[发明专利]基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法

摘要

本发明公开了基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法，该方法将基于进化多目标优化的交通控制与基于蚁群算法优化的诱导技术相结合，控制系统构建了单路口多目标优化控制模型及路口间的协调机制，采用改进的进化多目标优化算法实现交通信号优化。诱导系统采用构建等效路径的方法，结合改进的蚁群算法获得最优等效路径，实现对交通流的主动引导。整个系统包括交通状态感知模块、单路口优化控制模块、路口间协调控制模块、配时方案输出模块、车辆诱导模块、诱导路径输出模块、受控车流。

主权项

一种基于进化多目标优化和蚁群算法的交通控制与诱导系统，其特征在于，所述系统包括：交通状态感知模块、单路口优化控制模块、路口间协调控制模块、配时方案输出模块、车辆诱导模块、诱导路径输出模块、受控车流；交通状态感知模块的功能是：采集各路口各车道上的车流量信息、上个周期遗留车辆数、路网的路权矩阵数据；单路口优化控制模块的功能是：根据交通状态感知模块采集到的交通信息，优化出各个路口最优的配时方案；路口间协调控制模块的功能是：根据路口间的拥挤程度，动态地修改调整单路口优化配时方案；配时方案输出模块的功能是：把最终配时方案，通过信号输出装置作用于受控车流；车辆诱导模块的功能是：根据交通状态感知模块采集到的交通信息和各个路口的平均时延，规划出一条当前代价最小的行驶路径；诱导路径输出模块的功能是：把车辆诱导模块生成的最优行驶路径通过输出装置通知车辆驾驶者；受控车流是：装载了可接受诱导信息的终端设备的车辆流，是控制系统和诱导系统的最终调控对象；所述单路口优化控制模块采用MPNSGA算法优化出各个路口最优的配时方案具体如下：单路口由四个相位组成：东西直行、东西左转、南北直行、南北左转，每个相位分别配时为T1，T2，T3，T4，单位：秒，八个车道的车流量分别为q1，q2，q3，q4，q5，q6，q7，q8，单位：辆/秒，每个车道上个周期遗留下的车辆为si，i＝1,2,3,4,5,6,7,8，假设每个相位绿灯亮时，根据经验第一辆车需要3t通过路口、第二辆车需要2t通过路口、第三辆车及以后的每辆车只需要t就能通过路口，因为后面的车都已经启动好了,其中，t为车辆在不停的情况下通过路口所花的时间；基于上述假设，算出每个相位理想情况下能通过最大车辆数Li＝(Ti‑3t)/t，i＝1,2,3,4；实际每个车道的车辆数Ai＝(T1+T2+T3+T4)*qi+si，i＝1,2,3,4,5,6,7,8；如果Ai‑Li＞0，那么该周期内此车道只能通过Sci＝Li辆车，该车道剩到下个周期的车辆数为Sni＝Ai‑Li，否则Sci＝Ai，Sni＝0；优化目标函数为：maxf=ScT=Σi=18SciT1+T2+T3+T4]]>minh=Σi=18(3*t*Sci+(2+Sci)*(Sci-1)2*t+(T1+T2+T3+T4)*Sni)T1+T2+T3+T4]]>下面结合MPNSGA算法，对该路口控制优化，具体如下：①优化目标都化成求解最小值问题，即f＝‑f(T1,T2,T3,T4)，h＝h(T1,T2,T3,T4)；②确定控制变量Ti的取值范围，i＝1,2,3,4，即使得TL<＝Ti<＝TH，TL为绿灯允许的最小时间，TH为绿灯允许的最大时间；③在变量空间内，随机的生成两个种群大小为N/2的子种群P1、P2,种群中的每个个体T＝[T1,T2,T3,T4]，确定迭代终止条件为迭代M代；④对每个子种群中个体进行非支配排序；⑤交换P1、P2子种群排序后一部分的第一等级解；⑥计算每个等级个体的距离；在计算过程中，把两个子种群的相应等级个体拼成一个完整的等级集合，即：子种群P1中的第n等级解d1n和子种群P2中的第n等级解d2n，拼成一个完整的等级解dn＝d1n∪d2n后，再求相应等级个体在这个完整的等级集合中的距离；⑦每个子种群通过联赛选择法，选择一半个体作为父代个体，进行交叉、变异产生后代C1，C2；⑧把子种群C1和原始的P1拼成一个种群，把C2和原始的P2拼成一个种群，并对这新形成的两个种群进行非支配排序，分别取前N/2个个体作为P1,P2；⑨判断是否满足迭代条件，若满足，则转⑤；⑩迭代结束，把两个子种群的相应等级解合并起来，组成最终的完整解集；输出的第一等级解，就是最终提供给交通决策者的信号灯配时方案；所述车辆诱导模块采用PAA算法规划出一条当前代价最小的行驶路径，包括如下步骤：①初始化：蚂蚁个数M，信息素矩阵T，路权矩阵D，迭代代数N；②每个蚂蚁都从起点出发，90％的蚂蚁可能选择下个路口的概率为：P(i)＝p(i)/∑p(i)，其中p(i)＝τα*ηβ*l/π，τ为信息素，α为信息素的重要程度，η为启发信息，β为启发信息重要程度，l为下一个路口和起始点、终止点构成的角度，10％的蚂蚁可能选择下一个路口的概率为P(i)＝p(i)/∑p(i)，其中p(i)＝ηβ；③一次迭代完后，保存当代最优路径L，并对信息素进行更新，更新的规则是：原始的信息素浓度减去挥发的信息素浓度，再加上本次迭代中由于蚂蚁通过某段路程而增加的信息素浓度；④判断是否已经迭代了N代，如果迭代未满N代，则转步骤②继续迭代，否则停止迭代，并且输出最后一次迭代后的最优路径L。