交通信息和各个路口的平均时延,规划出一条当前代价最小的行驶路径。
诱导路径输出模块的功能是:把诱导模块生成的最优行驶路径通过输出装置通知车辆驾驶者。
受控车流是:装载了可接受诱导信息的终端设备的车辆流,是控制系统和诱导系统的最终调控对象。
本发明还提供了一种基于进化多目标优化和蚁群算法的交通控制与诱导系统的实现方法,该方法包括如下步骤:
步骤1:采集路网的路权矩阵数据、各路口各车道上的车流量信息、各路口各车道上个周期遗留的车辆数。
步骤2:单路口优化控制模块根据感知模块采集到的交通信息,优化出单路口各自最优的配时方案。
步骤3:路口间协调控制模块根据路口间的车流量拥挤程度,动态的修改各路口对应车道的绿灯通行时间。统计各个路口的平均时延,并把各个路口的平均时延发送给车辆诱导模块。
步骤4:车辆诱导模块根据接收到的路口时延、路网路权矩阵数据、道路车流量信息、驾驶者的出行信息,规划出当前代价最小的一条行驶路线。
步骤5:控制系统的最终配时方案和诱导系统的最优行驶路径分别通过配时方案输出模块和诱导路径输出模块施加给受控车辆。
步骤6:受控车流中的车辆依照控制系统输出的控制信号配时方案和诱导系统输出的诱导路径进行行驶。
步骤7:转步骤1,循环运行。
本发明上述步骤2包括:
(1)单路口优化控制模型:
本发明构建的单路口优化控制模型,以路口单位时间内通过的车辆数f和单位时间内时耗h为最终的优化目标。假设某个路口信号周期为T,在一个信号周期内共有Sc辆车通过该路口,并且该路口该周期内所有车辆延时总和为H。那么路口单位时间内通过的车辆数单位时间内时耗单路口优化控制的目的,是使得f尽可能的大,h尽可能的小。这种模型的优点可以更好地兼顾到不同的指标。
(2)求解路口优化控制的多目标进化算法:
本发明的单路口优化控制问题是一个多目标优化问题。为了满足单路口优化控制的实时性、稳定性要求,本发明对NSGA-II(Non-dominated Sorting Genetic Algorithm)算法进行了必要的改造,提出了基于多个子种群并行进化的非支配排序算法MPNSGA(Multi-population Parallel Non-dominated Sorting Genetic Algorithm)。MSNSGA算法具体步骤如下:
①初始化两个种群大小为N/2(N为整个种群规模)的子种群P1,P2,种群中每个个体为X=[x1,x2,x3,…,xn],n为决策变量维数。xi(i=1,2,…,n)为各个决策变量取值范围内的随机数。确定迭代终止条件(如,终止条件为迭代M代)。
②对每个子种群的个体进行非支配排序。
③交换两个子种群排序后一部分的第一等级解。
④计算每个等级个体的距离。在计算过程中,把两个子种群的相应等级个体拼成一个完整的等级集合后,再求相应等级个体在这个完整的等级集合中的距离。
⑤每个子种群通过联赛选择法,选择一半个体作为父代个体,进行交叉、变异产生后代C1,C2。
⑥把子种群C1和原始的P1拼成一个种群,把C2和原始的P2拼成一个种群。并对这新形成的两个种群进行非支配排序,分别取前N/2个个体作为P1,P2。
⑦判断是否满足迭代条件。若满足,则转③。
⑧迭代结束,把两个子种群的相应等级解合并起来,组成最终的完整解集。
本发明上述步骤3包括:路口间协调机制。本发明的路口间协调机制,是根据路口间实际车流量与道路饱和车流量的比值p和上游路口对应车道车辆排队长度L,来调节上游路口对应车道的绿灯时间。假设道路的实际车流量为q,道路的饱和车流量为Q,那么道路的饱和车流量Q是一个常数,它由车道数、道路限速共同决定。车道数决定着同一时刻,能通过某一个道路截面的车辆数。道路限速决定着车辆正常行驶的安全距离。那么Q为单位时间内,各个车道的车辆以限速和最小的安全距离通过某个截面的车辆数。当p小于1时,协调机制不对配时方案做任何修改。当p大于1时,需要对控制系统优化出来的配时方案做相应修改(即减少上游路口对应车道的绿灯时间)后输出,且上游路口对应车道车辆排队长度L越大,减少的绿灯时间越多。这种协调机制可以减小路口间协调控制的响应时间。
本发明上述步骤4包括:
(1)车辆诱导模型:
本发明构建的车辆诱导模型,以出行者起始地与目的地间的等效路径长度C为最终的优化目标。等效路径长度C由3部分组成:起始地与目的地间的静态路径长度Cs、该路径上通过路口总的延时转换得到的等效代价Ls、在道路上运行时产生的动态代价Ds。最终的等效路径为这3部分的加权和。
(2)求解诱导系统最优路径的蚁群算法:
本发明中,对原始的蚁群算法进行了必要的改进。改进的蚁群算法在选择下一个目的地的时候,偏向于选择与终点、起点趋于一直线上的点。为了保持其跳出局部最优解的能力,一部分个体选择下一个目的地的时候,只依赖于启发信息、启发因子重要程度。这样就可以减少先前蚂蚁对本次迭代的影响,增强了蚂蚁对路径的探索能力。本发明把这种改进的蚁群算法称为有偏好的蚁群算法PAA(Preferent Ant Algorithm)。PAA算法的具体步骤如下:
①初始化:蚂蚁个数M,信息素矩阵T,路权矩阵D,迭代代数N。
②每个蚂蚁都从起点出发,90%的可能选择下个路口的概率为:P(i)=p(i)/Σp(i),其中p(i)=τα*ηβ*l/π,τ为信息素,α为信息素的重要程度,η为启发信息,β为启发信息重要程度,l为下一个路口和起始点、终止点构成的角度。10%的可能选择下一个路口的概率为P(i)=p(i)/Σp(i),其中p(i)=ηβ。
③一次迭代完后,保存当代最优路径L,并对信息素进行更新。更新的规则是:原始的信息素浓度减去挥发的信息素浓度,再加上本次迭代中由于蚂蚁通过某段路程而增加的信息素浓度。
④判断是否已经迭代了N代。如果迭代未满N代,则转第2步继续迭代,否则停止迭代,并且输出最后一次迭代后的最优路径L。
有益效果:
1、本发明的路口控制系统可以较好地兼顾多个指标,根据实时的道路车流信息,高效地优化路口配时方案,并能给交通决策者提供多种偏好的配时选择。
2、本发明的区域多路口协调控制机制能有效减少交通拥堵的响应时间,快速协调各个路口的信号控制,提高区域路网交通效率。
3、本发明的诱导系统基于多种代价优化指标,能在力求个体驾驶路径最优的同时,实现路网车流负载的均衡优化分布。
附图说明
图1为本发明系统的结构示意图。
图2为本发明MPNSGA算法交换前沿面的效果图。
图3为本发明单路口模型图。
图4为本发明路口间协调模型图。
图5为本发明诱导系统路网示意模型图。
图6为本发明的方法流程图。
具体实施方式
下面结合说明书图对本发明创造作进一步的详细说明。
实施例一
如图1所示,本发明提供了一种基于进化多目标优化和蚁群算法的交通控制与诱导系统,该系统包括:交通状态感知模块、单路口优化控制模块、路口间协调控制模块、配时方案输出模块、车辆诱导模块、诱导路径输出模块、受控车流。所述系统的各个模块是通过有线或无线方式连接的。
交通状态感知模块的功能是:通过各种传感技术采集各路口各车道上的车流量信息、上个周期遗留车辆数、路网的路权矩阵数据。
单路口优化控制模块的功能是:配置在各路口的控制节点中,能根据交通状态感知模块采集到的交通状态信息,计算出各个路口最优的配时方案。
路口间协调控制模块的功能是:配置在区域服务器中,能根据路口间车流的拥挤程度,动态地修改调整单路口优化配时方案。
配时方案输出模块的功能是:配置在各路口的控制节点中,把最终配时方案,通过信号灯输出装置作用于受控车流。
车辆诱导模块的功能是:配置在中央服务器中,接收车载终端发来的出行信息,根据交通状态感知模块采集到的交通信息和各个路口的平均时延,规划出一条当前代价最小的行驶路径。
诱导路径输出模块的功能是:配置在车载终端中,接收车辆诱导模块规划出的当前代价最小行驶路径,并将其通过输出装置以图形和语音的方式通知车辆驾驶者。
受控车流是:装载了可与车辆诱导模块无线通信的终端设备的车辆流,是控制系统和诱导系统的最终调控对象。
对于路口控制而言,交通状态感知模块主要负责采集通向该路口各车道上的车流量信息及该路口上个周期各车道上的遗留车辆数。把这些车辆信息给单路口优化控制模块进行优化,计算出一组符合各种指标的配时方案给交通决策者选择。交通决策者根据实际需要,选择对于单路口较优的配时方案。路口间协调控制模块获得路口配时方案后,会根据相邻路口间道路的拥挤情况,修改相应路口对应车道的绿灯时间,修改后如果某个车道对应的绿灯时间小于最小的绿灯时间,那么该车道的绿灯时间就取最小绿灯时间。根据修改后的配时方案,计算出该路口的车辆时延,并把这个车辆时延给车辆诱导模块。把修改后的配时方案,给配时方案输出模块(即:输出给路口的信号灯)。配时方案输出作用于受控车流,对车流进行疏导。
对于车辆诱导系统而言,交通状态感知模块主要负责采集路网的路权矩阵数据、道路的车流量信息。车辆诱导模块根据交通状态感知模块采集到的信息和路口控制系统传来的各个路口的车辆延时,找出一条出行代价最优的建议路径。诱导路径输出模块为车载设备,它把诱导模块找到的最优路径告诉出行者。诱导路径输出模块输出的最优路径,引导出行者对于出行线路的选择,实现对车流的主动引导。
如图1所示,本发明的路口控制系统与车辆诱导系统构成了一个闭环负反馈系统。当A处反映的车流量增大时,经过控制系统处理,路口时延变大。E处反映的路口时延变大,经诱导系统优化,D处输出的最优路径中选择该路口的概率变小,导致驶向该路口的车辆数减少,从而使A处反映的车流量减少。反之亦然。当E处和C处反映的状态使得某起始地与目的地间相应路径的等效路径变长,那么通过诱导系统优化,D处给出的最优路径为该条路径的概率减小,从而车辆选择该条路径的概率减小,直接导致该路径上的车流量减少(即C处反映的车流量减小);同时导致该路径上路口车辆的减少(即A处车流量减少),经过控制系统优化,E处反映的路口延时减少。E和C处反映的车流量变小又会导致相应路径的等效路径变短,从而使选择该路径的车辆又增加。通过这种方式,控制系统与诱导系统可以较好的协调合作,使整个城域交通路网的效率趋于最优状态。
实施例二
路口优化控制实施过程包括:
图3给出了单路口模型,该模型由四个相位组成:东西直行、东西左转、南北直行、南北左转。每个相位分别配时为T1,T2,T3,T4(单位:秒),八个车道的车流量分别为q1,q2,q3,q4,q5,q6,q7,q8(单位:辆/秒),每个车道上个周期遗留下的车辆为si(i=1,2,3,4,5,6,7,8)。假设每个相位绿灯亮时,根据经验第一辆车需要3t(t为车辆在不停的情况下,通过路口所花的时间)通过路口、第二辆车需要2t通过路口、第三辆车及以后的每辆车只需要t就能通过路口,因为后面的车都已经启动好了。
基于上述假设,可以算出每个相位理想情况下能通过最大车辆数Li=(Ti-3t)/t(i=1,2,3,4)。实际每个车道的车辆数Ai=(T1+T2+T3+T4)*qi+si(i=1,2,3,4,5,6,7,8)。如果Ai-Li>0,那么该周期内此车道只能通过Sci=Li辆车,该车道剩到下个周期的车辆数为Sni=Ai-Li,否则Sci=Ai,Sni=0。
优化目标函数为:
公式1
公式2
结合MPNSGA算法,对该路口控制优化的具体步骤如下:
①把优化目标都化成求解最小值问题,即f=-f(T1,T2,T3,T4),h=h(T1,T2,T3,T4)。
②确定控制变量Ti(i=1、2、3、4)的取值范围,即使得TL<=Ti<=TH(TL为绿灯允许的最小时间,TH为绿灯允许的最大时间)。
③在变量空间内,随机的生成两个种群大小为N/2的子种群P1、P2,种群中的每个个体T=[T1,T2,T3,T4]。确定迭代终止条件(如,终止条件为迭代M代)。
④对每个子种群中个体进行非支配排序。
⑤交换P1、P2子种群排序后一部分的第一等级解。
⑥计算每个等级个体的距离。在计算过程中,把两个子种群的相应等级个体拼成一个完整的等级集合(即:子种群P1中的第n等级解d1n和子种群P2中的第n等级解d2n,拼成一个完整的等级解dn=d1n∪d2n)后,再求相应等级个体在这个完整的等级集合中的距离。
⑦每个子种群通过联赛选择法,选择一半个体作为父代个体,进行交叉、变异产生后代C1,C2。
⑧把子种群C1和原始的P1拼成一个种群,把C2和原始的P2拼成一个种群。并对这新形成的两个种群进行非支配排序,分别取前N/2个个体作为P1,P2。
⑨判断是否满足迭代条件。若满足,则转⑤。
⑩迭代结束,把两个子种群的相应等级解合并起来,组成最终的完整解集。输出的第一等级解,就是最终提供给交通决策者的信号灯配时方案。交通决策者可以根据实际需要,选择相应的配时方案。
路口间协调机制实施过程包括如下:
图4给出了路口间协调模型,该模型由路口一、路口二组成。每个路口有四个相位:东西直行、东西左转、南北直行、南北左转。路口一四个相位配时分别为T11、T12、T13、T14(单位:秒),对应车道的车流量分别为q1、q2、q3、q4、q5、q6、q7、q8(单位:辆/秒)。路口二四个相位配时分别为T21、T22、T23、T24(单位:秒),对应车道的车流量分别为q9、q10、q11、q12、q13、q14、q15、q16(单位:辆/秒)。q17、q18为路口间对应车道的平均车流量。假设路口一到路口二这段道路的饱和车流量为Q17,路口二到路口一这段道路的饱和车流量为Q18。那么得到两个路口协调的目标函数为:
公式3
公式4
路口间协调机制实施过程包括如下步骤:
①由交通状态感知模块获得道路实际车流量与道路饱和车流量的比值p、上游路口对应车道的车辆排队长度L。
②根据p、L数据查控制规则表获得对应的调控输出(可由模糊逻辑推理实现)。
③按调控输出修改上游路口对应车道的绿灯时间(修改后的绿灯时间不能小于最小绿灯时间,如果修改后相应车道的绿灯时间小于最小绿灯时间,那么该车道的绿灯时间就取最小绿灯时间)。
诱导系统最优路径求解过程包括:
图5给出了诱导系统路网示意模型,该模型由25个路口组成,路口1到路口25。假设出行者的起始地为路口1,目的地为路口25,相邻两路口间距离d相等。Cs为路口1到路口25间某条路径的长度。Ls为该路径上所有路口延时转换得到的等效路径。Ds是该路径上动态代价转换成的等效路径。Ds是对路径长度的积分。假设路径的流畅通行拥挤度极限为α。随着车辆间距离的增加,拥挤度会降低,反之,拥挤度会增加。当路径的拥挤度小于α时,不产生运行的动态代价。当路径拥挤度大于α时,则会产生运行时的动态代价。假定当前路径的拥挤度为β。当β>α时,Ds=∫(β-α)dx。诱导系统最终的优化目标为:
min C=Cs+Ls+Ds 公式5
结合PAA算法,诱导系统求解最优路径的具体过程包括如下步骤:
①确定路网矩阵D=[dij]n,dij为路口i到路口j的等效代价,由3部分组成:路口i到路口j间的静态代价、车辆通过路口j延时所产生的代价、车辆从路口i开向路口j时产生的动态代价。n代表路网的路口数。
②初始化PAA算法:蚂蚁个数M,信息素矩阵T,路权矩阵(即:第①步中的路网矩阵D),迭代代数N。
③每个蚂蚁都从起点出发,90%的可能选择下个路口的概率为P(i)=p(i)/Σp(i),其中p(i)=τα*ηβ*l/π,τ为信息素,α为信息素的重要程度,η为启发信息,β为启发信息重要程度,l为下一个路口和起始点、终止点构成的角度。10%的可能选择下一个路口的概率为P(i)=p(i)/Σp(i),其中p(i)=ηβ。
④一次迭代完后,保存当代最优路径L,并对信息素进行更新。更新的规则是:原始的信息素浓度减去挥发的信息素浓度,再加上本次迭代中由于蚂蚁通过某段路程而增加的信息素浓度。
⑤判断是否已经迭代了N代。如果迭代未满N代,则转第③步继续迭代,否则停止迭代,并且输出最后一次迭代后的最优路径L。该路径就是车辆从起始地到目的地出行代价最优的路径,是诱导系统最终给用户的建议路径。
实施例三
如图6所示,本发明还提供了一种基于进化多目标优化和蚁群算法的交通控制与诱导系统的实现方法,该方法包括如下步骤:
步骤1:采集路网的路权矩阵数据、各路口各车道上的车流量信息、各路口各车道上个周期遗留的车辆数。
步骤2:单路口优化控制模块根据感知模块采集到的交通信息,优化出单路口各自最优的配时方案。
步骤3:路口间协调控制模块根据路口间的车流量拥挤程度,动态的修改各路口对应车道的绿灯通行时间。统计各个路口的平均时延,并把各个路口的平均时延发送给车辆诱导模块。
步骤4:车辆诱导模块根据接收到的路口时延、路网路权矩阵数据、道路车流量信息、驾驶者的出行信息,规划出当前代价最小的一条行驶路线。
步骤5:控制系统的最终配时方案和诱导系统的最优行驶路径分别通过配时方案输出模块和诱导路径输出模块施加给受控车辆。
步骤6:受控车流中的车辆依照控制系统输出的控制信号配时方案和诱导系统输出的诱导路径进行行驶。
步骤7:转步骤1,循环运行。
本发明上述步骤2包括:
(1)单路口优化控制模型:
本发明构建的单路口优化控制模型,以路口单位时间内通过的车辆数f和单位时间内时耗h为最终的优化目标。假设某个路口信号周期为T,在一个信号周期内共有Sc辆车通过该路口,并且该路口该周期内所有车辆延时总和为H。那么路口单位时间内通过的车辆数单位时间内时耗单路口优化控制的目的,是使得f尽可能的大,h尽可能的小。这种模型的优点可以更好地兼顾到不同的指标。
(2)求解路口优化控制的多目标进化算法:
本发明的单路口优化控制问题是一个多目标优化问题。为了满足单路口优化控制的实时性、稳定性要求,本发明对NSGA-II(Non-dominated Sorting Genetic Algorithm)算法进行了必要的改造,提出了基于多个子种群并行进化的非支配排序算法MPNSGA(Multi-population Parallel Non-dominated Sorting Genetic Algorithm)。MSNSGA算法具体步骤如下:
①初始化两个种群大小为N/2(N为整个种群规模)的子种群P1,P2,种群中每个个体为X=[x1,x2,x3,…,xn],n为决策变量维数。xi(i=1,2,…,n)为各个决策变量取值范围内的随机数。确定迭代终止条件(如,终止条件为迭代M代)。
②对每个子种群的个体进行非支配排序。
③交换两个子种群排序后一部分的第一等级解。
④计算每个等级个体的距离。在计算过程中,把两个子种群的相应等级个体拼成一个完整的等级集合后,再求相应等级个体在这个完整的等级集合中的距离。
⑤每个子种群通过联赛选择法,选择一半个体作为父代个体,进行交叉、变异产生后代C1,C2。
⑥把子种群C1和原始的P1拼成一个种群,把C2和原始的P2拼成一个种群。并对这新形成的两个种群进行非支配排序,分别取前N/2个个体作为P1,P2。
⑦判断是否满足迭代条件。若满足,则转③。
⑧迭代结束,把两个子种群的相应等级解合并起来,组成最终的完整解集。
在本发明上述方法中,交换子种群排序后一部分第一等级解的效果如图2所示。从交换的前沿面上可以看出,交换以后很有可能形成一个波浪形的前沿面,对于每代来讲可能没有多大的影响,但是对于整个迭代过程,这部分解的交换使得两个子种群相互协调进化,促使两个子种群相互竞争,相互合作。竞争指的是:当一个子种群进化的结果不够理想时,另外一个子种群的一半的非支配解将竞争对这个子种群进化方向的引导。合作指的是:最终完整的前沿面,是由两个子种群各自的前沿面合并组成。每个等级解两两间的距离,是把两个子种群相应的等级解集合拼成一个完整的等级解集合后,再计算对应解在该等级解集合中的距离。通过这种多子种群竞争和合作的方式,会使整个种群更快、更稳定地向真实的pareto前沿面逼近的同时,保持种群的多样性。
本发明上述步骤3包括:路口间协调机制。本发明的路口间协调机制,是根据路口间实际车流量与道路饱和车流量的比值p和上游路口对应车道车辆排队长度L,来调节上游路口对应车道的绿灯时间。假设道路的实际车流量为q,道路的饱和车流量为Q,那么道路的饱和车流量Q是一个常数,它由车道数、道路限速共同决定。车道数决定着同一时刻,能通过某一个道路截面的车辆数。道路限速决定着车辆正常行驶的安全距离。那么Q为单位时间内,各个车道的车辆以限速和最小的安全距离通过某个截面的车辆数。当p小于1时,协调机制不对配时方案做任何修改。当p大于1时,需要对控制系统优化出来的配时方案做相应修改(即减少上游路口对应车道的绿灯时间)后输出,且上游路口对应车道车辆排队长度L越大,减少的绿灯时间越多。这种协调机制可以减小路口间协调控制的响应时间。
本发明上述步骤4包括:
(1)车辆诱导模型:
本发明构建的车辆诱导模型,以出行者起始地与目的地间的等效路径长度C为最终的优化目标。等效路径长度C由3部分组成:起始地与目的地间的静态路径长度Cs、该路径上通过路口总的延时转换得到的等效代价Ls、在道路上运行时产生的动态代价Ds。最终的等效路径为这3部分的加权和。如采用的是1:1(即:这个转换比率使用者可根据自身需求确定)的转换比率,即路口延时为1转换成的等效路径为1;运行时动态代价为1转换成的等效路径为1,C=Cs+Ls+Ds。通过这种方式构建的车辆诱导模型,较好的考虑了出行者的起始地与目的地和车辆在道路上行驶时产生的动态代价。
(2)求解诱导系统最优路径的蚁群算法:
蚁群算法在路径探索方面有着先天的优势,但是其收敛速度、跳出局部最优解的能力还不足以满足诱导系统的需求。本发明中,对原始的蚁群算法进行了必要的改进。改进的蚁群算法在选择下一个目的地的时候,偏向于选择与终点、起点趋于一直线上的点。为了保持其跳出局部最优解的能力,一部分个体选择下一个目的地的时候,只依赖于启发信息、启发因子重要程度。这样就可以减少先前蚂蚁对本次迭代的影响,增强了蚂蚁对路径的探索能力。本发明把这种改进的蚁群算法称为有偏好的蚁群算法PAA(Preferent AntAlgorithm)。PAA算法的具体步骤如下:
①初始化:蚂蚁个数M,信息素矩阵T,路权矩阵D,迭代代数N。
②每个蚂蚁都从起点出发,90%的可能选择下个路口的概率为P(i)=p(i)/Σp(i),其中p(i)=τα*ηβ*l/π,τ为信息素,α为信息素的重要程度,η为启发信息,β为启发信息重要程度,l为下一个路口和起始点、终止点构成的角度。10%的可能选择下一个路口的概率为P(i)=p(i)/Σp(i),其中p(i)=ηβ。
③一次迭代完后,保存当代最优路径L,并对信息素进行更新。更新的规则是:原始的信息素浓度减去挥发的信息素浓度,再加上本次迭代中由于蚂蚁通过某段路程而增加的信息素浓度。
④判断是否已经迭代了N代。如果迭代未满N代,则转第2步继续迭代,否则停止迭代,并且输出最后一次迭代后的最优路径L。
Claims (4)
1.一种基于进化多目标优化和蚁群算法的交通控制与诱导系统,其特征在于,所述系统包括:交通状态感知模块、单路口优化控制模块、路口间协调控制模块、配时方案输出模块、车辆诱导模块、诱导路径输出模块、受控车流;
交通状态感知模块的功能是:采集各路口各车道上的车流量信息、上个周期遗留车辆数、路网的路权矩阵数据;
单路口优化控制模块的功能是:根据交通状态感知模块采集到的交通信息,优化出各个路口最优的配时方案;
路口间协调控制模块的功能是:根据路口间的拥挤程度,动态地修改调整单路口优化配时方案;
配时方案输出模块的功能是:把最终配时方案,通过信号输出装置作用于受控车流;
车辆诱导模块的功能是:根据交通状态感知模块采集到的交通信息和各个路口的平均时延,规划出一条当前代价最小的行驶路径;
诱导路径输出模块的功能是:把车辆诱导模块生成的最优行驶路径通过输出装置通知车辆驾驶者;
受控车流是:装载了可接受诱导信息的终端设备的车辆流,是控制系统和诱导系统的最终调控对象;
所述单路口优化控制模块采用MPNSGA算法优化出各个路口最优的配时方案具体如下:
单路口由四个相位组成:东西直行、东西左转、南北直行、南北左转,每个相位分别配时为T1,T2,T3,T4,单位:秒,八个车道的车流量分别为q1,q2,q3,q4,q5,q6,q7,q8,单位:辆/秒,每个车道上个周期遗留下的车辆为si,i=1,2,3,4,5,6,7,8,假设每个相位绿灯亮时,根据经验第一辆车需要3t通过路口、第二辆车需要2t通过路口、第三辆车及以后的每辆车只需要t就能通过路口,因为后面的车都已经启动好了,其中,t为车辆在不停的情况下通过路口所花的时间;
基于上述假设,算出每个相位理想情况下能通过最大车辆数Li=(Ti-3t)/t,i=1,2,3,4;实际每个车道的车辆数Ai=(T1+T2+T3+T4)*qi+si,i=1,2,3,4,5,6,7,8;如果Ai-Li>0,那么该周期内此车道只能通过Sci=Li辆车,该车道剩到下个周期的车辆数为Sni=Ai-Li,否则Sci=Ai,Sni=0;
优化目标函数为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>max</mi>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>c</mi>
</mrow>
<mi>T</mi>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>4</mn>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>min</mi>
</mtd>
<mtd>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>*</mo>
<mi>t</mi>
<mo>*</mo>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>+</mo>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>*</mo>
<mo>(</mo>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>*</mo>
<mi>t</mi>
<mo>+</mo>
<mo>(</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>4</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>Sn</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>4</mn>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
下面结合MPNSGA算法,对该路口控制优化,具体如下:
①优化目标都化成求解最小值问题,即f=-f(T1,T2,T3,T4),h=h(T1,T2,T3,T4);
②确定控制变量Ti的取值范围,i=1,2,3,4,即使得TL<=Ti<=TH,TL为绿灯允许的最小时间,TH为绿灯允许的最大时间;
③在变量空间内,随机的生成两个种群大小为N/2的子种群P1、P2,种群中的每个个体T=[T1,T2,T3,T4],确定迭代终止条件为迭代M代;
④对每个子种群中个体进行非支配排序;
⑤交换P1、P2子种群排序后一部分的第一等级解;
⑥计算每个等级个体的距离;在计算过程中,把两个子种群的相应等级个体拼成一个完整的等级集合,即:子种群P1中的第n等级解d1n和子种群P2中的第n等级解d2n,拼成一个完整的等级解dn=d1n∪d2n后,再求相应等级个体在这个完整的等级集合中的距离;
⑦每个子种群通过联赛选择法,选择一半个体作为父代个体,进行交叉、变异产生后代C1,C2;
⑧把子种群C1和原始的P1拼成一个种群,把C2和原始的P2拼成一个种群,并对这新形成的两个种群进行非支配排序,分别取前N/2个个体作为P1,P2;
⑨判断是否满足迭代条件,若满足,则转⑤;
⑩迭代结束,把两个子种群的相应等级解合并起来,组成最终的完整解集;输出的第一等级解,就是最终提供给交通决策者的信号灯配时方案;
所述车辆诱导模块采用PAA算法规划出一条当前代价最小的行驶路径,包括如下步骤:
①初始化:蚂蚁个数M,信息素矩阵T,路权矩阵D,迭代代数N;
②每个蚂蚁都从起点出发,90%的蚂蚁可能选择下个路口的概率为:P(i)=p(i)/∑p(i),其中p(i)=τα*ηβ*l/π,τ为信息素,α为信息素的重要程度,η为启发信息,β为启发信息重要程度,l为下一个路口和起始点、终止点构成的角度,10%的蚂蚁可能选择下一个路口的概率为P(i)=p(i)/∑p(i),其中p(i)=ηβ;
③一次迭代完后,保存当代最优路径L,并对信息素进行更新,更新的规则是:原始的信息素浓度减去挥发的信息素浓度,再加上本次迭代中由于蚂蚁通过某段路程而增加的信息素浓度;
④判断是否已经迭代了N代,如果迭代未满N代,则转步骤②继续迭代,否则停止迭代,并且输出最后一次迭代后的最优路径L。
2.根据权利要求1所述的一种基于进化多目标优化和蚁群算法的交通控制与诱导系统,其特征在于,所述系统的路口间协调控制模块根据路口间的车流量拥挤程度,动态地修改各路口对应车道的绿灯通行时间,统计各个路口的平均时延,并把各个路口的平均时延发送给车辆诱导模块。
3.一种基于进化多目标优化和蚁群算法的交通控制与诱导系统的实现方法,其特征在于,所述方法包括如下步骤:
步骤1:采集路网的路权矩阵数据、各路口各车道上的车流量信息、各路口各车道上个周期遗留的车辆数;
步骤2:单路口优化控制模块根据感知模块采集到的交通信息,优化出单路口各自最优的配时方案;
步骤3:路口间协调控制模块根据路口间的车流量拥挤程度,动态的修改各路口对应车道的绿灯通行时间,统计各个路口的平均时延,并把各个路口的平均时延发送给车辆诱导模块;
步骤4:车辆诱导模块根据接收到的路口时延、路网路权矩阵数据、道路车流量信息、驾驶者的出行信息,规划出当前代价最小的一条行驶路线;
步骤5:控制系统的最终配时方案和诱导系统的最优行驶路径分别通过配时方案输出模块和诱导路径输出模块施加给受控车辆;
步骤6:受控车流中的车辆依照控制系统输出的控制信号配时方案和诱导系统输出的诱导路径进行行驶;
步骤7:转步骤1,循环运行;
上述步骤3包括路口间协调机制,即根据路口间实际车流量与道路饱和车流量的比值p和上游路口对应车道车辆排队长度L,来调节上游路口对应车道的绿灯时间;假设道路的实际车流量为q,道路的饱和车流量为Q,那么道路的饱和车流量Q是一个常数,它由车道数、道路限速共同决定;车道数决定着同一时刻能通过某一个道路截面的车辆数;道路限速决定着车辆正常行驶的安全距离,那么Q为单位时间内,各个车道的车辆以限速和最小的安全距离通过某个截面的车辆数;当p小于1时,协调机制不对配时方案做任何修改;当p大于1时,对控制系统优化出来的配时方案做相应修改,即:减少上游路口对应车道的绿灯时间后输出,且上游路口对应车道车辆排队长度L越大,减少的绿灯时间越多,该协调机制减小路口间协调控制的响应时间;
所述步骤2中单路口优化控制模块采用MPNSGA算法优化出各个路口最优的配时方案具体如下:
单路口由四个相位组成:东西直行、东西左转、南北直行、南北左转,每个相位分别配时为T1,T2,T3,T4,单位:秒,八个车道的车流量分别为q1,q2,q3,q4,q5,q6,q7,q8,单位:辆/秒,每个车道上个周期遗留下的车辆为si,i=1,2,3,4,5,6,7,8,假设每个相位绿灯亮时,根据经验第一辆车需要3t通过路口、第二辆车需要2t通过路口、第三辆车及以后的每辆车只需要t就能通过路口,因为后面的车都已经启动好了,其中,t为车辆在不停的情况下通过路口所花的时间;
基于上述假设,算出每个相位理想情况下能通过最大车辆数Li=(Ti-3t)/t,i=1,2,3,4;实际每个车道的车辆数Ai=(T1+T2+T3+T4)*qi+si,i=1,2,3,4,5,6,7,8;如果Ai-Li>0,那么该周期内此车道只能通过Sci=Li辆车,该车道剩到下个周期的车辆数为Sni=Ai-Li,否则Sci=Ai,Sni=0;
优化目标函数为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>max</mi>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>c</mi>
</mrow>
<mi>T</mi>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>4</mn>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>min</mi>
</mtd>
<mtd>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>*</mo>
<mi>t</mi>
<mo>*</mo>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>+</mo>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>*</mo>
<mo>(</mo>
<msub>
<mi>Sc</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>*</mo>
<mi>t</mi>
<mo>+</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>4</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>*</mo>
<msub>
<mi>Sn</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>4</mn>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
下面结合MPNSGA算法,对该路口控制优化,具体如下:
①优化目标都化成求解最小值问题,即f=-f(T1,T2,T3,T4),h=h(T1,T2,T3,T4);
②确定控制变量Ti的取值范围,i=1,2,3,4,即使得TL<=Ti<=TH,TL为绿灯允许的最小时间,TH为绿灯允许的最大时间;
③在变量空间内,随机的生成两个种群大小为N/2的子种群P1、P2,种群中的每个个体T=[T1,T2,T3,T4],确定迭代终止条件为迭代M代;
④对每个子种群中个体进行非支配排序;
⑤交换P1、P2子种群排序后一部分的第一等级解;
⑥计算每个等级个体的距离;在计算过程中,把两个子种群的相应等级个体拼成一个完整的等级集合,即:子种群P1中的第n等级解d1n和子种群P2中的第n等级解d2n,拼成一个完整的等级解dn=d1n∪d2n后,再求相应等级个体在这个完整的等级集合中的距离;
⑦每个子种群通过联赛选择法,选择一半个体作为父代个体,进行交叉、变异产生后代C1,C2;
⑧把子种群C1和原始的P1拼成一个种群,把C2和原始的P2拼成一个种群,并对这新形成的两个种群进行非支配排序,分别取前N/2个个体作为P1,P2;
⑨判断是否满足迭代条件,若满足,则转⑤;
⑩迭代结束,把两个子种群的相应等级解合并起来,组成最终的完整解集;输出的第一等级解,就是最终提供给交通决策者的信号灯配时方案;
所述步骤4中车辆诱导模块采用PAA算法规划出一条当前代价最小的行驶路径,包括如下步骤:
①初始化:蚂蚁个数M,信息素矩阵T,路权矩阵D,迭代代数N;
②每个蚂蚁都从起点出发,90%的蚂蚁可能选择下个路口的概率为:P(i)=p(i)/∑p(i),其中p(i)=τα*ηβ*l/π,τ为信息素,α为信息素的重要程度,η为启发信息,β为启发信息重要程度,l为下一个路口和起始点、终止点构成的角度,10%的蚂蚁可能选择下一个路口的概率为P(i)=p(i)/∑p(i),其中p(i)=ηβ;
③一次迭代完后,保存当代最优路径L,并对信息素进行更新,更新的规则是:原始的信息素浓度减去挥发的信息素浓度,再加上本次迭代中由于蚂蚁通过某段路程而增加的信息素浓度;
④判断是否已经迭代了N代,如果迭代未满N代,则转步骤②继续迭代,否则停止迭代,并且输出最后一次迭代后的最优路径L。
4.根据权利要求3所述的一种基于进化多目标优化和蚁群算法的交通控制与诱导系统的实现方法,其特征在于,所述方法应用于城域路网。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510129217.7A CN104766484B (zh) | 2015-03-23 | 2015-03-23 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510129217.7A CN104766484B (zh) | 2015-03-23 | 2015-03-23 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766484A CN104766484A (zh) | 2015-07-08 |
CN104766484B true CN104766484B (zh) | 2017-11-14 |
Family
ID=53648281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510129217.7A Expired - Fee Related CN104766484B (zh) | 2015-03-23 | 2015-03-23 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766484B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274687A (zh) * | 2016-04-06 | 2017-10-20 | 深圳市以捷创新科技有限公司 | 车辆通行控制方法和相关装置 |
CN106530766A (zh) * | 2017-01-04 | 2017-03-22 | 成都四方伟业软件股份有限公司 | 一种基于大数据的交通调控系统及方法 |
CN106657381B (zh) * | 2017-01-11 | 2019-10-18 | 深圳汇生通科技股份有限公司 | 一种智慧公共交通网络增强现实应用系统 |
CN107341961B (zh) * | 2017-07-24 | 2019-08-30 | 清华大学深圳研究生院 | 基于信息素反馈的路径诱导方法以及计算机可读存储介质 |
CN107610487B (zh) * | 2017-08-23 | 2020-09-22 | 南京邮电大学 | 基于动态随机车流相位差协调机制的区域交通控制系统和方法 |
CN108749596B (zh) * | 2018-04-11 | 2020-12-04 | 蔚来(安徽)控股有限公司 | 车机端启动方法、系统及装置 |
CN108510764B (zh) * | 2018-04-24 | 2023-11-10 | 南京邮电大学 | 一种基于q学习的多路口自适应相位差协调控制系统及方法 |
CN109186619B (zh) * | 2018-07-02 | 2022-07-12 | 广东工业大学 | 一种基于实时路况的智能导航算法 |
CN109035811B (zh) * | 2018-08-28 | 2019-08-20 | 大连理工大学 | 一种基于数字信息素的智能交通信号灯实时调控方法 |
CN109035781B (zh) * | 2018-09-07 | 2021-04-30 | 江苏智通交通科技有限公司 | 基于路口流向需求的多目标交通信号方案优化配置方法 |
CN110155073B (zh) * | 2019-05-24 | 2020-06-09 | 合肥工业大学 | 基于驾驶人偏好的驾驶行为模式识别方法与系统 |
CN110986975A (zh) * | 2019-11-05 | 2020-04-10 | 中山大学 | 基于时空路网模型的最优路径规划的处理方法及系统 |
CN111311949B (zh) * | 2020-02-29 | 2021-07-16 | 华南理工大学 | 一种面向非封闭式协调线网的信号相位相序优化方法 |
CN111541999B (zh) * | 2020-04-28 | 2022-02-08 | 南京邮电大学 | 基于生物启发的大规模分布式节点自组织接入方法 |
CN111932871B (zh) * | 2020-06-28 | 2021-06-29 | 银江股份有限公司 | 一种区域级实时交通控制策略推荐系统及方法 |
CN113147841A (zh) * | 2021-05-13 | 2021-07-23 | 中车长春轨道客车股份有限公司 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
CN113240908B (zh) * | 2021-06-16 | 2021-12-03 | 北京航空航天大学 | 基于蚁群交哺策略的交通网络拥堵调控方法及系统 |
CN114743396B (zh) * | 2022-03-29 | 2023-04-28 | 江苏拓邮信息智能技术研究院有限公司 | 基于粒子群优化算法的交通诱导调度系统及其调度方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3821388B2 (ja) * | 2004-03-30 | 2006-09-13 | 独立行政法人科学技術振興機構 | N個の制御装置を制御するシステム、方法およびプログラム |
CN102982688B (zh) * | 2012-08-23 | 2014-10-08 | 浙江浙大中控信息技术有限公司 | 一种基于主干道协调优先的区域交通信号控制方法 |
CN104064040A (zh) * | 2013-03-19 | 2014-09-24 | 厦门市成利吉智能交通科技有限公司 | 一种具有协同疏导功能的交通信号控制机 |
CN103927892B (zh) * | 2014-04-29 | 2016-01-13 | 山东比亚科技有限公司 | 一种交通溢流协调控制优化模型的建立方法及其工作方法 |
CN104331743B (zh) * | 2014-10-11 | 2017-05-17 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
-
2015
- 2015-03-23 CN CN201510129217.7A patent/CN104766484B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104766484A (zh) | 2015-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766484B (zh) | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 | |
CN108847037B (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
CN111696370B (zh) | 基于启发式深度q网络的交通灯控制方法 | |
CN108510764B (zh) | 一种基于q学习的多路口自适应相位差协调控制系统及方法 | |
CN106875710B (zh) | 一种面向网联自动驾驶车辆的交叉口自组织控制方法 | |
CN105938572B (zh) | 一种物流存储系统预防干涉的多自动导引车路径规划方法 | |
CN111785045A (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
CN108647802B (zh) | 基于双层交通网络模型抗拥塞方法 | |
CN107331166B (zh) | 一种基于路径分析的动态限行方法 | |
Aragon-Gómez et al. | Traffic-signal control reinforcement learning approach for continuous-time Markov games | |
CN107507430A (zh) | 一种城市路口交通控制方法及系统 | |
CN109035767A (zh) | 一种考虑交通控制与诱导协同的潮汐车道优化方法 | |
CN109000676A (zh) | 一种vanet环境下结合预测信息的路径规划方法 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN107591004A (zh) | 一种基于车路协同的智能交通诱导方法 | |
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 | |
CN113724507B (zh) | 基于深度强化学习的交通控制与车辆诱导协同方法和系统 | |
CN113392577B (zh) | 一种基于深度强化学习的区域边界主交叉口信号控制方法 | |
CN112562363B (zh) | 一种基于v2i的交叉口交通信号优化方法 | |
Zhang et al. | Coordinated control of distributed traffic signal based on multiagent cooperative game | |
Xu et al. | Game-Based traffic signal control with adaptive routing via V2I | |
CN104966406B (zh) | 一种特种车辆信息物理融合系统择向方法 | |
Wu et al. | Deep Reinforcement Learning Based Traffic Signal Control: A Comparative Analysis | |
Shahriar et al. | Intersection traffic efficiency enhancement using deep reinforcement learning and V2X communications | |
Zhong et al. | Deep Q-Learning Network Model for Optimizing Transit Bus Priority at Multiphase Traffic Signal Controlled Intersection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171114 |
|
CF01 | Termination of patent right due to non-payment of annual fee |