基于混沌遺傳算法的交通燈時長調節(jié)仿真

楊道平,葛耿育,夏德友

(1. 遵義師范學院信息工程學院,貴州 遵義 563006;2. 重慶郵電大學計算機科學與技術學院,重慶 400065)

1 引言

交通擁堵問題在很多城市中愈發(fā)嚴重[1],交通燈是城市交通控制系統(tǒng)的主要構成之一,在保障城市道路網(wǎng)絡車輛通行中具有無可替代的意義,傳統(tǒng)交通燈通常依據(jù)經(jīng)驗設置固定時長,不能根據(jù)交通情況實時調整時長,在車輛與日俱增的背景之下已無法滿足交通需求,由此,交通燈時長自適應調節(jié)方式應運而生,該方式具有強可用性和高靈活性的優(yōu)點,能夠有效的緩解交通擁堵問題,目前已成為交通燈的未來發(fā)展方向[2]。

針對此問題,陳海洋等人[3]提出了一種基于改進克隆選擇算法的區(qū)域交通燈配時優(yōu)化方法。以區(qū)域道路網(wǎng)絡中總滯留車輛最少為目標構建優(yōu)化模型,采用雙層動態(tài)變異算子改進克隆選擇算法,利用改進的克隆選擇算法求解目標模型,完成交通燈時長自適應調節(jié)。童林等人[4]提出了一種區(qū)分交通流模式的混合服務路口信號控制策略。通過自組織映射神經(jīng)網(wǎng)絡聚類歷史交通流量信息,依據(jù)時間和環(huán)境特征劃分交通流量模式,采用概率神經(jīng)網(wǎng)絡訓練學習交通流量模式,動態(tài)選取門限服務輪詢控制法和韋伯斯特配時法計算配時周期,實現(xiàn)交通燈時長自適應調節(jié)。徐建閩等人[5]提出了基于PSO-X算法的交通信號區(qū)域協(xié)調控制模型。以交叉口路段排隊長度、區(qū)域輸出車輛流量和總延誤時長三個指標為優(yōu)化目標構建模型,依據(jù)上下游關系獲取相鄰交叉口相對相位差,通過改進的粒子群算法求解模型,完成交通燈時長自適應調節(jié)。以上方法沒有考慮算法實時性,導致吞吐量低、車輛等候時間均值和車輛飽和度高、滯留車輛數(shù)目多的問題。

城市路口等待信號燈的車輛種類差異很大,例如有大卡車,小轎車或是貨車等,且駕駛人的反應時間也不同,因此車與車之間存在著啟動遲滯,導致對路口信號燈所需亮燈時長的預估具有一定難度。為此,提出一種新的基于混沌遺傳算法的交通燈時長自適應調節(jié)方法。

2 交通燈控制模型

2.1 車輛描述

車輛描述模型分為車輛生成模型和車輛特征模型,由于交通模型中關鍵點是車流,因此不對車輛特征模型予以考慮。用λi表示率參數(shù),i=1,2,3,4,5,6,R表示在[0,1]區(qū)間內(nèi)生成的隨機數(shù),依據(jù)統(tǒng)計學理論可知,車輛相繼到達時間t服從λi的指數(shù)分布[6],即t=(-1/λi)lnR。

2.2 道路網(wǎng)絡描述

車輛運行以道路網(wǎng)絡為基礎[7],道路網(wǎng)絡描述模型主要由以下三部分構成:

①車道模型:所提方法以單車道為例構建車道模型,因此不考慮超車情況;

②路段模型:道路長度為L,路段分為f1～f8;

③路口模型:路口模型在單車道條件下可簡化為矩形。

2.3 車輛行駛狀態(tài)

在單車道模型中,車輛的行駛狀態(tài)分為自由狀態(tài)和跟馳狀態(tài)兩種,如下所示:

1)自由狀態(tài)

(1)

2)跟馳狀態(tài)

若目標車輛與其前方車輛距離小于某個閾值,則前方車輛會影響目標車輛的行駛狀態(tài),目標車輛無法依據(jù)期望速度行駛,而是需要隨著前方車輛速度行駛并與其保持一定距離,此時目標車輛即為跟馳狀態(tài)。

2.4 交通控制模型

交通控制模型具有隨時間改變的動態(tài)特性,該模型對車輛產(chǎn)生制約作用,引入兩相位信號控制模式[8],依據(jù)交通燈的控制需求將信號控制于周期之內(nèi),以路口1出發(fā)車輛在行駛至路口2前不會受到干擾為前提、路口1和路口2車輛等候時間均值最短為目標建立交通控制模型。

1)路口1

①f6方向

(2)

②f1方向

(3)

③f2方向

(4)

2)路口2

(5)

根據(jù)式(2)、式(3)、式(4)和式(5)可得到車輛總等候時間Twaiting如下所示

(6)

在一個交通燈控制周期內(nèi),全部等候車輛總數(shù)N=n6+n1+n2+m5+m3+m4,結合式(6)可得車輛等候時間均值Tavg如下所示

(7)

3 模型求解

3.1 混沌遺傳算法

遺傳算法是一種強魯棒性搜索算法[9]。算法采用Logistic映射作為混沌遺傳算法[10,11]的混沌系統(tǒng)[12,13],用ξ表示控制變量,ξ∈[0,4],x表示自變量,yn表示x的第n次計算值,yn+1表示第n+1次計算值,yn,yn+1∈[0,1],則Logistic映射混沌特性公式如下所示

yn+1=ξyn(1-yn)

(8)

(9)

3.2 模擬退火混沌遺傳算法

為了進一步提升算法的全局尋優(yōu)能力,將模擬退火算法應用到混沌遺傳算法之中[14]。由于交通燈時長求解問題自由度較高,因此所提方法轉換一次擾動為多次擾動,對多次擾動中相應目標函數(shù)值加以計算,選取其中最優(yōu)值作為鄰域新解。模擬算法的主要步驟如下所示:

①初始化控制參數(shù)T,設定其初始值為T0,終止值為Tf,依據(jù)實際需求設置模擬退火中各個參數(shù)的變化范圍,并隨機生成初始解x0與其目標函數(shù)值E(x0),在(0,1)范圍內(nèi)隨機生成概率閾值θ,用ε表示退火系數(shù),ε∈(0,1),則降溫規(guī)則T(k+1)=εT(k),其中,k表示迭代次數(shù);

③根據(jù)Metropolis準則獲取新解接受概率P[15],如下所示:

(10)

④續(xù)生成新解并重復執(zhí)行步驟③;

⑤依據(jù)降溫規(guī)則不斷降低溫度;

⑥重復步驟②到步驟⑤,直到滿足終止條件為止。

將生成的新種群按照適應度降序排序,采用模擬退火算法對其中優(yōu)秀個體局部尋優(yōu),依序排列原始解和生成的新解,選擇其中若干個體加入下代種群之中,繼續(xù)執(zhí)行混沌遺傳算法,直到達到最大迭代次數(shù),解碼最優(yōu)個體即可獲得最優(yōu)信號燈時長值,實現(xiàn)交通燈時長自適應調節(jié)。

4 實驗與結果

為了驗證研究方法的整體有效性,設計以下實驗。采用VISSIM作為交通行為仿真建模工具,根據(jù)上文中道路的長度以及路段數(shù)量的設置,構建信號燈控制模型,如圖1所示。

圖1 交通燈控制圖

為驗證所提方法的調節(jié)性能,選取吞吐量、車輛等候時間均值、車輛飽和度和滯留車輛數(shù)目為指標。將基于混沌遺傳算法的交通燈時長自適應調節(jié)方法(混沌遺傳算法)與基于改進克隆選擇算法的區(qū)域交通燈配時優(yōu)化方法(改進克隆選擇方法)和區(qū)分交通流模式的混合服務路口信號控制策略方法(區(qū)分交通流模式方法)為對比,建模中涉及指標和取值如表1所示。

表1 VISSIM建模相關指標取值

每經(jīng)過5個時間步長對交通流量做一次統(tǒng)計,在仿真時間結束后計算圖1中路口1交通流吞吐量均值,吞吐量越高,則對應算法的調節(jié)能力越強,結果如圖2所示。

圖2 吞吐量檢測結果

由圖2可以看出,在車輛總數(shù)為2000時,混沌遺傳算法的吞吐量為1.8veh·s-1,改進克隆選擇方法和區(qū)分交通流模式方法的吞吐量為1.2veh·s-1-1.6veh·s-1之間。相比之下混沌遺傳算法吞吐量更高,每秒通過路口車輛總數(shù)更多,調節(jié)能力更強,在避免車輛擁堵具有更好的表現(xiàn)。

路口2的車輛等候時間均值如圖3所示。

圖3 車輛等候時間均值檢測結果

由圖3可以看出,在車輛總數(shù)逐漸增加的過程中,混沌遺傳算法方法在車輛總數(shù)為2000時,車輛等候時間在35s,而文獻方法的等候時間則大于40s。因此說明混沌遺傳算法方法更適用于復雜路況調控。

測試不同方法在車輛總數(shù)增加過程中的車輛飽和度情況,在飽和度低于0.6時,道路為暢通狀態(tài),檢測結果如圖4所示。

圖4 車輛飽和度檢測結果

由圖4可以看出,混沌遺傳算法在路口車輛總數(shù)小于1200時始終能夠保持道路暢通,而改進克隆選擇方法在路口車輛總數(shù)大于700后會出現(xiàn)擁堵情況,區(qū)分交通流模式方法在路口車輛總數(shù)大于900后會出現(xiàn)擁堵情況,經(jīng)比較可以看出,混沌遺傳算法的調節(jié)能力更強。

為進一步檢測不同方法的交通燈時長自適應調節(jié)性能,采集某市十字路口一個小時內(nèi)真實車流量信息,統(tǒng)計車輛滯留情況,結果如圖5所示。

圖5 滯留車輛數(shù)目檢測結果

由圖5可以看出,混沌遺傳算法在車輛總數(shù)小于70前不會產(chǎn)生車輛滯留的情況,在車輛總數(shù)達到100時滯留車輛僅在10輛左右,而文獻方法在車輛開始增加后即產(chǎn)生一定的車輛滯留問題,調節(jié)效果較差。因此可以說明混沌遺傳算法可以有效緩解車輛滯留問題。

5 結束語

研究了一種基于混沌遺傳算法的交通燈時長自適應調節(jié)方法。構建交通模型后利用改進的模擬退火混沌遺傳算法求解交通模型相關參數(shù),實現(xiàn)交通燈時長自適應調節(jié)。該方法能夠有效地提高吞吐量、降低車輛等候時間均值和車輛飽和度、減少滯留車輛數(shù)目,為未來城市智慧交通的構建奠定基礎。