[发明专利]基于最小生成树聚类遗传算法的交通信号配时优化方法

说明书

技术领域

本发明属于城市交通控制信号配时的优化问题，具体采用一种基于聚类的遗传算法对其进行优化，是一种利用计算机技术、遗传算法、聚类分析方法来实现对城市单交叉口信号配时控制的方法。

背景技术

城市交通是城市经济生活的命脉，是衡量一个城市文明进步的标志，对于城市经济的发展和人民生活水平的提高起着十分重要的作用。在我国，随着经济的持续发展，城市化进程加快，机动车保有辆快速增加，交通出行量不断增长，城市交通供给严重不足，供求矛盾激化。以北京市为例，目前北京机动车保有量已突破200万辆，城市道路年增长速度是3％，而车辆增长速度为15％，车流量年增长速度已达18％。

作为城市交通网的重要组成部分，交叉口是道路通行能力的瓶颈和交通阻塞及事故的多发地。城市的交通拥堵，大部分是由于交叉口的通行能力不足或没有充分利用造成的，这导致车流中断、事故增多、延误严重。大城市中的机动车在市中心的行车时间约三分之一用于平面交叉口；而美国交通事故约有一半以上发生在交叉口。由此可见，对交叉口实行科学的管理与控制是交通控制工程的重要研究课题，是保障交叉口的交通安全和充分发挥交叉口的通行能力的重要措施，是解决城市交通问题的有效途径。

目前，国内大部分交叉口的信号控制器来源于英国的SCOOT(Split Cycle and Offset Optimization Teclmiquel)系统、澳大利亚的SCAT(Sydney Coordinated Adaptive Traffic)系统和日本的京三系统，均采用定时控制和自适应控制。这些方法在经过改进后得到了广泛的应用。

目前，我国信号的控制系统以单点控制为主，所以对单交叉口的信号配时研究有很多：何兆成等人提出的基于状态划分的多相位交通信号实时控制方法，张翠翠等人采用的Webster绿信比算法对模型进行优化控制，牟海波等提出了基于Petir网的控制方法等。由于交通的非线性、模糊性和不确定性，交叉口信号配时的优化问题一般可归结为非凸的非线性问题，传统的优化方法常采用数解法和图解法等，这些方法不能很好地找到其全局最优解，而遗传算法是一种基于自然选择和进化的搜索技术，广泛应用于优化问题中，因此遗传算法也广泛应用在交通控制的信号配时优化问题中。宋雪桦等人发明了基于遗传算法的单交叉口信号配时优化方法，该发明中采用的遗传算法是标准遗传算法，其中选择策略加入了最优保留策略，但标准遗传算法局部搜索能力不强，容易陷入早收敛现象，所以本发明中对标准遗算法进行改进，引入聚类思想，提高遗传算法的搜索能力，可有效避免早收敛现象。

发明内容

本发明的目的是提出一种基于最小生成树聚类的遗传算法用于城市单交叉口信号配时的控制，以路口前的排队车辆数为优化目标进行信号配时优化，实现交通信号的优化控制。

本发明的聚类遗传算法（Clustering Genetic Algorithm,CGA）中引入种群聚类思想，其中个体间距离采用常用的欧式距离进行计算，通过最小生成树聚类算法将种群划分归类，在交叉操作中使用属于不同类别的个体进行单点交叉，由于处于不同类别的个体间距离大，相似性小，这样可以使产生的后代种群维持多样性，从而抑制了未成熟收敛现象的产生。

一种基于最小生成树聚类遗传算法的交通信号优化配时方法，包括以下步骤：

步骤一，进行个体编码、初始化数据并，设定参数。

初始化种群大小，设定个体长度、交叉概率P_c及变异概率P_m。

步骤二，进行种群初始化。

步骤三，计算种群内个体的适应度值。

以单交叉口在一个周期内每相位结束后在该相位放行车道上排队车辆总数作为优化目标，即遗传算法中的目标函数，也是适应度函数。

步骤四，对种群进行最小生成树聚类。

（1）计算个体间的欧式距离，构成一个有权无向图。

（2）用Prim算法求出无向图的最小生成树。

（3）确定最小生成树的断边阈值。

（4）遍历最小生成树的边，将权重大于阈值的边去掉，形成一个森林。

（5）深度遍历森林，对个体分类进行保存。

步骤五，选择种群内个体参加遗传操作。

对种群内个体采用轮盘赌选择两个个体，如果两个个体不属于同一类，则两个个体被选定，参与到遗传操作中产生后代个体；如果两个个体属于同一类，判断两个个体的适应度值大小，将适应度值大的个体淘汰，重新选择，直到选到的个体属于不同类为止。

步骤六，对步骤五选择的个体进行交叉和变异操作。