城市單路口交通信號(hào)兩級(jí)模糊優(yōu)化控制與仿真*

楊文臣，張 輪，何兆成

(1. 同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院， 上海 201804；2. 中山大學(xué)工學(xué)院∥廣東省智能交通重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510275)

城市交通信號(hào)多級(jí)模糊控制器綜合考慮多維交通狀態(tài)影響因素，如排隊(duì)長(zhǎng)度、飽和流量和相位持續(xù)時(shí)間等，可較準(zhǔn)確地描述路口各相位交通流通行需求的緊急程度，并通過分級(jí)分散處理狀態(tài)變量可避免狀態(tài)變量間相互干擾；同時(shí)，通過優(yōu)化路口相位順序，可提高控制器性能；仿真結(jié)果表明該方法能有效減少延誤、提高路口通過量，優(yōu)于定時(shí)控制等[1]。但其采用的標(biāo)準(zhǔn)四相位結(jié)構(gòu)忽略了右轉(zhuǎn)等非關(guān)鍵車流，在交通狀況復(fù)雜的路口，對(duì)交通流的波動(dòng)響應(yīng)不足；在低飽和的交通狀態(tài)下，因考慮多維交通狀態(tài)影響因素，致使路口交通狀態(tài)弱化，多級(jí)模糊控制器性能差；而且，多級(jí)模糊控制器的多參數(shù)采用經(jīng)驗(yàn)知識(shí)確定，不具備學(xué)習(xí)功能[2]。

Ballester、Henry、Bingham等采用遺傳算法[3]、神經(jīng)網(wǎng)絡(luò)[4]、增強(qiáng)學(xué)習(xí)等智能算法在交通信號(hào)與路口環(huán)境交互過程中[5]，學(xué)習(xí)控制器參數(shù)，仿真結(jié)果證明了模糊優(yōu)化控制的有效性，但這類方法多是離線優(yōu)化，且控制器性能取決于優(yōu)化算法的效率、有校樣本集或回饋函數(shù)的設(shè)計(jì)。遺傳算法采用群體搜索策略，不依懶梯度信息和經(jīng)驗(yàn)知識(shí)[6]，Lekova、Kim、Yang等將其應(yīng)用于模糊控制器參數(shù)優(yōu)化，可分為已知模糊規(guī)則參數(shù)優(yōu)化模糊隸屬參數(shù)，已知隸屬參數(shù)優(yōu)化模糊規(guī)則參數(shù)[7-9]，同時(shí)優(yōu)化隸屬函數(shù)與模糊規(guī)則參數(shù)三類[10]。目前，模糊遺傳優(yōu)化控制研究多屬前兩類，同時(shí)優(yōu)化規(guī)則和隸屬參數(shù)的交通信號(hào)模糊控制器及其微觀交通仿真評(píng)價(jià)的研究較少。同時(shí)，多數(shù)已有方法采用Matlab或計(jì)算機(jī)程序模擬路口交通流生成，缺乏反映現(xiàn)實(shí)路網(wǎng)車流運(yùn)行的微觀模擬方法和模糊控制方法布署實(shí)施的仿真評(píng)價(jià)技術(shù)的研究[11]。

本文以基于交通強(qiáng)度的交通信號(hào)兩級(jí)模糊控制為基礎(chǔ)，研究城市交通信號(hào)模糊智能優(yōu)化控制及其在線仿真。針對(duì)兩級(jí)模糊控制因考慮多維交通狀態(tài)變量致使在低流量下交通狀態(tài)弱化等不足，從兩模糊控制器結(jié)構(gòu)及交通狀態(tài)參數(shù)選取優(yōu)化的角度，提出城市交通信號(hào)組合模糊優(yōu)化控制方法，該方法采用“0-1”組合的方式，在低流量下僅考慮隊(duì)長(zhǎng)，采用單級(jí)模糊控制器，而在中高流量下綜合考慮交通狀態(tài)因素，采用二級(jí)模糊控制器。針對(duì)模糊控制器參數(shù)人工設(shè)定且不具備學(xué)習(xí)功能，從模糊控制器參數(shù)優(yōu)化的角度，提出基于混合遺傳算法的交通信號(hào)模糊優(yōu)化控制，其引入滑動(dòng)時(shí)間窗，設(shè)計(jì)兩級(jí)模糊控器隸屬函數(shù)和控制規(guī)則參數(shù)的優(yōu)化框架，并采用改進(jìn)的混合遺傳算法在線學(xué)習(xí)兩級(jí)模糊器參數(shù)。最后，利用Paramics提供的二次開發(fā)接口和Matlab與VC++的混合編程技術(shù)構(gòu)建交通信號(hào)兩級(jí)模糊在線優(yōu)化控制Paramics仿真平臺(tái)，并以典型城市單交叉口進(jìn)行實(shí)驗(yàn)，采用四種控制策略對(duì)案例進(jìn)行大量仿真，對(duì)提出的兩種模型進(jìn)行效用評(píng)價(jià)。

1 兩級(jí)組合模糊控制模型

1.1 建模理論分析

交通信號(hào)兩級(jí)模糊控制器的性能受限于交通狀態(tài)變量的選擇和控制器參數(shù)的合理設(shè)置。路口車輛較多時(shí)，紅燈相位均有一定排隊(duì)車輛數(shù)，僅憑排隊(duì)車輛數(shù)難以準(zhǔn)確描述路口狀態(tài)，基于交通強(qiáng)度的狀態(tài)變量考慮相位時(shí)間及綠相車流到達(dá)情況，符合控制需求；但是，在車流量低的情況下，交通流為自由流，路口排隊(duì)車輛數(shù)很少，由于考慮相位時(shí)間，路口狀態(tài)被弱化[12]，使低流量下的兩級(jí)模糊控制等同于最小周期控制，致使控制性能差，主要體現(xiàn)在兩個(gè)方面：

1) 相位決策延長(zhǎng)時(shí)間小，相位頻繁切換致使路口新增車輛通常要排隊(duì)才能通過。

2) 紅燈相位時(shí)間短而目標(biāo)綠燈相位排隊(duì)車輛數(shù)少，致使新綠燈相位無車?yán)速M(fèi)綠燈時(shí)間現(xiàn)象嚴(yán)重。

因而，兩級(jí)模糊控制器狀態(tài)變量的選取應(yīng)與路口交通狀態(tài)直接關(guān)聯(lián)，狀態(tài)變量的選擇取決于路口交通狀態(tài)特征，面向不同的交通狀態(tài)，模糊控制器的結(jié)構(gòu)應(yīng)是自適應(yīng)的。

1.2 兩級(jí)組合模糊概念模型

結(jié)合經(jīng)典模糊控制器在低流量下具有好的控制性能，引入“0-1”組合控制思想[13]，提出城市交通信號(hào)組合模糊控制方法：其在低飽和交通狀態(tài)下，選擇相位排隊(duì)車輛數(shù)作為交通狀態(tài)變量，采用經(jīng)典的單級(jí)模糊控制 (Single-level Fuzzy Traffic Signal Control，SFTSC)[12]；而在高飽和交通狀態(tài)下，選擇相位交通強(qiáng)度作為交通狀態(tài)變量；采用基于交通強(qiáng)度的兩級(jí)模糊控制(Two-level Traffic Signal Control，TFTSC)[10]。組合模糊控制的概念模型用公式(1)描述：

(1)

高飽和及低飽和交通狀態(tài)的劃分采用二維路口交通狀態(tài)劃分方法[14]，結(jié)合高飽和和低飽和狀態(tài)下的交通流特性，以空閑狀態(tài)的閥值作為高低飽和度狀態(tài)劃分的標(biāo)準(zhǔn)，即交叉口總流率Y0=0.42(交叉口的占有率Ot小于0.33)。兩級(jí)組合模糊控制選取Tc為滾動(dòng)優(yōu)化周期，即每個(gè)Tc判定路口交通狀態(tài)，并根據(jù)路口交通狀態(tài)選擇下一個(gè)控制間隔內(nèi)的模糊控制器。Tc由交通信號(hào)控制方案的實(shí)時(shí)性及平衡過渡的需求綜合確定。

2 兩級(jí)模糊遺傳優(yōu)化控制設(shè)計(jì)

2.1 兩級(jí)模糊在線優(yōu)化框架

單一優(yōu)化模糊控制規(guī)則或隸屬函數(shù)參數(shù)將人為割斷二者內(nèi)在聯(lián)系，違背模糊控制內(nèi)涵[7]。為此，研究同時(shí)優(yōu)化隸屬函數(shù)與模糊規(guī)則的參數(shù)。為使模糊交通控制器的參數(shù)設(shè)置與路口實(shí)時(shí)的交通狀態(tài)需求相匹配，引入滑動(dòng)時(shí)間窗的思想[15]?；瑒?dòng)時(shí)間窗口的原理如圖1所示：在整個(gè)控制時(shí)間窗口H內(nèi)，實(shí)時(shí)采集每一個(gè)目標(biāo)控制間隔T內(nèi)的交通流數(shù)據(jù)，在每一個(gè)控制器優(yōu)化時(shí)間段的起點(diǎn)To，優(yōu)化并更新模糊控制器參數(shù)，到下一個(gè)目標(biāo)控制間隔，重復(fù)上述過程，從而動(dòng)態(tài)地適應(yīng)路口交通流的波動(dòng)特性。

圖1 滑動(dòng)窗口的原理圖

遵循滑動(dòng)時(shí)間窗滾動(dòng)優(yōu)化的原理，交通信號(hào)兩級(jí)模糊優(yōu)化控制結(jié)構(gòu)如圖2所示。

圖2 交通信號(hào)兩級(jí)模糊優(yōu)化控制結(jié)構(gòu)

控制實(shí)施模塊在T內(nèi)實(shí)時(shí)采集各路口各車道內(nèi)車輛的到達(dá)/離開交通流數(shù)據(jù)，并存儲(chǔ)在歷史數(shù)據(jù)庫(kù)；在每個(gè)優(yōu)化時(shí)間段的起點(diǎn)To，交通流重現(xiàn)模塊根據(jù)歷史數(shù)據(jù)庫(kù)中的準(zhǔn)實(shí)時(shí)交通數(shù)據(jù)，模擬上一個(gè)控制間隔內(nèi)的路口車流運(yùn)行過程；同時(shí)，遺傳優(yōu)化模塊采用混合遺傳算法，學(xué)習(xí)路口控制器參數(shù)，并在優(yōu)化結(jié)束后更新模糊交通控制器參數(shù)。

2.2 基于狀態(tài)劃分延誤建模

選取交叉口平均延誤作為控制器參數(shù)每一代個(gè)體的性能評(píng)價(jià)指標(biāo)。延誤的計(jì)算方法可分為兩類：① 中觀數(shù)值模擬[10]，延誤由數(shù)值擬合公式計(jì)算得出，控制效果取決于中觀模型與現(xiàn)實(shí)的相符程度。② 微觀仿真模擬[16]，由交通仿真軟件模擬車流運(yùn)行，提取延誤的仿真結(jié)果，該方法耗時(shí)，實(shí)現(xiàn)復(fù)雜。

受限于Paramics等微觀交通仿真軟件二次開發(fā)的支持性，研究采用中觀數(shù)值模擬方法。以往多數(shù)研究采用“到達(dá)即垂直排隊(duì)”思想建立車輛在交叉口行駛的延誤模型，但在低飽和流量下，車輛在戰(zhàn)略與戰(zhàn)術(shù)線圈間存在離散行駛過程，該模型誤差較大。為此，基于狀態(tài)劃分的延誤建模分為高飽和與低飽和兩種交通狀態(tài)，模擬路口車輛的行駛。在低飽和情況下，新到達(dá)車輛以50%的概率加入排隊(duì)；高飽和情況下到達(dá)車輛以100%概率加入排隊(duì)。高飽和與低飽和度狀態(tài)下延誤的詳細(xì)建模過程分別詳見文獻(xiàn)[10，17]。

2.3 求解算法

2.3.1 模糊控制器參數(shù)編碼 研究所采用的模糊控制器具有兩個(gè)輸入變量和一個(gè)輸出變量，均劃分為5個(gè)模糊子集[10]。為提高算法精度和收斂速度，采用實(shí)數(shù)編碼的遺傳算法。如圖3所示，交通信號(hào)模糊控制器采用三角形隸屬函數(shù)，且為避免染色體過長(zhǎng)，每一個(gè)三角隸屬度函數(shù)的起點(diǎn)值和終點(diǎn)值分別取前后兩個(gè)隸屬度函數(shù)的頂點(diǎn)值。因此，僅憑隸屬度函數(shù)的5個(gè)頂點(diǎn)值，便可準(zhǔn)確地表示其形狀和位置。

圖3 隸屬參數(shù)編碼原理示意圖

模糊控制器的控制規(guī)則采用整數(shù)矩陣R表示：R=[rij]5×5，其中，i、j、rij為集合[1,5]內(nèi)的整數(shù)，分別表示兩個(gè)輸入變量和一個(gè)輸出變量模糊子集的索引值。逐行將矩陣R中后一行的首個(gè)元素接到上一行的最未元素之后，將矩陣R轉(zhuǎn)換為行向量R’，則模糊規(guī)則矩陣R的編碼可用行向量R’表示。

兩級(jí)模糊控制器的編碼示意如圖4所示，為確保隸屬參數(shù)的形狀和模糊規(guī)則的客觀性，隸屬函數(shù)中心點(diǎn)的參數(shù)編碼按升序排序；交通強(qiáng)度判定模塊的模糊規(guī)則參數(shù)按行按列排升序，而決策模塊參數(shù)按行排降序。

圖4 兩極模糊控制器參數(shù)編碼示意圖

2.3.2 改進(jìn)的混合遺傳算法 采用改進(jìn)混合遺傳算法優(yōu)化模糊控制器參數(shù)[14]，其引入模擬退火算子增強(qiáng)遺傳算法局部搜索能力，從而可搜索到更好的解集。流程如下：

1) 初始化：初始遺傳算法和模擬退火算法的控制參數(shù)。其中，種群規(guī)模M取100，進(jìn)化代數(shù)Gen取100，初始退火溫度T0取30 000；交叉和變異的概率隨進(jìn)化代數(shù)及個(gè)體的優(yōu)劣程度自適應(yīng)地動(dòng)態(tài)調(diào)整。

2) 評(píng)價(jià)：采用基于狀態(tài)劃分延誤模型計(jì)算延誤d，再由公式(2)計(jì)算個(gè)體適應(yīng)度

(2)

3) 選擇算子：采用輪盤概率選擇算子。

4) 交叉算子：采用非均勻算術(shù)雜交算子。

5) 變異算子：采用自適應(yīng)的非一致變異算子，其根據(jù)個(gè)體適應(yīng)度值的優(yōu)劣和進(jìn)化代數(shù)動(dòng)態(tài)地調(diào)整個(gè)體基因的變異量。

6) 精英保留策略：將新生代種群中的最差個(gè)體替換為父代種群中的最好個(gè)體。

7) 模擬退火尋優(yōu)策略：選取新生代種群中的最好個(gè)體為初始向量，調(diào)用模擬退火算法強(qiáng)化遺傳算法局部尋優(yōu)的搜索能力。①由退火狀態(tài)函數(shù)產(chǎn)生新個(gè)體向量；②Metropolis準(zhǔn)則概率選擇新個(gè)體；③判斷退火抽樣是否穩(wěn)定，若不穩(wěn)定，返回①；若穩(wěn)定，執(zhí)行降溫操作并轉(zhuǎn)到8)；

8) 判斷算法終止條件：若達(dá)到最大代數(shù)轉(zhuǎn)到2)；反之，輸出最優(yōu)個(gè)體及其性能指標(biāo)值。

3 案例分析

3.1 兩級(jí)模糊在線優(yōu)化Paramics仿真平臺(tái)

將Paramics作為各類信號(hào)控制策略的無偏評(píng)價(jià)工具，搭建基于Paramics的模糊控制在線優(yōu)化仿真平臺(tái)[16]。該平臺(tái)包括控制實(shí)施模塊和優(yōu)化實(shí)施模塊，只有控制器的當(dāng)前優(yōu)化請(qǐng)求結(jié)束后，最新的優(yōu)化指令才能開始執(zhí)行。平臺(tái)特性如下：①為縮短開發(fā)周期和保障算法精度，采用Matlab實(shí)現(xiàn)三類交通信號(hào)模糊控制器；②為實(shí)現(xiàn)Paramics仿真平臺(tái)與模糊控制器的交互，采用Matlab混合編程方法[18]；并采用數(shù)據(jù)庫(kù)的命令隊(duì)列技術(shù)，建立“控制實(shí)施部分”和“優(yōu)化實(shí)施部分”間的通信；③在Paramics的Modeler模塊中建立典型城市交叉口的仿真路網(wǎng)，加載模糊控制插件并設(shè)計(jì)不同交通場(chǎng)景，通過Paramics仿真驗(yàn)證交通信號(hào)兩級(jí)模糊控制。

3.2 Paramics仿真

如圖5所示，以典型城市道路的正交十字交叉口作為研究對(duì)象，采用標(biāo)準(zhǔn)四相位控制，為避免因右轉(zhuǎn)車輛交織造成直行車輛的干擾，影響路口效率，直行相位考慮右轉(zhuǎn)車流。在每個(gè)進(jìn)口的每條車道以150 m為間距，各布設(shè)戰(zhàn)略和戰(zhàn)術(shù)兩組檢測(cè)線圈實(shí)時(shí)檢測(cè)路口交通數(shù)據(jù)。

圖5 單交叉口模型示意圖

3.2.1 實(shí)驗(yàn)仿真流程 遵循交叉口信號(hào)控制最大及最小周期原則和最大及最小綠燈時(shí)間等基本原則，遵循兩級(jí)模糊控制的基本流程[10]，在交通信號(hào)兩級(jí)組合模糊控制中，滾動(dòng)優(yōu)化周期Tc取5 min，即每過5 min兩級(jí)組合模糊優(yōu)化模塊啟動(dòng)，以合理選取模糊控制器的結(jié)構(gòu)；在兩級(jí)模糊遺傳優(yōu)化控制中，取目標(biāo)控制間隔T為10 min，優(yōu)化時(shí)間段起點(diǎn)To為8 min，即在每個(gè)目標(biāo)控制間隔結(jié)束前2 min，啟動(dòng)優(yōu)化實(shí)施模塊學(xué)習(xí)三類模糊控制器參數(shù)，并在優(yōu)化實(shí)施模塊優(yōu)化結(jié)束后更新控制實(shí)施模塊的控制器參數(shù)。

3.2.2 仿真場(chǎng)景 為驗(yàn)證本文提出的兩種交通信號(hào)模糊優(yōu)化控制方法，考查其在不同流量下及交通流波動(dòng)情況下的控制效果，設(shè)計(jì)多種仿真場(chǎng)景，包括交叉口各進(jìn)口道車流均勻到達(dá)場(chǎng)景及各流向流量突然變化的場(chǎng)景。仿真實(shí)驗(yàn)場(chǎng)景設(shè)計(jì)如下：

1) 仿真時(shí)長(zhǎng)為13 h(00:00-12:00)，進(jìn)口道流量在400～1 600 pcu/h變化，每小時(shí)為一仿真時(shí)段period，且左-直-右車流轉(zhuǎn)向比例為0.25-0.60-0.15。

2) 為模擬路口短時(shí)交通流到達(dá)波動(dòng)特性，在Paramics的Profile文件中設(shè)置1 h內(nèi) 10 min間隔車輛的發(fā)車比例如為15-11-17-22-16-19。

3) 根據(jù)國(guó)內(nèi)城市道路直行設(shè)計(jì)通行能力為1 650 pcu/h、左轉(zhuǎn)/右轉(zhuǎn)設(shè)計(jì)通行能力為1 550 pcu/h的規(guī)范，車頭時(shí)距MHT、駕駛員反應(yīng)時(shí)間MDT的仿真參數(shù)校準(zhǔn)為1.8 s、1.5 s。

4) 由于仿真效果受隨機(jī)種子影響，每種控制方案采用批量仿真10次。

3.2.3 實(shí)驗(yàn)設(shè)計(jì) 設(shè)計(jì)實(shí)驗(yàn)I驗(yàn)證提出的交通信號(hào)組合模糊控制方法(CTFIFuzzy)，該實(shí)驗(yàn)對(duì)比定時(shí)、感應(yīng)和兩級(jí)分層模糊控制，定時(shí)控制(Fixed)取路口進(jìn)口道平均流量900 pcu/h(05:00-06:00)下的Webster控制方案[19]，感應(yīng)控制(Acturated)的感應(yīng)線圈距離停車線30 m，單位延長(zhǎng)時(shí)間為3 s[14]；兩級(jí)分層模糊控制方法(TFIFuzzy)采用基于交通強(qiáng)度的兩級(jí)模糊控制[10]。設(shè)計(jì)實(shí)驗(yàn)Ⅱ驗(yàn)證提出的交通信號(hào)兩級(jí)模糊優(yōu)化控制(GAFuzzy)，該實(shí)驗(yàn)對(duì)比分析定時(shí)、感應(yīng)和兩級(jí)模糊控制方法。仿真實(shí)驗(yàn)的交通控制參數(shù)設(shè)置如下：4個(gè)相位的最小綠燈時(shí)間均為12 s；直行相位1和相位3的最大綠燈時(shí)間為80 s，而左轉(zhuǎn)相位2和相位4的最大綠燈時(shí)間為50 s；最大周期220 s。

3.2.4 結(jié)果分析 選取信控路段的平均延誤(Delay)、平均隊(duì)長(zhǎng)(Queue)、平均速度(Speed)和進(jìn)口道平均通過量(Count)為控制器的性能評(píng)價(jià)指標(biāo)。

1) 兩級(jí)組合模糊控制。

兩級(jí)組合模糊的仿真結(jié)果如圖6所示，在整個(gè)仿真過程中，組合模糊控制穩(wěn)定，延誤及隊(duì)長(zhǎng)等性能指標(biāo)均優(yōu)于定時(shí)、感應(yīng)和兩級(jí)模糊控制方法，且隨著流量增加，控制效果優(yōu)勢(shì)明顯。以延誤為例，相比其它控制方法，組合模糊改進(jìn)幅度約為10%～47%。而且，在低流量下，組合模糊控制器選取排隊(duì)長(zhǎng)度作為狀態(tài)變量后，控制效果明顯改善，改進(jìn)了兩級(jí)模糊在低流量下控制效果差的不足。

圖6 交通信號(hào)組合模糊控制的各評(píng)價(jià)指標(biāo)的仿真結(jié)果

2) 交通信號(hào)模糊遺傳優(yōu)化控制。

兩級(jí)模糊遺傳優(yōu)化控制各性能指標(biāo)的仿真結(jié)果如圖7所示。在整個(gè)仿真過程中，基于GA的模糊優(yōu)化控制方法穩(wěn)定，在線準(zhǔn)實(shí)時(shí)學(xué)習(xí)控制器參數(shù)后，延誤等各性能指標(biāo)均優(yōu)于兩級(jí)模糊等控制方法。

以延誤為例，在整個(gè)仿真過程中，基于GA的模糊優(yōu)化控制比感應(yīng)控制減少延誤27%，比定時(shí)控制減小延誤近30%，比兩級(jí)模糊控制減少延誤約13%，且隨著流量增加，控制效果優(yōu)勢(shì)明顯，符合交通管理者控制目標(biāo)。

就遺傳算法效率而言，在90%的控制間隔內(nèi)，模糊控制器參數(shù)可完成更新，基本可滿足準(zhǔn)實(shí)時(shí)交通控制的要求。但是，當(dāng)路口處于飽和或過飽和的交通狀態(tài)時(shí)，各進(jìn)口道均存在大量排隊(duì)車輛，采用來車即排隊(duì)的延誤模型計(jì)算延誤消耗的時(shí)間大，在指定的控制間隔內(nèi)，模糊控制器的參數(shù)更新失敗。

圖7 基于混合遺傳算法的交通信號(hào)兩級(jí)模糊優(yōu)化控制的各評(píng)價(jià)指標(biāo)的仿真結(jié)果

以紅燈緊迫度判定模塊的模糊控制器為例，說明交通信號(hào)兩級(jí)模糊控制器的參數(shù)在優(yōu)化前后的差別。圖8(b)是紅燈緊迫度判定模塊優(yōu)化后的隸屬度函數(shù)，人工設(shè)置的隸屬函數(shù)見圖8(a)。從圖9的模糊控制規(guī)則輸出曲面對(duì)比可以初步看出：優(yōu)化后的模糊規(guī)則弱化了較低交通強(qiáng)度狀態(tài)下的決策輸出，而強(qiáng)化了較高強(qiáng)度狀態(tài)下的決策輸出。

圖8 紅燈緊迫度判定模塊的隸屬函數(shù)

圖9 紅燈緊迫度判定模塊的控制規(guī)則輸出曲面

4 結(jié) 語

本文研究了基于交通強(qiáng)度的城市交通信號(hào)兩級(jí)模糊控制的兩種優(yōu)化方法。交通信號(hào)兩級(jí)組合模糊控制從模糊控制器結(jié)構(gòu)優(yōu)化角度引入“0-1”組合思想，在低流量下采用單級(jí)控制器，在中高流量下采用基于交通強(qiáng)度的兩級(jí)模糊控制器；交通信號(hào)兩級(jí)模糊遺傳優(yōu)化控制從模糊控制器參數(shù)優(yōu)化角度引入“滑動(dòng)時(shí)間窗”的思想，其根據(jù)路網(wǎng)準(zhǔn)實(shí)時(shí)交通狀態(tài)，采用混合遺傳算法在線學(xué)習(xí)兩級(jí)模糊控制器隸屬函數(shù)和控制規(guī)則的參數(shù)；同時(shí)，開發(fā)了城市交通信號(hào)兩級(jí)模糊在線優(yōu)化控制Paramics仿真平臺(tái)，對(duì)兩級(jí)模糊優(yōu)化控制布署實(shí)施的仿真評(píng)價(jià)技術(shù)展開研究。

大量Paramics仿真結(jié)果表明：組合模糊控制方法根據(jù)路口交通狀態(tài)選取模糊控制器狀態(tài)變量組合及其結(jié)構(gòu)是合理的，其改進(jìn)了兩級(jí)模糊在低流量下控制效果差的不足；而兩級(jí)模糊遺傳優(yōu)化控制準(zhǔn)實(shí)時(shí)地學(xué)習(xí)控制器參數(shù)，性能穩(wěn)定。相比定時(shí)控制等方法，兩種優(yōu)化后的控制器具有更好性能，且隨著流量增加，控制效果優(yōu)勢(shì)明顯，控制效果符合交通管理者控制目標(biāo)。

參考文獻(xiàn)：

[1] 李瑞敏，陸化普，史其信. 基于交通需求強(qiáng)度的路口多層模糊控制模型研究[J]. 武漢理工大學(xué)學(xué)報(bào): 交通科學(xué)與工程版，2006，30(1): 1-4.

[2] NAIR B M，CAI J. A fuzzy logic controller for isolated signalized intersection with traffic abnormality considered[C]∥IEEE Intelligent Vehicles Symposium，2007: 1229-1233.

[3] BALLESTER P J，CARTER J N. A parallel real-coded genetic algorithm for history matching and its application to a real petroleum reservoir[J]. Journal of Petroleum Science and Engineering. 2007，59(3): 157-168.

[4] HENRY J J，F(xiàn)ARGES J L，GALLEGO J L. Neuro-fuzzy techniques for traffic control[J]. Control Engineering Practice，1998，6(6): 755-761.

[5] BINGHAM E. Reinforcement learning in neuro-fuzzy traffic signal control [J]. European Journal of Operation Search，2001，131(2): 232-241.

[6] 燕樂緯，陳洋洋，周云. 一種改進(jìn)的微種群遺傳算法[J]. 中山大學(xué)學(xué)報(bào): 自然科學(xué)版，2012，51(1):50-54.

[7] RAHMAN S M，RATROUT N T. Review of the fuzzy logic based approach in traffic signal control: Prospects in saudi arab[J]. Journal of Transportation Systems Engineering and Information Technology，2009，9(5): 58-70.

[8] LEKOVA A，MIKHAILOV L，BOYADJIE D. Redundant fuzzy rules exclusion by genetic algorithms[J]. Fuzzy Sets and Systems，1998，100(1): 235-243.

[9] KIM J W，KIM B M，KIM J Y. Genetic algorithm simulation approach to determine mebership functions of fuzzy traffic controller [J]. Electronics Letters，1998，34(20):1982- 983.

[10] 楊祖元，黃席樾，劉鴻飛，等. 基于改進(jìn)遺傳算法的交叉口模糊控制研究[J]. 計(jì)算機(jī)應(yīng)用研究，2009，26(9): 3330-3333.

[11] KELSEY R L，BISSER K R. A simulation environment for fuzzy control of traffic systems[C]∥The 12th IFAC-World Congress， 1993，5: 553-556.

[12] HOYER R，JUMAR U. An advanced fuzzy controller for traffic lights[J]. Annual Review in Automatic Programming，1994，19: 67-72.

[13] CHROBOK R，KAUMANN O，WAHLE J，et al. Different methods of traffic forecast based on real data[J]. European Journal of Operational Research，2004，155 (3): 558-568.

[14] 何兆成，楊文臣，梁詩(shī). 城市單交叉路口交通信號(hào)實(shí)時(shí)優(yōu)化控制與仿真[J]. 計(jì)算機(jī)工程與應(yīng)用，2010，46(33): 239-243.

[15] PAZ A，PEETA S. Behavior-consistent real-time traffic routing under information provision[J]. Transportation Research Part C，2009，17(6): 642-661.

[16] QUADSTONE. Paramics 6.6.1 user manual[M].Edinburgh，Scotland:Quadstone Ltd，2008.

[17] GAO J X，LI J G，ZHAO X H. Two-stage fuzzy control of urban isolated intersection signal for complex traffic conditions[C]∥Proceedings of the 5th World Congress on Intelligent Control and Automation，2004: 5287-5291.

[18] 楊文臣，張輪，何兆成，等. Matlab與VC++混合編程及其在交通信號(hào)兩級(jí)模糊控制中的應(yīng)用[J]. 公路交通科技，2012，29(9):123-128.

[19] WEBSTER F V. Traffic signal settings[R].Road Research Laboratory，London，U K，Road Res Tech,1958:39.