英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
基于粒子群优化的交通信号灯最优周期规划
Optimal Cycle Program of Traffic Lights With Particle Swarm Optimization
Josacute;e Garcacute;ıa-Nieto, Ana Carolina Olivera, and Enrique Alba
【摘 要】交通信号灯最优分期（staging），尤其是最优周期规划，是当前城市一项重要任务，它在能源节约、交通流管理、行人安全和环境问题方面有着潜在利益。然而，在当前的文献中很少有提出通过自动智能系统来解决这个问题的。即使有，他们也是用最基本的交通灯规划专注于有限的领域。在本文中，我们提出了一个优化的方法：粒子群优化算法（PSO），它能够成功的解决交通灯周期规划。得到的解可以用著名的微观交通仿真器SUMO（simulator of urban mobility）进行仿真。在这项研究中，我们测试了两个异构的大都市地区：有着众多交通灯的位于阿根廷的Bahacute;ıa Blanca（美国式）和位于西班牙的Macute;alaga（欧式）。我们的算法对两种类型的城市都能够得到有效的交通灯周期规划。与预先定义的周期规划相比（接近真实），这里的PSO算法可以实现两个主要目标的明显改进：1) 到达目的地的车辆数量；2) 总的行车时间（overall journey time）。
- 引言
污染、拥挤、安全、停车场和其他来自车辆交通的许多问题是目前世界上大多数城市每一天都会发生的。由于城市基础设施的变化通常是不太可行的，学者们通常认为正确的交通灯（staging）可以通过提高城市车流来减少这些问题的发生[1]–[3]。然而，随着交通灯安装在城市数量的增加，组合数目巨大，他们的联合编程变得更加复杂。因此，实施自动系统来优化交通灯周期的必要性是毋庸置疑的。
从这个意义上讲，目前在自动交通控制信号领域的研究工作主要针对两个主要方向。一方面，自动控制信号自适应模型被设计成来改变一天中周期程序的持续时间[4]-[6]，因为队列中的车辆需要这些更改。这些工具的运行直接关系到传感器系统和交通流的实时计算。虽然这些工具成功地在世界上的几个城市执行[4]-[7]，实际的交通网络管理具有很高的运营成本，而现实世界通常倾向于重复交通流模式（高峰时间、节假日等）。
另一方面，现代模拟器对于帮助交通管理非常有用[8]-[10]，因为它们为研究人员提供了关于交通流的即时和连续的信息来源。此外，也考虑这种研究上的经济问题，由于实际流量试验的使用意味着必要的额外工作人员和传感平台。许多交通流模拟的研究都是宏观的[1]和微观的[2][11]交通视图。在过去的几年中，努力的方向集中在交通流精确的微观建模[2][9]和适当的交通灯周期的规划[12]。因此，智能方法的使用已被证明是有用的优化编程交通灯周期[2][13]。然而，在一般情况下，作者已经解决了特定的城市地区，很少有交叉路口和少量的交通灯（从1到4个路口，大约有两个交通灯控制每一个十字路口）[14]，其中大部分由专为一个具体实例设计的特设算法[2][13]。对于大型和异构的研究案例，使用智能技术仍然是一个悬而未决的问题[15]。这是一个复杂的问题，由于相邻路口的数量越大，该交通灯之间的相互作用更大（即通过引入变量之间的上位性高增加了问题的复杂度）。
所有的这些都促使我们提出一种基于粒子群优化算法（PSO）[16]的技术，再加上著名的微观交通模拟器SUMO能够成功找到交通灯周期规划。以下特点使我们用PSO代替其他优化技术。首先，粒子群算法是一个著名的算法，它能快速收敛得到合适的解[20]。这是一个非常可取的优点，为得到最佳的交通灯周期规划，新的即时交通灯时间表可能需要解决交通事件中的最新事件。第二，规范的粒子群算法易于实现，只需要很少的调谐参数[17][20]。第三，粒子群算法（PSO）是一种群体智能算法，它可以在系统中使用独立的代理进行在线适应的同时告诉我们未来的问题。
SUMO的任务是评价交通灯的周期规划。在本文中，我们用两个异构的有着众多交通灯的大都市Bahacute;ıa Blanca和Macute;alaga来检验我们的方案。具体地，我们的方案主要贡献如下：
1) 提出一种能够获得现实城市场景有效周期规划的新的PSO算法。在新算法中、初始化方法、方案编码（solution encoding）、适应度函数和速度的计算能够解决适应了最优交通灯周期规划的问题。
2) 分析了我们的方案不同交通道路网络和交通密度条件下的行为，也进行了计算量（computational effort）的分析。
3) 与预先定义的周期规划相比（接近真实），这里的PSO算法可以实现两个主要目标的明显改进：1) 到达目的地的车辆数量；2) 总的旅程时间（overall journey time）。
4) 进一步与其他优化方法如随机搜索（RANDOM），差分进化（DE）和标准PSO 2011做比较，证明PSO用于问题的合理性。
本文的其余部分如下。在第二节中，对文献中的相关工作进行了综述。在第三节中，给出了PSO和SUMO的基本概念。在第四节中，描述了我们的优化技术方案。第五节和第六节分别介绍了所使用的实验方法和所得结果。第七节得出结论和今后的工作。
- 文献综述
在解决交通灯周期规划问题时，存在着许多不同的方法。自适应交通灯要考虑交通周期持续时间对交通网络的实时影响。不仅考虑到检测器的使用和改变周期规划的持续时间（duration of cycle programs），同时还要考虑到车辆的实际流动[4]-[6]。
在这方面，一些研究在交叉路口系统采用了模糊控制结合其他计算智能技术或启发式算法[21]。在[22]中，作者采用type-2模糊集，设计一种分布式多智能体交通响应信号控制系统。该系统在几种情况下的虚拟道路网络上进行了测试。结果显示，该方法在处理未规划和规划的事故和障碍方面表现优越。[4]中引入了信号灯的自适应交通控制模型，由分裂周期偏移优化技术（SCOOT）平台构成。SCOOT是一个控制管理城市地区交通信号的自适应系统，自动响应在交通流波动通过使用嵌入在道路上的探测器。此工具特别适用于不可预测的交通模式。
另一个自适应方法是综合自动化的城市交通优化（UTOPIA）/优先和优化交通系统（SPOT），这是由菲亚特研究中心，ITAL TEL和MIZAR Automazione共同开发[23]。该系统旨在改善私家车和公共交通车辆的交通流量。实际上是一个分布式实时交通控制系统，特别适用于先进的公共运输服务国家（在意大利，挪威，荷兰，瑞典，芬兰，丹麦经过测试）。该系统采用分层分散控制策略，包括智能控制器与其他信号控制器以及中央计算机进行通信。
很多学者都曾分析过在街道交叉口使用模糊逻辑控制器的自适应工具。在早期的研究中，利姆等人提出一种适用于一个路口的实时局部优化的模糊控制器。随后，[9]中开发了一个使用fuzzy logic agents的交通模拟器来模拟孤立路口的交通灯。结果表明，道路上车辆队列实现了最小化。然而，从经济的角度来看，它们的实现是非常不利的，系统的部署需要大量的inversion。其他应用模糊逻辑的作者是拉赫曼和ratrout[24]。本文的场景scenario由四个路口和每个路口的2个交通灯构成。对自适应系统的详尽回顾可以在[5]和[6]中找到。
根据随机交通流方法对交通流建模的方法，我们可以区分宏观和微观模型[11]。关于优化策略，我们可以发现主要应用以下几种方法：（1）数学模型；（2）模糊逻辑方法；（3）生物启发式优化。
一些作者采用数学技术来解决这类问题。例如，麦克雷和Moutari[1]结合连续演算为基础的和基于知识的模型来描述道路网络中的交通流。Tolba等人[11]介绍了一个基于Petri网的模型来表示交通流，从宏观的观点（只观察到全局变量）和从微观（其中考虑车辆的单独轨迹）。最近，Lammer和赫尔冰[25]受交通阻塞时车辆自组织的波动（self-organizing fluctuations）启发设计了一个智能交通模型。他们使用一个简单的仿真模型，每次只考虑一个运动方向。
在[8]中，作者提出了一种用于交通信号灯配时优化的专用仿真工具。该工具提供了完整的交通信息，但仅限于四个路口。
最近，生物启发式技术，如元胞自动机（CA）和神经网络（NN）已被用来解决潜在的组合优化问题，特别是在解决交通灯staging问题。Brockfeld等人[14]应用CA模型，其中城市网络作为一个简单的广场，有几条的街道和四个十字路口。Spall and Chin[3]提出了一种控制交通灯参数的神经网络。在这种方法中，车辆需要额外的数据管理模块。
与生物启发式技术相关，元启发式算法[26]在解决交通问题时也很受欢迎。第一次尝试是Rouphail等人[27]在芝加哥市九个交叉口的配时优化时采用遗传算法（GA）加上CORSIM[28]。在总队列大小方面，结果由于GA的延迟收敛行为而受到限制。
[29]中分析了信号时间变化对驾驶员的影响。更确切地说，作者网络设计问题（NDP）实例中认为确定最优信号灯配时问题可以将司机的反应考虑进去。NDP的目的是改善现有的网络，关于一些离散的或连续的设计变量，优化网络性能测量，同时考虑用户对改进的反应。为了解决交通平衡问题，他们使用了模拟分配建模软件包（SATURN）[30]。作者运用交通流的宏观角度，采用遗传算法来计算信号设置NDP（相位周期时间，偏移，和绿灯时间）。需要注意的是，对于所研究的每个特定实例，染色体（gray code）编码都是不同的。该算法是在英国的Chester市进行测试，主要解决一个完整的遗传参数分析，不是真正的交通问题。
在[2]中，根据[14]中提出的模型，设计了一个以优化交通灯周期规划为目标的GA。该GA在西班牙Santa Cruz de Tenerife市的商业区进行了测试。他们认为每个交叉点都有独立的周期。对于单个编码，它们使用类似的二进制（gray code）来表示[29]中的一个。有效状态的计算是在算法开始之前完成的，它依赖于场景实例的处理。
Turky等人[31]利用遗传算法提高单个四车道交叉路口的交通灯和行人过街控制性能。该算法解决了传统的固定时间控制过往车辆和行人的限制，采用动态控制系统对两组参数进行监控。
关于粒子群算法在交通灯调度中的应用也有一些相关的出版物。最有代表性的一个是由陈和徐[32]开发的，他们应用粒子群算法训练每个路口的模糊逻辑控制器，通过确定交通灯每个阶段的绿灯有效时间。一个非常简单的有着两个基本路口的网络用来测试PSO。
最近，彭等人[33]提出了一种用于交通灯调度的具有isolation niches的粒子群算法。在这种方法中，提出一个自定义的交通流微观视图来评估解。然而，本文的重点是isolation niches保持群组多样性的能力，并没有特别关注这个问题本身。
最后，Kachroudi和Bhouri[34]应用多目标版本的粒子群算法来优化周期规划，使用基于公共交通发展模型的预测控制模型。利用私人和公共交通工具模型，对由16个交叉口和51个交通路线（links）组成的虚拟城市路网进行了仿真。每个交叉路口由交通灯控制，周期相同，时间为80秒。
所有这些方法都集中在交通灯规划的不同方面。然而，它们都有着三个共同特征（局限性）：
1) 他们处理有限的车辆网络，只有很少的交通灯和少量其他交通元素（道路、交叉口、方向等）。与此相反，我们的粒子群算法可以为大场景优化周期规划，比如数百个交通灯、车辆和其他元素。
2) 几乎所有的设计都只针对一个特定场景。其中一些研究了交通密度的影响。我们的方法可以很容易地适应不同的场景拓扑（scenario topologies）。在本文中，我们用交通灯和车辆的不同组合解决了两个实际场景，18个实例。
3) 他们没有与其他技术做比较。我们的PSO在这里比较四种不同的方法：（1）RANDOM；（2）DE；（3）标准PSO 2011；（4）由SUMO提供的周期规划发生器。
- 基本解算器和模拟器
在这一节中，介绍了粒子群算法PSO（解技术的核心）和SUMO模拟器（涉及解评估）的基本概念。
3.1粒子群算法PSO
粒子群优化算法[17][18]是以人群为基础的元启发式算法，灵感来自鸟类在群体中的社会行为，最初设计用于连续优化问题。在粒子群算法中，每个问题的潜在
全文共19460字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16486]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
