基于自適應遺傳算法的交叉口信號配時多目標優化

劉春旭　王劍鋒

摘 要：本文以交叉口的平均延誤、平均停車次數、通行能力為控制目標，建立了多目標信號控制模型，并利用自適應遺傳優化算法求解，最后在matlab中進行實例仿真，仿真結果表明，本文所提信號控制模型比傳統的Webster法好，同時自適應遺傳算法比普通遺傳算法求解更快、更準。

關鍵詞：交叉口；信號配時；多目標；自適應遺傳算法

中圖分類號：U491 文獻標識碼：A 文章編號：1671-2064（2017）22-0012-02

交通規劃是城市整體規劃的重要組成部分，而交叉口控制則是交通規劃應予以重視和考慮的問題。傳統信號控制采取定時信號控制，而路網的交通狀況是實時變化的，則定時信號控制方案難以對路口進行最優控制。并且，國內外學者研究最多的則是單目標信號控制模型，評價延誤、排隊長度、停車次數、通行能力等單一評價指標則是近年來的研究重點，然而，人們在進行城市路口信號控制時，追求的是多種控制目標，因此本文以平均延誤、通行能力、平均停車次數作為平均指標，對各優化目標采取建立多目標優化模型，并利用自適應遺傳算法求解。

1 多目標函數的建立

1.1 常用的單目標函數

（1）車輛的平均延誤：

通常情況由于車道的增量

信號相位階段數；損失時間；控制評價函數的權重系數；C實際信號配時中的周期；最大周期；最小周期；、-、分別表示相位的最大平均延誤、最大通行能力、最大平均停車次數；、-、分別表示相位的最小平均延誤、最小通行能力、最小平均停車次數。

2 目標函數的優化

3 自適應遺傳算法求解多目標函數

3.1 自適應遺傳算法

自適應遺傳算法同普通遺傳算法的區別在于，不采用固定個參數，交叉概率和變異概率能夠隨適應度的變化而相應變化。在自適應遺傳算法中，交叉概率和變異概率按式（8）和式（9）調整：

3.2 具體步驟

Step1：設置種群數個數、染色體的長度、總迭代次數，最小相位綠燈時間，最小周期與最大周期。

Step2：采用實數編碼，在可行域內隨機產生種群數目大小的染色體。

Step3：計算每個個體目標函數及適應度值，由于PI值在0～1之間則：。

Step4：所有個體（包括父代、子代）進行排序選擇操作，挑選出同種群大小的新種群。

Step5：隨機配對個體以的交叉概率進行交叉操作。

Step6：種群內個體以的變異概率變異操作。

Step7：判斷在選擇、交叉、變異、復制后所產生新群體個體個數是否等于設定群體數目大小，如是則進行下一步，否則返回Step4。

Step8：判斷是否達到迭代總數，若沒有，則返回Step3；否則，輸出最佳個體（最佳信號配時方案，即周期，各相位綠燈時間）。

4 實例分析

4.1 路口選取及渠化

本文以重慶臨江門交叉口為例，如圖1，交通調查獲得交叉口高峰時段的最高15min流量，折算處理后，如圖2。

該交叉口無行人和非機動車輛，為三相位定時信號，周期132s，黃燈時間3s，全紅時間1s，第一相位時間40s，第二相位時間38s，第三相位時間42s。交叉口現狀實測延誤89s，服務水平F級。

現狀北區路左轉和直行車流量相差并不大，左轉車道為3車道，而直行車道為1車道，則北區方向左轉和直行均為兩車道。現狀臨江東路車道的左轉車輛和直行車輛所占比例較大，直行增加一車道，右轉增加一車道。

信號控制方案推薦四相位控制，右轉車輛不控制，相位一：北區路-中華路，北區路-臨江東路；相位二：臨江東路直行，左轉；相位三：中華路直行，左轉；相位4：臨江西路直行。

4.2 路口交通流數據檢測

交叉口各進口方向每條車道停車線前1m處安裝了環形感應線圈檢測器，檢測器能夠一天24小時檢測出每車道上的交通流。由于凌晨00：00-04：00，人和車流量稀少，交通信號控制燈在這時間段為綠閃，選擇某工作日04：00-24：00共300組交通流量。

4.3 參數的設置

（1）參數的設定。黃燈時間；全紅時間；綠燈間隔時間：；綠前、綠后損失：；損失時間：。

（2）最小綠燈時間計算。

式中：行人過街道長度，m；行人過街步速，取1.0；綠燈間隔時間，s。

（3）周期和飽和度的最值。本文中最大周期為：，飽和度的最大值為=0.9，最小值為0.7。

（4）優化算法的參數設置。普通遺傳算法（交叉概率和變異概率分別為0.9和0.01）和自適應遺傳算法的最大進化代數和初始種群都分別為300和50，染色體長度實數編碼即變量個數。

（5）計算、、-、-、、6個界定值。根據路口現有高峰小時各方向交通流量，采用自適應遺傳算法（最大迭代次數為500、粒子數目為20）分別計算各最值。

4.4 仿真分析

運用Webster法、遺傳優化法和自適應遺傳優化法分別計算出此路口各階段的周期時長、有效綠燈時間、平均停車次數、平均延誤和通行能力。

仿真后，本文所提控制方法，路口的平均延誤、平均停車次數和通行能力比Webster法分別提高了5.6%、10.2%、20.6%，交叉口得到了更好的控制，其服務水平也相應的提高了。自適應遺傳算法不到50次接近收斂，普通遺傳算法要150多次才接近收斂，自適應遺傳算法相比遺傳算法收斂速度有較大的提高，自適應遺傳算法的交通配時優延誤，停車次數，通行能力比遺傳算法方法分別提高了1.36%，2.12%，2.44%。自適應遺傳算法相對遺傳算法能更快速、準確地尋找出信號優化控制參數。

5 結語

本文研究了城市節點中交通信號配時及多目標優化問題，提出了一種多目標信號控制目標函數，并引入了自適應遺傳算法求解多目標最優解問題。實例仿真表明，所提交叉口信號控制方法使得路口信號配時得到了優化控制，渠化設計后交叉口的平均延誤控制在36.5s以下，服務水平由F級上升到C級，交叉口得到明顯改善。

參考文獻

[1]馬瑩瑩，楊曉光，曾瀅.信號控制交叉口周期時長多目標優化模型及求解[J].同濟大學學報（自然科學版），2009，37（6）：761-765.

[2]王維國，宋陽，郭多祚.一種求解混合多目標規劃問題的功效系數法[J].運籌與管，2007，16（4）：23-27.

[3]劉春旭.復雜路口實時信號控制技術的研究[D].重慶：重慶交通大學，2013.endprint