基于GA+ACO的交通擁擠及事故規(guī)避系統(tǒng)研究

陸文昌++鄧傲++袁朝春++陳龍

摘 要：為了減少車輛在行駛過(guò)程中產(chǎn)生的交通事故和規(guī)避擁擠道路，研究了道路擁擠程度的影響因素和評(píng)價(jià)指標(biāo)以及道路事故的理論與模型。提出采用路網(wǎng)的動(dòng)態(tài)路阻對(duì)事故的影響程度和道路擁擠程度進(jìn)行綜合評(píng)價(jià)，并對(duì)動(dòng)態(tài)路阻采用模糊理論進(jìn)行量化。同時(shí)研究了遺傳算法和蟻群算法在該規(guī)避系統(tǒng)中的應(yīng)用，采用遺傳蟻群的混合算法，綜合了遺傳算法全局搜索和蟻群算法求解精確的特點(diǎn)。用Matlab對(duì)該路阻函數(shù)和混合算法進(jìn)行仿真，并進(jìn)行了實(shí)際路網(wǎng)測(cè)試，結(jié)果表明利用該路阻函數(shù)和混合算法能夠達(dá)到規(guī)避擁擠、規(guī)避潛在事故和規(guī)避已發(fā)事故的目的。

關(guān)鍵詞：交通路網(wǎng)；遺傳蟻群混合算法；道路擁擠；最優(yōu)路徑；事故阻斷

中圖分類號(hào)：U461.91文獻(xiàn)標(biāo)文獻(xiàn)標(biāo)識(shí)碼：A文獻(xiàn)標(biāo)DOI：10.3969/j.issn.2095-1469.2015.05.10

隨著社會(huì)經(jīng)濟(jì)的飛速發(fā)展，我國(guó)的汽車保有量也逐年提高，造成道路交通承載壓力越來(lái)越大，導(dǎo)致大量的交通擁擠和交通事故。所以道路交通的擁擠程度評(píng)價(jià)和交通事故的預(yù)測(cè)規(guī)避對(duì)交通規(guī)劃以及道路交通安全控制等具有重要意義。交通擁擠程度評(píng)價(jià)系統(tǒng)的核心在于動(dòng)態(tài)路阻的計(jì)算和最小擁擠路徑的求解。國(guó)內(nèi)外對(duì)于交通擁擠進(jìn)行了多方面的研究，在動(dòng)態(tài)路阻的計(jì)算與評(píng)價(jià)方面主要有層次分析法、模糊綜合法、主成分分析法等[1]。最小擁擠路徑的求解算法經(jīng)典的有Dijkstra、Floyd、A*算法以及它們相應(yīng)的改進(jìn)算法等[2]。仿生智能路徑優(yōu)化算法是針對(duì)實(shí)際路網(wǎng)的復(fù)雜性以及用傳統(tǒng)方法求解優(yōu)化問題存在很多困難的情況而發(fā)展起來(lái)的。目前國(guó)內(nèi)外研究熱門的智能路徑優(yōu)化算法主要有遺傳算法、粒子群優(yōu)化算法以及蟻群算法等[3]。

交通事故的預(yù)測(cè)是道路安全評(píng)價(jià)、規(guī)劃以及決策的基礎(chǔ)，其預(yù)測(cè)模型主要有回歸模型法、經(jīng)驗(yàn)?zāi)Ｐ头?、時(shí)間序列法等[4]。國(guó)內(nèi)外大多數(shù)論文一般將擁擠評(píng)價(jià)和事故預(yù)測(cè)規(guī)避分開，然而兩者間互相有很深的聯(lián)系，事故的發(fā)生會(huì)導(dǎo)致?lián)頂D程度的快速增長(zhǎng)，擁擠程度也會(huì)導(dǎo)致潛在事故概率的變化?？紤]到道路交通各影響因素內(nèi)部關(guān)系的錯(cuò)綜復(fù)雜性和價(jià)值系統(tǒng)的模糊性，對(duì)模糊理論進(jìn)行了相關(guān)研究，利用模糊綜合法設(shè)計(jì)了一種路阻的動(dòng)態(tài)計(jì)算模型。將道路的擁擠情況和事故鏈結(jié)合綜合評(píng)價(jià)，然后利用遺傳與蟻群混合算法，綜合遺傳算法的全局搜索能力和蟻群算法的快速精確性，進(jìn)而求解得到最優(yōu)路徑，達(dá)到規(guī)避擁擠、規(guī)避潛在事故和規(guī)避已發(fā)事故的目的。

1 路網(wǎng)的數(shù)學(xué)模型

為了迅速、準(zhǔn)確而安全地到達(dá)目的地，車輛行駛過(guò)程中，就要有效地避開擁擠路段和潛在風(fēng)險(xiǎn)事故大的路段或已發(fā)生事故的路段，即在起點(diǎn)與終點(diǎn)間尋找一條綜合了道路擁擠與事故概率后的最優(yōu)路徑。為了解決上述問題，以結(jié)構(gòu)直觀的交通網(wǎng)路圖（圖1

為用Mapbasic語(yǔ)言編程后，得到的路網(wǎng)抽象模型）為基礎(chǔ)，將最優(yōu)路徑的尋找轉(zhuǎn)換成在有向賦權(quán)圖上求解兩點(diǎn)間最短距離的問題。這里的有向賦權(quán)圖是這樣來(lái)建立的，即用道路的交叉口或者道路特性（道路寬度、等級(jí)）發(fā)生改變的位置對(duì)應(yīng)圖的節(jié)點(diǎn)，兩交叉口之間的路段對(duì)應(yīng)圖中的邊，路段的長(zhǎng)度作為該邊的權(quán)值。這樣的賦權(quán)有向圖用下述公式表示為

。

式中，G為表示路網(wǎng)的賦權(quán)有向圖；

為路網(wǎng)節(jié)點(diǎn)集合；n為路網(wǎng)節(jié)點(diǎn)數(shù)；E為路網(wǎng)邊集合；m為路網(wǎng)邊數(shù)；D為路網(wǎng)的路權(quán)矩陣；dij為i、j兩節(jié)點(diǎn)間的道路長(zhǎng)度，m。根據(jù)不同的優(yōu)化目標(biāo)，可以定義相應(yīng)的路權(quán)，反映到賦權(quán)有向圖上，就是各條邊的權(quán)。本文將其它的影響因素量化為道路的長(zhǎng)度，即選取行駛距離為優(yōu)化目標(biāo)。設(shè)D（t）為路網(wǎng)的動(dòng)態(tài)路阻矩陣，則t時(shí)刻相鄰2節(jié)點(diǎn)i到j(luò)的路阻可以簡(jiǎn)單地表示為Dij（t）=λdij。

2 動(dòng)態(tài)路阻的計(jì)算

2.1 動(dòng)態(tài)路阻影響因數(shù)的選取

路阻影響因數(shù)主要包含兩大類：道路屬性（寬度、道路等級(jí)、交通限制）和交通參數(shù)（交通流量、速度、道路占有率、路口排隊(duì)長(zhǎng)度等）。各個(gè)因數(shù)的影響大小不一樣，數(shù)據(jù)的獲得也存在著難易程度上的差別。高速公路或者城市快速路具有典型的連續(xù)交通流特征，在上面行駛的車輛可以在相當(dāng)長(zhǎng)的路段上不受其它道路交通流的影響而連續(xù)運(yùn)行，且不會(huì)發(fā)生因紅綠燈而引起的交通擁擠現(xiàn)象。行駛于城市快速路和高速路上的車輛所形成的交通擁擠除了環(huán)境因素外，往往是因交通流量過(guò)大而造成的。

所以對(duì)于高速公路或者城市快速路，選取平均行程速度和交通流量[3，5]。對(duì)城市道路而言，其具有典型的間斷交通流特征，選取平均行程速度、飽和度S=V/C、平均延誤時(shí)間[3，6-7]。其中V為進(jìn)口車道實(shí)際交通量，輛/h；C為進(jìn)口車道通行能力，輛/h。

2.2 動(dòng)態(tài)路阻選取因數(shù)的量化[3]

動(dòng)態(tài)路阻矩陣Dij（t）=λdij 。

式中，。

其中λ1為道路屬性信息相關(guān)的路權(quán)系數(shù)；λ2為實(shí)時(shí)交通信息相關(guān)的路權(quán)系數(shù)；λ3為與駕駛者特殊要求相關(guān)的路權(quán)系數(shù)；λ4為與安全相關(guān)的路權(quán)系數(shù)；1為道路長(zhǎng)度系數(shù)。

（1）λ1取值

λ1=1/GW。G為道路等級(jí)，我國(guó)將道路分為四個(gè)等級(jí)：1， 2， 3， 4，數(shù)字越大道路越差；W為道路寬度，m。

（2）λ2取值

λ1是動(dòng)態(tài)路阻模型的核心之一，用于表征實(shí)時(shí)交通信息對(duì)擁擠程度的影響，其取值范圍為0～1，與相對(duì)應(yīng)道路的擁擠程度成正比關(guān)系。λ2的獲取步驟如下：

①根據(jù)交通流的特性分類，即分成連續(xù)交通流和間斷交通流。

②根據(jù)不同的交通流參考國(guó)內(nèi)外的評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)連續(xù)交通流和間斷交通流進(jìn)行擁擠程度的評(píng)價(jià)。

③利用模糊理論將評(píng)價(jià)的擁擠程度量化成0～1間可計(jì)算的數(shù)值。

對(duì)高速公路和城市快速路，影響因數(shù)為平均行程速度和交通流量。以下各表是由我國(guó)采用的《城市交通管理評(píng)價(jià)指標(biāo)體系》，我國(guó)交通發(fā)展研究中心的《交通擁堵評(píng)價(jià)研究報(bào)告》和相關(guān)理論研究[7-8]制定。

模糊控制量化步驟：

①選擇模糊控制變量，具體見2.1節(jié)。

②對(duì)輸入輸出變量的模糊分割。

③選擇合適的隸屬度函數(shù)，所選擇的隸屬度函數(shù)為梯形隸屬度函數(shù)，其具有計(jì)算簡(jiǎn)單、使用方便的特點(diǎn)。

④根據(jù)相關(guān)資料和經(jīng)驗(yàn)確定控制規(guī)則。

⑤獲取輸出曲面。

對(duì)連續(xù)交通流按照上述步驟獲取的輸出曲面如圖2所示。

城市道路屬于間斷交通流，選取的參數(shù)為飽和度、平均行程速度和平均延誤時(shí)間。

同理，利用模糊控制的步驟可得當(dāng)橫坐標(biāo)為平均行程速度，縱坐標(biāo)為平均延誤時(shí)間時(shí)的輸出曲面，如圖3所示。

（3）λ3取值

取值為0和0.5，當(dāng)高速優(yōu)先時(shí)，對(duì)高速公路路阻取0，普通道路取0.5，反之分別取0.5和0。駕駛?cè)魺o(wú)特殊要求取值都為0。

（4）λ4取值

事故評(píng)價(jià)同λ2，分為連續(xù)交通流和間斷交通流。對(duì)連續(xù)交通流，由鎮(zhèn)江市歷年交通事故分析和相關(guān)文獻(xiàn)[3，9]選取平均行程速度、行車間距、交通流量和貨車超載比例。對(duì)間斷交通流選取平均行程速度、行車間距、交通流量和信號(hào)交叉口違規(guī)概率。

連續(xù)交通流λ4，隸屬度函數(shù)采用高斯函數(shù)，利用重心法反模糊化，輸出曲面如圖4所示。同理，間斷交通流輸出曲面如圖5所示。

然后我們可以根據(jù)實(shí)時(shí)接收到的車速、流量等數(shù)據(jù)得到某時(shí)刻的λ2、λ4值。

（5）β的取值

令β[β1， β2， β3]，則β為權(quán)向量。采用AHP法確定其權(quán)重。構(gòu)造判斷矩陣為，則A的最大特征根為3.009 2，檢驗(yàn)指標(biāo)RI0.009 2/0.580.016<0.1，且β（0.16， 0.30， 0.54）。故可以加權(quán)實(shí)時(shí)的λ值，進(jìn)而得到實(shí)時(shí)的動(dòng)態(tài)路阻矩陣。特殊地，當(dāng)λ21時(shí)（表示某段道路因發(fā)生事故或其它情況完全堵塞）或當(dāng)λ41時(shí)（表示某段道路非常危險(xiǎn)，有很大概率發(fā)生交通事故），此時(shí)β2或β3取無(wú)窮（具體取999 999代替）。

3 最優(yōu)路徑的計(jì)算

遺傳算法在搜索初期具有較高的向最優(yōu)解收斂的速度，但之后求最優(yōu)解的速率顯著下降。而蟻群算法在搜索的初期由于缺乏信息素，搜索速度緩慢，但當(dāng)信息素積累到一定強(qiáng)度之后，向最優(yōu)解收斂的速度就會(huì)迅速提高[10-11]。綜合兩種算法的特點(diǎn)，采用遺傳-蟻群混合算法對(duì)最優(yōu)路徑進(jìn)行計(jì)算。

3.1 遺傳算法與蟻群算法的融合

本文遺傳算法與蟻群算法的融合主要體現(xiàn)在兩個(gè)方面，一是算法初期利用遺傳算法的特點(diǎn)快速計(jì)算出多組優(yōu)化解，然后蟻群算法根據(jù)這些優(yōu)化解生成初始的信息素分布，從而彌補(bǔ)蟻群算法初期搜索速度緩慢的不足；二是在利用蟻群算法求解時(shí)，為了避免算法過(guò)早地陷入局部最優(yōu)解同時(shí)增加求解準(zhǔn)確率，利用遺傳操作作用于螞蟻的解分布，增加種群搜索的多樣性，從而較高概率地搜索獲得問題最優(yōu)解。其算法流程圖如圖6所示。

3.2 遺傳算法生成信息素的初始分布

3.2.1 編碼

本文采用的方式為符號(hào)編碼，即用實(shí)數(shù)編號(hào)表示節(jié)點(diǎn)，然后用這些編號(hào)作為一種編碼形式參與遺傳操作，該編碼方法不僅易于遺傳操作，而且可以簡(jiǎn)化優(yōu)化程序，并可以保證搜索到全局最優(yōu)解可能存在的整個(gè)空間[7]。

3.2.2 種群

種群包含種群的規(guī)模和產(chǎn)生初始種群的方法。本文初始種群采用完全隨機(jī)的方式，即先隨機(jī)產(chǎn)生染色體。染色體的第一個(gè)基因就是起點(diǎn)，第二個(gè)基因是從與起點(diǎn)連接的其它節(jié)點(diǎn)中隨機(jī)選擇的，重復(fù)進(jìn)行這個(gè)過(guò)程，直到到達(dá)終點(diǎn)為止。為了避免產(chǎn)生環(huán)路，規(guī)定在一條染色體中，當(dāng)一個(gè)基因被選中之后，就給該基因（節(jié)點(diǎn)）作個(gè)標(biāo)記，只有沒有標(biāo)記的基因才能被該染色體選中，該條染色體產(chǎn)生完成后標(biāo)記全部刷新，然后重復(fù)第一步，直到產(chǎn)生的染色體數(shù)達(dá)到初始種群規(guī)模的要求（種群規(guī)模選擇為100）。

3.2.3 遺傳操作

（1）選擇算子：遺傳算法通過(guò)選擇操作從當(dāng)前種群中選出優(yōu)良個(gè)體遺傳到下一代，體現(xiàn)“優(yōu)勝劣汰”的原則。目前常用的選擇方法有排序選擇法、分級(jí)選擇法和賭盤選擇法等。本文選擇賭盤選擇法，即每個(gè)染色體被選中的概率與其適應(yīng)度值的大小成正比。此處適應(yīng)度函數(shù)為fij（t）1/Dij（t）。與此同時(shí)為了解決賭盤選擇法容易引起的“早熟”和“收斂停滯”問題，采用最優(yōu)保存策略，即當(dāng)前種群中適應(yīng)度值最大的染色體直接復(fù)制進(jìn)入下一代種群，不對(duì)其進(jìn)行選擇、交叉和變異操作。該策略可以加快收斂速度。

（2）交叉算子模仿了自然界有性繁殖的基因重組過(guò)程，是遺傳算法較其它進(jìn)化算法的獨(dú)有特征，主要通過(guò)將兩個(gè)父代個(gè)體的部分基因相互替代得到兩個(gè)新個(gè)體。在遺傳算法中，交叉算子是產(chǎn)生新個(gè)體的主要手段，保證了種群的多樣性。本文采取的交叉方法為隨機(jī)單點(diǎn)交叉。

（3）變異算子是模仿生物由于各種偶然因素引起的基因突變，是遺傳算法中產(chǎn)生新個(gè)體的輔助方法，可以保持種群的多樣性，防止算法陷入局部最優(yōu)解。變異算子和交叉算子相互配合，共同完成搜索最優(yōu)解的過(guò)程。變異有刪除、替代、插入三種方式，由于本文遺傳算法主要工作是提供初始的信息素分布，為了節(jié)約算法的時(shí)間，采用刪除和替代兩種方式。

3.3 蟻群算法求解最優(yōu)路徑

算法步驟：

（1）參數(shù)初始化。將螞蟻的位置隨機(jī)分布在節(jié)點(diǎn)上，根據(jù)遺傳算法產(chǎn)生的優(yōu)化解對(duì)節(jié)點(diǎn)間的信息素進(jìn)行分布。

（2）開始循環(huán)。對(duì)每個(gè)螞蟻，根據(jù)概率轉(zhuǎn)移公式由節(jié)點(diǎn)i轉(zhuǎn)移到節(jié)點(diǎn)j。當(dāng)i，j都不在禁忌表時(shí)概率轉(zhuǎn)移公式為

。

否則為0。為啟發(fā)函數(shù)，取表達(dá)式為1/Dij（t）。α是概率轉(zhuǎn)移公式中信息素影響因子，反映了在運(yùn)動(dòng)過(guò)程中信息素對(duì)蟻群擇優(yōu)的作用大小，其值越大蟻群越傾向于已選擇的路徑，從而易于陷入停滯狀態(tài)。β則是概率轉(zhuǎn)移公式中的啟發(fā)式影響因子，體現(xiàn)了算法中蟻群不同于真實(shí)蟻群所添加的啟發(fā)信息的影響大小。

（3）信息素更新，更新公式為

。

式中，。

（0<<1）表示信息素?fù)]發(fā)系數(shù)，當(dāng)?shù)趉只螞蟻在本循環(huán)中經(jīng)過(guò)i，j時(shí)：

。

否則為0。Lk表示第 k只螞蟻在本次循環(huán)中所走過(guò)的路徑總長(zhǎng)度。

（4）得到本次循環(huán)的最優(yōu)路徑和次優(yōu)路徑，并且路徑間進(jìn)行交叉和變異操作。

（5）判斷是否達(dá)到迭代終止條件，此處選為到達(dá)一定的迭代次數(shù)。

4 仿真分析

4.1 遺傳算法對(duì)最優(yōu)路徑的計(jì)算

采用Matlab對(duì)遺傳算法進(jìn)行仿真。

路網(wǎng)圖為34個(gè)節(jié)點(diǎn)的賦權(quán)有向圖，如圖7所示。

用Matlab對(duì)遺傳算法進(jìn)行30次仿真。選取種群規(guī)模100，交叉率0.9，變異率0.01，找到最優(yōu)解的概率約為70%，平均時(shí)間2.2 s。輸出結(jié)果如圖8所示。

4.2 蟻群算法對(duì)最優(yōu)路徑的計(jì)算

螞蟻個(gè)數(shù)選取100，轉(zhuǎn)移選擇因子選0.2，信息素蒸發(fā)系數(shù)選0.8。其最優(yōu)解概率約為80%，平均搜索時(shí)間為3.0 s。輸出結(jié)果如圖9所示。

4.3 遺傳+蟻群混合算法

參數(shù)選擇同上，使用遺傳算法優(yōu)化初始信息分布和求解過(guò)程中的解分布。最優(yōu)解概率約為96%，平均時(shí)間為3.5 s。輸出結(jié)果如圖10所示。

4.4 仿真結(jié)果分析

由表3中的仿真結(jié)果可以得出，遺傳算法在速度上存在優(yōu)勢(shì)（高于蟻群算法25%），蟻群算法則在精確度方面表現(xiàn)良好（高于遺傳算法13%）。當(dāng)節(jié)點(diǎn)數(shù)目較少時(shí)，混合算法在精確度方面得到了提高（12%），但速度方面略微下降（-14%）。這是由于在進(jìn)行蟻群算法時(shí)，為進(jìn)一步提高精確率進(jìn)行遺傳操作增加了一定時(shí)間，此時(shí)間大于用遺傳算法優(yōu)化蟻群解分布節(jié)約的時(shí)間，從而得到的結(jié)果是最優(yōu)解概率得到提升，算法時(shí)間增加。但當(dāng)節(jié)點(diǎn)數(shù)目增加到100時(shí)，混合算法在精確度（10%）和時(shí)間（15%）上都有所提升，故在節(jié)點(diǎn)數(shù)目足夠多時(shí)，混合算法相對(duì)于單一的算法，集成了二者的特點(diǎn)。

5 試驗(yàn)測(cè)試

考慮到實(shí)際項(xiàng)目需求（集成事故預(yù)警與事故鏈阻斷系統(tǒng)，本文未涉及），將系統(tǒng)放于車載終端上硬件資源（arm11開發(fā)板）可能出現(xiàn)資源不足，故將最優(yōu)路徑的計(jì)算放于后臺(tái)服務(wù)器。測(cè)試連接原理圖如圖11所示。

車載端用于人機(jī)交互，主要用于數(shù)據(jù)的傳輸和地圖的顯示。車載端為基于安卓的嵌入式ARM板。OBU與RSU為DSRC無(wú)線通信模塊，OBU用于與RSU的通信，RSU主要用于部分?jǐn)?shù)據(jù)的采集工作與通信。后臺(tái)為一臺(tái)PC機(jī)，主要用于最優(yōu)路徑的計(jì)算。

圖12為車載端圖，車載DSRC（OBU）為方便安裝信號(hào)天線置于車頂，由于試驗(yàn)條件所限，實(shí)時(shí)的平均行程速度和流量數(shù)據(jù)由兩輛汽車的數(shù)據(jù)平均而來(lái)。

圖13為路側(cè)端，試驗(yàn)時(shí)放于路邊。實(shí)時(shí)數(shù)據(jù)的獲取方式如圖14所示。

實(shí)時(shí)數(shù)據(jù)獲取途徑如下。

平均行程速度：首先，車載端通過(guò)由裝于OBD接口的北斗云藍(lán)牙OBD-2模塊（圖14（b）中左上角白車與右邊黑車）獲取自車速度，并將自車速度通過(guò)圖14（a）中的移動(dòng)RSU（路側(cè)通信單元）和（b）中左上方小紅車上的RSU傳給后臺(tái)，后臺(tái)將車速平均得到近似平均行程速度。

交通流量：RSU的無(wú)線范圍約為500 m，兩臺(tái)移動(dòng)RSU和兩臺(tái)固定RSU統(tǒng)計(jì)約2 000 m內(nèi)的車流量，得到近似交通流量。

飽和度：由裝于交叉口的兩臺(tái)固定RSU計(jì)算飽和度。

行車間距：由4臺(tái)RSU根據(jù)車輛方位近似計(jì)算。

信號(hào)交叉口違規(guī)概率、貨車超載比等由歷史數(shù)據(jù)進(jìn)行近似。

測(cè)試結(jié)果如圖15和圖16所示。

測(cè)試為在車載端輸入起點(diǎn)與終點(diǎn)（移動(dòng)RSU放于天橋路），然后傳給后臺(tái)。

如圖15所示，起點(diǎn)選擇為江蘇大學(xué)，終點(diǎn)選擇為鎮(zhèn)江高鐵站，兩點(diǎn)間直線距離為8.2 km，兩點(diǎn)間節(jié)點(diǎn)數(shù)量為67個(gè)。顯示的最優(yōu)路徑全長(zhǎng)10.3 km，計(jì)算時(shí)間約為5 s，準(zhǔn)確率接近100%。對(duì)比仿真試驗(yàn)時(shí)間略微增加（約1 s左右），經(jīng)過(guò)對(duì)比后發(fā)現(xiàn)是ARM板與后臺(tái)的通信過(guò)程中耗費(fèi)了一定的時(shí)長(zhǎng)。

如圖16所示，選定起點(diǎn)與終點(diǎn)后，改變某路段的擁擠度值或安全度值并到達(dá)一定閥值，路線會(huì)發(fā)生相應(yīng)的改變。為排除規(guī)避擁擠、規(guī)避已發(fā)事故、規(guī)避潛在事故間試驗(yàn)的相互影響，測(cè)試時(shí)選擇相同道路（天橋路）進(jìn)行改變。

由表4和圖16可得出，當(dāng)實(shí)時(shí)的擁擠狀況和安全狀況發(fā)生改變且到達(dá)一定的閥值時(shí)，最優(yōu)路徑會(huì)發(fā)生相應(yīng)的改變，達(dá)到了規(guī)避擁擠和規(guī)避潛在事故的目的。當(dāng)標(biāo)記某段道路為事發(fā)路段后，同樣可以達(dá)到規(guī)避已發(fā)事故的目的。

6 結(jié)論

（1）利用模糊控制對(duì)動(dòng)態(tài)路阻進(jìn)行了量化，采用遺傳蟻群的混合算法對(duì)最優(yōu)路徑進(jìn)行求解，并進(jìn)行了Matlab仿真和實(shí)地試驗(yàn)。

（2）仿真結(jié)果表明，當(dāng)節(jié)點(diǎn)數(shù)目較小時(shí)，混合算法在精確度上具有明顯優(yōu)勢(shì)，但在時(shí)間上略微增加。當(dāng)達(dá)到一定的節(jié)點(diǎn)數(shù)目時(shí)，混合算法綜合了遺傳算法與蟻群算法的優(yōu)勢(shì)，在時(shí)間和精確度上都有提高。

（3）試驗(yàn)結(jié)果表明，使用該模型和算法可以求解得到實(shí)時(shí)的最優(yōu)路徑，且該路徑能達(dá)到規(guī)避擁擠、規(guī)避潛在事故和規(guī)避已發(fā)事故的目的。

參考文獻(xiàn)（References）：

祝付玲， 王煒. 城市道路交通擁堵評(píng)價(jià)指標(biāo)體系研究[D]. 南京：東南大學(xué)，2006.

Zhu Fuling，Wang Wei. Research on Index of Urban Traffic Congestion Measures [D]. Nanjing：Southeast University， 2006.（in Chinese）

HUANG C J，WANG Y W，CHEN H M，et al. Application of Cellular Automata and Type-2 Fuzzy Logic to Dynamic Vehicle Path Planning [J]. Applied Soft Computing，2014，19（2）：333-342.

李云，謝剛. 基于遺傳算法的動(dòng)態(tài)路徑優(yōu)化 [D]. 太原：太原理工大學(xué)， 2010.

Li Yun，Xie Gang. Dynamic Path Optimization Based on the Genetic Algorithm [D]. Taiyuan：Taiyuan University of Technology，2010.（in Chinese）

李相勇， 張南， 蔣葛夫. 道路交通事故灰色馬爾可夫預(yù)測(cè)模型 [J]. 公路交通科技，2003（20）：98-100.

Li Xiangyong，Zhang Nan，Jiang Gefu. Grey-Markov Model for Forecasting Road Accidents [J]. Journal of Highway and Transportation Research and Development， 2003（20）：98-100.（in Chinese）

賈順平，於毅. 城市道路交通狀態(tài)判別方法研究 [D]. 北京：北京交通大學(xué)， 2007.

Jia Shunping，Yu Yi. Research on the Identification Method of Urban Road Traffic Conditions [D]. Beijing：Beijing Jiaotong University，2007.

韓悅臻，曹三鵬. 城市道路交通狀態(tài)指標(biāo)體系設(shè)計(jì)探討[J]. 公路，2005（6）：121-123.

Han Yuezhen，Cao Sanpeng. Research on the Index System of Urban Road Traffic State [J]. Highway，2005（6）：121-123.（in Chinese）

徐建閩，孫超.城市道路交通狀態(tài)評(píng)價(jià)分析研究 [D].廣州：華南理工大學(xué)，2010.

Xu Jianming，Sun Chao. Research on Urban Traffic Network State Evaluation and Analysis [D]. Guangzhou：South China University of Technology，2010.（in Chinese）

郝媛，徐天東，孫立軍. 基于模糊的城市快速路交通流狀態(tài)判別 [J]. 公路工程，2008，33（2）：94-99.

Hao Yuan，Xu Tiandong，Sun Lijun. Fuzzy Logics Based Traffic State Identification on Urban Expressway [J]. Highway Engineering，2008，33（2）：94-99.（in Chinese）

孟祥海， 鄭來(lái)， 秦觀明. 基于模糊邏輯的交通事故預(yù)測(cè)及影響因數(shù)分析 [J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2009， 9（2）：87-92.

Meng Xianghai，Zheng Lai，Qin Guanming. Traffic Accidents Prediction and Prominent Influencing Factors Analysis Based on Fuzzy Logic [J]. Journal of Transportation Systems Engineering and Information Technology，2009，9（2）：87-92.（in Chinese）

Yu Shiwei，Ding Chang，Zhu Kejun.A Hybrid GA-TS Algorithm for Open Vehicle Routing Optimization of Coal Mines Material [J]. Expert Systems with Applications，2011，38（8）：10568–10573.

?ATAY B. A New Saving-Based Ant Algorithm for the Vehicle Routing Problem with Simultaneous Pickup and Delivery [J]. Expert Systems with Applications，2010，37（10）：6809–6817.