CN107705589A - 基于自适应遗传算法的双环信号配时优化方法 - Google Patents
基于自适应遗传算法的双环信号配时优化方法 Download PDFInfo
- Publication number
- CN107705589A CN107705589A CN201711076512.6A CN201711076512A CN107705589A CN 107705589 A CN107705589 A CN 107705589A CN 201711076512 A CN201711076512 A CN 201711076512A CN 107705589 A CN107705589 A CN 107705589A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- individual
- colony
- self
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 125000002619 bicyclic group Chemical group 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 230000002068 genetic effect Effects 0.000 title claims abstract description 21
- 230000035772 mutation Effects 0.000 claims abstract description 58
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 230000006978 adaptation Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 125000002950 monocyclic group Chemical group 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000012913 prioritisation Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000005303 weighing 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
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应遗传算法的双环信号配时优化方法。其包括获取交叉口使用双环信号配时时的交叉口交通流数据,使用真值编码方法进行处理,生成初始父代群体,计算个体的适应度,判断个体适应度是否满足预设终止条件,当不满足时采用随机联赛选择方法对群体进行选择处理,采用自适应交叉概率方法对群体进行单点交叉处理,采用自适应变异概率方法对群体进行非均匀变异处理,对群体实施最优保存策略,重新计算个体的适应度。本发明以交叉口车辆平均延误最少为优化目标,建立以各流向绿灯时间为优化参数的双环信号配时优化模型,并采用自适应遗传算法对模型进行求解,从而减少交叉口车辆平均延误时间,提高交叉口运行效率。
Description
技术领域
本发明属于交通工程技术领域,尤其涉及一种基于自适应遗传算法的双环信号配时优化方法。
背景技术
交叉口作为城市交通网络的重要组成部分,往往是城市拥堵的多发地。提升交叉口的运行效率是缓解城市交通拥堵的重要手段之一。合理的信号配时方案能够使得交通流在交叉口的时间和空间中均衡分布,有效提高交叉口甚至整个路网的运行效率,因此国内外学者对交叉口信号配时优化模型进行了大量研究,提出了多种信号配时优化模型。
虽然国内外的配时优化模型成果很多,但是现有的配时优化模型大多数都是针对单环结构(非搭接)相位方案进行配时优化,针对双环结构(含搭接)相位方案的配时优化模型较少。由于我国城市交叉口多使用传统单环相位方案,当交叉口车流量不均衡时时,即使对其应用配时优化模型进行优化,也难免会因为同一相位内各流向交通量不均衡而造成交叉口时空资源的浪费。针对这种情况,对交叉口信号配时采用双环相位方案能够有效减少交叉口时空资源的浪费,所以研究建立双环信号配时优化模型对提高交通运行效率,缓解交通拥堵有重要的作用。
发明内容
本发明的发明目的是:为了解决现有技术总存在的以上问题,本发明提出了一种基于自适应遗传算法的双环信号配时优化方法,以期减少交叉口车辆平均延误时间,提高交叉口运行效率。
本发明的技术方案是:一种基于自适应遗传算法的双环信号配时优化方法,包括以下步骤:
A、获取交叉口使用双环信号配时时的交叉口交通流数据;
B、对步骤A中交叉口交通流数据使用真值编码方法进行处理,生成初始父代群体;
C、计算生成的群体中个体的适应度;
D判断个体适应度是否满足预设终止条件;若满足,则操作结束,得到最优个体;若不满足,则进行下一步骤;
E、采用随机联赛选择方法对群体进行选择处理;
F、采用自适应交叉概率方法对群体进行单点交叉处理;
G、采用自适应变异概率方法对群体进行非均匀变异处理;
H、对群体实施最优保存策略,返回步骤C。
进一步地,所述步骤B对步骤A中交叉口交通流数据使用真值编码方法进行处理具体为:
将交叉口交通流数据中的各流向绿灯时长的组合作为个体,个体染色体形式表示为g=<g1,g2,g3,g4,g5,g6,g7,g8>,其中gi表示第i个流向的绿灯时间;设定各流向绿灯最大值为gi max、各流向绿灯最小值为gi min、各流相损失时间为li、最大进化代数为T、种群规模为M、最大交叉概率为Pcmax、最小交叉概率为Pcmin、最大变异概率为Pmmax、最小变异概率为Pmmin;根据双环相位结构设定各流向的绿灯时间约束为
g1+g2-g5-g6=0
g3+g4-g7-g8=0
g1+g2+g3+g4-C=0。
进一步地,所述步骤C计算生成的群体中个体的适应度具体为:
将交叉口车辆平均延误D为目标函数,构造个体的适应度函数模型为
F=minD。
进一步地,所述交叉口车辆平均延误D的计算公式具体为:
其中,gei为流向i有效绿灯时长;xij为流向i第j进口道的饱和度;qi为流向i实际到达的当量交通量;C为信号周期时长。
进一步地,所述步骤F采用自适应交叉概率方法对群体进行单点交叉处理具体为:
每次随机选择群体中的2个个体,选取适应度较高的对应个体到下一代群体中,迭代M次后得到下一代群体的M个个体。
进一步地,所述步骤E采用随机联赛选择方法对群体进行选择处理具体为:
E1、在群体中的个体编码串中随机设定一个交叉点;
E2、计算自适应交叉概率;
E3、以自适应交叉概率在交叉点互相交换两个父代个体的部分染色体,生成两个新的个体。
进一步地,所述自适应交叉概率的计算公式具体为:
其中,Pc为交叉概率,Pcmax和Pcmin分别为交叉概率的上限和下限,fmax和favg分别为当前群体中的最大适应度值和平均适应度值,f'为两个交叉个体中适应度较大值,A为常数。
进一步地,所述步骤G采用自适应变异概率方法对父代群体进行非均匀变异处理具体为:
G1、在群体中的个体编码串中随机设定一个交叉点;
G2、计算自适应变异概率;
G3、以自适应变异概率对父代个体变异点基因进行非均匀变异,产生一个在[gi min,gi max]上服从非均匀变异的随机值,用以替换变异点上的原有基因值,生成新的个体。
进一步地,所述自适应变异概率的计算公式具体为:
其中,Pm为变异概率,Pmmax和Pmmin分别为变异概率的上限和下限,fmax和favg分别为当前群体中的最大适应度值和平均适应度值,f为该变异个体中适应度值,A为常数。
进一步地,所述步骤H中对群体实施最优保存策略具体为:
遍历当代群体中适应度最高的个体和适应度最低的个体,判断当前群体中适应度最高个体的适应度是否高于所有代群体中个体的最高适应度;若是,则以当前群体中的最佳个体作为所有代群体中适应度最高的个体;若否,则将所有代群体中适应度最高的个体替换当代群体中适应度最低的个体。
本发明的有益效果是:本发明以交叉口车辆平均延误最少为优化目标,建立以各流向绿灯时间为优化参数的双环信号配时优化模型,并采用自适应遗传算法对模型进行求解,从而减少交叉口车辆平均延误时间,提高交叉口运行效率。
附图说明
图1是本发明的基于自适应遗传算法的双环信号配时优化方法的流程示意图。
图2是现有技术中单环信号控制方案示意图。
图3是本发明中双环信号控制方案示意图。
图4是本发明实施例中两个交叉口的渠化示意图。
图5是本发明实施例中交叉口1的优化方案示意图。
图6是本发明实施例中交叉口2的优化方案示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的基于自适应遗传算法的双环信号配时优化方法的流程示意图。一种基于自适应遗传算法的双环信号配时优化方法,包括以下步骤:
A、获取交叉口使用双环信号配时时的交叉口交通流数据;
B、对步骤A中交叉口交通流数据使用真值编码方法进行处理,生成初始父代群体;
C、计算生成的群体中个体的适应度;
D判断个体适应度是否满足预设终止条件;若满足,则操作结束,得到最优个体;若不满足,则进行下一步骤;
E、采用随机联赛选择方法对群体进行选择处理;
F、采用自适应交叉概率方法对群体进行单点交叉处理;
G、采用自适应变异概率方法对群体进行非均匀变异处理;
H、对群体实施最优保存策略,返回步骤C。
在步骤A中,如图2所示,为现有技术中单环信号控制方案示意图;如图3所示,为本发明中双环信号控制方案示意图。本发明采用双环信号配时方案对交叉口进行控制,获取交叉口交通流数据。
在步骤B中,本发明对步骤A中交叉口交通流数据中的个体采用真值编码方法进行真值编码处理,将交叉口交通流数据中的各流向绿灯时长的组合作为个体,个体染色体形式表示为g=<g1,g2,g3,g4,g5,g6,g7,g8>,其中gi表示第i个流向的绿灯时间;设定各流向绿灯最大值为gi max、各流向绿灯最小值为gi min、各流相损失时间为li、最大进化代数为T、种群规模为M、最大交叉概率为Pcmax、最小交叉概率为Pcmin、最大变异概率为Pmmax、最小变异概率为Pmmin;由于绿灯时间一般不大于60s,因此每个基因座设定为2位,染色体基因长度为16位。由于交叉口采用标准双环八相位结构,根据双环相位结构设定各流向的绿灯时间约束为
g1+g2-g5-g6=0
g3+g4-g7-g8=0
g1+g2+g3+g4-C=0。
这里本发明设置各流向绿灯最大值gi max为60秒、各流向绿灯最小值gi min10秒、各流相损失时间li为3秒、最大进化代数T为200、种群规模M位100、最大交叉概率Pcmax为0.8、最小交叉概率Pcmin为0.2、最大变异概率Pmmax为0.2、最小变异概率Pmmin为0.01。
在步骤C中,本发明以交叉口车辆平均延误D为优化目标,构造个体的适应度函数模型为
其中,gei为流向i有效绿灯时长;xij为流向i第j进口道的饱和度;qi为流向i实际到达的当量交通量;C为信号周期时长。
信号周期C由Webster最佳周期公式确定,周期公式为
其中,L为交叉口一个周期内的总损失时间;Y为各相位关键流量比之和。
在步骤D中,本发明判断个体适应度是否满足预设终止条件,这里的预设终止条件是指达到最大进化代数;若满足,则操作结束,得到最优个体,完成双环信号配时优化;若不满足,则进行下一步骤。
在步骤E中,本发明采用自适应交叉概率方法对群体进行单点交叉处理具体为:
每次随机选择群体中的2个个体,选取适应度较高的对应个体到下一代群体中,迭代M次后得到下一代群体的M个个体。
在步骤F中,本发明采用随机联赛选择方法对群体进行选择处理具体为:
E1、在群体中的个体编码串中随机设定一个交叉点;
E2、计算自适应交叉概率,计算公式具体为:
其中,Pc为交叉概率,Pcmax和Pcmin分别为交叉概率的上限和下限,分别取0.8和0.2,fmax和favg分别为当前群体中的最大适应度值和平均适应度值,f'为两个交叉个体中适应度较大值,A为常数,取9.903438;
E3、以自适应交叉概率在交叉点互相交换两个父代个体的部分染色体,生成两个新的个体。
在步骤G中,本发明采用自适应变异概率方法对父代群体进行非均匀变异处理具体为:
G1、在群体中的个体编码串中随机设定一个交叉点;
G2、计算自适应变异概率,计算公式具体为:
其中,Pm为变异概率,Pmmax和Pmmin分别为变异概率的上限和下限,分别取0.2和0.01,fmax和favg分别为当前群体中的最大适应度值和平均适应度值,f为该变异个体中适应度值,A为常数,取9.903438;
G3、以自适应变异概率对父代个体变异点基因进行非均匀变异,产生一个在[gi min,gi max]上服从非均匀变异的随机值,用以替换变异点上的原有基因值,生成新的个体。
非均匀变异过程具体为:
设染色体基因为X=x1,x2…xk…x8的个体进行非均匀变异后的染色体基因为X=x1,x2…x′k…x8,其中xk为变异点,xk的取值范围为[gk min,gk max],则新的基因值x'k由下式确定:
式中,Δ(t,y)(y代表gk max-xk和xk-gk min)表示[0,y]范围内符合非均匀分布的一个随机数Δ(t,y)定义为:
Δ(t,y)=y(1-r0.5(1-t/T)) (2)
式中,r为[0,1]范围内符合均匀概率分布的一个随机数,T是最大进化代数,t为当前进化代数。
在步骤H中,本发明对群体实施最优保存策略具体为:
遍历当代群体中适应度最高的个体和适应度最低的个体,判断当前群体中适应度最高个体的适应度是否高于所有代群体中个体的最高适应度;若是,则以当前群体中的最佳个体作为所有代群体中适应度最高的个体;若否,则将所有代群体中适应度最高的个体替换当代群体中适应度最低的个体。
本发明克服了传统单环相位方案会造成交叉口时空资源浪费的问题,在交叉口采用双环信号方案的基础上,结合交叉口车辆平均延误时间,建立信号配时优化模型。与传统信号配时优化方法相比,该模型有效减少了交叉口车辆平均延误,减少了交叉口时空资源的浪费,有效改善了交叉口运行状况。
以某市两个交叉口为例进行分析,实地调查了两个交叉口晚高峰流量数据,晚高峰流量如表1所示。如图4所示,为本发明实施例中两个交叉口的渠化示意图。
表1交叉口流量
根据两个交叉口的实测交通量,分别使用Webster配时模型和双环信号配时优化模型对两个交叉口进行配时优化;计算出各相位有效绿灯时间后,通过Webster延误公式计算交叉口平均延误,并将两种优化模型的配时结果进行对比。经过计算,两个交叉口应用两种配时优化模型后的配时优化方案分别如图5和图6所示,优化结果分别如表2和表3所示。
表2交叉口1优化结果
表3交叉口2优化结果
由表2可知:对交叉口1应用Webster模型进行配时优化,交叉口平均延误为41.12s,服务水平;应用双环信号配时优化模型后,交叉口平均延误变为36.45s;与Webster法优化结果相比,平均延误降低了11.36%。由表3可知:对交叉口2应用Webster模型进行配时优化,交叉口平均延误为34.58s,服务水平;应用双环信号配时优化模型后,交叉口平均延误变为29.93s;与Webster法优化结果相比,平均延误降低了13.45%。由此可见,双环信号配时优化模型优化结果优于传统Webster模型,可以有效减少交叉口平均延误,一定程度上提高了交叉口服务水平。另外,由表2和表3可知:与交叉口1相比,交叉口2同相位各流向间流量更不均衡;而对两个交叉口分别应用双环信号配时优化模型后,交叉口1的平均延误下降了11.36%,交叉口2下降了13.45%。所以,交叉口同相位内的两个流向的流量越不均衡,应用双环信号配时优化模型后的优化结果越好。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种基于自适应遗传算法的双环信号配时优化方法,其特征在于,包括以下步骤:
A、获取交叉口使用双环信号配时时的交叉口交通流数据;
B、对步骤A中交叉口交通流数据使用真值编码方法进行处理,生成初始父代群体;
C、计算生成的群体中个体的适应度;
D判断个体适应度是否满足预设终止条件;若满足,则操作结束,得到最优个体;若不满足,则进行下一步骤;
E、采用随机联赛选择方法对群体进行选择处理;
F、采用自适应交叉概率方法对群体进行单点交叉处理;
G、采用自适应变异概率方法对群体进行非均匀变异处理;
H、对群体实施最优保存策略,返回步骤C。
2.如权利要求1所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述步骤B对步骤A中交叉口交通流数据使用真值编码方法进行处理具体为:
将交叉口交通流数据中的各流向绿灯时长的组合作为个体,个体染色体形式表示为g=<g1,g2,g3,g4,g5,g6,g7,g8>,其中gi表示第i个流向的绿灯时间;设定各流向绿灯最大值为gi max、各流向绿灯最小值为gi min、各流相损失时间为li、最大进化代数为T、种群规模为M、最大交叉概率为Pcmax、最小交叉概率为Pcmin、最大变异概率为Pmmax、最小变异概率为Pmmin;根据双环相位结构设定各流向的绿灯时间约束为
g1+g2-g5-g6=0
g3+g4-g7-g8=0
g1+g2+g3+g4-C=0。
3.如权利要求2所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述步骤C计算生成的群体中个体的适应度具体为:
将交叉口车辆平均延误D为目标函数,构造个体的适应度函数模型为
F=minD。
4.如权利要求3所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述交叉口车辆平均延误D的计算公式具体为:
<mrow>
<mi>D</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mfrac>
<mrow>
<mi>C</mi>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>/</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>/</mo>
<mi>C</mi>
</mrow>
<mo>)</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</munderover>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,gei为流向i有效绿灯时长;xij为流向i第j进口道的饱和度;qi为流向i实际到达的当量交通量;C为信号周期时长。
5.如权利要求3所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述步骤F采用自适应交叉概率方法对群体进行单点交叉处理具体为:
每次随机选择群体中的2个个体,选取适应度较高的对应个体到下一代群体中,迭代M次后得到下一代群体的M个个体。
6.如权利要求5所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述步骤E采用随机联赛选择方法对群体进行选择处理具体为:
E1、在群体中的个体编码串中随机设定一个交叉点;
E2、计算自适应交叉概率;
E3、以自适应交叉概率在交叉点互相交换两个父代个体的部分染色体,生成两个新的个体。
7.如权利要求6所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述自适应交叉概率的计算公式具体为:
<mrow>
<msub>
<mi>P</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>c</mi>
<mi>max</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo><</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>c</mi>
<mi>min</mi>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>c</mi>
<mi>max</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>c</mi>
<mi>min</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>(</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo>&GreaterEqual;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Pc为交叉概率,Pcmax和Pcmin分别为交叉概率的上限和下限,fmax和favg分别为当前群体中的最大适应度值和平均适应度值,f'为两个交叉个体中适应度较大值,A为常数。
8.如权利要求6所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述步骤G采用自适应变异概率方法对父代群体进行非均匀变异处理具体为:
G1、在群体中的个体编码串中随机设定一个交叉点;
G2、计算自适应变异概率;
G3、以自适应变异概率对父代个体变异点基因进行非均匀变异,产生一个在[gi min,gi max]上服从非均匀变异的随机值,用以替换变异点上的原有基因值,生成新的个体。
9.如权利要求8所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述自适应变异概率的计算公式具体为:
<mrow>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo><</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>(</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>&GreaterEqual;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Pm为变异概率,Pmmax和Pmmin分别为变异概率的上限和下限,fmax和favg分别为当前群体中的最大适应度值和平均适应度值,f为该变异个体中适应度值,A为常数。
10.如权利要求8所述的基于自适应遗传算法的双环信号配时优化方法,其特征在于,所述步骤H中对群体实施最优保存策略具体为:
遍历当代群体中适应度最高的个体和适应度最低的个体,判断当前群体中适应度最高个体的适应度是否高于所有代群体中个体的最高适应度;若是,则以当前群体中的最佳个体作为所有代群体中适应度最高的个体;若否,则将所有代群体中适应度最高的个体替换当代群体中适应度最低的个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711076512.6A CN107705589A (zh) | 2017-11-06 | 2017-11-06 | 基于自适应遗传算法的双环信号配时优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711076512.6A CN107705589A (zh) | 2017-11-06 | 2017-11-06 | 基于自适应遗传算法的双环信号配时优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107705589A true CN107705589A (zh) | 2018-02-16 |
Family
ID=61178123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711076512.6A Pending CN107705589A (zh) | 2017-11-06 | 2017-11-06 | 基于自适应遗传算法的双环信号配时优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705589A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635495A (zh) * | 2018-12-29 | 2019-04-16 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
CN110164147A (zh) * | 2019-05-24 | 2019-08-23 | 南京邮电大学 | 一种基于改进遗传算法的智能交通信号灯调控方法 |
CN111259506A (zh) * | 2018-11-14 | 2020-06-09 | 长春设备工艺研究所 | 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 |
CN111932871A (zh) * | 2020-06-28 | 2020-11-13 | 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 |
CN113034899A (zh) * | 2021-03-03 | 2021-06-25 | 山东大学 | 一种信控交叉口协调优化控制方法及系统 |
CN114170814A (zh) * | 2021-11-05 | 2022-03-11 | 中山大学 | 基于时空维度的交叉口信号控制自主优化方法 |
CN114926997A (zh) * | 2022-04-29 | 2022-08-19 | 东南大学 | 一种基于性能加权的启发式在线路网信号优化方法 |
CN116189459A (zh) * | 2023-04-26 | 2023-05-30 | 西南民族大学 | 一种路口交通信号灯配时方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976510A (zh) * | 2010-10-26 | 2011-02-16 | 隋亚刚 | 高清视频检测条件下的交叉口机动车信号优化控制方法 |
CN102360532A (zh) * | 2011-10-19 | 2012-02-22 | 太仓市同维电子有限公司 | 路口交通信号控制系统及其控制方法 |
CN103150911A (zh) * | 2013-02-07 | 2013-06-12 | 江苏大学 | 基于遗传算法的单交叉口信号配时优化方法 |
CN104021685A (zh) * | 2014-06-26 | 2014-09-03 | 广东工业大学 | 一种含混合交通流的交叉口交通控制方法 |
CN104575034A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种基于卡口数据的单点交叉口信号配时参数优化方法 |
CN105788302A (zh) * | 2016-04-08 | 2016-07-20 | 华北电力大学(保定) | 一种双目标优化的城市交通信号灯动态配时方法 |
CN106023608A (zh) * | 2016-06-08 | 2016-10-12 | 吉林大学 | 一种十字路口交通信号灯实时动态配时的方法 |
-
2017
- 2017-11-06 CN CN201711076512.6A patent/CN107705589A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976510A (zh) * | 2010-10-26 | 2011-02-16 | 隋亚刚 | 高清视频检测条件下的交叉口机动车信号优化控制方法 |
CN102360532A (zh) * | 2011-10-19 | 2012-02-22 | 太仓市同维电子有限公司 | 路口交通信号控制系统及其控制方法 |
CN103150911A (zh) * | 2013-02-07 | 2013-06-12 | 江苏大学 | 基于遗传算法的单交叉口信号配时优化方法 |
CN104021685A (zh) * | 2014-06-26 | 2014-09-03 | 广东工业大学 | 一种含混合交通流的交叉口交通控制方法 |
CN104575034A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种基于卡口数据的单点交叉口信号配时参数优化方法 |
CN105788302A (zh) * | 2016-04-08 | 2016-07-20 | 华北电力大学(保定) | 一种双目标优化的城市交通信号灯动态配时方法 |
CN106023608A (zh) * | 2016-06-08 | 2016-10-12 | 吉林大学 | 一种十字路口交通信号灯实时动态配时的方法 |
Non-Patent Citations (3)
Title |
---|
边婷婷: "智能交通信号控制系统的研究与实现", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
邝航宇 等: "自适应遗传算法交叉变异算子的改进", 《计算机工程与应用》 * |
陈小锋: "城市交通信号动态优化控制技术研究", 《中国优秀博士学位论文全文数据库(电子期刊)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259506A (zh) * | 2018-11-14 | 2020-06-09 | 长春设备工艺研究所 | 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 |
CN109635495A (zh) * | 2018-12-29 | 2019-04-16 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
CN109635495B (zh) * | 2018-12-29 | 2023-08-22 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
CN110164147A (zh) * | 2019-05-24 | 2019-08-23 | 南京邮电大学 | 一种基于改进遗传算法的智能交通信号灯调控方法 |
CN111932871A (zh) * | 2020-06-28 | 2020-11-13 | 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 |
CN113034899A (zh) * | 2021-03-03 | 2021-06-25 | 山东大学 | 一种信控交叉口协调优化控制方法及系统 |
CN114170814A (zh) * | 2021-11-05 | 2022-03-11 | 中山大学 | 基于时空维度的交叉口信号控制自主优化方法 |
CN114926997A (zh) * | 2022-04-29 | 2022-08-19 | 东南大学 | 一种基于性能加权的启发式在线路网信号优化方法 |
CN114926997B (zh) * | 2022-04-29 | 2023-09-19 | 东南大学 | 一种基于性能加权的启发式在线路网信号优化方法 |
CN116189459A (zh) * | 2023-04-26 | 2023-05-30 | 西南民族大学 | 一种路口交通信号灯配时方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705589A (zh) | 基于自适应遗传算法的双环信号配时优化方法 | |
CN105788302B (zh) | 一种双目标优化的城市交通信号灯动态配时方法 | |
CN105846461A (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN106971566B (zh) | 基于遗传算法的自适应控制方法 | |
CN109345010B (zh) | 一种梯级泵站的多目标优化调度方法 | |
CN106845712B (zh) | 面向大系统水库群的聚合分解调度规则的提取方法 | |
CN109635495A (zh) | 基于神经网络和遗传算法的干道相位差仿真优化方法 | |
CN105375461B (zh) | 基于预测技术的主动配电网供电能力实时评估方法 | |
CN104820705B (zh) | 一种可扩展的面向关联的流式图数据划分方法 | |
CN109886468A (zh) | 基于改进的自适应遗传算法的充电站规划方法 | |
CN106097163B (zh) | 一种面向时空均衡的水资源优化配置方法 | |
CN104766485A (zh) | 一种基于改进的模糊控制的红绿灯优化配时方法 | |
CN104600728A (zh) | 一种平抑风电功率波动的混合储能容量配置优化方法 | |
CN109800914A (zh) | 一种适用于滨海地区水资源的多目标优化调度方法 | |
CN110601222A (zh) | 一种基于Lévy飞蛾算法的分数阶负荷频率控制方法 | |
CN105780714A (zh) | 一种水库群联合供水水权分配调度方法 | |
CN102360452A (zh) | 基于最少资源神经网络求解大规模图的最短路径方法 | |
CN110336285A (zh) | 基于iboa的电力系统最优经济潮流计算方法 | |
CN102300269B (zh) | 基于遗传算法的无线认知网络端到端服务质量确保方法 | |
CN106300441A (zh) | 一种面向电网多级输电断面的水电站机组负荷分配方法 | |
CN103826234A (zh) | Ta重规划方法和系统 | |
CN110753101B (zh) | 边缘计算中低能耗的计算结点选择和计算任务分配方法 | |
CN104466979B (zh) | 一种输电网无功优化调控系统及方法 | |
CN104635769B (zh) | 一种梯级水电站群水电站汛期最优水位范围控制方法 | |
CN110826806B (zh) | 一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |