基于自适应遗传算法的相位差优化模型研究

作者:徐世洪;李志敏;戴高;薛平 刊名:交通信息与安全 上传者:张倩

【摘要】通过分析车辆在城市交通干线交叉口的延误规律,从相对相位差的约束条件出发,以干线的总延误最小为目标,建立了城市交通干线的相位差优化模型。模型中考虑到了车辆在干线相邻交叉口的双向延误情况,并采用自适应遗传算法在Matlab下编程实现了相位差优化模型的算例计算。结果表明该优化模型具有较好的有效性,能较大地提高城市交通干线协调控制的性能。

全文阅读

0引言在城市道路交通中,干线交通信号的协调控制主要通过调节干线上各交叉口之间的相位差,使进入干线的车辆按一定的车速行驶时,获得尽可能多的通行权[1-2],从而减少干线上车辆的延误和停车次数,改善干线方向车辆的通行效率。常用的2种相位差优化算法为最大绿波带法和最小延误法(最短排队长度法)[3-4]。根据线控系统理论,要使相邻交叉口实现最大的双向绿波带,必须使上、下行交叉口的相位差满足0.5T或T(T为干线系统的周期时长)[5-7],而这一条件很难满足。但根据干线的交通情况,为干线车辆提供尽可能宽的绿波带,使干线的总延误尽可能小是可行的。文献[5]根据干线上双向车辆在交叉口的延误规律,以干线总延误最小为目标,提出了相位差的优化模型。文献[6]在文献[5]的相位差优化模型的基础上,提出了基于遗传算法的干线交通信号协调控制。但文献[5-6]中建立相位差优化模型的基本出发点均为直接从干线车流的车头受阻和非车头受阻这2种情况考虑,在分析车头受阻时只考虑了一种情形,这将导致在计算干线总延误时模型的表达式不完善,在参数的约束条件上也缺乏可行性。针对这种情况,本文从约束条件出发,以干线总延误最小为目标,通过改进相位差优化模型,以便更加合理地实现城市交通干线的协调控制。并通过自适应遗传算法进行优化计算,结果表明了其有效性。1模型的建立1.1模型的描述实践表明,适用于干线交通信号协调控制的相邻交叉口之间的距离为300~800m[7]。本文中使用的相位差均为相对相位差,并且相对相位差以交叉口信号周期的红灯终点为标准,将黄灯时间的交通流情况考虑在绿灯时间内,在协调控制过程中干线交通处于非饱和状态。干线系统描述:假设干线系统由S1,S2,…,Sn共n个交叉口组成,自西向东为干线系统的上行方向;反之为下行方向;li,i+1和li+1,i分别表示Si与Si+1之间的上行距离和下行距离,如图1所示。图1干线交叉口示意图Fig.1Diagramofarterialcrossings模型中参数的设定:qi,i+1和qi+1,i分别为Si与Si+1之间的上行车流量和下行车流量;vi,i+1和vi+1,i分别为车辆在Si与Si+1之间的上行平均速度和下行平均速度;i,j为Sj相对于Si的相对相位差;T为干线周期时间;Ri为Si的红灯时间;Gi为Si的绿灯时间;Mi为绿灯期间Si的最大通行能力;di,i+1和di+1,i分别为Si与Si+1之间的上行车辆延误和下行车辆延误。在干线协调控制中,从S1进入上行方向的车流要经过一个整流过程,该过程的车辆延误不予考虑。同样,对Sn只考虑上行方向的车辆延误。但对中间的交叉口要考虑双向的车辆延误。对整个干线系统而言,要使干线总延误最小,即要使干线上各个交叉口的车辆延误之和最小,则目标函数n确定为minD=mini=1Di。式中Di为Si上行方向和下行方向的车辆延误之和。1.2上行方向对上行方向的车流,先定义变量i,i+1,i,i+1=lI,i+1vI,i+1(modT)。则得到的约束条件有0i,i+1<T和0i,i+1<T。下面对约束条件分3段分析,即车流沿上行方向经过相邻交叉口会出现3种不同的情况,并得到3种不同的车辆延误的表达式。1)0i,i+1<i,i+1以车流从Si驶入Si+1为例分析,此时车流表现为头车受阻,如图2所示。设定Tu为车流头部到达下一交叉口,直到车流遇到绿灯的红灯时间。从图2中可得Tu=i,i+1-i,i+1(1)图2中,Tc为下一交叉口绿灯期间车流的疏通时间,且TcGi+1;Tq为车流的排队时间。在Tc时间内车流在Si+1以最大

参考文献

引证文献

问答

我要提问