基于方案库及区域评估粒子群算法的交通灯配时优化方法

本发明涉及智能交通和智能优化，具体涉及一种基于方案库及区域评估粒子群算法的交通灯配时优化方法。

背景技术：

1、随着城市化的发展，城市中的交通车辆越来越多，城市交通系统的负荷不断增加。这导致了交通拥堵问题，随之而来的还有诸如安全、停车、城市噪声、污染等问题。这些问题将影响城市的发展和人们的生活质量。为了缓解交通拥堵，交通信号灯在路口的使用成为一种有效方法。然而，传统的交通信号时序方案基于数学模型，忽略了车流量的变化，如道路车辆过饱和状态和欠饱和状态之间的变化，导致其效果较差。因此，优化信号灯时序以提高路口的综合服务能力已成为处理智能城市建设的一个重要课题。

2、进化计算算法，如粒子群优化和遗传算法等，已成为解决交通信号时序优化问题的重要技术，具有卓越的优化能力。然而，在解决交通信号灯配时方案优化问题时，存在两个挑战：(1)交通信号灯配时方案优化问题通常使用耗时的仿真软件来评估候选解，因此它是一个昂贵的优化问题；(2)由于交通信号灯配时方案优化中的车流量变化迅速，很难立即提供一个响应变化的时序方案。为了解决这些挑战，需要开发一种新颖的优化算法，结合现有的智能优化算法和交通信号时序优化问题的特点，以实现实时交通信号时序优化。

3、在现有的交通信号时序优化方法中，进化计算算法表现出了很好的性能。例如，遗传算法已被用于最小化平均交通时间指标来解决交通信号灯配时方案优化问题。差分进化算法也被用于优化交通信号时序，以减少交通路口通过的平均车辆延误。除了单一优化指标，一些研究还在交通信号灯配时方案优化中使用了多个优化指标。例如，提出了一种多目标模型来解决交通信号灯配时方案优化问题，优化每个阶段的绿灯时间以最小化排放、总延误和停车次数。此外，在处理交通信号灯配时方案优化问题时，还有许多关于如何使用进化计算进行编码的研究。

技术实现思路

1、本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于方案库及区域评估粒子群算法的交通灯配时优化方法，该方法使用方案库，可以预先存储不同车流量及其信号时序方案。对于新的车流量场景，该方法可以快速从解库中选择一个信号时序方案，以实现“实时”效果。同时为了提高粒子群算法收敛性，使用方案库辅助种群进行初始化。

2、本发明的目的可以通过采取如下技术方案达到：

3、一种基于方案库及区域评估粒子群算法的交通灯配时优化方法，所述交通灯配时优化方法包含以下步骤：

4、s1、构建方案库，其中，方案库中存储事先设置的车流量—配时方案对，方案库中的每一项车流量—配时方案对是一组车流量数据及其对应配时方案，车流量数据为一个路口中各个方向的车流量集合，配时方案为相应路口中交通信号灯配时方案；方案库设立一个阈值n，方案库中车流量-配时方案对数目达到n时，称方案库已满足要求，此时根据输入车流量数据利用k邻近算法，从方案库中选取k＝1时与输入车流量最匹配的车流量—配时方案对，并将该车流量—配时方案对中的配时方案数据作为输出；未达到n时，执行下一步骤；

5、s2、根据方案库中已有车流量—配时方案对，生成初始粒子群种群，过程如下：

6、s201、基于disn从小到大对方案库中所有项进行排序，得到已排序的方案库，其中disn为方案库中第n项车流量—配时方案对中车流量数据与输入车流量之间的欧氏距离；

7、s202、按照下式生成初始化种群：

8、

9、其中xi是种群中第i个初始化粒子，xkis是从已排序的方案库中按顺序选择的初始化粒子，xrandom是随机生成的初始化的粒子，tp为使用方案库辅助生成初始化粒子的概率，如果不设置tp，初始化种群粒子全由方案库中粒子组成，由于不存在随机生成的初始化粒子，区域评估粒子群算法会丢失以粒子群算法为基础的算法的随机搜索特性，进而导致多样性丢失。本发明引入tp，使得算法的初始化种群在方案库中已有数据的辅助下更有潜力，同时还兼顾了多样性；

10、s3、对粒子中的各个维度值进行向下取整后，根据仿真软件vissim对取整后的整数值代表的交通信号灯配时方案进行仿真评估，评估结果作为粒子的适应值；

11、s4、粒子群的粒子基于区域进行适应值的近似替代，使用k均值聚类算法对粒子群中的粒子进行聚类，形成k个区域，对于每一个区域，通过对区域内所有粒子的各维度求平均获得区域中心粒子，通过步骤s3对各区域中心粒子进行适应值评估后，将区域中心粒子的适应值近似替代区域中每一个粒子的适应值；

12、s5、粒子群中的粒子根据区域评估粒子群算法学习策略进行速度与位置的更新，该发明中，区域评估粒子群算法不再向全局最优解，即进化过程中记录的历史最优解，和个体最优解，即进化过程中当前粒子的历史最优解学习，而需要在种群中选取两个比当前粒子优秀的粒子进行学习以保证算法的收敛性，而区域评估策略能够保证，当一个区域中的粒子，选取两个更优区域中的粒子进行学习时，这两个更优区域中的粒子在期望上是优于当前粒子的，该学习策略更新公式如下：

13、

14、

15、其中分别是第i个区域中第j个粒子在第t+1、t代时维度d的值，分别是第i个区域中第j个粒子在第t+1、t代时维度d的速度，是从第l1个区域随机选取的粒子p1的维度d，是从第l2个区域随机选取的粒子p2的维度d，第l1、l2个区域均优于粒子群中第i个区域，r1、r3、r2为[0,1]之间用于实现速度更新公式中的第一、第二、第三个随机数，ε是自适应控制参数，由第l2个区域进行控制，当第l2个区域排名越高，即l2越大时，l2区域中的粒子潜力是更大的，因此需要对l2区域内的粒子有着更大的学习幅度，定义如下：

16、

17、其中k为区域总数；

18、s6、上述步骤s3-s5为一次迭代，最大迭代次数为粒子群算法中迭代执行的次数，当区域评估粒子群算法达到最大迭代次数时，将此时粒子群算法在进化过程中存储的最优解即全局最优解向下取整后作为输出方案。

19、进一步地，所述步骤s2中，初始化粒子的概率tp设置为[0.05,1]。该值直接决定种群初始化粒子中由方案库产生的粒子所占的比例，该范围区间通过反复试验所得，在该范围下，区域评估粒子群算法的收敛速度及算法最终结果有最好的平衡性。

20、进一步地，所述步骤s4中，区域数量k设置为[5,10]，该值决定区域评估粒子群算法进化过程中所需适应值评估次数。区域数量越小，区域评估粒子群算法所需要的适应值评估次数越少，但算法容易陷入局部最优；区域数量越大，平均一个区域内的粒子将越少，则需要的适应值评估次数越多，通过反复试验证明，在该取值范围下，算法所取得的配时方案结果最优。

21、进一步地，粒子群算法的最大迭代次数设置为[800,1200]，该取值范围为发明人通过实验验证所得，迭代次数为800-1200时，能收敛到最优结果，在此范围内，问题维度越高，应选择具体迭代次数值越大。

22、进一步地，所述步骤s6中得到输出方案后，同时将此次粒子群算法迭代执行的输入车流量与输出方案作为车流量—解决方案对更新至方案库中，方案库在建立后需要通过往里添加车流量—解决方案对进行更新，该技术特征明确了构建过程中的数据来源，使得方案库中的每一个车流量数据所对应的配时方案，都是经过区域粒子群算法优化的。

23、本发明相对于现有技术具有如下的优点及效果：

24、(1)本发明通过区域评估粒子群算法，在需要使用粒子群算法进行配时方案调优时，通过将种群中的粒子聚类成多个区域，区域内所有粒子只进行统一的一次评估，充分利用粒子间空间关联性，以此减少需要的评估次数，并以此同时加快收敛速度；

25、(2)本发明采用了方案库的方法，方案库对车流量数据及优化好的配时方案数据进行存储，方案库大小没有达到阈值时为区域评估粒子群算法提供更有潜力的初始化种群，在达到阈值后可脱离区域评估粒子群算法对车流量对应的配时方案进行优化，能在保证精度的同时，加快配时方案的生成速度，方案库满足条件后，能根据不同的输入车流量输出，以毫秒级的时间输出相应的配时方案。