基于遗传算法的道路交通系统的模糊控制毕业论文.doc

《基于遗传算法的道路交通系统的模糊控制毕业论文.doc》由会员分享，可在线阅读，更多相关《基于遗传算法的道路交通系统的模糊控制毕业论文.doc（30页珍藏版）》请在三一办公上搜索。

1、毕业任务书一、题目基于遗传算法的道路交通系统的模糊控制二、指导思想和目的要求交通是国民经济的基础产业，也是社会发展和人民水平提高的基本条件。随着社会经济的高速发展，交通运输问题已经成为世界各地城市的首要问题。通过搜集主要道路的交通量，利用滞留车辆与绿信比的关系建立以最短等待时间为最优目标的数学模型，并通过免疫遗传学算法得到点上最优解。利用模糊控制对交通信号系统进行智能控制。通过利用免疫学算法得到点上的最优解，运用模糊控制对交通信号系统进行智能控制。在现有道路交通条件基础上对交通系统进行优化，以实现最为安全、效率的交通运输管理。三、主要技术指标遗传算法理论原理、内容、特点遗传算法模型仿真模拟四、

2、进度和要求第八学期：第1周：下达任务书；第2周：确定研究方向、提出计划、制定开题报告；第34周：资料收集、整理、进行初步分析。提出毕业设计具体计划；第58周：毕业设计草方案的构思与绘制，论文进行资料的收集、整理、撰写；第910周：设计进入后期完成阶段，对毕业设计进行综合的调整，设计确定与具体制定；第1112周：完成模型的运算，进行检测，完善模型；第13周：毕业设计综合调整和完成毕业论文；第1415周：制做论文答辩PPT；第1617周：论文答辩；第18周：成绩评定及资料归档。五、主要参考书及参考资料1 徐忠，遗传算法的研究.M.商丘师范学院学报,20052 Xiang Li、Qiao Chen

3、and Yanli Li,Impact on Genetic Algorithm of Different Parameters.2008 3 Piet Spiessens and Bernard Manderick,Finding optimal representations using the crossover correlation coefficient.Lecture Notes in Computer Science,1996,Volume 1159/1996, 4 戴晓明、许超、龚向阳，并行遗传算法收敛性分析及优化运算.计算机工程，20025 赵宏立、庞小红、吴智铭，基因块编

4、码的并行遗传算法及其在TSP中的应用.M.上海交通大学学报,2000,306 江雷,微电子学与计算机.公安部第三研究所,上海2000,317 李威武、王慧、钱积新，基于遗传算法的城域交叉路口两级模糊控制.M.中南工业大学学报,20038 五艳娜、周子力、王新伟，基于模糊控制的多项为交叉口交通信号控制.J.计算机工程学报，2006.32（2）9 王磊、潘进、焦李戚，免疫算法.J.电子学报，2000.7.2410 王小明、曹立明，遗传算法-理论、应用与软件实现.M.西安交通大学出版社,200211 藏利林,城市交通信号优化控制算法研究.D.山东大学,2007.1212 王伟智、李捷，多路口交通信号

5、的优化控制.A.自动化仪表,2007.1学生 指导教师 系主任 目 录摘 要IIABSTRACTIII第一章 绪 论11.1研究意义及研究背景11.2 国内外研究现状21.3 城市交通信号控制技术的开发意义31.4 技术要求31.5 本文研究内容4第二章 交通信号智能化遗传算法62.1 城市交通信号智能优化的方法62.2 遗传算法的特点和操作过程62.2.1 遗传算法流程72.2.2 遗传算法的特点72.2.3 遗传算法的基本操作过程82.3 研究现状8第三章 单个交叉路口控制数学模型及相应实时算法103.1 模型的建立103.2 模糊控制求解周期8133.3 算法设计153.4 大路口混沌序

6、列流构建和仿真方案163.4.1 模型建立163.4.2 泊松分布173.4.3 指数平滑预测模型183.4.4 BP模型网络模型及算法得到混沌交通流序列193.5 实时配时方案20第四章 总结与展望224.1 本文总结224.2 今后研究展望22致 谢24参考文献25摘 要交通是国民经济的基础产业，也是社会发展和人民水平提高的基本条件。随着社会经济的高速发展，交通运输问题已经成为世界各地城市的首要问题。 近年来，随着交通机动化合汽车私人化的快速发展，我国不少城市的道路系统也出现了严重的拥挤堵塞。随着国民经济的高速发展和城市化进程的加快，城市交通需求急剧增加，这种交通供需关系的不平衡必然导致交

7、通拥挤。基于以上原因，为了保持交通的通畅，使车辆能更加方便人民大众，设计一种合理的交通管理程序，成为一种必然。因此研究道路交通信号控制系统有着重要的意义。本次设计主要研究模糊控制在单路口信号灯控制中的应用。根据交警在指挥交通是的思想，提出一种多相位模糊控制方案。即在对某相位放行时，是否给此相位绿灯延时，取决于相位排队长度和下一相位排队长度的综合比较。控制目标也与交警的控制目标一致，尽量减小交叉口的平均排队长度，使交叉口车流的平均延误最小。利用滞留车辆与绿信比的关系建立了以最短等待时间为优化目标的数学模型，并通过遗传学算法得到点上最优解，利用模糊控制对交通信号系统进行智能控制，得到对交通信号系统

8、的最优实时配时方案。 关键词：绿信比，遗传学算法，模糊控制ABSTRACTThe transportation is the national economy basic industry, is also the basic condition which the social development and the peoples level enhance. Along with social economys high speed development, the transportation question already became from all over the worl

9、d the city the most important question.The recent years, along with the transportation mobile chemical combination automobile private hominizations fast development, our country many citys road systems also presented the serious crowded jamming. Along with national economys high speed development an

10、d urbanized advancements quickening, municipal transportation demand sharp growth, this kind of transportation supply and demand relations are not balanced cause the traffic congestion inevitably.Based on the above reason, to maintain the transportation unobstructed, enables the vehicles the more co

11、nvenient masses, designs one kind of reasonable traffic control procedure, becomes one kind of necessity. Therefore the research road traffic signal control system has the vital significance.Fuzzy control in single-channel verbal message code light control application. Is directing the transportatio

12、n is the thought according to the traffic police, proposes one kind of leggy fuzzy control plan. Namely when allows to pass to some phase, whether to give this phase green light time delay, is decided in the phase lining up length and the next phase lining up length synthesis comparison. The control

13、 objective is also consistent with traffic polices control objective, reduces the road intersection as far as possible the average lining up length, causes the road intersection stream of vehicles the average delay to be smallest.Using detention vehicles and green letter compared to the relations ha

14、s established take the shortest standby period as the optimized goal mathematical model, and obtains through the genetics algorithm lights the optimal solution, the use fuzzy control carries on the intelligent control to the traffic signal system, obtains to the traffic signal systems most superior

15、real-time timing plan.KEY WORDS: Split,Genetic Algorithm,fuzzy control 第一章 绪 论1.1研究意义及研究背景目前，城市交通拥挤已是全球化的“城市病“之一，是全球经济发展的瓶颈提高交通网络使用效率，解决交通拥挤和交通安全问题，世界各国在对有效管理方面投入了大量的研究。城市交通问题的客观要求和现代科学技术的发展促进了智能交通系统的产生。近年来，以计算机、通讯、网络等高新技术为基础的智能化交通系统已经成为道路交通管理发展的主要趋势和解决日益严重的交通问题的重要手段。智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、

16、电子控制技术及计算机处理技术等有效的集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。城市道路交通控制，尤其是交通信号灯的控制，是只能交通系统的重要组成部分，城市交通信号控制成为一种最经济的运行方式，对缓解城市道路承受压力、保证城市交通顺畅与安全起到了积极的推动作用。目前的交通信号灯基本采用的都是固定周期长，固定信号比的定时控制模式。根据交通流的实时大小，实时配置信号灯的周期长，各种色灯的响应时间，同时考虑车辆损失时间，使全体车辆在所有路口的等待时间最短，这种控制模式的道路畅通和应急决策管理发挥着重要的作用、单交叉路口是城市道路中最

17、基本的单元，所有复杂的城市交通都可以通过一定策略转化为整合单路口的交通控制问题。所以解决好单路口的交通控制问题至关重要。作为城市交通网络的重要组成部分，交叉路口时道路通行能力的瓶颈。加强交叉路口的交通调度，已成为整合现有交通网络资源，增强道路通行能力，减少交通事故发生率的重要途径。交叉路口对交通的调度主要通过交通灯的实时智能陪时来完成。以往的交通灯控制多采用固定周期、固定绿信比的方式。无法实时的控制交通，造成资源浪费。本文选取总延迟时长为评价指标，考虑一种能根据道路实时交通信息，自动调整交通灯周期并相应分配相位时间单位调控方式，使道路通行能力得到优化。1.2 国内外研究现状对于道路交通信号系统

18、的实时控制的研究，主要通过免疫遗传算法解出点上最优解来实现对交通信号系统的实时控制。遗传算法1在20世纪90年代达到兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。随着应用领域的扩展，遗传算法的研究出现了新的动向-并行处理的遗传算法的研究。这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都十分重要。1991年D.whitey在他的论文中提出了基于领域交叉的交叉算子（Adjacency based crossov

19、er），这个算子的特别针对用序号表示基因的个体交叉，并将其应用到了TSP问题中，通过实验对其进行了验证。D.H.Ackley2等提出了随机迭代遗传爬山法（Stochastic Iterated Genetic Hill-climbing，SIGH）采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值（m表示群体的大小）。实验结果表明，SIGH与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好地性能，而且总体来讲，SIGH比现存的许多算法在求解速度方面更有竞争力。HBersini3和G.Seront将遗传算法与单一方法（simplex method）

20、结合起来，形成了一种叫单一操作的多亲交叉算子（simplex crossover），该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举 产生的结果一致。同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三者交叉算子比其余两个有更好的性能。国内也有不少的专家和学者对遗传算法的交叉算子进行改进。2002年，戴晓明4等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优问题。2004年，赵宏立5等针对简单遗传算法在较大规模组合优

21、化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传算法为基础框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。2005年，江雷6等针对并行遗传算法求解TSP问题，探讨了使用弹性策略来维持群体的多样性，使得算法跨过局部收敛的障碍，向全局最优解方向进化。1.3 城市交通信号控制技术的开发意义近年来，国内学者致力于城市交通控制系统的研究与开发，已经在理论上有了很大的突破，并取得了一定的成功，目前，在我国城市交通信号控制技术开发主要有以下几个方面：1） 将当今用于交通管理的各

22、种技术手段有电子地图作为背景集成为一个系统平台，运用模糊控制等先进的手段进行优化调度与只能控制。它将有利于交通管理向只能化方向发展。2） 在交通信息实时采集的基础上，采用专家系统对整个城市交通行优化调度，利用模糊控制的方法实现交通信号的自适应控制，在此基础上，利用可变信息板、交通电台与国际互联网等多种手段发布信息，系统的开发成功，将缓解城市交通拥挤堵塞发挥很好的作用，为今后建立和完善城市智能交通系统奠定基础。3） 当前针对孤立交叉口的研究已经比较成熟，而干道控制和区域控制的探讨还不够深入。然而，城市任一交叉道口是城市交通路网中的一个节点，其工作状态必然受其相邻节点状态的影响，进行干道控制与区域

23、控制是解决城市道路交通问题的根本方法，通过遗传算法而产生局部学习过程的全局化标准，修正了信号灯周期的大小，对城市交通信号的全局进行优化调度，从而可最大限度的使行车的时间大大缩短，提高办事效率、节约能源。减少浪费，具有巨大的社会经济效益。1.4 技术要求本论文主要通过遗传算法得到点上最优解并通过模糊控制实现对道路通行能力的优化。遗传算法的主要本质特征在于群体搜索策略和简单的遗传算子。群体搜索使遗传算法得以突破邻域搜索的限制，可以实现整个解空间上的分布式信息采集和探索；遗传算子仅仅利用适应值度量作为运算指标进行随机操作，降低了一般启发式算法在搜索过程中对人机交互的依赖。按照生物学上可进化性的概念，

24、遗传算法所追求的也是当前群体产生比现有个体更好个体的能力，即遗传算法的可进化型或称群体可进化性。因此，遗传算法的理论和方法研究也就围绕着这一目标展开。1. 遗传算法理论对于有限的编码空间和有限的群体，遗传算法的搜索过程可以表示为离散时间的马尔可夫链模型（Markov chain model），从而可以采用已有的随机过程理论进行严密分析。遗传算法满足有限马尔可夫链（finite Markov chain）的基本特征，具有齐次性，存在极限概率分布。由于编码空间的有限性，标准遗传算法可以以概率1收敛于问题的全局最优解。2. 遗传策略研究与设计为了维持群体可进化性并最终搜索到问题的全局最优解，遗传算法

25、必须采用适宜的运算形式，这就是遗传策略（genetic strategy）研究与设计的主要研究内容。遗传算法应用于优化问题求解，可以视为是一种随机化搜索过程。在该搜索过程中不仅需要探索解空间上的全局最优解，而且应当充分利用以获得的解空间信息逼近当前局部最优解，我们分别称之为求泛和求精（reforming and refining）的能力。这也是任何其他类随机化搜索算法追求的基本功能。3. 遗传算法编码方式在遗传算法编码方式的问题上，Holland建议采用二进制编码，并得到了许多学者的支持。双倍体表达是高等生物染色体的重要特性，有长期记一等作用。Goldberg和Smith用动态背包问题进行了比

26、较研究，实验表明双倍体比单倍体的动态跟踪能力强。浮点数编码具有高精度、便于大空间搜索的优点，越来越受到重视，Michalewicz比较了两种编码方式的优缺点，Qi和Palmieri对浮点数编码的遗传算法进行了严密的数学分析。Vose等扩展了Holland的模式概念，揭示了不同编码之间的同构性。从整体上来讲，二进制编码的进化层次是基因，而浮点数编码的进化层次是个体。同时，对于非二进制编码，可以结合具体问题领域的知识，设计合适的遗传算子。1.5 本文研究内容对于道路交通信号系统的实时控制的研究，主要通过搜集道路的交通量，利用滞留车辆与绿信比的关系建立以最短等待时间为最优目标的数学模型。交通模型是整

27、个系统的核心部分，采集到的交通信息、各类数据要通过若干交通模型进行运算，得到交通管理者的有效信息，交通模型主要包括原始数据校验模型、交通信息处理模型、交通状态显示模型等几种模型。并通过免疫遗传学算法得到点上最优解。利用模糊控制7对交通信号系统进行智能控制。 第二章 交通信号智能化遗传算法城市交通信号智能化由于其具有较强的非线性逼近能力，不依赖精确的数字模型，吸引了很多研究者试图利用只能计算的手段来寻求交通控制的解决方案。一下为城市交通信号智能优化的主要方法和遗传算法的特点机器操作过程：2.1 城市交通信号智能优化的方法城市交通信号的优化和信号控制技术紧密相关。梯度法、共辆梯度法和DEP法是大家

28、最熟悉的优化方法，但是这些传统的探索方法易于陷于局部最优，因而越来越多的学者倾向于从智能优化方法中寻求解决问题的方法。只能优化方法，顾名思义，就是将各种只能控制算法运用到一系列优化问题中，如遗传算法、蚂蚁算法、免疫算法、混沌理论等。1） 遗传算法遗传算法是一种基于自然选择原理和群体遗传学机制的参数全局搜索（寻优）方法。在优化算法中，传统的方法是从一个点开始搜索，易于陷入局部最优解。而遗传算法在搜索中同时考虑了问题解空间中的许多点（一个点群）搜索，从而大大减少了陷入局部最优解的可能性。另外，在传统的算法仅利用问题本身所具有的目标函数的信息，它不受搜索空间的限制，不必要求诸如连续性、导数的存在和单

29、峰等假设。因此，遗传算法在优化，机器学习和并行处理等领域得到了越来越广泛的应用。2） 免疫遗传优化算法人工免疫是对生物免疫的模拟。免疫系统通过从不同种类的抗体中构造自己非吉非线性自适应网络，在处理动态变化环境中起作用。基于人工免疫系统提供了噪声忍耐、无教师学习、自组织，不需要反面例子能清晰地表达学习的知识，结合了分类器神经系统网络和机器推理等学习系统的一些优点。从信息处理科学角度看人工免疫系统与神经网络系统一样，也是一个高度的并行处理系统。它除了具备学习能力、记忆能力外，还表现出相关修复能力、分布性和自组织性，为智能控制和智能控制系统研究提供了有意用途。2.2 遗传算法的特点和操作过程遗传算法

30、是由美国Michigan大学的Holland教授提出的，来源于达尔文的进化论、魏茨曼的物种选择说法和孟德尔的群体遗传学说。它是一种高效的模拟自然随机优化工具，不需了解对象的内部机理，仅仅有适应度函数驱动，易于与其他技术结合，常用于智能控制系统中的参数，结构或环境的最优控制。2.2.1 遗传算法流程开始选择编码方式产生初始群体计算初始群体的适应度若不满足结束条件则循环执行选择操作交换操作变异操作计算新一代群体的适应度结束2.2.2 遗传算法的特点遗传算法是一种仿生算法，它模拟的机制是一切生命和智能的进化过程。遗传算法较为适合于维数很高、总体很大、环境复杂，问题结构不十分清楚的场合。一般的学习系统

31、要求具有随时间推移逐步调整有关参数或者改变自身结构以更加适应其环境，更好完成目标的能力。主要有一下几个特点：（1） 并行性，进化计算的操作对象是一组可行解而非单个可行解，搜轨道有多条而非一条。（2） 通用性。进化计算的评价只需目标函数的取值信息而不需其梯度等高价值信息，适用于任何大规模，高非线性、不连续、多峰函数以及没有明确解析表达式的目标函数优化。（3） 可操作性。进化计算操作的对象是编码后的可行解，目标函数作为其个体的适应度函数。由于遗传算法的多样性与复杂性，通常难以建立完善的理论以指导整个学习过程，从而使传统寻优技术的应用受到限制，而这恰好能使遗传算法发挥其长处。虽然进化算法具有很多优越

32、性，但它同样也具有很多不足：（1） 算法的收敛速度会随着编码长度的增加而降低。（2） 随着进化进行，种群失去多样性而早熟收敛。2.2.3 遗传算法的基本操作过程遗传算法包括三个基本操作：选择、交叉和变异。这些基本操作又有许多不同的方向，使得遗传算法在实用是具有不同的特色。（1） 选择：根据各个个体的适应度，按照一定的规则或方法，从第t带群体中选择出一些优良的个体遗传到下一代群体中。（2） 交叉：将群体内的各个个体随机搭配成对，对每对个体，以某个概率交换它们之间的部分染色体。（3） 变异：对群体中的每一个体，以某一概率改变某一个或某一些基因值为其他的等位基因。在遗传算法中使用变异算子主要有以下两

33、个目的：（1） 改善遗传算法的局部搜索能力（2） 维持群体的多样些，防止出现早熟现象。过程如下：计算开始时，一定数目N个体即种群随机地初始化，并计算每个个体的适应度函数，便产生了第一代。如果不满足优化准则，按适应度选择个体，附带要求基因重组（交叉）而产生子代，所有的子代按一定概率变异，然后子代的适应度又被重新计算，自带被插入到种群中将父代取而代之，构成新一代，这一过程一直到满足优化准则为止。2.3 研究现状在遗传算法的研究中，主要有三类研究方向：1. 研究遗传算法本身的理论基础2. 用遗传算法作为工具解决工程问题，主要是进行优化，关心的是否能在传统方法上有所提高3. 用遗传算法研究演化现象，一

34、般涉及到人工生命和复杂性科学领域在工程实践中的遗传算法应用主要是利用了其并行性和全局所搜的特点来进行优化。尽管遗传算法本身是一种通用弱方法，仍需要尽量结合领域的知识，实现解决特定问题的一个遗传算法特定西安市，其范围可能更窄，但效果会更好。遗传算法在应用中最关键的问题有如下3个：1. 串的编码方式：其本质是问题编码，一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串，串长度及编码形式对算法收敛影响极大。2. 适应度的确定：适应度也称适应函数（fitness function）或目标函数（objective function），这是问题求解品质的测量函数；往往也称为问题的“

35、环境”。一般可以把问题的模型函数作为目标函数；但有时需要另行构造。3. 遗传算法资深参数设定：遗传算法自身参数有3个，即群体大小n、交叉概率Pc和变异概率Pm。群体大小n太小时难以求解出最优解，太大时则难以向前搜索，太大则容易破坏高适应值的结构，一般取Pc=0.25-0.75;变异概率Pm太小时难以产生心得基因结构，太大使遗传算法成了单纯的随机搜索，一般去Pm=0.01-0.2。事实上，遗传算法不仅可以解决我们一般意义所理解的最优解问题，现在在越来越多的领域内取得了成功：图像分割、图像检测、图像识别、神经网络权重设计可见，遗传算法的应用研究已经从初期的优化求解拓展到了许多更新、更工程化的应用方

36、面。第三章 单个交叉路口控制数学模型及相应实时算法十字路口如图1所示（包含丁字路口）。图1 十字路口3.1 模型的建立 第一相位 第二相位 第三相位 第四相位图2 路口相位如图2所示为路口相位图。设t为周期，i为相位编号，取值0,1,2,3,分别为第一、第二、第三、第四相位；j为各相位的方向编号，取值1,2,3,4分别为东、南、西、北；k为车道编号，取值1,2,3分别表示左拐，直行，右拐。假设右行车辆不受红绿灯影响，直接通行。若第t周期内第i相位末时第j方向第k车道的等待车辆数用表示，则：=max（+-，0） （3.1.1）其中，表示第t周期内第i-1相位末时第j方向第k车道的等待车辆数。我们

37、规定当i=0时，i-1=3，即第0相位的前一个相位为4相位。表示第t周期内第i相位绿灯期间第j方向第k车道到达的车辆数。表示交叉口第i相位末时j方向第k车道驶离路口的车辆数。t周期内第i相位在绿灯期间第j方向第k车道到达的车辆数可以用如下公式求的：=* （3.1.2）其中：表示第t周期内j方向第k车道的车流量（辆/秒）；表示第i相位的绿灯时间；第i相位末时j方向第k车道驶离路口的车辆数可以用如下公式求得：=min（*s，+） （3.1.3）其中：S表示绿灯期间车辆的离去率，假如直行是为辆/秒，左转时为辆/秒；第i相位j方向第k车道在一个T周期内所有车辆的等待时间为：=*T+ （3.1.4）其中

38、：T表示一个周期时间；H表示黄灯时间；P=p%4； q=q%4；第t周期内第i相位末时第j方向第k车道的等待车辆数在一个周期T期间需要等待T时间。J方向k车道在红灯时间总共到达三趟车，因此第j方向k车道在其他三个相位时间到达的车辆总数为。其中每一趟车的等待时间为： 。考虑到车辆启动时间对总延迟时间造成的影响，假设绿灯时间内车辆的离去率为M，则平均一辆汽车离开所需要的时间为l/M，第x辆车离开的启动延误时间为（z-l）/M。由此可以得出车道离去车辆的启动延误时间为：= （3.1.5）叉路口所有12个进口车道在一个周期T内总延误时间为：约束条件：由绿信比定义可以得到如下公式： （3.1.6）其中：

39、表示同一周期内各个相位的绿信比。一个周期的T时间可以由4个绿灯时间加上4个黄灯时间得出。根据经验，黄灯时间一般设置为2s5s，此处我们根据中国交通特点设置黄灯时间为4s，由此可以得到周期T的值为： （3.1.7）考虑到中国交通情况，对于四相交通控制系统来说，一般设置40T120。考虑到行人绿灯期间过马路的速度以及安全，对每个相位的绿灯时间应该满足如下的约束：15T-45由=T*可以得到如下绿信比约束：由以上得出的总延迟时间公式可以看出，为了使全体车辆在所有道口的等待时间最短，则需要求得的最小值。由得出： （3.1.8）以为例，由j=1，k=1可以推出i=0，即第一相位南边第一车道在T周期总延误

40、时间。从上文知：=由以上式子展开可以得知，的变量为。此外， （3.1.9）因此，可以转化为以为变量的约束方程：因为，所以可以把转化为以为变量的约束方程： （3.1.10）以上方程就是以各个相位绿信比为变量的目标函数和约束条件。3.2 模糊控制求解周期8交叉路口车流量对周期T的大小具有直接的影响。如果路口未来的总车流量大，那么要求周期应尽量地长；如果路口未来的总车流量小，对周期的长度要求则相反。基于这种想法，我们用预估的总车流量和近两个周期的车流变化量来推理下一个周期的T值。如图3所示为周期T的模糊推理框图：模糊化模糊推理清晰化周期值 预估总流量q流量变化图3 模糊控制框图我们根据预估总流量q、

41、流量变化量经过模糊化后的模糊集，采用if x is A and y is B then z is C形式的模糊推理规则来推理，得到合成的模糊关系R，从而得到模糊规则库。然后，将实际的预估流量q、流量变化量值输入到控制器，通过查模糊规则表、模糊判决得到周期T的模糊子集，按加权平均进行反模糊化，得到相应的精确量T： （3.2.1）T的值还不能直接拿过来用，需要通过比例因子转换才能够应用到后面的优化控制中去。实际上T值为： （3.2.2）我们以免疫遗传算法来求解交叉路口的约束方程。假设单交叉路口东、南、西、北四个方向的左行、直行、右行三股车流，分别为；一个信号周期内的相位序列为：第一相位放行的车流为

42、，第二相位为，第三相位为，第四相位为。免疫遗传算法解决相位配时，可形式化描述为：抗原对应车流状态，即（），抗原的染色体长度为8，每个基因为相应车流的车辆滞留时间；生物免疫系统中的抗体对应配时方案（），抗体的染色体长度为4，其中每个基因为第i个相位的有效绿灯时间。初始抗体（父代）为专家根据经验得到的固定相位配时方案。为抗体与抗原之间的亲和力，也称适应度。因为我们是对目标函数求极小值，采用免疫遗传算法时需要将极小值转换为求极大值，因而存在从目标值向适应值映射的问题。本文的抗体亲和度定义为：其中c是一个很大的数字；a为转换系数，其值随着目标值的接近而增大；是我们前面所确定的目标函数。3.3 算法设计

43、免疫遗传算法10步骤9如下：（1） 一次应答Step1：初始化。选取一个四相位交叉路口ld内n个时刻的车流量，组成初始的抗原群：，k=0式中k为精华的代数。 为抗原群中的每个抗原i生成m个抗体的初始抗体集合（中的抗体，即相位配饰方案是专家根据经验知识得到的），将所有抗体集合组成出事的抗体群，（k=0）；建立每个抗原的抗体记忆库，完成本代抗体记忆库的更新。Step2：计算抗体群中每个抗体与相应抗原的亲和力，将亲和力最高的若干抗体记入，完成本代抗体记忆库的更新。Step3：抗体群更新，本代抗体按繁殖概率和死亡概率优胜劣汰。对按抗原间的相似度聚类，然后在同类抗原的抗体集合内部按交叉概率交叉操作；再使

44、中抗体发生基因突变，变异概率为，抗体群经过这一系列扩展和变化成为。Step4：若k （为最高进化代数），则进入Step2。Step5：从每个的中提取对应的抗体，组成抗体群的最优解集合。若出现相似交通流分布，则激发记忆库中的抗体，得到相应配时方案，这是算法的二次应答。过程如下：（2） 二次应答Step1：提取车流量信息编码，生成新抗原。Step2：计算与中所有抗原信息熵，找到最相似抗原，将的和复制作为的初始抗体集合和抗体记忆库，将新抗原加入抗原群。Step3：计算中所有抗体与的最佳相位配时，算法结束，否则进入Step4。Step4：将加入，组成新抗原群。Step5：令k=0，进入一次应答的Ste

45、p2，继续执行。3.4 大路口混沌序列流构建和仿真方案3.4.1 模型建立要形成实时交通流序列，就要对交通流进行实时预测，特别是短时交通流预测。交通流是离散型分布的，在理论上，车辆应满足一下条件：（1）在不相重逢的时间区间内车辆的出现时相互独立的，即午后效型；对充分小的，在实践区间t，t+ 内有一辆车出现的概率与t无关，（2）而与区间长度成正比，即车辆的出现具有平稳性；（3）对于充分小的，在时间区间t，t+ 内有一条车道上有2辆或3而以上车辆出现的概率极小，即车辆的出现具有普遍性。通过大量的实际交通观测，都表明了交通流在一定观测周期内达到的车辆数是服从泊松分布、二项分布、负二项分布等离散型分布规律。本文模型建立的基础就假设车流量是服从泊松分布的。泊松分布适用于车流量小，密度不大，车辆不是连续不断地到达某个断面，而是数量不等地随机到达的情况。3.4.2 泊松分布泊松分布的描述如下： (3.4.1)- 在计数间隔（观测周期）t时间内有K辆车到达某观测断面处地概率；-车辆平均到达率；-观测周期，即每个计数间隔持续时间（秒）；- 自然对数底数，取值为2.71828；=-由平均到达率求得的观测周期t内的平均到达车辆数（辆/秒），M成为泊松参数分布。泊松分布的均值和方差均等于M，即/=