CN108734354A - 一种城市道路信号交叉口多目标配时优化方法 - Google Patents

Abstract

本发明涉及一种交通信号控制领域基于人均延误的信号交叉口多目标配时优化方法，具体是一种考虑人均延误、车辆污染物排放及交叉口通行能力的多目标信号优化方法；包括以下步骤：1、建立交叉口人均延误模型；2、建立交叉口车辆污染物排放模型；3、选取交叉口通行能力计算模型；4、建立基于人均延误的多目标信号配时优化模型；5、采用混合差分粒子群多目标搜索算法求解优化模型；6、通过矩阵实验室MATLAB软件求解算法，获得帕累托Pareto最优解。本发明基于人均延误的多目标信号配时优化方法，能够降低交叉口人均延误，减少车辆在交叉口的尾气排放，提高交叉口通行能力，改善交通运行环境和质量。

Description

一种城市道路信号交叉口多目标配时优化方法

技术领域

本发明涉及一种交通控制领域中信号交叉口配时方法，具体是一种城市道路信号交叉口多目标配时优化方法。

背景技术

随着城市交通拥堵升级，建立良好的交通控制系统从而提高道路通行效率成为解决交通拥堵的有效方法，信号控制是城市道路交通控制的重要手段，而信号控制的主要体现是交叉口信号控制。城市道路交叉口作为路网中的关键节点，其他条件一定的情况下，交叉口信号配时方案直接影响着整个交叉口的通行效率。优化交叉口信号配时能够提高交叉口通行效率，减少车辆延误，降低车辆污染物排放。

传统交叉口信号配时方法设置的主要依据是交叉口机动车延误，以延误作为单一信号配时优化目标不能适用到不同的交通状态，因此，许多学者提出了多目标信号交叉口配时优化方法，以机动车延误、排队长度、停车率、机动车交叉口排放等作为评价指标，对模型与算法进行了研究。现有优化指标中，没有考虑到人均延误作为优化指标，不能反映交叉口出行者通过效率。另一方面，多数学者将多目标模型转换成单目标进行求解，很少对多目标优化模型直接进行求解。

单独考虑机动车延误或者在多目标优化模型中考虑机动车延误都不能很好的反映交叉口出行者的通行效率。

发明内容

针对目前以机动车延误为优化目标的信号优化方法，本发明提出一种城市道路信号交叉口多目标配时优化方法，以人均延误、车辆污染物排放、交叉口通行能力为优化目标，兼顾出行者出行效率与机动车污染物排放对道路环境的影响，并保证交叉口通行能力。为了直接求解多目标优化模型，提出混合差分粒子群多目标搜索算法进行求解，以获得最优配时方案。

本发明解决其技术问题所采用的技术方案是:

一种城市道路信号交叉口多目标配时优化方法，所述优化方法包括以下步骤：

步骤一：选取信号交叉口优化指标；

选择人均延误、车辆污染物排放及交叉口通行能力作为信号交叉口优化指标，分别以D^e，E，Q表示；

步骤二：建立信号交叉口多目标配时优化模型；

以人均延误、车辆污染物排放及交叉口通行能力为优化目标，构建信号交叉口多目标优化模型；

步骤三：采用混合差分粒子群多目标搜索算法求解优化模型；

混合差分粒子群多目标搜索算法包括：(1)粒子编码；(2)种群初始化；(3)计算适应度值，记录最优粒子P_best；(4)筛选帕累托Pareto支配解；(5)粒子更新；(6)采用动态松弛支配策略筛选支配解；(7)更新个体Indi，支配解集Arc及动态松弛因子A_i；(8)若更新次数p大于最大次数，则停止更新，输出支配解；若更新次数p小于最大次数，则p＝p+1，返回执行步骤(3)。

步骤四：通过MATLAB(矩阵实验室)软件编译算法，获得Pareto(帕累托)最优解。

技术方案中所述人均延误是指：将通过交叉口的人均延误作为多目标信号配时优化指标之一，人均延误是在车辆延误基础上，考虑不同车型载客率计算得到。

所述车辆延误计算公式：

式中：D_i—第i相位每辆车的平均延误；C—交叉口信号灯周期时长；λ_i—第i相位绿信比，λ_i＝g_i/C；g_i—第i相位有效绿灯时间；q_ij—第i相位第j个进口道机动车流量；x_ij—第i相位第j个进口道的饱和度，x_ij＝q_ij/c_ij，c_ij为该车道通行能力；y_ij—流量比率，y_ij＝q_ij/s_ij，s_ij为车道饱和流量；N_ij—第i相位第j个进口单位时间平均过剩滞留车辆数。

所述人均延误计算公式：

式中：D^e—交叉口人均延误；m_i—第i相位车辆数；B_i-k—第i相位k车型数量；V_k—k车型额定容量；φ_k—k车型平均载客率；s—车型数；n—相位数。

技术方案中所述多目标优化模型是指：综合人均延误，车辆污染物排放，交叉口通行能力建立多目标配时优化模型。

所述多目标配时优化模型计算公式：

minF(C，g)＝min[E(C，g)，D^e(C，g)，-Q(C，g)]

式中：F—优化目标；C—信号周期；g—信号相位；g_i-min—i相位最小绿灯时间；L_i—i相位延误时间；C_max—交叉口最大周期时长；C_min—交叉口最小周期时长。

技术方案中所述粒子更新过程中的惯性权重计算公式：

w＝w_max-(w_max-w_min)×iter/MaxIt

式中：w—惯性权重；w_max—最大惯性因子；w_min—最小惯性因子；iter—当前更新代数；MaxIt—最大更新代数；

技术方案中所述粒子更新过程中的混合差分算子计算公式：

式中：w—惯性权重；X_i(g)—粒子i第g次更新；rand—随机数函数；—向上取整函数；P_best—最优粒子；X_j(g)，X_k(g)—个体中的粒子；i,j,k＝1,2,...,Popsize；且i≠j≠k；

技术方案中所述采用动态松弛支配策略筛选支配解过程中的动态松弛因子计算公式：

PD_i＝|Val_ij-Val_ij+1|

式中：i＝1，2，…，m；j＝1，2，…，Num_i；

式中：A_i—目标i动态松弛因子；PD_i—目标i非劣解集中相邻非劣解间距集合；||—绝对值函数；Val_ij—第i目标中的第j个非劣解值；Max、Min—求最大、最小值函数；m—目标数；Num_i—目标i非劣解数；Narc—支配解集Arc的规模；

技术方案中所述通过MATLAB(矩阵实验室)软件编译算法，获得Pareto(帕累托)最优解是指：采用MATLAB(矩阵实验室)软件，完成混合差分粒子群多目标搜索算法编译，实现模型的求解，输出Pareto(帕累托)最优解，即为最佳配时方案。

本发明与现有技术相比的有益效果是：

本发明在城市道路信号交叉口多目标配时优化模型中，将交叉口车辆污染物排放、人均延误、交叉口通行能力作为优化指标，与传统方法中考虑机动车延误单一目标相比，兼顾了出行者出行效率与机动车对道路环境的影响，并保证交叉口通行能力。为了直接求解多目标优化模型，提出混合差分粒子群多目标搜索算法进行求解，丰富了多目标优化模型求解方法。

附图说明：

图1本发明所述城市道路信号交叉口多目标配时优化方法框架图；

图2本发明所述城市道路信号交叉口多目标配时优化方法中的混合差分粒子群多目标搜索算法流程图。

具体实施方式

下面结合附图对本发明做详细的描述：

一种城市道路信号交叉口多目标配时优化方法，参照图1，包括以下步骤：

步骤一：选取信号交叉口优化指标；

所述选取信号交叉口优化指标，包括人均延误，车辆污染物排放和交叉口通行能力。

(1)技术方案中所述人均延误计算时，先要通过计算交叉口各相位机动车延误，再由各相位通过车辆数和车辆载客率转换成人均延误。计算车辆延误时要比较进口道饱度x_ij和参数x_ijo的大小，当饱和度小于参数x_ijo时，则不需要计算过剩滞留车辆数造成的车辆数；当饱和流率大于参数x_ijo时，需要考虑过剩滞留车辆增加的延误，最后得到各相位各进口道的车辆延误，然后根据交叉口通过车辆数和不同车型的载客率将机动车延误转换成人均延误。

所述机动车延误计算公式：

式中：D_i—第i相位每辆车的平均延误；C—交叉口信号灯周期时长；λ_i—第i相位绿信比，λ_i＝g_i/C；g_i—第i相位有效绿灯时间；q_ij—第i相位第j个进口道机动车流量；x_ij—第i相位第j个进口道的饱和度，x_ij＝q_ij/c_ij，c_ij为该车道通行能力；y_ij—流量比率，y_ij＝q_ij/s_ij，s_ij为车道饱和流量；N_ij—第i相位第j个进口单位时间平均过剩滞留车辆数，且

式中：

所述人均延误计算公式：

式中：D^e—交叉口人均延误；m_i—第i相位车辆数；B_i-k—第i相位k车型数量；V_k—k车型额定容量；φ_k—k车型平均载客率；s—车型数；n—相位数。

(2)技术方案中所述车辆污染物排放模型是指计算各类车辆尾气排放污染物的方法。汽车尾气排放主要成分包括一氧化碳(CO)、氮氧化合物(NO_X)和碳氢化合物(HC)，因此，车辆排放计算时，可以用以上三种污染物表示。根据车辆运行工况，不同运行工况条件下车辆污染物排放存在很大差别，可以将交叉口车辆分为正常行驶状态和怠速状态，通常将在进口道行驶的车辆看作是正常行驶状态，延误状态下车辆可以看作是怠速状态。不同状态下车辆污染物排放可以通过排放因子描述，由不同行驶状态下的车辆排放因子进行计算。如：研究所得，正常行驶和怠速状态下的小汽车一氧化碳(CO)排放因子分别为

所述交叉口污染物排放量计算公式：

式中：E—k种污染物排放量加和，E_k—交叉口k种污染物排放量；q_i—相位i内到达的交通流量；L₀—交叉口进口路段长度；D_i—车辆在相位i内的平均延误；—k种污染物标准小汽车单位排放因子；—k种污染物标准小汽车单位怠速排放因子。

(3)交叉口通行能力即为各相位各进口道通行能力之和，对交叉口各相位通行能力进行求和可得交叉口通行能力，所述交叉口通行能力计算公式：

式中：Q—交叉口道通行能力。

步骤二：建立信号交叉口多目标配时优化模型；

技术方案中所述建立城市道路信号交叉口多目标配时优化模型是指综合人均延误、车辆污染物排放和交叉口通行能力建立多目标优化模型。

所述多目标优化模型计算公式：

minF(C，g)＝min[E(C，g)，D^e(C，g)，-Q(C，g)]

式中：F—优化目标；C—信号周期；g—信号相位；g_i-min—i相位最小绿灯时间；L_i—i相位延误时间；C_max—交叉口最大周期时长；C_min—交叉口最小周期时长。

步骤三：采用混合差分粒子群多目标搜索算法求解优化模型；

多目标优化相对于单目标优化问题的特点是优化各目标同时达到综合的最优值，然而，由于多目标优化问题的各个目标之间往往是相互冲突的，在满足其中一个目标最优的同时，其他的目标可能受到影响变得很差。求解多目标优化问题可以将多目标优化转换为单目标问题进行求解，但转换过程容易产生误差，采用混合差分粒子群多目标搜索算法对多目标优化模型进行求解能够克服误差，直接得到最优解。

技术方案中所述混合差分粒子群多目标搜索算法求解，参照图2，具体过程如下：

(1)粒子编码

采用整数编码方式，每个粒子代表一组信号配时方案，粒子编码可以表示为：

X＝(C，g₁，g₂，……，g_N)

式中：X—粒子，每个粒子代表一组信号配时方案；C_min＜C＜C_max；g_i＞g_i-min；N为相位数。

(2)种群初始化

随机生成粒子规模为Popsize的初始粒子种群，设置初始更新代数P＝1，最大更新代数为MaxIt。粒子初始化过程，由于信号周期取值范围和绿灯时间取值范围不同，需要分别初始化，再进行合并，得到最后的初始粒子种群，具体如下：

式中：X_i—第i个粒子；Indi—初始粒子个体；满足：

(3)计算种群适应度值，记录最优粒子P_best

计算初始粒子种群适应度值，比较粒子适应度值，记录最优粒子P_best。

(4)筛选Pareto(帕累托)支配解

优化目标函数值即为种群适应度值，通过支配法则可以得到当前支配个体，将支配解存入支配解集Arc，初始最优个体即为初始粒子种群，个体最优粒子选取法则如下：

式中：P_best—最优粒子。

(5)粒子更新

采用混合差分算子进行更新，先计算惯性权重，惯性权重随着当前更新代数iter和最大MaxIt的变化而变化，其自身最大、最小惯性因子分别为w_max＝1.2，w_min＝0.2，结合惯性权重和DE/current-to-best/1差分算子组成混合粒子差分更新算子，更新产生的新粒子会出现不可行解，需要通过一定规则进行修补，以符合可行解要求。

技术方案中惯性权重计算公式：

w＝w_max-(w_max-w_min)×iter/MaxIt

式中：w—惯性权重；w_max—最大惯性因子；w_min—最小惯性因子；iter—当前更新代数；MaxIt—最大更新代数。

技术方案中混合差分算子计算公式：

式中：w—惯性权重；X_i(g)—粒子i第g次更新；rand—随机数函数；—向上取整函数；P_best—最优粒子；X_j(g)，X_k(g)—个体中的粒子；i,j,k＝1,2,...,Popsize；且i≠j≠k。

针对出现的不可行解，可以通过不可行解修补规则进行修复，计算公式：

式中：L_i＝g_i-min，H_i＝g_i-max，且满足：

(6)采用动态松弛支配策略选择筛选支配解

动态松弛策略是指为控制支配解集规模，添加动态松弛因子，进行Pareto(帕累托)支配选择。采用动态松弛因子进行Pareto(帕累托)支配选择时，一个非劣解不仅支配那些在各个目标上适应度值低的解，也支配那些和它接近的点，接近程度取决于动态松弛因子A_i值的大小。当支配解集规模超过预期规模后通过动态调整松弛因子进行非劣解规模控制。

技术方案中动态松弛因子计算公式：

PD_i＝|Val_ij-Val_ij+1|

式中：i＝1，2，…，m；j＝1，2，…，Num_i；

式中：A_i—目标i动态松弛因子；PD_i—目标i非劣解集中相邻非劣解间距集合；||—绝对值函数；Val_ij—第i目标中的第j个非劣解值；Max、Min—求最大、最小值函数；m—目标数；Num_i—目标i非劣解数；Narc—支配解集Arc的规模。

(7)更新个体Indi、支配解集Arc和动态松弛因子A_i；

(8)若更新次数p大于最大次数，则停止更新，输出支配解；若更新次数p小于最大次数，则p＝p+1，返回执行步骤(3)。

步骤四：通过MATLAB(矩阵实验室)软件编译算法，获得Pareto(帕累托)最优解；

通过MATLAB(矩阵实验室)软件对混合差分粒子群多目标搜索算法进行编译、运算，实现目标求解，输出Pareto(帕累托)最优解，即为最佳信号配时方案。

Claims (5)

1.一种城市道路信号交叉口多目标配时优化方法，其特征在于，包括以下步骤：

步骤一：选取信号交叉口优化指标；

选择人均延误、车辆污染物排放及交叉口通行能力作为信号交叉口优化指标，分别以D^e，E，Q表示；

步骤二：建立信号交叉口多目标配时优化模型；

以人均延误、车辆污染物排放及交叉口通行能力为优化目标，构建信号交叉口多目标优化模型；

步骤三：采用混合差分粒子群多目标搜索算法求解优化模型；

混合差分粒子群多目标搜索算法包括：(1)粒子编码；(2)种群初始化；(3)计算适应度值，记录最优粒子P_best；(4)筛选帕累托Pareto支配解；(5)粒子更新；(6)采用动态松弛支配策略筛选支配解；(7)更新个体Indi，支配解集Arc及动态松弛因子A_i；(8)若更新次数p大于最大次数，则停止更新，输出支配解；若更新次数p小于最大次数，则p＝p+1，返回执行步骤(3)；

步骤四：通过矩阵实验室MATLAB软件编译算法，获得帕累托Pareto最优解。

2.如权利要求1所述的一种城市道路信号交叉口多目标配时优化方法，其特征在于：

步骤一所述人均延误是指：将通过交叉口的人均延误作为多目标信号配时优化指标之一，人均延误是在车辆延误基础上，考虑不同车型载客率计算得到；

所述车辆延误计算公式：

式中：D_i—第i相位每辆车的平均延误；C—交叉口信号灯周期时长；λ_i—第i相位绿信比，λ_i＝g_i/C；g_i—第i相位有效绿灯时间；q_ij—第i相位第j个进口道机动车流量；x_ij—第i相位第j个进口道的饱和度，x_ij＝q_ij/c_ij，c_ij为该车道通行能力；y_ij—流量比率，y_ij＝q_ij/s_ij，s_ij为车道饱和流量；N_ij—第i相位第j个进口单位时间平均过剩滞留车辆数；

所述人均延误计算公式：

式中：D^e—交叉口人均延误；m_i—第i相位车辆数；B_i-k—第i相位k车型数量；V_k—k车型额定容量；φ_k—k车型平均载客率；s—车型数；n—相位数。

3.如权利要求1所述的一种城市道路信号交叉口多目标配时优化方法，其特征在于：

步骤二所述多目标优化模型是指：综合人均延误、车辆污染物排放、交叉口通行能力建立多目标配时优化模型；

所述多目标配时优化模型计算公式：

minF(C，g)＝min[E(C，g)，D^e(C，g)，-Q(C，g)]

式中：F—优化目标；C—信号周期；g—信号相位；g_i-min—i相位最小绿灯时间；L_i—i相位延误时间；C_max—交叉口最大周期时长；C_min—交叉口最小周期时长。

4.如权利要求1所述的一种城市道路信号交叉口多目标配时优化方法，其特征在于：

步骤三所述粒子更新过程中的惯性权重计算公式：

w＝w_max-(w_max-w_min)×iter/MaxIt

式中：w—惯性权重；w_max—最大惯性因子；w_min—最小惯性因子；iter—当前更新代数；MaxIt—最大更新代数；

步骤三所述粒子更新过程中的混合差分算子计算公式：

式中：w—惯性权重；X_i(g)—粒子i第g次更新；rand—随机数函数；—向上取整函数；P_best—最优粒子；X_j(g)，X_k(g)—个体中的粒子；i,j,k＝1,2,...,Popsize；且i≠j≠k；

步骤三所述采用动态松弛支配策略筛选支配解过程中的动态松弛因子计算公式：

PD_i＝|Val_ij-Val_ij+1|

式中：i＝1，2，…，m；j＝1，2，…，Num_i；

式中：A_i—目标i动态松弛因子；PD_i—目标i非劣解集中相邻非劣解间距集合；||—绝对值函数；Val_ij—第i目标中的第j个非劣解值；Max、Min—求最大、最小值函数；m—目标数；Num_i—目标i非劣解数；Narc—支配解集Arc的规模。

5.如权利要求1所述的一种城市道路信号交叉口多目标配时优化方法，其特征在于：

步骤四所述通过矩阵实验室MATLAB软件编译算法，获得帕累托Pareto最优解是指：通过矩阵实验室MATLAB软件，完成多目标搜索算法编译，实现模型求解，获得帕累托Pareto最优解，即为最佳配时方案。