CN106781543A - 一种城市道路交叉口信号控制多目标优化方法 - Google Patents
一种城市道路交叉口信号控制多目标优化方法 Download PDFInfo
- Publication number
- CN106781543A CN106781543A CN201611069999.0A CN201611069999A CN106781543A CN 106781543 A CN106781543 A CN 106781543A CN 201611069999 A CN201611069999 A CN 201611069999A CN 106781543 A CN106781543 A CN 106781543A
- Authority
- CN
- China
- Prior art keywords
- antibody
- antibodies
- vehicle
- economic loss
- signal control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000000446 fuel Substances 0.000 claims abstract description 42
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 20
- 231100000719 pollutant Toxicity 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 64
- 238000005215 recombination Methods 0.000 claims description 34
- 230000006798 recombination Effects 0.000 claims description 34
- 239000006185 dispersion Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 8
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000000427 antigen Substances 0.000 claims description 4
- 102000036639 antigens Human genes 0.000 claims description 4
- 108091007433 antigens Proteins 0.000 claims description 4
- 238000010367 cloning Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- WSFSSNUMVMOOMR-UHFFFAOYSA-N formaldehyde Substances O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 150000003254 radicals Chemical class 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种城市道路交叉口信号控制多目标优化方法,包括以下步骤:步骤1:车辆尾气排放建模:车辆尾气排放造成的经济损失是各种污染物的经济损失之和;步骤2:车辆燃料消耗建模:按照汽油价格将燃料消耗转化成经济损失;步骤3:车辆延时建模;步骤4:建立多目标优化函数:将车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况相结合,构造多目标优化函数;步骤5:采用多搜索策略组合的免疫多目标优化算法训练,得到最优解;步骤6:根据所述最优解,输出最优信号配时方案。本发明适应性强、可行性强、实效性高、易用性强和实用价值高。
Description
技术领域
本发明属于智能交通技术领域,尤其涉及一种城市道路交叉口信号控制多目标优化方法。
背景技术
随着城市道路交通流的不断增长和路网密度的不断增加,城市道路交通状况变得更加复杂,带来的影响不仅仅是车辆的拥堵和延误,同样包括车辆尾气排放、能源消耗等生态、经济方面的负作用。交叉口的信号控制作为城市干线运输网络最重要的组成部分之一,如何选择配时方案影响整个城市交通运行效率,同时能对汽车尾气排放、能源消耗起重要作用。
传统的交叉口信号配时方法通常是基于最小交通延时来计算配时方案,随着机动车数量的增长,该方法不能满足实际交通需求,且只考虑了单一的优化目标,优化精度和准确性不高。随着生态环境问题成为当今世界越来越受重视的话题,交通运输中产生的燃料和空气污染问题也成为人们关注的重点,因此,如何优化交叉口信号配时来减少交通运输中产生的尾气排放、能源消耗是智能交通领域的一大突破。已有的文献中大多只采用了汽车燃料及排放单方面的优化目标,没有结合实际交通状况。另一方面,大部分多目标优化算法只考虑全局搜索或局部搜索一种搜索策略,存在精确性不高或过早收敛的问题,因此,如何改善交叉口信号配时中的多目标优化问题的性能成为智能交通领域的一大研究方向。
发明内容
为了针对当前交叉口信号控制优化方法中将生态环境问题与交通问题相结合的技术方案的空缺、以及交叉口信号配时多目标优化方法的性能缺陷的不足,本发明提出一种适应性强、可行性强、实效性高、易用性强和实用价值高的城市道 路交叉口信号控制多目标优化方法,将车辆延误与尾气排放、能源消耗相结合,作为信号控制的优化目标,再利用多搜索策略组合的免疫多目标优化算法进行优化训练,最后根据训练结果选出最优配时方案。
本发明解决其技术问题所采用的技术方案是:
一种城市道路交叉口信号控制多目标优化方法,所述优化方法包括以下步骤:
步骤1:优化指标建模
选择车辆尾气排放、车辆燃料消耗、车辆延时作为城市道路交叉口信号控制的优化指标,并将其转换成经济损失,分别以表示;
步骤2:建立多目标优化函数
将车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况相结合,构造多目标优化函数,得到多目标融合的综合经济损失函数如下:
其中,Ct为总的经济损失,α、β、γ分别为车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况所占权重,满足α+β+γ=1;
步骤3:采用多搜索策略组合的免疫多目标优化算法训练,得到最优解;
步骤4:根据所述最优解,输出最优信号配时方案。
进一步,所述步骤1中,优化目标建模具体过程如下:
1.1)车辆尾气排放建模
车辆尾气排放造成的经济损失是各种污染物的经济损失之和,设交叉口信号控制时的各污染物数量为Nci,i为第i种污染物,则信号控制时的经济损失为:
Ce=∑i(pi*Nci) (2)
其中,pi为第i种污染物的单价;
为减小与无信号控制时的经济损失差异,将车辆尾气排放经济损失定义如下:
其中,Nfi为交叉口自由流条件下第i种污染物的数量;
1.2)车辆燃料消耗建模
按照汽油价格将燃料消耗转化成经济损失,如下式所示:
其中,pg为汽油平均价格,Ng为信号控制时的燃料消耗总量,θ为汽油平均密度;
同理,为减小与无信号控制时的经济损失差异,将车辆燃料消耗经济损失定义为下式:
其中,Nfg为交叉口自由流条件下燃料消耗总量;
1.3)车辆延时建模
设城市平均薪资水平为S,Dc为交叉口信号控制时的车辆总延时,不同类型车辆占比为εk,k=1,…,K为车辆类型总数,Vk为类型k的车辆能容纳乘客数量,则车辆延时的经济损失为:
同理,为减小与无信号控制时的经济损失差异,将车辆延时经济损失定义为下式:
其中,Df为交叉口自由流条件下的车辆总延时。
再进一步,所述步骤3中,多搜索策略组合的免疫多目标优化算法的过程如下:
3.1)初始化定义
将优化问题的目标函数映射为抗原,优化问题的可行解映射为抗体,以P(t)表示,初始化为空集,将Pareto最优解保存在记忆集M(t)中,t为繁殖代数,M(t)尺寸为m,初始化中M(t)为随机生成,繁殖数为p,克隆数为c,邻居数为n,最大 繁殖代数为T;通过对M(t)进行迭代更新,获得分布均匀的Pareto最优解;
3.2)选取活跃抗体
若M(t)尺寸大于m,则根据拥堵距离保留m个最好抗体,再从m个抗体中根据亲和力选择p个活跃抗体;产生一个0到1之间的随机数rand1作为后面重组运算的标准;以目标抗体最近两邻居所形成矩形周长的估计及最近两邻居与目标抗体的分散距离之差为拥堵距离;
根据拥堵距离找出m个最好抗体后,计算各个抗体的亲和力,选取p个亲和力最大的抗体作为活跃抗体,亲和力直接用拥堵距离表示,即
Aff(A)=CD(A,M(t)) (8)
其中,Aff(A)为记忆集M(t)中抗体A的亲和力,CD(A,M(t))为拥堵距离;
3.3)计算邻域
计算记忆体M(t)中m个抗体两两抗体间的欧式距离,取n个最近邻居,欧氏距离计算公式如下:
其中,为向量和向量的欧式距离,Ni=n1,n2,…,nn为抗体Ai的n个邻居抗体的编号;
3.4)克隆
步骤5.2)产生的p个活跃抗体,每个活跃抗体Pi(i=1,…,p)克隆qi个,qi计算方法如下式所示:
其中,运算表示大于Q的最小整数,Aff(Pi)表示活跃抗体Pi的亲和力;
3.5)多搜索策略重组运算
对每一个克隆抗体,采用多搜索策略重组运算产生重组后代,通过结合局部随机搜索策略的模拟二进制交叉重组算子SBX和全局搜索策略的差分进化重组 算子DE进行重组运算。
3.6)更新抗体集P(t):将新产生的抗体加入抗体集P(t)中;
3.7)更新记忆集M(t):根据P(t)和M(t)对M(t)进行更新,去掉其中的弱抗体,保留精华抗体,形成新的记忆集M(t+1);
3.8)判断是否满足繁殖终止条件,重复执行步骤5.2)-5.7),直到达到最大繁殖代数T;
3.9)输出分布均匀Pareto最优解M(t)。
更进一步,所述步骤3.2)中,根据目标抗体A两边距离最近的两个抗体A′和A″所形成矩形及A′和A所形成矩形,分散距离定义为A′和A″距离A的分散程度,以A′和A以及A″和A形成矩形的周长估计差表示:
其中D(A′,A″)为A′和A″的分散距离,拥堵距离的计算公式可表示为:
其中CD(A,M(t))为拥堵距离,A为记忆集M(t)中的抗体;和为第i个目标的最大值和最小值;为非边界抗体两边两个邻居在第i个目标上的最小差值,计算方法如下式:
Bi为边界抗体集,计算方法如下式:
所述步骤3.5中,多搜索策略重组运算的过程如下:
设SBX和DE的使用概率分别为ρ1和1-ρ1,ρ1越大表示SBX算子使用概率越高;当随机数rand1小于ρ1时,执行SBX算子重组运算;当随机数rand1≥ρ1时,执行DE算子重组运算;
所述SBX搜索策略的过程如下:
除当前操作的抗体外,再从M(t)中随机选择另一个抗体作为父代,由两个父代产生两个重组子代;再根据生成的0到1之间的随机数μ从两个重组子代中选择一个存活者;若μ>0.5则保留第一个重组子代,去掉第二个重组子代;反之则保留第二个重组子代,去掉第一个重组子代;
DE搜索策略的过程如下:
除当前操作的抗体Ai外,再根据索引从M(t)中选择两个抗体作为父代,r1、r2为从索引序列S中选择的索引编号:
其中ωmax和ωmin是控制全局搜索的最大和最小系数;
根据Ai、生成一个子代A′i,并生成一个0到1之间的随机数rand2,定义Ai={a1,a2,…,an},A′i={a′1,a′2,…,a′n}可根据DE搜索策略进行选择:
当rand2<ρ2时,
其中pm为变异因子,变异因子取为自适应因子:
当rand2≥ρ2时,
其中j=1,…,n,amin和amax为抗体Ai的最低界和最高界,ρ2为式(17)和式(18)两种DE搜索策略使用的概率,ρ2越大,使用式(17)概率越大,反之使用式(18)概率越大;若A′i中的值超过可行区域的边界,则随机选择边界内某值 作为其值。
本发明的有益效果主要表现在:
(1)适应性强。本发明方法能应用于任何带有信号灯的城市道路交叉口,具有较高的适应性。
(2)可行性强。本发明方法将车辆尾气排放、燃料消耗、延时转化成经济损失,可直观体现交叉口信号控制的重要性,可行性较强。
(3)实效性高。本发明采用多搜索策略组合的免疫多目标优化算法,兼顾全局搜索和局部搜索,具有较高的实用性和精确性。
(4)易用性强。本发明方法实现简单,过程简洁易懂,具有较强的易用性。
(5)实用价值高。本发明方法是针对减少城市交通车辆尾气排放、燃料消耗及车辆延时的实用性方法,与人类社会生活紧密相连,具有实际的研究价值。
附图说明
图1是一种城市道路交叉口信号控制多目标优化方法的流程图。
图2是拥堵距离计算示意图。
图3是交叉口4相位图,其中,(a)表示相位1,(b)表示相位2,(c)表示相位3,(d)表示相位4。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种城市道路交叉口信号控制多目标优化方法,包括以下步骤:
步骤1:车辆尾气排放建模。为了使尾气排放、燃料消耗、车辆延时三种车辆损失保持相同的尺度,本发明将这三种损失转换成经济损失形式。对于尾气排放,按照欧盟委员会建立的统一的估算各类大气污染排放所造成经济损失的分析 框架,并根据购买力平均法对中国和欧盟汇率进行转换,计算出中国的空气污染经济损失,如表1所示。
空气污染物类别 | 经济损失(元/kg) |
一氧化碳CO | 0.036 |
二氧化氮NO2 | 26.073 |
PM2.5 | 3937.857 |
非甲醛挥发性有机物NMVOC | 1.672 |
表1
车辆尾气排放造成的经济损失是上述各种污染物的经济损失之和,设交叉口信号控制时的各污染物数量为Nci,i为第i种污染物,则信号控制时的经济损失为:
Ce=∑i(pi*Nci) (2)
其中pi为第i种污染物的单价。
为减小与无信号控制时的经济损失差异,将车辆尾气排放经济损失定义如下:
其中Nfi为交叉口自由流条件下第i种污染物的数量。
步骤2:车辆燃料消耗建模。车辆燃料消耗主要是汽油消耗,按照汽油价格将燃料消耗转化成经济损失,如下式所示:
其中pg为汽油平均价格,Ng为信号控制时的燃料消耗总量,θ为汽油平均密度。
同理,为减小与无信号控制时的经济损失差异,将车辆燃料消耗经济损失定义为下式:
其中Nfg为交叉口自由流条件下燃料消耗总量。
步骤3:车辆延时建模。为计算车辆延时造成的经济损失,需要将车辆延时 转换成人均延时所带来的时间损失,再根据城市的平均薪资将人均时间延时转换成经济损失。设城市平均薪资水平为S,Dc为交叉口信号控制时的车辆总延时,不同类型车辆占比为εk,k=1,…,K为车辆类型总数,Vk为类型k的车辆能容纳乘客数量,则车辆延时的经济损失为:
同理,为减小与无信号控制时的经济损失差异,将车辆延时经济损失定义为下式:
其中Df为交叉口自由流条件下的车辆总延时。
步骤4:建立多目标优化函数。将车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况相结合,构造多目标优化函数,根据上述步骤,可得到多目标融合的综合经济损失函数如下:
其中Ct为总的经济损失,α、β、γ分别为车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况所占权重,满足α+β+γ=1。通过调整三者间的权重,可改变优化目标的偏重效果,权重越高,优化比重越大;反之优化比重越小。
步骤5:多搜索策略组合的免疫多目标优化算法训练。由于多目标优化问题的解是一组折中解而不是唯一的,同时考虑到多目标优化问题本身特性如决策空间及Pareto解集形态等,本发明采用多搜索策略组合的免疫多目标优化算法,具体过程如下:
5.1)初始化定义。将优化问题的目标函数映射为抗原,优化问题的可行解映射为抗体,以P(t)表示,初始化为空集。将Pareto最优解保存在记忆集M(t)中,t为繁殖代数,M(t)尺寸为m,初始化中M(t)为随机生成,繁殖数为p,克隆数为c,邻居数为n,最大繁殖代数为T。算法通过对M(t)进行迭代更新,获得分布均匀 的Pareto最优解。
5.2)选取活跃抗体。若M(t)尺寸大于m,则根据拥堵距离保留m个最好抗体,再从m个抗体中根据亲和力选择p个活跃抗体。本步骤中将产生一个0到1之间的随机数rand1作为后面重组运算的标准。拥堵距离与相邻抗体有关,为避免分布较均匀但拥堵距离小的抗体被淘汰,本发明对拥堵距离进行改进,以目标抗体最近两邻居所形成矩形周长的估计及最近两邻居与目标抗体的分散距离之差为拥堵距离,分散距离越大则拥堵距离越低。
根据目标抗体A两边距离最近的两个抗体A′和A″所形成矩形及A′和A所形成矩形,如图2所示A′和A″所形成矩形及A′和A所形成矩形。分散距离定义为A′和A″距离A的分散程度,以A′和A以及A″和A形成矩形的周长估计差表示:
其中D(A′,A″)为A′和A″的分散距离,拥堵距离的计算公式可表示为:
其中CD(A,M(t))为拥堵距离,A为记忆集M(t)中的抗体;和为第i个目标的最大值和最小值;为非边界抗体两边两个邻居在第i个目标上的最小差值,计算方法如下式:
Bi为边界抗体集,计算方法如下式:
根据拥堵距离找出m个最好抗体后,计算各个抗体的亲和力,选取p个亲和力最大的抗体作为活跃抗体,亲和力可直接用拥堵距离表示,即
Aff(A)=CD(A,M(t)) (8)
其中Aff(A)为记忆集M(t)中抗体A的亲和力。
5.3)计算邻域。计算记忆集M(t)中m个抗体两两抗体间的欧式距离,取n个最近邻居,欧氏距离计算公式如下:
其中为向量和向量的欧式距离,Ni=n1,n2,…,nn为抗体Ai的n个邻居抗体的编号。
5.4)克隆。步骤5.2)产生的p个活跃抗体,每个活跃抗体Pi(i=1,…,p)克隆qi个,qi计算方法如下式所示:
其中运算表示大于Q的最小整数,Aff(Pi)表示活跃抗体Pi的亲和力。
5.5)多搜索策略重组运算。对每一个克隆抗体,采用多搜索策略重组运算产生重组后代,通过结合局部随机搜索策略的模拟二进制交叉重组算子SBX和全局搜索策略的差分进化重组算子DE,使得优化性能更加精准。具体过程如下:
设SBX和DE的使用概率分别为ρ1和1-ρ1,ρ1越大表示SBX算子使用概率越高。当随机数rand1小于ρ1时,执行SBX算子重组运算:除当前操作的抗体外,再从M(t)中随机选择另一个抗体作为父代,由两个父代产生两个重组子代;再根据生成的0到1之间的随机数μ从两个重组子代中选择一个存活者;若μ>0.5则保留第一个重组子代,去掉第二个重组子代;反之则保留第二个重组子代,去掉第一个重组子代。
当随机数rand1≥ρ1时,执行DE算子重组运算:除当前操作的抗体Ai外,再根据索引从M(t)中选择两个抗体作为父代,r1、r2为从索引序列S中选择的索引编号:
其中ωmax和ωmin是控制全局搜索的最大和最小系数,可根据实际情况定义。
根据Ai、生成一个子代A′i,并生成一个0到1之间的随机数rand2, 定义Ai={a1,a2,…,an},A′i={a′1,a′2,…,a′n}可根据DE搜索策略进行选择:
当rand2<ρ2时,
其中pm为变异因子,本发明中变异因子取为自适应因子:
当rand2≥ρ2时,
其中j=1,…,n,amin和amax为抗体Ai的最低界和最高界,ρ2为式(17)和式(18)两种DE搜索策略使用的概率,ρ2越大,使用式(17)概率越大,反之使用式(18)概率越大。若A′i中的值超过可行区域的边界,则随机选择边界内某值作为其值。
5.6)更新抗体集P(t)。将新产生的抗体加入抗体集P(t)中。
5.7)更新记忆集M(t)。根据P(t)和M(t)对M(t)进行更新,去掉其中的弱抗体,保留精华抗体,形成新的记忆集M(t+1)。
5.8)判断是否满足繁殖终止条件。重复执行步骤5.2)-5.7),直到达到最大繁殖代数T。
5.9)输出分布均匀Pareto最优解M(t)。
步骤6:根据上述步骤得到的最优解,输出最优信号配时方案。
如图1所示,一种城市道路交叉口信号控制多目标优化方法包括以下步骤:
步骤1:车辆尾气排放建模。为了使尾气排放、燃料消耗、车辆延时三种车辆损失保持相同的尺度,本发明将这三种损失转换成经济损失形式。对于尾气排放,按照欧盟委员会建立的统一的估算各类大气污染排放所造成经济损失的分析框架,并根据购买力平均法对中国和欧盟汇率进行转换,计算出中国的空气污染 经济损失,如表1所示。
车辆尾气排放造成的经济损失是上述各种污染物经济损失之和,设交叉口信号控制时的各污染物数量为Nci,i为第i种污染物,则信号控制时的经济损失为:
Ce=∑i(pi*Nci) (2)
其中pi为第i种污染物的单价,如表1中所示。
为减小与无信号控制时的经济损失差异,将车辆尾气排放经济损失定义为:
其中Nfi为交叉口自由流条件下第i种污染物的数量。Nci和Nfi可根据微观交通仿真软件VISSIM和CMEM模型分析得到,VISSIM是基于时间间隔和驾驶行为的微观交通仿真建模工具,用以城市交通运行的交通建模,CMEM模型是由美国加州大学Riverside分校开发的综合模式排放模型,能计算仿真条件下的车辆尾气排放和燃料消耗量。
步骤2:车辆燃料消耗建模。车辆燃料消耗主要是汽油消耗,按照汽油价格将燃料消耗转化成经济损失,如下式所示:
其中pg为汽油平均价格,取值为6.5元/L,Ng为交叉口信号控制时的燃料消耗总量,可根据微观交通仿真软件VISSIM和CMEM模型分析得到,θ为汽油平均密度,取值为0.725kg/L。
同理,为减小与无信号控制时的经济损失差异,将车辆燃料消耗经济损失定义为下式:
其中Nfg为交叉口自由流条件下燃料消耗总量,可根据微观交通仿真软件VISSIM和CMEM模型分析得到。
步骤3:车辆延时建模。为计算车辆延时造成的经济损失,需要将车辆延时 转换成人均延时所带来的时间损失,再根据城市的平均薪资将人均时间延时转换成经济损失。设城市平均薪资水平为S,以杭州为例,S取值为7267元,Dc为交叉口信号控制时的车辆总延时,不同类型车辆占比为εk,k=1,…,K为车辆类型总数,Vk为类型k的车辆能容纳乘客数量,则车辆延时的经济损失为:
同理,为减小与无信号控制时的经济损失差异,将车辆延时经济损失定义为下式:
其中Df为交叉口自由流条件下的车辆总延时。Dc、Df、εk和Vk都可通过VISSIM软件获得。
步骤4:建立多目标优化函数。将车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况相结合,构造多目标优化函数,根据上述步骤,可得到多目标融合的综合经济损失函数如下:
其中Ct为总的经济损失,α、β、γ分别为车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况所占权重,满足α+β+γ=1。通过调整三者间的权重,可改变优化目标的偏重效果,权重越高,优化比重越大;反之优化比重越小。
步骤5:多目标优化算法训练。由于多目标优化问题的解是一组折中解而不是唯一的,同时考虑到多目标优化问题本身特性如决策空间及Pareto解集形态等,本发明采用多搜索策略组合的免疫多目标优化算法,具体过程如下:
5.1)初始化定义。将优化问题的目标函数映射为抗原,优化问题的可行解映射为抗体,以P(t)表示,初始化为空集。将Pareto最优解保存在记忆集M(t)中,t为繁殖代数,M(t)尺寸为m=10,初始化中M(t)为预设的X=10种信号配时方案,T={T1,T2,…,TX},Ti(i=1,…,X)=[g1,g2,…,gx]表示x个相位的绿灯时间,本发 明中相位个数x取为4,相位转变如图3所示,配时方案如表2所示。繁殖数为p=5,克隆数为c=10,邻居数为n=5,最大繁殖代数为T=100。算法通过对M(t)进行迭代更新,获得分布均匀的Pareto最优解。表2交叉口信号配时方案示例表:
表2
5.2)选取活跃抗体。若M(t)尺寸大于10,则根据拥堵距离保留10个最好抗体,再从10个抗体中根据亲和力选择5个活跃抗体。本步骤中将产生一个0到1之间的随机数rand1作为后面重组运算的标准。拥堵距离与相邻抗体有关,为避免分布较均匀但拥堵距离小的抗体被淘汰,本发明对拥堵距离进行改进,以目标抗体最近两邻居所形成矩形周长的估计及最近两邻居与目标抗体的分散距离之差为拥堵距离,分散距离越大则拥堵距离越低。如图2所示,分散距离定义为:
其中D(A′,A″)为A′和A″的分散距离,拥堵距离的计算公式可表示为:
其中CD(A,M)为拥堵距离,A为记忆集M中的抗体;和为第i个目标的最大值和最小值;为非边界抗体两边两个邻居在第i个目标上的最小差值,计算方法如下式:
Bi为边界抗体集,计算方法如下式:
根据拥堵距离找出10个最好抗体后,计算各个抗体的亲和力,选取5个亲和力最大的抗体作为活跃抗体,亲和力可直接用拥堵距离表示,即
Aff(A)=CD(A,M) (8)
其中Aff(A)为记忆集M中抗体A的亲和力。
5.3)计算邻域。计算记忆体M(t)中10个抗体两两抗体间的欧式距离,取5个最近邻居,欧氏距离计算公式如下:
其中为向量和向量的欧式距离,Ni=n1,n2,…,n5为抗体Ai的5个邻居抗体的编号。
5.4)克隆。步骤5.2)产生的5个活跃抗体,每个活跃抗体Pi(i=1,…,5)克隆qi个,qi计算方法如下式所示:
其中运算表示大于Q的最小整数,Aff(Pi)表示活跃抗体Pi的亲和力。
5.5)多搜索策略重组运算。对每一个克隆抗体,采用多搜索策略重组运算产生重组后代,通过结合局部随机搜索策略的模拟二进制交叉重组算子SBX和全局搜索策略的差分进化重组算子DE,使用概率组合SBX和两种DE搜索策略,使得优化性能更加精准。具体过程如下:
设SBX和DE的使用概率分别为ρ1和1-ρ1,ρ1越大表示SBX算子使用概率越高,本发明取ρ1=0.5,表示SBX和DE算子以同等概率被选择。当随机数rand1小于0.5时,执行SBX算子重组运算:除当前操作的抗体外,再从M(t)中随机选择另一个抗体作为父代,由两个父代产生两个重组子代;再根据生成的0到1之间的随机数μ从两个重组子代中选择一个存活者;若μ>0.5则保留第一个重组子代,去掉第二个重组子代;反之则保留第二个重组子代,去掉第一个重组子代。
当随机数rand1≥0.5时,执行DE算子重组运算:除当前操作的抗体Ai外, 再根据索引从M(t)中选择两个抗体作为父代,r1、r2为从索引序列S中选择的索引编号:
其中ωmax和ωmin是控制全局搜索的最大和最小系数,可根据实际情况定义,本发明中取ωmax=0.9,ωmin=0.4。
根据Ai、生成一个子代A′i,并生成一个0到1之间的随机数rand2,定义Ai={a1,a2,…,an},A′i={a′1,a′2,…,a′n}可根据DE搜索策略进行选择:
当rand2<ρ2时,
其中pm为变异因子,本发明中变异因子取为自适应因子:
当rand2≥ρ2时,
其中j=1,…,n,amin和amax为抗体Ai的最低界和最高界,ρ2为式(17)和式(18)两种DE搜索策略使用的概率,ρ2越大,使用式(17)概率越大,反之使用式(18)概率越大。本发明中取ρ2=0.5,表示两种DE策略以同等概率被选择。
若A′i中的值超过可行区域的边界,则将其值设置为边界内随机选择的值。
5.6)更新抗体集P(t)。将新产生的抗体加入抗体集P(t)中。
5.7)更新记忆集M(t)。根据P(t)和M(t)对M(t)进行更新,去掉其中的弱抗体,保留精华抗体,形成新的记忆集M(t+1)。
5.8)判断是否满足繁殖终止条件。重复执行步骤5.2)-5.7),直到达到最大 繁殖代数100。
5.9)输出分布均匀Pareto最优解M(t)。
步骤6:根据上述步骤得到的最优解,输出最优信号配时方案。
Claims (7)
1.一种城市道路交叉口信号控制多目标优化方法,其特征在于:所述优化方法包括以下步骤:
步骤1:优化指标建模
选择车辆尾气排放、车辆燃料消耗、车辆延时作为城市道路交叉口信号控制的优化指标,并将其转换成经济损失,分别以表示;
步骤2:建立多目标优化函数
将车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况相结合,构造多目标优化函数,得到多目标融合的综合经济损失函数如下:
其中,Ct为总的经济损失,α、β、γ分别为车辆尾气排放、车辆燃料消耗、车辆延时三种损失情况所占权重,满足α+β+γ=1;
步骤3:采用多搜索策略组合的免疫多目标优化算法对输入的多种信号配时方案进行训练,得到固定配时方案下的最优权重;
步骤4:根据所述最优权重,输出最优信号配时方案。
2.如权利要求1所述的一种城市道路交叉口信号控制多目标优化方法,其特征在于:所述步骤1中,优化目标建模具体过程如下:
1.1)车辆尾气排放建模
车辆尾气排放造成的经济损失是各种污染物的经济损失之和,设交叉口信号控制时的各污染物数量为Nci,i为第i种污染物,则信号控制时的经济损失为:
Ce=∑i(pi*Nci) (2)
其中,pi为第i种污染物的单价;
为减小与无信号控制时的经济损失差异,将车辆尾气排放经济损失定义如下:
其中,Nfi为交叉口自由流条件下第i种污染物的数量;
1.2)车辆燃料消耗建模
按照汽油价格将燃料消耗转化成经济损失,如下式所示:
其中,pg为汽油平均价格,Ng为信号控制时的燃料消耗总量,θ为汽油平均密度;
同理,为减小与无信号控制时的经济损失差异,将车辆燃料消耗经济损失定义为下式:
其中,Nfg为交叉口自由流条件下燃料消耗总量;
1.3)车辆延时建模
设城市平均薪资水平为S,Dc为交叉口信号控制时的车辆总延时,不同类型车辆占比为εk,k=1,…,K为车辆类型总数,Vk为类型k的车辆能容纳乘客数量,则车辆延时的经济损失为:
同理,为减小与无信号控制时的经济损失差异,将车辆延时经济损失定义为下式:
其中,Df为交叉口自由流条件下的车辆总延时。
3.如权利要求1所述的一种城市道路交叉口信号控制多目标优化方法,其特征在于:所述步骤3中,多搜索策略组合的免疫多目标优化算法的过程如下:
3.1)初始化定义
将优化问题的目标函数映射为抗原,优化问题的可行解映射为抗体,以P(t)表示,初始化为空集,将Pareto最优解保存在记忆集M(t)中,t为繁殖代数,M(t)尺寸为m,初始化中M(t)为随机生成,繁殖数为p,克隆数为c,邻居数为n,最大繁殖代数为T;通过对M(t)进行迭代更新,获得分布均匀的Pareto最优解;
3.2)选取活跃抗体
若M(t)尺寸大于m,则根据拥堵距离保留m个最好抗体,再从m个抗体中根据亲和力选择p个活跃抗体;产生一个0到1之间的随机数rand1作为后面重组运算的标准;以目标抗体最近两邻居所形成矩形周长的估计及最近两邻居与目标抗体的分散距离之差为拥堵距离;
根据拥堵距离找出m个最好抗体后,计算各个抗体的亲和力,选取p个亲和力最大的抗体作为活跃抗体,亲和力直接用拥堵距离表示,即
Aff(A)=CD(A,M(t)) (8)
其中,Aff(A)为记忆集M(t)中抗体A的亲和力,CD(A,M(t))为拥堵距离;
3.3)计算邻域
计算记忆体M(t)中m个抗体两两抗体间的欧式距离,取n个最近邻居,欧氏距离计算公式如下:
其中为m个抗体中任意两抗体Ai和Aj的欧式距离,i≠j,Ni=i1,i2,…,in为Ai的n个最近邻居的编号,在DE搜索策略中将会用到;
3.4)克隆
产生的p个活跃抗体,每个活跃抗体Pi(i=1,…,p)克隆qi个,qi计算方法如下式所示:
其中,c为克隆数,运算表示大于Q的最小整数,Aff(Pi)表示活跃抗体Pi的亲和力;
3.5)多搜索策略重组运算
对每一个克隆抗体,采用多搜索策略重组运算产生重组后代,通过结合局部随机搜索策略的模拟二进制交叉重组算子SBX和全局搜索策略的差分进化重组算子DE进行重组运算;
3.6)更新抗体集P(t):将新产生的抗体加入抗体集P(t)中;
3.7)更新记忆集M(t):根据P(t)和M(t)对M(t)进行更新,去掉其中的弱抗体,保留精华抗体,形成新的记忆集M(t+1);
3.8)判断是否满足繁殖终止条件,重复执行步骤3.2)-3.7),直到达到最大繁殖代数T;
3.9)输出分布均匀Pareto最优解M(t)。
4.如权利要求3所述的一种城市道路交叉口信号控制多目标优化方法,其特征在 于:所述步骤3.2)中,根据目标抗体A两边距离最近的两个抗体A′和A″所形成矩形及A′和A所形成矩形,分散距离定义为A′和A″距离A的分散程度,以A′和A以及A′′和A形成矩形的周长估计差表示:
其中D(A′,A″)为A′和A″的分散距离,分别为A′和A″形成矩形在方向1和方向2上的距离,分别为A′和A所形成矩形在方向1和方向2上的距离, 分别为A″和A形成矩形在方向1和方向2上的距离,拥堵距离的计算公式可表示为:
其中CD(A,M(t))为拥堵距离,A为记忆集M(t)中的抗体;fi max和fi min为第i个目标的最大值和最小值;为非边界抗体两边两个邻居在第i个目标上的最小差值,计算方法如下式:
Bi为边界抗体集,计算方法如下式:
5.如权利要求3所述的一种城市道路交叉口信号控制多目标优化方法,其特征在于:所述步骤3.5中,多搜索策略重组运算的过程如下:
设SBX和DE的使用概率分别为ρ1和1-ρ1,ρ1越大表示SBX算子使用概率越高;当随机数rand1小于ρ1时,执行SBX算子重组运算;当随机数rand1≥ρ1时,执行DE算子重组运算。
6.如权利要求5所述的一种城市道路交叉口信号控制多目标优化方法,其特征在于:SBX搜索策略的过程如下:
除当前操作的抗体外,再从M(t)中随机选择另一个抗体作为父代,由两个父代产生两个重组子代;再根据生成的0到1之间的随机数μ从两个重组子代中选择一个存活者;若μ>0.5则保留第一个重组子代,去掉第二个重组子代;反之则保留第二个重组子代,去掉第一个重组子代。
7.如权利要求5所述的一种城市道路交叉口信号控制多目标优化方法,其特征在于:DE搜索策略的过程如下:
除当前操作的抗体Ai外,再根据索引从M(t)中选择两个抗体作为父代,r1、r2为从索引序列I中选择的索引编号:
其中ωmax和ωmin是控制全局搜索的最大和最小系数;
根据Ai、生成一个子代A′i,并生成一个0到1之间的随机数rand2,定义Ai={a1,a2,…,an},A′i={a′1,a′2,…,a′n}可根据DE搜索策略进行选择:
当rand2<ρ2时,
其中pm为变异因子,变异因子取为自适应因子:
当rand2≥ρ2时,
其中j=1,…,n,amin和amax为抗体Ai的最低界和最高界,ρ2为式(17)和式(18)两种DE搜索策略使用的概率,ρ2越大,使用式(17)概率越大,反之使用式(18)概率越大;若A′i中的值超过可行区域的边界,则随机选择边界内某值作为其值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611069999.0A CN106781543B (zh) | 2016-11-29 | 2016-11-29 | 一种城市道路交叉口信号控制多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611069999.0A CN106781543B (zh) | 2016-11-29 | 2016-11-29 | 一种城市道路交叉口信号控制多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106781543A true CN106781543A (zh) | 2017-05-31 |
CN106781543B CN106781543B (zh) | 2019-08-23 |
Family
ID=58905167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611069999.0A Active CN106781543B (zh) | 2016-11-29 | 2016-11-29 | 一种城市道路交叉口信号控制多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106781543B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389419A (zh) * | 2018-03-02 | 2018-08-10 | 辽宁工业大学 | 一种车辆动态路径诱导方法 |
CN108629980A (zh) * | 2018-06-27 | 2018-10-09 | 石家庄铁道大学 | 一种通过控制交通流量改善空气质量的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011014055A (ja) * | 2009-07-05 | 2011-01-20 | Masahiro Watanabe | 車両走行速度制御方法 |
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 |
CN105632198A (zh) * | 2016-01-26 | 2016-06-01 | 新誉集团有限公司 | 基于模糊控制的城市区域道路交通协调控制方法及系统 |
-
2016
- 2016-11-29 CN CN201611069999.0A patent/CN106781543B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011014055A (ja) * | 2009-07-05 | 2011-01-20 | Masahiro Watanabe | 車両走行速度制御方法 |
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 |
CN105632198A (zh) * | 2016-01-26 | 2016-06-01 | 新誉集团有限公司 | 基于模糊控制的城市区域道路交通协调控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
胡文婷: ""城市道路交通系统效率指标体系与多方式路网优化设计"", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389419A (zh) * | 2018-03-02 | 2018-08-10 | 辽宁工业大学 | 一种车辆动态路径诱导方法 |
CN108389419B (zh) * | 2018-03-02 | 2024-03-29 | 辽宁工业大学 | 一种车辆动态路径诱导方法 |
CN108629980A (zh) * | 2018-06-27 | 2018-10-09 | 石家庄铁道大学 | 一种通过控制交通流量改善空气质量的方法 |
CN108629980B (zh) * | 2018-06-27 | 2020-04-07 | 石家庄铁道大学 | 一种通过控制交通流量改善空气质量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106781543B (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Enang et al. | Modelling and control of hybrid electric vehicles (A comprehensive review) | |
CN109886468B (zh) | 基于改进的自适应遗传算法的充电站规划方法 | |
CN109034465A (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN103593986B (zh) | 一种优化尾气排放的干线绿波协调控制信号配时方法 | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN114971011B (zh) | 一种基于改进遗传模拟退火算法的多式联运路径优化方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN105809297A (zh) | 一种基于多目标差分进化算法的火电厂环境经济调度方法 | |
CN104866903B (zh) | 基于遗传算法的最美路径导航算法 | |
CN106781543B (zh) | 一种城市道路交叉口信号控制多目标优化方法 | |
CN113570112B (zh) | 求解考虑合作的带时间窗的车辆路径问题的优化算法 | |
WO2023245740A1 (zh) | 一种基于蚁群算法的第四方物流运输路径规划方法 | |
Dong et al. | Double ant colony algorithm based on dynamic feedback for energy-saving route planning for ships | |
CN113344320A (zh) | 多目标下的物流机器人配送路径动态自动规划方法及系统 | |
Paul et al. | Deep reinforcement learning based traffic signal optimization for multiple intersections in ITS | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
CN110516785A (zh) | 一种基于粒子群和鲸鱼群的求解双层线性规划混合算法 | |
CN103426127A (zh) | 一种基于伪杂交禁忌混合遗传算法的城市电网规划方法 | |
CN117474036A (zh) | 基于融合策略智能算法的行进方法 | |
CN110641470B (zh) | 一种融合驾驶员偏好的纯电动汽车驾驶辅助系统优化方法 | |
Erdoğan et al. | Finding an energy efficient path for plug-in electric vehicles with speed optimization and travel time restrictions | |
CN114491882B (zh) | 一种考虑电池续航能力的ev储能充电网络规划方法 | |
CN102902823A (zh) | 交通路径搜索系统及方法 | |
Gong et al. | A path planning method based on improved particle swarm optimization algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee after: Yinjiang Technology Co.,Ltd. Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee before: ENJOYOR Co.,Ltd. |