智能控制应用案例三.ppt

智能控制应用案例智能控制应用案例遗传算法在交通控制中的应用遗传算法在交通控制中的应用杨长安杨长安 S101946 本实例是采用遗传算法方法对城市交叉路口交通信号灯实施合理优化配时控制，以缓解日趋紧张的交通拥挤问题，提高交通效益针对交通信号控制的具体情况，对算法本身存在的有不等式约束的基本问题做了一个初步改进，采用基于退火选择算子和自适应适应度的改进遗传算法来解决目前的约束处理方法中存在的问题把改进的算法用到一个交通交叉路口控制模型中得到较好的结果而对两个交叉路口建立模型中，因为模型的约束条件中不但含有不等式，还含有等式约束，为此，我们采取先随机生成任意种群，然后让种群慢慢逼近到可行域范围内，再让种群在可行域内迭代对于迭代到可行域之外的群体降低它的适应度，最后经过数次迭代后找到最优解计算结果显示该方法的有效性国内外研究智能交通的几种基本方法 （1）专家系统具有便于运用结构化、模型化方法和推理模型、充分吸收人类专家经验和实现辅助决策的特点 （2）模糊数学在交通控制的应用模糊逻辑是一种处理不确定性、非线性等问题的有力工具，特别适用于表示模糊及定性知识，与人类思维的某些特征相一致，故嵌入到推理技术中具有良好效果。

（3）基于元胞自动机的城市交通信号自组织控制方法，将城市交通信号控制系统作为交通网络处理，每个路口作为具有自主采集和处理信息功能的智能体，系统依靠网络的自组织实现每个路口交通信号控制的动态决策 （4）智能算法解决交通问题 遗传算法在其交通应用中存在的问题（1）模型复杂,参数太多难以达到优化目的,优化速度慢且达不到最优解2）约束条件不但复杂,而且繁多,算法收敛的时候很难满足约束条件标准遗传算法的流程如下: (1)使用二进制编码对搜索空间进行编码 (2)随机产生包含n 个个体的初始群体 (3) 适应度评估检测个体适应度(个体适应度反映了个体好坏的情况) (4) WHILE<未满足迭代终止条件>DO (5) 用赌轮选择方法选出若干个体进行繁殖，个体可以重复 (6) 随机配对，按一定概率(交叉概率)进行一点交叉操作并生成两个子个体 (7) 按照一定概率(变异概率)变异二进制个体串中某个(些)位 (8) 适应度评估检测个体适应度 (9) END DO 交通信号控制系统的主要术语和参数 周期：是指信号灯色发生变化，显示一个循环所需的时间，也称周期长，周期：是指信号灯色发生变化，显示一个循环所需的时间，也称周期长，即红、黄、绿灯时间之和。

即红、黄、绿灯时间之和 相位：即信号相位，是指在周期时间内按需求人为设定的，同时取得通相位：即信号相位，是指在周期时间内按需求人为设定的，同时取得通行权的一个或几个交通流的序列组行权的一个或几个交通流的序列组 相位差：具有相同周期长的相关路口，在同方向上的两个相关相位的启相位差：具有相同周期长的相关路口，在同方向上的两个相关相位的启动时间差，称为相位差动时间差，称为相位差 绿信比：是指在周期长内的各相位绿灯时间与周期长之比绿信比：是指在周期长内的各相位绿灯时间与周期长之比 饱和流量：是衡量路口交通流释放能力的重要参数，通常是指一个绿灯饱和流量：是衡量路口交通流释放能力的重要参数，通常是指一个绿灯时间内的连续通过路口的最大车流量时间内的连续通过路口的最大车流量 流量系数：是实际流量与饱和流量的比值既是计算信号配时的重要参流量系数：是实际流量与饱和流量的比值既是计算信号配时的重要参数，又是衡量路口阻塞程度的一个尺度数，又是衡量路口阻塞程度的一个尺度 绿灯间隔时间：是指从失去通行权的相位的绿灯结束，到下一个得到通绿灯间隔时间：是指从失去通行权的相位的绿灯结束，到下一个得到通行权的相位绿灯开始所用的时间。

行权的相位绿灯开始所用的时间 有效绿灯时间：是指被有效利用的实际车辆通行时间它等于绿灯时间有效绿灯时间：是指被有效利用的实际车辆通行时间它等于绿灯时间与黄灯时间之和减去头车启动的损失时间与黄灯时间之和减去头车启动的损失时间 车辆滞留延误：是指交通冲突或信号控制设施的限制给车辆带来的时间车辆滞留延误：是指交通冲突或信号控制设施的限制给车辆带来的时间损失信号控制的控制参数周期时长周期时长即信号灯运行一个循环所需的时间，等于绿灯、黄灯、红灯时周期时长即信号灯运行一个循环所需的时间，等于绿灯、黄灯、红灯时间之和一般信号灯最短周期不能少于间之和一般信号灯最短周期不能少于 36s，否则不能保证几个方向的，否则不能保证几个方向的车顺利通过交叉路口最长周期不超过车顺利通过交叉路口最长周期不超过2min，否则引起等待司机的抱怨，，否则引起等待司机的抱怨，或者误以为信号灯已经失灵适当的周期长度对疏散路口处的交通流、或者误以为信号灯已经失灵适当的周期长度对疏散路口处的交通流、减少车辆等待时间有重要意义从疏散的角度来讲，显然当交通需求越减少车辆等待时间有重要意义从疏散的角度来讲，显然当交通需求越大时，周期应越长，否则一个周期内到达的车辆不能在该周期的绿灯时大时，周期应越长，否则一个周期内到达的车辆不能在该周期的绿灯时间内通过交叉口，就会发生堵塞现象。

从减少车辆等待时间的角度来讲，间内通过交叉口，就会发生堵塞现象从减少车辆等待时间的角度来讲，太长或者太短的周期都是不利的若周期太短，则发生上述堵车现象太长或者太短的周期都是不利的若周期太短，则发生上述堵车现象若周期太长，则某一方向的绿灯时间可能大于实际需要长度，而另外一若周期太长，则某一方向的绿灯时间可能大于实际需要长度，而另外一方向的红灯时间不合理的延长必然导致该方向车流等待时间的延长方向的红灯时间不合理的延长必然导致该方向车流等待时间的延长 绿信比 一个周期中，绿灯时间与周期时长之比称为绿信比设绿灯时间为t，周期时长为T，则绿信比g 为： 绿信比的大小对于疏散交通流和减少路口总等待时间有着举足轻重的作用通过合理地分配各车流方向的绿灯时间（绿信比），可使各方向上阻车次数、等待时间减至最少  相位是对于一个路口多方向交通流而言的，一个交通流方向（一个绿灯信号）称为一相例如一个十字路口，根据实际情况可以设计为两相、三相甚至 四到八相两相时（如下图，相位1 为东西向直行和左、右转弯，相位2 为南 北向直行和左、右转弯相位越多，交通安全性越好，交叉口的利用率越低。

十字路口取两相位交通信号者居多相位差是对两个路口同一信号相位而言的当涉及到对一条主干上的交通流或一个网络内的交通流进行控制时，相位差是一个重要的控制参数通过调整各路口间相位差，可以使一串路口的信号灯形成一条绿波带，车队通过这些路口时畅通无阻 相位 相位示意图单交叉路口的模型  针对上图所示的相位信号控制的交叉路口，各车道车辆在不同的相位在不同的车道的放行状态可用一个系数矩阵表示为 P1 = 0 1 1 0 0 0 0 1 1 0 0 0 P2 = 1 0 0 0 0 0 1 0 0 0 0 0 P3 = 0 0 0 0 1 1 0 0 0 0 1 1 P4 = 0 0 0 1 0 0 0 0 0 1 0 0 其中1表示放行，0 表示禁行 以交叉口流通能力作为进行优化的目标函数，目的是要延误的车辆数达到最小，从而实现车辆流通能力最大接着我们分析一个路口的四个相位的车辆设 表示第g 个路口的第h-1 个周期时，第k 个车道第i 个相位j 方向（为了方便，j 具体用 e，s，w，n 表示，分别指东南西北四个方向）上滞留的车辆数，可用仪器邻时测出来。

qkij 表示第i 个相位，第j 个方向、第k 个车道的车辆到达率则第g 个路口的第h 个周期时，第k 个车道的第i个相位j 方向上车辆在时间内的到达数量为 ukij 表示第i 个相位，第j个方向、第k个车道的车辆离开率则第g 个路口的第h个周期时，第k个车道的第i 个相位j 方向上车辆在时间 内的离开数量为 用r 表示e、w 和用 m 表示s、n 两个方向因为要考虑行人过马路，所以每个相位的有最短时间，也有最长时间的约束还有根据研究周期一般不超过120s一个交叉路口总的约束条件如下式： 两个交叉路口模型的建立现在一个交叉路口的模型已经建立，我们接着讨论的是当两个交叉路口时如何协调控制交通实验表明，两个路口相关，相距是不能超过 800 米（如下图） l模型中还存在的问题模型中还存在的问题 在处理主干道一系列交叉路口时，都是采用基于模糊控制的具体来说是采用高阶神经网络的方法或其他方法预测两路口或几个路口之间的流量，然后根据对应流量，设计好相位差，用模糊控制的方法对路口车辆协调控制但是在里面有几个问题有待解决1）这是用神经网络预测出的结果，具体偏差多少有待解决。

2 ）为了让主干道形成绿波带，让路口之间相位起始时间存在一定差距具体做法是让从路口1（或路口2）进入的车辆在不停留的情况下通过路口2 （或路口1）但这样的相位差仅仅对从路口 1 进入（或路口2）的车辆有利，而从路口2 （或路口1）进入的车辆则享受不到这样的特权，没有让主干车辆真正地优先行使3）而采用的是模糊控制，最常见的问题是其中的隶属函数选取是否恰当还有待改进还有尽管使用遗传算法计算出信号灯的具体配时，但是我们知道随着交叉路口的增加，模型会逐渐复杂，只采用传统的遗传算法很难得出的优秀的解针对以上问题，我们提出几点改进方法：1）实际中，两路口之间的车流量基本由信号灯决定所以只要控制信号灯，就可以计算出路口之间具体确定的车流量，这个显然要比预测的值准确2 ）对相位差再调整，使得对待从两边路口进入的车辆享受同等绿波的权利3）由于采用模糊控制最难把握的是隶属函数的选取，因此先采取改进的方法建立模型再采用上节的遗传算法计算具体值，从而避免的选取模糊控制的缺点交通网络模型及算法实现 现代城市道路错综复杂，各条道路交错相连如何分配各道路流量使得交通系统中的流量最大是智能交通的一个重要环节从若干条互相关联的道路出发，把它们看成一个整体，通过建立优化模型来计算出各条道路的最大平均流量。

因为系统庞大，且求解模型中有多个等式约束，对其转化为多目标优化模型来解决，把自适应的适应度函数加入基于小生境的混合遗传算法中求解 模型的建立l我们希望在这个交通系统中总的平均流量能尽量大（即需要系统的最大通行量），同时又不能让系统中的任意一个交叉点被车辆堵塞因为我们计算的是平均流量，只要在平均一个周期内，交叉路口无法疏通所有滞留的车辆，经过一段时间后车辆会越积越多，从而其它相邻路口的车辆也会被堵，最后这个交通系统就会完全瘫痪所以我们希望流量最大即 l还有在平均周期内每个交叉口的滞留量必须等于0，即Sij =0.因为从一个交叉口到另一个交叉口的路段都有个最大容量 和 交叉路口横、纵向放行的平均 时间也应该在一个范围内，即d1 ≤teij ,trij ≤d2 所以总的模型应为：总结l本文先从遗传算法开始，在介绍了遗传算法的一般知识后，接着对有不等式约束条件的优化模型进行改进，改进后使其在解决有不等式约束条件的模型达到满意效果然后把改进的算法用到一个交叉路口的交通模型上。

l接着在一个交叉口的交通模型基础上建立了两个交叉口的协调优化模型发觉模型不但复杂了，约束条件也不再是简单的不等式约束了先用之前改进的算法解决，得出的结果差强人意，而且很费时再次改进该算法，改进后求解l再接着研究整个交通网络流量由于单从设计交通信号配时的基础上并不能从根本解决交通堵塞问题，所以必然要求我们探求其根本原因于是就研究了整个交通网络的最大流量控制问题，建立了交通网络模型谢谢大家！。