兩種智能優(yōu)化算法在交通控制應(yīng)用中的對(duì)比分析

徐向藝

（平頂山學(xué)院計(jì)算機(jī)學(xué)院，河南 平頂山 467000）

兩種智能優(yōu)化算法在交通控制應(yīng)用中的對(duì)比分析

徐向藝

（平頂山學(xué)院計(jì)算機(jī)學(xué)院，河南 平頂山 467000）

城市交通系統(tǒng)是一個(gè)龐大的系統(tǒng)，具有極強(qiáng)的隨機(jī)性以及復(fù)雜性，要想實(shí)現(xiàn)對(duì)其有效控制，必須不斷進(jìn)行研究和分析。本文主要討論兩種智能優(yōu)化算法在城市交通控制應(yīng)用中的對(duì)比。兩種智能算法分別是混沌遺傳算法和混沌粒子群算法。通過(guò)對(duì)這兩種智能優(yōu)化算法的計(jì)算結(jié)果進(jìn)行仿真發(fā)現(xiàn)，這兩種算法的自適應(yīng)性、魯棒性以及自學(xué)習(xí)性都是相當(dāng)強(qiáng)的，能夠有效地實(shí)現(xiàn)對(duì)地區(qū)交通信號(hào)的控制優(yōu)化，并且由于固定周期控制方式在其中的應(yīng)用，能夠使車輛的平均延誤情況得到有效的緩解，對(duì)改善地區(qū)交通有著積極的意義。

智能；優(yōu)化算法；交通控制；應(yīng)用；對(duì)比分析

1 引言

在當(dāng)前社會(huì)經(jīng)濟(jì)的不斷發(fā)展中，由于人們物質(zhì)生活條件的不斷提高，汽車數(shù)量越來(lái)越多，交通越來(lái)越擁堵，這種現(xiàn)狀嚴(yán)重阻礙了我國(guó)的進(jìn)一步發(fā)展。智能交通系統(tǒng)的出現(xiàn)，使當(dāng)前交通中面臨的問(wèn)題得到了有效的緩解。這一系統(tǒng)的出現(xiàn)，不僅能夠?qū)⒛壳暗缆放c逐漸增加的機(jī)動(dòng)車之間的矛盾進(jìn)行有效的化解，同時(shí)也能更加方便人們的出行，這一系統(tǒng)涵蓋了諸多的交通信息，其中最重要的一個(gè)組成部分就是對(duì)于道路的最優(yōu)化選擇，本文通過(guò)對(duì)混沌遺傳算法和混沌粒子群算法在交通控制系統(tǒng)中的應(yīng)用效果進(jìn)行比較。

2 兩種智能優(yōu)化算法

2.1 混沌粒子群算法

這種算法是粒子群優(yōu)化算法與混沌映射進(jìn)行有效結(jié)合，取兩種算法的所長(zhǎng)，能夠有效避免粒子群優(yōu)化算法存在的不足之處。通常情況下由確定性方程直接得到的具有隨機(jī)性的運(yùn)動(dòng)狀態(tài)稱為混沌[1]。其中存在的混沌狀態(tài)的變量就是混沌變量，這種算法在最初是因?yàn)槟M社會(huì)行為而產(chǎn)生的，能夠通過(guò)迭代進(jìn)行最優(yōu)值的選擇，系統(tǒng)中雖然是一組隨機(jī)解，但是粒子能夠在解空間中進(jìn)行最優(yōu)粒子的搜索迭代，終止的條件通常情況下會(huì)按照實(shí)際的問(wèn)題，以當(dāng)前選擇的最優(yōu)值或者最大迭代次數(shù)進(jìn)行最小適應(yīng)閾值的預(yù)定。在實(shí)際的計(jì)算中，這種算法首先需要進(jìn)行參數(shù)的確定，然后隨機(jī)出現(xiàn)多個(gè)粒子種群，按照相關(guān)的模式進(jìn)行操作，最后就可以實(shí)現(xiàn)對(duì)位置的混沌優(yōu)化，當(dāng)其得到滿意解或者迭代數(shù)達(dá)到最大的時(shí)候，優(yōu)化過(guò)程就會(huì)自動(dòng)停止，如果這兩者都不滿足，就會(huì)繼續(xù)對(duì)粒子種群進(jìn)行操作，再次進(jìn)行選擇。

2.2 混沌遺傳算法

混沌遺傳算法（Chaos Genetic Algorithm，C-GA）的基本思想在于引入混沌狀態(tài)的優(yōu)化變量，然后將混沌運(yùn)動(dòng)的遍歷范圍與優(yōu)化變量的取值范圍進(jìn)行重合，將相應(yīng)的混沌變量進(jìn)行編碼，然后將其放置在選擇范圍之內(nèi)，進(jìn)行不斷的優(yōu)化選擇，最終就會(huì)獲得一個(gè)最優(yōu)解。這種算法首先要對(duì)交換方案以及編碼方案進(jìn)行確定，因?yàn)槠渲械膮?shù)都存在一定的相關(guān)性，所以需要使用交叉編碼的方案進(jìn)行[2]。在確定這兩者以后，混沌遺傳算法的具體優(yōu)化步驟為：首先對(duì)變量的范圍進(jìn)行設(shè)定，然后選定混沌變量，并且將其引入到優(yōu)化變量中去，使其轉(zhuǎn)化為優(yōu)化變量，同時(shí)將混沌變量的范圍變換到與其相對(duì)應(yīng)的優(yōu)化變量的取值范圍之中。對(duì)不同的變量進(jìn)行編碼，然后計(jì)算出新的適應(yīng)度，并且進(jìn)行及時(shí)的調(diào)整，對(duì)群體根據(jù)適應(yīng)度的不同進(jìn)行排列，計(jì)算適應(yīng)度的平均值以及最大值，得到最優(yōu)結(jié)果以后，計(jì)算結(jié)束，否則就會(huì)繼續(xù)進(jìn)行下一輪的尋優(yōu)。

3 兩種算法在城市交通控制中的仿真計(jì)算

3.1 仿真路段設(shè)定

區(qū)域交通控制本身具有一定的復(fù)雜性和隨機(jī)性，因此就這兩種算法以及固定周期法（FIX）在實(shí)際交通控制中的應(yīng)用對(duì)比通過(guò)仿真計(jì)算進(jìn)行，RTE(Run-Time Extension)接口用Visual C++進(jìn)行編寫。本次研究是對(duì)一個(gè)九路口區(qū)域交通進(jìn)行的，這個(gè)路口的各個(gè)路段都是雙車道，次干線在南北方向，路口都是南北直行、南北左轉(zhuǎn)、東西直行、東西左轉(zhuǎn)，對(duì)于東西以及南北方向的右轉(zhuǎn)向都不控制。

3.2 交通控制仿真

每一車道最大車流量是1800輛，排隊(duì)長(zhǎng)度45米，一個(gè)循環(huán)為40秒到2分鐘，路燈的時(shí)長(zhǎng)為110秒，黃燈為3秒，紅燈為2秒，此次交通控制仿真的時(shí)間為10分鐘，在仿真期間，不計(jì)公交車以及行人對(duì)路段產(chǎn)生的影響。為了保證仿真與實(shí)際更加貼合，需要根據(jù)不同時(shí)段的道路的行車情況進(jìn)行仿真研究，不同的交通需求分別為重度需求、中度需求以及輕度需求。針對(duì)每一種需求需要設(shè)定5種交通需求的相關(guān)數(shù)據(jù)，將混沌遺傳算法和粒子群優(yōu)化算法的種群規(guī)模設(shè)定為50個(gè)，這兩種算法每次更迭，其中會(huì)有5個(gè)參與混沌變異的粒子[3]。

在同樣的交通環(huán)境的設(shè)定下，利用混沌遺傳算法和混沌粒子群優(yōu)化算法進(jìn)行仿真計(jì)算以及比較。在比較復(fù)雜的城市區(qū)域交通控制系統(tǒng)中，遺傳算法和粒子群優(yōu)化算法在計(jì)算中都有可能難以實(shí)現(xiàn)對(duì)全部范圍內(nèi)最優(yōu)點(diǎn)的選擇，而混沌粒子群優(yōu)化算法和混沌遺傳算法則能夠?qū)崿F(xiàn)對(duì)全部范圍內(nèi)最優(yōu)點(diǎn)的選擇。混沌粒子群優(yōu)化算法和遺傳算法在其收斂速度方面明顯優(yōu)于混沌遺傳算法和粒子群優(yōu)化算法。粒子群優(yōu)化算法相比較混沌遺傳算法來(lái)說(shuō)不容易陷入到局部的極值點(diǎn)，混沌粒子群優(yōu)化算法同樣不易陷入這一極值點(diǎn)?；煦缌Ｗ尤簝?yōu)化算法相比較粒子群優(yōu)化算法來(lái)說(shuō)對(duì)于CPU時(shí)間消耗比較長(zhǎng)，但是其增加的幅度不大。混沌遺傳算法和遺傳算法相比較而言，對(duì)于CPU時(shí)間的消耗相對(duì)較長(zhǎng)。

混沌粒子群優(yōu)化算法和遺傳算法在收斂性能上來(lái)說(shuō)，都有一定的優(yōu)勢(shì)?；煦缌Ｗ尤簝?yōu)化算法和粒子群優(yōu)化算法的平均進(jìn)化次數(shù)之間的差異比較小，混沌粒子群的平均進(jìn)化次數(shù)少，不過(guò)因?yàn)榛煦缬成涞囊?，?duì)于CPU的耗時(shí)反而比較長(zhǎng)。遺傳算法比混沌遺傳算法的平均進(jìn)化次數(shù)有所增加，導(dǎo)致這一現(xiàn)象的根本原因在于混沌遺傳算法中進(jìn)行了混沌映射的引入。粒子群優(yōu)化算法在交通重度需求的情況下會(huì)陷入到局部最優(yōu)點(diǎn)，這種現(xiàn)象明確了在高強(qiáng)度的交通需求中不能使用粒子群優(yōu)化算法。相比較FIX而言，混沌粒子群優(yōu)化算法和混沌遺傳算法在車輛的平均停車率以及車輛的平均延誤率分別減少了30.6%和41%，由此就可以看出該算法在城市區(qū)域范圍內(nèi)實(shí)現(xiàn)交通控制的優(yōu)勢(shì)所在。粒子群優(yōu)化算法以及遺傳算法在仿真分析中，通過(guò)統(tǒng)計(jì)有4次陷入局部極值點(diǎn)，不過(guò)與FIX相比較，在局部極值的前提下，車輛的平均停車率以及平均延誤情況仍然較少，分別為15.4%和19.8%，這就說(shuō)明了極值點(diǎn)在一些情況下也可以使用。

4 對(duì)比結(jié)果

通過(guò)分析可以看出利用混沌粒子群優(yōu)化算法以及遺傳算法能夠使收斂速度得到有效的提升，能夠使城市交通情況得到有效的緩解。城市交通系統(tǒng)在運(yùn)行過(guò)程中在一些情況下會(huì)出現(xiàn)極強(qiáng)的混沌性，混沌粒子群優(yōu)化算法和混沌遺傳算法針對(duì)城市交通系統(tǒng)中的這一特性，能夠有效實(shí)現(xiàn)對(duì)于交通的控制以及對(duì)時(shí)間的優(yōu)化分配，能夠?qū)Τ鞘袇^(qū)域交通的控制信號(hào)進(jìn)行實(shí)時(shí)的優(yōu)化分配，通過(guò)這種方式可以通過(guò)對(duì)控制信號(hào)的接收實(shí)現(xiàn)對(duì)城市區(qū)域交通的控制，這樣就可以降低車輛的平均停車率以及緩解平均延誤情況，提高道路車輛的通行率。

研究發(fā)現(xiàn)，混沌粒子群算法和混沌遺傳算法在使用范圍上有各自的特點(diǎn)和范圍。因?yàn)榛煦邕z傳算法對(duì)于CPU的耗時(shí)相對(duì)比較長(zhǎng)，因此，如果路口的車輛比較多，就不能使用這一算法進(jìn)行控制，不過(guò)這一算法本身的穩(wěn)定性比較好，所以適合應(yīng)用在路口車輛比較少的情況下；混沌粒子群算法和混沌遺傳算法適宜在交通呈現(xiàn)出強(qiáng)烈的混沌特性的情況下；在實(shí)際的城市區(qū)域交通控制系統(tǒng)的應(yīng)用中，要想有效實(shí)現(xiàn)對(duì)道路交通的最優(yōu)化配時(shí)，降低平均停車率以及車輛的平均延誤情況，提高道路的通行率，可以將這兩種算法結(jié)合使用，取兩者的優(yōu)勢(shì)。在實(shí)際的系統(tǒng)應(yīng)用中，應(yīng)該首先對(duì)實(shí)時(shí)的交通情況進(jìn)行判斷，然后選擇相應(yīng)的優(yōu)化算法，這樣就能有效實(shí)現(xiàn)對(duì)城市區(qū)域交通流的控制和合理安排。當(dāng)然混沌粒子群算法以及混沌遺傳算法在其他優(yōu)化對(duì)象方面也同樣適用，不過(guò)在實(shí)際應(yīng)用的時(shí)候，必須根據(jù)具體的情況對(duì)算法的相關(guān)參數(shù)進(jìn)行科學(xué)、合理的選擇，以確保算法在其中的有效應(yīng)用。

5 結(jié)束語(yǔ)

綜上所述，在當(dāng)前社會(huì)經(jīng)濟(jì)不斷發(fā)展的過(guò)程中，人們的生活水平日益提高，代步工具也在不斷增加，交通問(wèn)題已經(jīng)成為了我國(guó)實(shí)現(xiàn)進(jìn)一步發(fā)展的一個(gè)極大的阻礙因素，智能交通系統(tǒng)的出現(xiàn)使這一問(wèn)題得到了有效的緩解，當(dāng)然這一系統(tǒng)必須是以一定的計(jì)算方式作為依托，為了使這一系統(tǒng)不斷得到完善和優(yōu)化，進(jìn)一步實(shí)現(xiàn)對(duì)城市交通優(yōu)化控制，就需要對(duì)其中的算法進(jìn)行優(yōu)化和發(fā)展。通過(guò)本文的研究發(fā)現(xiàn)，兩種算法分別都有各自的優(yōu)勢(shì)，要想更好地實(shí)現(xiàn)對(duì)城市區(qū)域交通系統(tǒng)的控制，就需要將這兩種算法綜合應(yīng)用在城市的智能交通控制系統(tǒng)中，然后根據(jù)實(shí)際的交通情況進(jìn)行優(yōu)化，只有這樣才能更好地推動(dòng)我國(guó)交通的健康發(fā)展，保證我國(guó)未來(lái)的可持

續(xù)發(fā)展。

[1]李娟，楊琳，劉金龍，等．基于自適應(yīng)混沌粒子群優(yōu)化算法的多目標(biāo)無(wú)功優(yōu)化[J]．電力系統(tǒng)保護(hù)與控制，2011(9)：26-31．

[2]劉福才，賈亞飛，任麗娜．基于混沌粒子群優(yōu)化算法的異結(jié)構(gòu)混沌反同步自抗擾控制[J]．物理學(xué)報(bào)，2013(12)：120509．

[3]杜文莉，張海龍，錢鋒．融合和聲搜索的混沌粒子群優(yōu)化算法及工業(yè)應(yīng)用[J]．清華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012(3)：325-330．

[4]燕善俊，程德強(qiáng)．一種基于DCT和混沌序列的圖像加密算法[J].徐州工程學(xué)院學(xué)報(bào)(自然科學(xué)版)，2014(4)：39-43．

[5]湛文紅．網(wǎng)絡(luò)圖形最短路徑算法分析與研究[J]．電腦與電信，2010(7)：60-62．

Comparison of Two Intelligent OptimizationAlgorithmsApplied in Traffic Control

Xu Xiangyi
（Pingdingshan University,Pingdingshan Henan）

tract】 Urban traffic system is a huge system,with strong randomness and complexity.In order to effectively control the system,we must continue to study and analyze.This paper mainly discusses on the application of two kinds of intelligent optimization algorithms in urban traffic control.The algorithms are chaos genetic algorithm and chaotic particle swarm optimization algorithm. Through the simulation of these two intelligent optimization algorithms,the results show that the adaptive robust and self-learning ability of these algorithms are very strong.They can realize the optimization of traffic signal effectively.Due to the application of fixed cycle control,the average delay of vehicle has been effectively alleviated,having positive significance to improve the traffic situation.

words】 intelligent;optimized algorithm;traffic control;application;comparative analysis

TP301.6；U495

A

1008-6609(2016)09-0067-03

徐向藝，女，河南平頂山人，碩士，副教授，研究方向：軟件工程，智能算法，優(yōu)化設(shè)計(jì)。