基于自适应遗传算法的交叉口信号配时多目标优化

刘春旭　王剑锋

摘 要：本文以交叉口的平均延误、平均停车次数、通行能力为控制目标，建立了多目标信号控制模型，并利用自适应遗传优化算法求解，最后在matlab中进行实例仿真，仿真结果表明，本文所提信号控制模型比传统的Webster法好，同时自适应遗传算法比普通遗传算法求解更快、更准。

关键词：交叉口；信号配时；多目标；自适应遗传算法

中图分类号：U491 文献标识码：A 文章编号：1671-2064（2017）22-0012-02

交通规划是城市整体规划的重要组成部分，而交叉口控制则是交通规划应予以重视和考虑的问题。传统信号控制采取定时信号控制，而路网的交通状况是实时变化的，则定时信号控制方案难以对路口进行最优控制。并且，国内外学者研究最多的则是单目标信号控制模型，评价延误、排队长度、停车次数、通行能力等单一评价指标则是近年来的研究重点，然而，人们在进行城市路口信号控制时，追求的是多种控制目标，因此本文以平均延误、通行能力、平均停车次数作为平均指标，对各优化目标采取建立多目标优化模型，并利用自适应遗传算法求解。

1 多目标函数的建立

1.1 常用的单目标函数

（1）车辆的平均延误：

通常情况由于车道的增量

信号相位阶段数；损失时间；控制评价函数的权重系数；C实际信号配时中的周期；最大周期；最小周期；、-、分别表示相位的最大平均延误、最大通行能力、最大平均停车次数；、-、分別表示相位的最小平均延误、最小通行能力、最小平均停车次数。

2 目标函数的优化

3 自适应遗传算法求解多目标函数

3.1 自适应遗传算法

自适应遗传算法同普通遗传算法的区别在于，不采用固定个参数，交叉概率和变异概率能够随适应度的变化而相应变化。在自适应遗传算法中，交叉概率和变异概率按式（8）和式（9）调整：

3.2 具体步骤

Step1：设置种群数个数、染色体的长度、总迭代次数，最小相位绿灯时间，最小周期与最大周期。

Step2：采用实数编码，在可行域内随机产生种群数目大小的染色体。

Step3：计算每个个体目标函数及适应度值，由于PI值在0～1之间则：。

Step4：所有个体（包括父代、子代）进行排序选择操作，挑选出同种群大小的新种群。

Step5：随机配对个体以的交叉概率进行交叉操作。

Step6：种群内个体以的变异概率变异操作。

Step7：判断在选择、交叉、变异、复制后所产生新群体个体个数是否等于设定群体数目大小，如是则进行下一步，否则返回Step4。

Step8：判断是否达到迭代总数，若没有，则返回Step3；否则，输出最佳个体（最佳信号配时方案，即周期，各相位绿灯时间）。

4 实例分析

4.1 路口选取及渠化

本文以重庆临江门交叉口为例，如图1，交通调查获得交叉口高峰时段的最高15min流量，折算处理后，如图2。

该交叉口无行人和非机动车辆，为三相位定时信号，周期132s，黄灯时间3s，全红时间1s，第一相位时间40s，第二相位时间38s，第三相位时间42s。交叉口现状实测延误89s，服务水平F级。

现状北区路左转和直行车流量相差并不大，左转车道为3车道，而直行车道为1车道，则北区方向左转和直行均为两车道。现状临江东路车道的左转车辆和直行车辆所占比例较大，直行增加一车道，右转增加一车道。

信号控制方案推荐四相位控制，右转车辆不控制，相位一：北区路-中华路，北区路-临江东路；相位二：临江东路直行，左转；相位三：中华路直行，左转；相位4：临江西路直行。

4.2 路口交通流数据检测

交叉口各进口方向每条车道停车线前1m处安装了环形感应线圈检测器，检测器能够一天24小时检测出每车道上的交通流。由于凌晨00：00-04：00，人和车流量稀少，交通信号控制灯在这时间段为绿闪，选择某工作日04：00-24：00共300组交通流量。

4.3 参数的设置

（1）参数的设定。黄灯时间；全红时间；绿灯间隔时间：；绿前、绿后损失：；损失时间：。

（2）最小绿灯时间计算。

式中：行人过街道长度，m；行人过街步速，取1.0；绿灯间隔时间，s。

（3）周期和饱和度的最值。本文中最大周期为：，饱和度的最大值为=0.9，最小值为0.7。

（4）优化算法的参数设置。普通遗传算法（交叉概率和变异概率分别为0.9和0.01）和自适应遗传算法的最大进化代数和初始种群都分别为300和50，染色体长度实数编码即变量个数。

（5）计算、、-、-、、6个界定值。根据路口现有高峰小时各方向交通流量，采用自适应遗传算法（最大迭代次数为500、粒子数目为20）分别计算各最值。

4.4 仿真分析

运用Webster法、遗传优化法和自适应遗传优化法分别计算出此路口各阶段的周期时长、有效绿灯时间、平均停车次数、平均延误和通行能力。

仿真后，本文所提控制方法，路口的平均延误、平均停车次数和通行能力比Webster法分别提高了5.6%、10.2%、20.6%，交叉口得到了更好的控制，其服务水平也相应的提高了。自适应遗传算法不到50次接近收敛，普通遗传算法要150多次才接近收敛，自适应遗传算法相比遗传算法收敛速度有较大的提高，自适应遗传算法的交通配时优延误，停车次数，通行能力比遗传算法方法分别提高了1.36%，2.12%，2.44%。自适应遗传算法相对遗传算法能更快速、准确地寻找出信号优化控制参数。

5 结语

本文研究了城市节点中交通信号配时及多目标优化问题，提出了一种多目标信号控制目标函数，并引入了自适应遗传算法求解多目标最优解问题。实例仿真表明，所提交叉口信号控制方法使得路口信号配时得到了优化控制，渠化设计后交叉口的平均延误控制在36.5s以下，服务水平由F级上升到C级，交叉口得到明显改善。

参考文献

[1]马莹莹，杨晓光，曾滢.信号控制交叉口周期时长多目标优化模型及求解[J].同济大学学报（自然科学版），2009，37（6）：761-765.

[2]王维国，宋阳，郭多祚.一种求解混合多目标规划问题的功效系数法[J].运筹与管，2007，16（4）：23-27.

[3]刘春旭.复杂路口实时信号控制技术的研究[D].重庆：重庆交通大学，2013.endprint