基于遗传算法的一种改进交叉路口信号灯实时控制优化方法

胡智鹏

摘 要：针对城市中日趋紧张的交通压力，本文提出一种改进实时相位管理方法，根据实时监测不同相位的汽车流量，对交通信号灯采用相应动态配时调整，利用遗传算法进行优化使得各相位汽车滞留量达到最小。最后，用Matlab对已有数据进行仿真实验，实验结果表明，优化结果较好、准确率较高。

关键词：遗传算法；模糊算法；实时控制；实时交通信号灯

DOI：10.16640/j.cnki.37-1222/t.2015.24.101

0 引言

在发展飞速的今天，我们面临的交通问题依旧非常严重，即便现有的飞机、高铁、动车等远距离运输工具已经非常便捷，但在城市中的地铁、公交、出租车等交通工具依然面临着严重的考验。人多车多、道路拥堵一直是北京、上海等一线城市面临最严重的情况。如何才能缓解眼前的交通压力是我们要解决的首要问题，对交通路口信号灯设施动态有效的管理将有利于缓解现有的交通拥堵问题。

由于，交叉路口在不同相位不同时间段内的车流量也不尽相同，因此，我们要对各相位信号灯实施实时管理，进而，舒缓交通压力。目前，国内外关于交通网络实时优化的文章较多，但是，大部分内容很少提及相位配时方案的优化[1-4]。本文在同时考虑各相位智能配时和过往行人配时的同时，利用遗传算法对每次相位配时方案进行优化，从而得出最优化配时方案。

本文用Matlab 7.0作为编程软件，编写了改进的交叉路口信号灯实时控制算法运算程序。实验结果表明，改进算法在处理数据集的运算过程是快速准确的。

1 遗传算法

遗传算法（Genetic Algorithm）是一种通过模拟自然进化过程搜索最优解的方法。算法从已有解集中的一个种群（population）开始，而每个种群都是由经过基因编码的一定数目的个体组成。由于遗传算法是从一个初始种群开始搜索，这样就大大降低陷入局部最优解的可能性，进而加强算法的搜索空间。与传统优化算法相比，遗传算法具有较强的鲁棒性。

2 交叉路口四相位模型

目前，现有交通信号灯的各相位各车道配时方案都是根据交通工程技术人员利用长时间的摸索和个人经验给出的，而实际上，各相位各车道的车流量是随机变化的，若使用以往固定相位车道配时方案难以得到理想的交通状况[5]。我们需要在各相位各车道设置仪器测得相应车流量信息，根据实测数据实时调整各相位交通信号灯的时长，从而得到整个路口的相位配时，再利用遗传算法，以各车道车流量最大，其它车道排队候车量最小，同时，确保行人具备安全过路的前提下，进行全面优化。最后，将优化结果及时反馈给各相位交通信号灯，对信号灯时长进行实时修正，获得最佳交通状态，达到预期目的。

根据交通路口不同相位不同车道车辆放行状态，这里将四相位放行状态用一个系数矩阵P来表示。设四个相位车辆排队等待时长为：t1、t2、t3和t4，车辆到达率为：λ1、λ2、λ3和λ4，车辆离开率为：μ1、μ2、μ3和μ4，则可以得到每个相位车辆滞留量的总和S，同时，为了确保行人有安全时间通过路口，我们指定各相位等待时间t最小值为6秒，若要得到理想相位配时，我们只需用遗传算法使得S达到最小值即可。

3 改进相位配时优化算法

实际中交叉相位配时是一个动态的过程，每次相位配时都需要根据前一时间段各相位车流量的改变而改变[6][7]，若采用传统的算法则往往难以获得比较满意的最优解，以往算法都只是以各相位车辆滞留量最小为目标函数，而忽略了行人过路的安全时间。本文采用遗传算法进行交通信号配时优化、按周期顺序进行实时优化配时控制，在加入确保行人有安全过路时间的前提下，利用本周期与前一个周期各相位车道车流信息对下一周期各相位车道车流进行预估，利用遗传算法对相位配时方案进行优化处理，在确保安全的前提下，获得最优解使得各相位滞留车辆总和最小，从而缓解交通压力。

改进遗传优化算法如下：

Step1 初始化，设定初始种群、迭代次数、选择、交叉、复制、变异概率；

Step2 编码，本文采用二进制编码随机产生种群数目大小的染色体；

Step3 选择，选择适应度大的个体保留，删除适应度小的个体；

Step4 复制，按照指定概率复制具有适应值高的染色体到下一代；

Step5 变异，按照指定概率变异染色体到下一代；

Step6 判断是否已到预设迭代次数上限，若到达上限转至Step7，若没到则跳到Step 3；

Step7 计算各相位配时使得目标函数最小；

Step8 预估下一周期各相位汽车流量，跳转至Step2。

4 仿真实验

本文采用Matlab 7.0程序设计语言对上述改进遗传算法进行编程：

Step1 利用Rand函数，随机生成初始种群P，设置迭代次数M，各相位滞留车辆总和S，各相位配时总和T（T≤24）；

Step2 在确保各相位配时ti（i=1，2，3，4）都超过6秒的基础上，计算目标函数J，判断J是否满足小于δ或相对上次所得价值函数结果J2之差小于δ。如果满足上述条件之一则算法停止，否则进行Step3；

Step3 计算使得上述条件J满足时，各相位配时ti（i=1，2，3，4）；

Step4 更新隶属度矩阵，返回Step2。

改进后遗传算法优化和实际测量遗传算法优化结果一致，改进遗传算法优化时间为10秒，已有优化算法时间为15秒，传统算法每周期各相位初始搜索时间均设定为30秒，由此可以看出与传统的优化算法比较，改进后的遗传算法具有较强的鲁棒性，运行结果较好。

5 结论

智能控制在我们的日常生活中的应用是非常广泛的，比如，汽车的智能雨刷系统、汽车车牌的识别系统等。从实际应用的角度看，智能控制是数据挖掘的主要任务之一。

国内外关于智能交通灯的文献较多，本文主要针对传统的相位配时方案，通过对已有算法添加行人安全时间，再用遗传算法进行优化，用Matlab 7.0编程工具进行编程，仿真实验编写程序进行结果测试。测试结果表明改进算法具有运算速度快安全系数高的特点，但是在处理庞大数据集时，优化会有明显速度降低。

改进后的算法比较适合处理单交叉路口四相位问题，而且配时速度和安全性是比较好的。在处理滞留量大问题时，算法速度明显下降，怎样才能将算法程序过程优化、略减，提高优化速度，这是未来需要进一步解决的问题。

参考文献：

[1]温志达，梁桂荣，陈碧铭，高素萍.基于车流量的智能交通灯控制系统[J].自动化技术与应用，2009（06）.

[2]金永镐，邵奎军.基于总线模式的交通灯控制系统的设计[J].信息化纵横，2009（08）.

[3]黄毅.智能交通灯控制系统的设计与实现[J].科技资讯，2008（28）.

[4]张晓红，杨利彬，郑志丹.交通灯状态及计时控制的算法变换[J].信息技术，2009（08）.

[5]别一鸣，王琳虹，王殿海，宋现敏.城市路网交通控制子区动态划分策略[J].中国公路学报，2013（06）.

[6]黄向党，金志扬，羊秋玲.交通灯动态配时策略研究[J].计算机技术与发展，2013（10）.

[7]首艳芳，徐建闽.信号交叉口多目标动态决策模型及其优化方法[J].公路交通科技，2012（11）.endprint