高速公路交通控制是智能运输系统的重要组成部分,针对传统交通控制技术的缺陷,近年来人们将人工智能(AI)和计算机智能(CI)应用到高速公路交通控制中。神经网络预测控制(NNPC)充分利用了神经网络的非线性映射能力以及预测控制滚动优化、反馈校正的机理,更适用于动态性和时变性的高速公路交通系统的控制。本文以充分利用高速公路现有资源、提高交通流量为目的,对入口匝道控制进行了研究,设计和仿真实现了基于粒子群算法的高速公路交通流预测器和控制器,主要工作如下:首先,分析了高速公路交通流宏观动态模型,建立Elman神经网络模型,并提出了基于粒子群算法(PSO)的Elman神经网络混合优化策略,采用PSO优化连接权值来训练神经网络,与标准BP算法相比,PSO采用实数编码,结构简单,学习收敛快,仿真结果表明该模型适合于高速公路短期交通流预测。其次,针对交通系统具有非线性、动态性和强扰动性,为进一步改善NNPC的性能,构造了基于PSO算法的非线性优化控制器,利用PSO算法对实现控制量的滚动优化,仿真实现了高速公路交通流神经网络预测控制,并就该系统的预测模型、滚动优化算法、反馈校正、仿真参数设置问题等进行了分析。最后通过MATLAB仿真验证,结果表明,与无控制情况和基于遗传算法的协调控制相比,本文提出的改进方法在降低入口匝道平均等待时间、提高服务流量等性能上有较好的控制效果。通过进一步地抗干扰能力测试,证明了该方法具有较好的鲁棒性。