本发明属于城市道路交通控制技术领域,尤其涉及一种城市道路交通多目标优化控制方法。技术方案包括建立多目标优化控制模型,采用周期离散变量正反逐步双向调整的方法对周期和绿信比进行优化,在多目标优化控制模型中加入约束条件,采用遗传算法对多目标优化控制模型求解。本发明实现了交通控制既满足交通流快速疏散的要求,又满足交通流均衡分布的要求,提高了道路交叉口的服务水平。
1.一种城市道路交通多目标优化控制方法,其特征在于所述方法包括下列步骤:步骤1:建立多目标优化控制模型ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="533"/>其中,k1表示畅通性的权重、k2表示均衡性的权重、α_i表示相位i的优先权重、CT表示畅通性指标值、JH表示均衡性指标值、T_i表示相位i的延误时间,P_i表示的是相位i的排队长度,M表示交叉口的相位总数。步骤2:采用周期离散变量正反逐步双向调整的方法对周期和绿信比进行优化;步骤3:在多目标优化控制模型中加入约束条件;步骤4:采用遗传算法对多目标优化控制模型求解。
2.根据权利要求1所述的城市道路交通多目标优化控制方法,其特征是所述采用周期离散变量正反逐步双向调整的方法对周期和绿信比进行优化具体是,周期正向调整从C_min开始逐步递增到C_max,计算出最小的总延误时间T_cmin1(x);周期反向调整从C_max开始逐步递减到C_min,计算出最小的总延误时间T_cmin2(x);将所述两个最小的总延误时间T_cmin1(x)和T_cmin2(x)进行比较,数值小的总延误时间所在的周期和绿信比即为最优周期和绿信比。
3.根据权利要求1所述的城市道路交通多目标优化控制方法,其特征是所述约束条件为:x_i-a_i≥0Σi=1n(xi+Δti)=C]]>0.75≤yiCxi≤1.2]]>C_min≤C≤C_maxfv=75km/h1≤i≤N;其中,a_i为第i相位最小有效绿灯时间;Δt_i为第i相位损失时间。
4.根据权利要求1所述的城市道路交通多目标优化控制方法,其特征是所述步骤4具体包括下列步骤:步骤41:对模型初始化,设定均衡性指标和畅通性指标的权重、种群数目、染色体长度、迭代总代数、复制、杂交变异概率;步骤42:采用二进制编码,在可行域内随机产生种群数目大小的染色体;步骤43:计算种群适应值,并按适应值大小排序;步骤44:按复制概率复制具有适应值较高的染色体到下一代;步骤45:按交叉概率、变异概率生成除复制染色体以外满足种群数目的染色体至新一代;步骤46:判断是否到了迭代总代数,若没有,则转至步骤43;步骤47:按最优适应值计算各相位配时;步骤48:调整均衡性指标和畅通性指标的权重;转至步骤41。
5.根据权利要求4所述的城市道路交通多目标优化控制方法,其特征是所述交叉概率为:Pc=Pc1-(Pc1-Pc2)(f′-favg)fmax-favg,f≥favgPc1,f<favg;]]>其中,f_max为群体中最大的适应度;f_avg为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为要变异个体的适应度值;P_c1=0.9,P_c2=0.6。
6.根据权利要求4所述的城市道路交通多目标优化控制方法,其特征是所述变异概率为:Pm=Pm1-(Pm1-Pm2)(fmax-favg)fmax-favg,f≥favgPm1,f<favg;]]>其中,f_max为群体中最大的适应度;f_avg为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为要变异个体的适应度值;P_m1=0.1,P_m2=0.001。技术领域
本发明属于城市道路交通控制技术领域,尤其涉及一种城市道路交通多目标优化控制方法。
背景技术
随着城市的发展和车辆的增加,实行有效的交通控制以保证交通的畅通,已日益成为交通管理部门所面临的重要问题。交通流控制对提高城市道路的通行能力、缓和城市交通拥挤起着重要作用,其重要内容是对城市道路交通流的畅通、有序、安全采用有效的控制措施,最大限度地提高道路设施的使用效率。随着交通需求的持续增加和对畅通性和均衡性的要求,传统的交通控制目标如交叉口延误、排队长度和停车率等已不能满足城市道路交通控制的需要,为了改善交通运行状况,提高交通网路的畅通性和均衡性,必须要建立城市道路交通多目标优化控制方法,且在多目标优化过程中,根据实际道路交通环境,给畅通性和均衡性分配不同的权重。畅通性是定量的描述交通出行者在参与交通中,由于道路和环境条件、交通干扰以及交通管理与控制等因素导致的旅行时间延长的一种指标。该指标的期望是能够尽量给交通参与者一个畅通的、快捷的交通出行环境,满足交通流快速疏散的要求,同时可以有选择性的使某个方向交通流更加畅通。对于十字交叉口而言,畅通性指标由各个方向的车道平均延误的加权期望值来体现。均衡性是定量描述交通流在各个方向的均衡程度的指标,其意义是使交通控制方法满足交通流均衡分布的要求,这体现了交通控制方案对交叉口各个方向交通流的公平管理。均衡性指标由各个方向的平均排队长度的标准方差来体现。传统的交叉口控制目标多是以交叉口各个方向的总的车辆延误为目标进行计算,使用该目标存在以下问题:1、某个优化的交通控制方案实现了总的车辆延误减少的目标,这可能是由交叉口的某个次要方向的车辆延误大幅减少引起,但同时其他一个或多个交叉口方向的车辆延误却增加了;2、交叉口的各相位排队长度非常不均衡,排队长度较小的进口方向分配过多的绿灯时间,而排队长度较长的进口方向却缺乏有效的绿灯时间。针对上述问题,实现一种城市道路交通多目标优化控制方法,使交通控制方法满足交通流快速疏散和交通流均衡分布,成为提高交叉口的服务水平的关键。
发明内容
本发明的目的在于,提供一种城市道路交通多目标优化控制方法,控制目标为交叉口的畅通性和均衡性的加权和,用以克服传统控制目标在交通控制管理中存在的问题。本发明的技术方案是,一种城市道路交通多目标优化控制方法,其特征在于所述方法包括下列步骤:步骤1:建立多目标优化控制模型ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="533"/>其中,k1表示畅通性的权重、k2表示均衡性的权重、α_i表示相位i的优先权重、CT表示畅通性指标值、JH表示均衡性指标值、T_i表示相位i的延误时间,P_i表示的是相位i的排队长度,M表示交叉口的相位总数。步骤2:采用周期离散变量正反逐步双向调整的方法对周期和绿信比进行优化;步骤3:在多目标优化控制模型中加入约束条件;步骤4:采用遗传算法对多目标优化控制模型求解。所述采用周期离散变量正反逐步双向调整的方法对周期和绿信比进行优化具体是,周期正向调整从C_min开始逐步递增到C_max,计算出最小的总延误时间T_cmin1(x);周期反向调整从C_max开始逐步递减到C_min,计算出最小的总延误时间T_cmin2(x);将所述两个最小的总延误时间T_cmin1(x)和T_cmin2(x)进行比较,数值小的总延误时间所在的周期和绿信比即为最优周期和绿信比。所述约束条件为:x_i-a_i≥0Σi=1n(xi+Δti)=C]]>0.75≤yiCxi≤1.2]]>C_min≤C≤C_maxfv=75km/h1≤i≤N;其中,a_i为第i相位最小有效绿灯时间;Δt_i为第i相位损失时间。所述步骤4具体包括下列步骤:步骤41:对模型初始化,设定均衡性指标和畅通性指标的权重、种群数目、染色体长度、迭代总代数、复制、杂交变异概率;步骤42:采用二进制编码,在可行域内随机产生种群数目大小的染色体;步骤43:计算种群适应值,并按适应值大小排序;步骤44:按复制概率复制具有适应值较高的染色体到下一代;步骤45:按交叉概率、变异概率生成除复制染色体以外满足种群数目的染色体到新一代;步骤46:判断是否到了迭代总代数,若没有,则转至步骤43;步骤47:按最优适应值计算各相位配时;步骤48:调整均衡性指标和畅通性指标的权重;转至步骤41。所述交叉概率为:Pc=Pc1-(Pc1-Pc2)(f′-favg)fmax-favg,f≥favgPc1,f<favg;]]>其中,f_max为群体中最大的适应度;f_avg为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为要变异个体的适应度值;P_c1=0.9,P_c2=0.6。所述变异概率为:Pm=Pm1-(Pm1-Pm2)(fmax-favg)fmax-favg,f≥favgPm1,f<favg;]]>其中,f_max为群体中最大的适应度;f_avg为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为要变异个体的适应度值;P_m1=0.1,P_m2=0.001。本发明实现了交通控制既满足交通流快速疏散的要求,又满足交通流均衡分布的要求,提高了道路交叉口的服务水平。
附图说明
图1是城市道路交通多目标优化控制方法流程图;图2是多目标优化控制模型求解流程图;图3是本发明实施例提供的与SCOOT方案综合指标比较示意图。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。图1是城市道路交通多目标优化控制方法流程图。图1中,本发明的实施过程是:步骤1:建立多目标优化控制模型。本发明的多目标优化控制模型为:Obj:Z=k1CT+k2JH=k1Σi=1MαiT‾i+k2(Σi=1MP‾iM-P‾i)2M]]>其中,k1表示畅通性的权重、k2表示均衡性的权重、α_i表示相位i的优先权重、CT表示畅通性指标值、JH表示均衡性指标值、T_i表示相位i的延误时间,P_i表示的是相位i的排队长度,M表示交叉口的相位总数。权重配置可以人工赋权,也可以在追求目标值最优化的过程中,进行自学习,可配置多目标。步骤2:采用周期离散变量正反逐步双向调整的方法对周期和绿信比进行优化。选定模型以后,需要寻找一个最优的信号周期时长C和有效绿灯时间g_e.目前普遍采用的是先由最佳周期时长C的计算公式韦伯最佳周期时长计算公式近似求得C,再根据C≤60N时增大周期时长,可提高通行能力的原则,调整C,最后以有效绿灯时间为自变量将其优化.显然此方法不能保证得到使目标函数值最小的C,而且该方法的适用性有限,当饱和度逐渐增加到1时,车辆的总延误的计算公式将不再适用,导致计算结果不正确.为了克服以上弊端,本发明采用对周期离散变量正反逐步双向调整的方法同时对周期和绿信比进行优化。周期正向调整从C_min开始逐步递增到C_max,计算出最小的总延误时间T_cmin1(x);反向调整方法与正向调整方法相同,从C_max开始逐步递减到C_min,计算出最小的总延误T_cmin2(x)。将两最小总延误值进行比较,较小数值所在的周期和绿信比即为模型的最优周期和绿信比,即最佳配时方案。步骤3:在多目标优化控制模型中加入约束条件。考虑信号控制的实际约束条件,将约束条件表述如下:x_i-a_i≥0Σi=1n(xi+Δti)=C]]>0.75≤yiCxi≤1.2]]>C_min≤C≤C_maxfv=75km/h1≤i≤N式中:a_i为第i相位最小有效绿灯时间;Δt_i为第i相位损失时间;约束条件3是对交叉口的饱和度(流量与进口道通行能力之比,通行能力等于饱和流量与该流向所在相位的绿信比之积)的限制,0.75用来避免在饱和度过小,即通行能力远大于交通需求时,无谓的增加车辆延误和停车次数,1.2用来避免饱和度过大而造成拥挤,其值可变。约束条件4是对信号周期的约束,目前普遍采用的公式为C_min=20N,C_max=60N,N为相位总数。步骤4:采用遗传算法对多目标优化控制模型求解。由于交叉路口配时问题是一个随机过程,采用传统的算法往往难以获得比较满意的最优解,本发明采用遗传算法进行模型求解。图2是多目标优化控制模型求解流程图。图2中,多目标优化控制模型求解过程是:步骤41:对模型初始化,设定均衡性指标和畅通性指标的权重、种群数目、染色体长度、迭代总代数、复制、杂交变异概率。步骤42:采用二进制编码,在可行域内随机产生种群数目大小的染色体。本发明的实施例中,选用的相位为4。用二进制码数字串[d_n/4,...,d₁,c_n/3,...c₁,b_n/3,...,b₁,a_n/3,...,a₁]表示一条染色体,n为染色体长度。二进制码数字串[d_n/4,...,d₁],[c_n/3,...c₁],[b_n/3,...,a₁],[a_n/3,...,a₁]分别对应相位1、相位2、相位3、相位4的配时g₁,g₂,g₃,g₄,且满足关系式:g1=e+(C-4e)Σi=1n/4ai2i2n/4+1-1]]>g2=e+(C-4e)Σi=1n/4bi2i2n/4+1-1]]>g3=e+(C-4e)Σi=1n/4ci2i2n/4+1-1]]>g4=e+(C-4e)Σi=1n/4di2i2n/4+1-1]]>式中e为相位转换损失时间。步骤43:计算种群适应值,并按适应值大小排序。步骤44:按复制概率复制具有适应值较高的染色体到下一代。步骤45:按交叉概率、变异概率生成除复制染色体以外满足种群数目的染色体到新一代。在生成初始种群和经交叉、变异算子生成新的部分种群时,必须考虑模型的约束条件。选用Smith等于1987年提出的循环交叉操作交叉,循环交叉的执行以父种群的特征作为参考,使每个子代种群在约束条件下进行重组,变异策略选用对等变换策略。交叉概率P_c和变异概率P_m是影响遗传算法行为和性能的关键所在,直接影响算法的收敛性。采用自适应遗传算法来确定,公式如下:Pc=Pc1-(Pc1-Pc2)(f′-favg)fmax-favg,f≥favgPc1,f<favg]]>Pm=Pm1-(Pm1-Pm2)(fmax-favg)fmax-favg,f≥favgPm1,f<favg]]>式中,f_max为群体中最大的适应度;f_avg为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为要变异个体的适应度值;P_c1=0.9,P_c2=0.6,P_m1=0.1,P_m2=0.001。步骤46:判断是否到了迭代总代数,若没有,则转至步骤43;步骤47:按最优适应值计算各相位配时;步骤48:调整均衡性指标和畅通性指标的权重;转至步骤41。图3是本发明实施例提供的与SC0OT方案综合指标比较示意图。图3中,本发明提供的实施例以北京市某十字路口为对象进行计算。该路口均衡性指标和畅通性指标的权重及各相位的优先权重取值为:k1=0.7,k2=0.3α₁=0.1,α₂=0.2,α₃=0.2,α₄=0.5式中,k1表示均衡性指标,k2表示畅通性指标。α₁α₂α₃α₄分别表示东进口,南进口,西进口,北进口相位。带入模型,经过计算配时结果为:g₁=42,g₂=51,g₃=49,g₄=48,单位s(秒)。依据图3所示,本文提出的控制方法畅通性和均衡性都有了一定的改善。畅通性数值越低,表示交叉口的交通流延误时间越少;均衡性指标数值越小,表示交叉口各方向的交通流越趋于均衡。综合指标是反映交叉口畅通性和均衡性的统一指标,在相同权重k₁,k₂条件下,综合指标值越低表示交叉口畅通性和均衡性越好。本发明实现了交通控制既满足交通流快速疏散的要求,又满足交通流均衡分布的要求,提高了道路交叉口的服务水平。以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。