基于改进遗传算法的双向绿波带优化系统及其优化方法与流程

1.本发明涉及交通控制领域，尤其涉及基于改进遗传算法的双向绿波带优化系统及其优化方法。

背景技术：

2.随着城市的快速发展，生活质量的提高，交通拥堵问题日益严峻，对绿波带优化的研究对于交通控制至关重要。单向绿波带较简单，只要将距离与速度的比值作为相位差即可，而双向绿波带较为复杂，需要优化考虑干线上其他路口相互影响，无法直接将路口间距与速度的比值作为相位差，因此路口周期间呈整数倍关系。美国道路通行能力书册中提到，双向绿波带控制能够有效改善车辆延误情况。所以，为了提高效率，对双向绿波带的研究更加全面。
3.传统的双向绿波带优化方法主要有图解法、数解法，但是优化效果不够明显，仍然存在较大的提升空间，并且无法应对多变复杂的道路交通情况。

技术实现要素：

4.本发明的目的在于针对上述现有技术存在的问题，提供了基于改进遗传算法的双向绿波带优化系统及其优化方法；结合了车辆到达率和驶离率，对车辆排队情况进行分析，将遗传算法和混沌式搜索相结合，解决了遗传算法早熟的限制，提高了交通干道双向绿波带优化的效率。
5.本发明为解决上述技术问题采用以下技术方案：
6.基于改进遗传算法的双向绿波带优化系统，所述系统包括：控制参数优化模块、算法改进模块和目标函数优化模块；
7.所述控制参数优化模块，用于对绿灯时长和排队清空时间等参数进行优化并发送到所述目标函数优化模块；
8.所述算法改进模块，用于对遗传算法初始化进行改进并发送到所述目标函数优化模块；
9.所述目标函数优化模块，用于根据接收到的控制参数对车辆延误目标进行建模并使用改进的遗传算法进行优化。
10.优选地，所述控制参数优化模块综合考虑协调相位和非协调相位。
11.优选地，基于改进遗传算法的双向绿波带优化系统的优化方法，所述控制参数优化模块中对绿灯时长进行优化的具体步骤为：
12.1)引入非协调相位饱和度x
l
且x
l
≤0.9；
13.2)分配非协调相位绿灯时长，并将剩余绿灯时间全部给予协调相位；
14.3)支路方向上，由流量守恒可得到：cm*q
非
＝s
非
*g
e非
*x
l
，则交叉口i的非协调相位的有效绿灯时长为：其中，cm为公共周期，q
非
为非协调相位关键车流
量，s
非
为非协调相位的车道饱和流量，y
i非
为交叉口i的非协调相位流量比；
15.4)交叉口i的非协调相位的绿灯显示时间为：g
i非
＝g
ei非
+l
s-a，其中，ls为车辆启动损失时间，a为黄灯时间；
16.5)交叉口i的协调相位的有效绿灯时长为g
ei协
＝(c
m-l)-g
ei非
，其中l为总损失时间，因此交叉口i的协调相位的绿灯显示时间为：g
i协
＝g
ei协
+l
s-a。
17.优选地，公共周期cm的确定过程如下：
18.交叉口i的总损失时间其中ar为灯全红时间，j为第j信号相位；最大流量比之和其中表示相位j不同流向的流量比；交叉口i的信号周期时长为因此公共周期
19.优选地，基于改进遗传算法的双向绿波带优化系统的优化方法，所述控制参数优化模块中对排队清空时间进行优化的具体步骤为：
20.启动波波速为其中u为正常行驶时的速度，h为饱和车头时距值，k 为车流阻塞密度；
21.交叉口排队车辆数n＝k
lql
+krqr+n0，其中q
l
表示上游交叉口经左转到达本交叉口的车辆数，qr表示上游交叉口经右转到达本交叉口的车辆数，k
l
表示q
l
的直行比例， kr表示qr的直行比例，n0表示上周期未能通过本交叉口的直行车辆数；因此，排队清空时间其中l
car
表示排队车辆的平均车头距，n为车辆数，v表示排队车流通过交叉口时的速度。
22.优选地，所述算法改进模块对遗传算法初始化进行改进，具体为：
23.使用logistic系统产生混沌变量，生成初始种，其迭代方程为： ch
k+1
＝μchk(1-chk)，其中chk为实值序列，μ为控制参数。
24.优选地，所述目标函数优化模块的优化目标为车辆延误目标函数最小化。
25.优选地，所述目标函数优化模块中对车辆延误目标建模分为车流头部受阻和车流尾部受阻两种情况。
26.优选地，基于改进遗传算法的双向绿波带优化系统的优化方法，所述车辆延误目标建模具体为：
27.令交叉口i的绝对相位差为oi，相对相位差为δ
i,i+1
＝o
i+1-oi，交叉口i和交叉口i+1 之间的距离为l
i,i+1
，车辆在路段(i,i+1)上的行驶时间为l
i,i+1
/v
i,i+1
＝(l
i,i+1
/v
i,i+1
)modcm，上游交叉口红灯时的车辆驶出率为上游交叉口绿灯时的车辆驶出率为下行方向交叉口i和交叉口i+1之间的绿波带宽为b
i,e
；
28.车流头部受阻，即l
i,i+1
/v
i,i+1
≤δ
i,i+1
≤q
l
+qr+l
i,i+1
/v
i,i+1
时，由于排队形成的车辆总延误为：
29.di＝{(q
l
+q
r-δ
i,i+1
+l
i,i+1
/v
i,i+1
)q
is
(t)/s
非
+δ
i,i+1-l
i,i+1
/v
i,i+1
}(n
0-bi)q
im
(t)/2；
30.车流尾部受阻，即-(n
0-l
i,i+1
/v
i,i+1
)≤δ
i,i+1
≤l
i,i+1
/v
i,i+1
时，由于排队形成的车辆总延误为：
[0031][0032]
优选地，所述目标函数优化模块的具体过程为：
[0033]
1)生成初始体；
[0034]
2)计算目标函数值，判断其是否符合优化准则，若符合，则输出最佳个体及其代表的最优解；
[0035]
3)选择再生个体，目标函数值小的个体被选中的概率大，反之淘汰；
[0036]
4)根据已知的交叉方法和概率及其变异方法和概率产生新的个体，并通过交叉和变异产生新一代的种。
[0037]
本发明与现有技术相比，其显著优点为：
[0038]
1)本发明使用遗传算法进行优化，相比于传统数解法能更为高效的反映出控制的实际效果；
[0039]
2)本发明利用混沌优化的优点来弥补遗传算法存在的极易陷入极小值是缺陷，解决了遗传算法存在容易早熟的限制。
附图说明
[0040]
图1为基于改进遗传算法的双向绿波带优化系统原理结构图；
[0041]
图2为基于改进遗传算法的目标函数优化的流程示意图。
具体实施方式
[0042]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0043]
结合图1，本发明提供了基于改进遗传算法的双向绿波带优化系统及其优化方法，该系统包括控制参数优化模块、算法改进模块和目标函数优化模块：
[0044]
(1)控制参数优化模块
[0045]
如图1所示，基于改进遗传算法的双向绿波带优化系统的优化方法，综合考虑协调相位和非协调相位，首先确定公共周期，过程如下：交叉口i的总损失时间其中ar为灯全红时间，j为第j信号相位；最大流量比之和其中表示相位j不同流向的流量比；交叉口i的信号周期时长为因此公共周期然后对绿灯时长进行优
化，具体步骤为：引入非协调相位饱和度x
l
且x
l
≤0.9，分配非协调相位绿灯时长，并将剩余绿灯时间全部给予协调相位，支路方向上，由流量守恒可得到： cm*q
非
＝s
非
*g
e非
*x
l
，则交叉口i的非协调相位的有效绿灯时长为：其中，cm为公共周期，q
非
为非协调相位关键车流量，s
非
为非协调相位的车道饱和流量，y
i非
为交叉口i的非协调相位流量比，交叉口i的非协调相位的绿灯显示时间为：g
i非
＝g
ei非
+l
s-a，其中，ls为车辆启动损失时间，a为黄灯时间，交叉口i的协调相位的有效绿灯时长为g
ei协
＝(c
m-l)-g
ei非
，其中l为总损失时间，因此交叉口i的协调相位的绿灯显示时间为：g
i协
＝g
ei协
+l
s-a；最后对排队清空时间进行优化，具体步骤为：启动波波速为其中u为正常行驶时的速度，h为饱和车头时距值，k为车流阻塞密度，交叉口排队车辆数n＝k
lql
+krqr+n0，其中q
l
表示上游交叉口经左转到达本交叉口的车辆数，qr表示上游交叉口经右转到达本交叉口的车辆数，k
l
表示q
l
的直行比例，kr表示qr的直行比例，n0表示上周期未能通过本交叉口的直行车辆数，因此，排队清空时间其中l
car
表示排队车辆的平均车头距，n为车辆数，v表示排队车流通过交叉口时的速度。
[0046]
(2)算法改进模块
[0047]
如图1所示，算法改进模块对遗传算法初始化进行改进，具体为，使用logistic系统产生混沌变量，生成初始种，其迭代方程为：ch
k+1
＝μchk(1-chk)，其中chk为实值序列，μ为控制参数。
[0048]
(3)目标函数优化模块
[0049]
如图2所示，目标函数优化模块的优化目标为车辆延误目标函数最小化，且分为车流头部受阻和车流尾部受阻两种情况，具体过程为：1)利用混沌的方法初始化种；2) 令交叉口i的绝对相位差为oi，相对相位差为δ
i,i+1
＝o
i+1-oi，交叉口i和交叉口i+1之间的距离为l
i,i+1
，车辆在路段(i,i+1)上的行驶时间为l
i,i+1
/v
i,i+1
＝(l
i,i+1
/v
i,i+1
)modcm，上游交叉口红灯时的车辆驶出率为上游交叉口绿灯时的车辆驶出率为下行方向交叉口i和交叉口i+1之间的绿波带宽为b
i,e
，当车流头部受阻，即 l
i,i+1
/v
i,i+1
≤δ
i,i+1
≤q
l
+qr+l
i,i+1
/v
i,i+1
时，根据 di＝{(q
l
+q
r-δ
i,i+1
+l
i,i+1
/v
i,i+1
)q
is
(t)/s
非
+δ
i,i+1-l
i,i+1
/v
i,i+1
}(n
0-bi)q
im
(t)/2计算车辆延误，而当车流尾部受阻，即-(n
0-l
i,i+1
/v
i,i+1
)≤δ
i,i+1
≤l
i,i+1
/v
i,i+1
时，根据计算车辆延误；3)根据已知的交叉方法和概率及其变异方法和概率产生新的个体，并通过交叉和变异产生新一代的种；4)判断是否符合优化准则，若符合，则输出最佳个体及其代表的最优解，否则继续迭代。
[0050]
本发明利用混沌的思想，能快速地搜索全局最优解，有效地解决了遗传算法极易陷入极小值的挑战，并且对目标函数涉及的参数进行优化，提高准确率，同时基于最小车辆延误的双向绿波带控制进行分析，实现了高效的优化结果。
[0051]
实施例
[0052]
本实施例利用本发明的方法实现双向绿波带的优化。基于改进遗传算法的双向绿波带优化系统流程如下：
[0053]
第一步，初始化，设置迭代次数t＝0，设置最大迭代次数t，使用logistic系统产生混沌变量，生成初始种；
[0054]
第二步，对相关控制参数进行优化，并使用优化后的参数对车辆延误建模，计算体中各个个体的适应度值；
[0055]
第三步，将选择算子作用于体，把优化的个体直接遗传到下一代或通过交叉产生新的个体再遗传到下一代；
[0056]
第四步，将交叉算子作用于体；
[0057]
第五步，将变异算子作用于体，对体中的个体串的某些基因座上的基因值作变动。体经过选择、交叉、变异运算之后得到下一代体；
[0058]
第六步，终止条件判断，若t＝t，则以进化过程中所得到的具有最小适应度个体作为最优解输出，终止计算。
[0059]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：

1.基于改进遗传算法的双向绿波带优化系统，其特征在于，所述系统包括：控制参数优化模块、算法改进模块和目标函数优化模块；所述控制参数优化模块，用于对绿灯时长和排队清空时间等参数进行优化并发送到所述目标函数优化模块；所述算法改进模块，用于对遗传算法初始化进行改进并发送到所述目标函数优化模块；所述目标函数优化模块，用于根据接收到的控制参数对车辆延误目标进行建模并使用改进的遗传算法进行优化。2.根据权利要求1所述的基于改进遗传算法的双向绿波带优化系统，其特征在于，所述控制参数优化模块综合考虑协调相位和非协调相位。3.根据权利要求2所述的基于改进遗传算法的双向绿波带优化系统的优化方法，其特征在于，所述控制参数优化模块中对绿灯时长进行优化的具体步骤为：1)引入非协调相位饱和度x
l
且x
l
≤0.9；2)分配非协调相位绿灯时长，并将剩余绿灯时间全部给予协调相位；3)支路方向上，由流量守恒可得到：c
m
*q
非
＝s
非
*g
e非
*x
l
，则交叉口i的非协调相位的有效绿灯时长为：其中，c
m
为公共周期，q
非
为非协调相位关键车流量，s
非
为非协调相位的车道饱和流量，y
i非
为交叉口i的非协调相位流量比；4)交叉口i的非协调相位的绿灯显示时间为：g
i非
＝g
ei非
+l
s-a，其中，l
s
为车辆启动损失时间，a为黄灯时间；5)交叉口i的协调相位的有效绿灯时长为g
ei协
＝(c
m-l)-g
ei非
，其中l为总损失时间，因此交叉口i的协调相位的绿灯显示时间为：g
i协
＝g
ei协
+l
s-a。4.根据权利要求3所述的基于改进遗传算法的双向绿波带优化系统的优化方法，其特征在于，所述公共周期c
m
的确定过程如下：交叉口i的总损失时间其中ar为灯全红时间，j为第j信号相位；最大流量比之和其中表示相位j不同流向的流量比；交叉口i的信号周期时长为因此公共周期5.根据权利要求1所述的基于改进遗传算法的双向绿波带优化系统的优化方法，其特征在于，所述控制参数优化模块中对排队清空时间进行优化的具体步骤为：1)启动波波速为其中u为正常行驶时的速度，h为饱和车头时距值，k为车流阻塞密度；2)交叉口排队车辆数n＝k
l
q
l
+k
r
q
r
+n0，其中q
l
表示上游交叉口经左转到达本交叉口的车辆数，q
r
表示上游交叉口经右转到达本交叉口的车辆数，k
l
表示q
l
的直行比例，k
r
表示q
r
的
直行比例，n0表示上周期未能通过本交叉口的直行车辆数；3)排队清空时间其中l
car
表示排队车辆的平均车头距，n为车辆数，v表示排队车流通过交叉口时的速度。6.根据权利要求1所述的基于改进遗传算法的双向绿波带优化系统的优化方法，其特征在于，所述算法改进模块对遗传算法初始化进行改进，具体为：使用logistic系统产生混沌变量，生成初始种，其迭代方程为：ch
k+1
＝μch
k
(1-ch
k
)，其中ch
k
为实值序列，μ为控制参数。7.根据权利要求1所述的基于改进遗传算法的双向绿波带优化系统，其特征在于，所述目标函数优化模块的优化目标为车辆延误目标函数最小化。8.根据权利要求7所述的基于改进遗传算法的双向绿波带优化系统，其特征在于，所述目标函数优化模块中对车辆延误目标建模分为车流头部受阻和车流尾部受阻两种情况。9.根据权利要求7所述的基于改进遗传算法的双向绿波带优化系统的优化方法，其特征在于，所述车辆延误目标建模具体为：1)令交叉口i的绝对相位差为o
i
，相对相位差为δ
i,i+1
＝o
i+1-o
i
，交叉口i和交叉口i+1之间的距离为l
i,i+1
，车辆在路段(i,i+1)上的行驶时间为l
i,i+1
/v
i,i+1
＝(l
i,i+1
/v
i,i+1
)modc
m
，上游交叉口红灯时的车辆驶出率为上游交叉口绿灯时的车辆驶出率为下行方向交叉口i和交叉口i+1之间的绿波带宽为b
i,e
；2)车流头部受阻，即l
i,i+1
/v
i,i+1
≤δ
i,i+1
≤q
l
+q
r
+l
i,i+1
/v
i,i+1
时，由于排队形成的车辆总延误为：d
i
＝{(q
l
+q
r-δ
i,i+1
+l
i,i+1
/v
i,i+1
)q
is
(t)/s
非
+δ
i,i+1-l
i,i+1
/v
i,i+1
}(n
0-b
i
)q
im
(t)/2；3)车流尾部受阻，即-(n
0-l
i,i+1
/v
i,i+1
)≤δ
i,i+1
≤l
i,i+1
/v
i,i+1
时，由于排队形成的车辆总延误为：10.根据权利要求1所述的基于改进遗传算法的双向绿波带优化系统，其特征在于，所述目标函数优化模块的具体过程为：1)生成初始体；2)计算目标函数值，判断其是否符合优化准则，若符合，则输出最佳个体及其代表的最优解，否则转向步骤1)；3)选择再生个体，目标函数值小的个体被选中的概率大，反之淘汰；4)根据已知的交叉方法和概率及其变异方法和概率产生新的个体，并通过交叉和变异产生新一代的种，返回步骤2)。

技术总结

本发明公开了基于改进遗传算法的双向绿波带优化系统及其优化方法，该系统包括控制参数优化模块、算法改进模块和目标函数优化模块；控制参数优化模块用于对绿灯时长和排队清空时间等参数进行优化并发送到目标函数优化模块；算法改进模块用于对遗传算法初始化进行改进并发送到目标函数优化模块；目标函数优化模块用于根据接收到的控制参数对车辆延误目标进行建模并使用改进的遗传算法进行优化。本发明结合了车辆到达率和驶离率，对车辆排队情况进行分析，将遗传算法和混沌式搜索相结合，解决了遗传算法早熟的限制，提高了交通干道双向绿波带优化的效率。向绿波带优化的效率。向绿波带优化的效率。