论文部分内容阅读
摘要:针对城市交叉口信号配时问题,基于遗传算法,建立以延误最小为控制目标,以有效绿灯时长和饱和度为约束条件的优化模型.采用实数编码、轮盘赌选择及单点交叉运算等方法对各代解的复制、交叉及变异过程进行模拟,利用生物进化规律实现信号配时方案的优化.选取实际信号交叉口进行交通调查,应用传统Webster算法和遗传算法进行对比研究.通过算法模拟及计算得到,两种算法均在一定程度上提高了交叉口的运行效率,而遗传算法可以获取更优的信号配时方案,有效地将研究信号交叉口的延误降低59.73%.
关键词:交通控制;信号配时;遗传算法;延误
Abstract: In order to deal with the signal timing problem of the urban intersections, an optimization model is established based on the genetic algorithms, with a minimum of the delay as the control objective, as well as the effective green light time and the saturated rate as the restricted factors. By means of real variables encoding, roulette wheel selection and single-point crossover, the simulation of the processes of the reproduction, crossover and mutation of each generation is done, which achieves the signal timing program optimization using the laws of biological evolution. The traffic survey of the signalized intersection is carried out to support the comparative study of the applications of the traditional Webster algorithms and the genetic algorithms. It is found that two algorithms could improve the operating efficiency of the intersection to some extent, while the genetic algorithms would get better signal timing optimization program, which effectively reduces the delay of the aimed signalized intersection by 59.73%.
Keywords: traffic control; signal timing; genetic algorithms; delay
中圖分类号: TP18
0 引言
随着城市化和机动化进程的加快,城市交通拥堵问题日益严重.信号控制交叉口作为道路网络中交通流汇集交错的地点是通行能力的瓶颈.如何合理地设置交叉口信号配时方案,充分满足交通流量需求并有效地利用交叉口的时空资源,对于提高道路通行效率与缓解交通拥堵状况具有重要意义.目前,国内外关于信号配时的研究工作已取得了丰富的成果.传统的配时方法[1]包括韦伯斯特配时法、冲突点法、估算法以及临界车道法等,主要从交通流各参数间的关系出发,寻求最佳的控制方案.而近年来,智能算法的相关研究工作也相继展开,许多学者考虑将遗传算法、蚁群算法、神经网络技术及模拟退火技术等智能算法应用于信号配时研究[2][3][4][5] ,通过模仿自然规律求解问题,实现了良好的适用效果.其中,遗传算法是目前应用最广泛、理论最完善的一种智能算法,可用于解决交通问题、作业调度与排序、可靠性设计及车辆路径选择与调度等问题.因此,本文考虑应用遗传算法分析交叉口的信号控制问题并优化信号配时方案,对于实现高效的城市交通控制与管理具有一定的指导意义.
1 信号配时优化问题
1.1 信号配时基本参数
信号配时问题主要考虑三个信号控制参数：周期长度、绿信比及相位.
(1)周期长度.即信号灯变化循环一次所经历的时间,包括绿灯、黄灯和红灯时间.一般信号灯最短周期不小于36s[6],保证车辆可以顺利通过交叉口;最长周期不超过150s[7],减少排队车辆及其延误.适当的周期长度是实现交叉口处车流的有效疏散、提高交叉口通行效率的重要保证.
(2)相位.对于单交叉口而言,一个绿灯信号(放行交通流方向)称为一相.一个周期长度包括所有相位通行时间之和与信号损失时间(一般为全红时间).
(3)绿信比.即有效绿灯时间与周期长度的比值(本文考虑有效绿灯时间为绿灯时长).合理分配各相位的绿灯时间(绿信比),可以最大程度地降低排队车辆及其等待时间.为满足各相位的通行需求,需在周期长度的约束下,协调各方向的交通流情况,确定各相位的绿信比.
1.2 优化模型
国内外常用的信号交叉口交通控制效益指标[8]主要包括通行能力、饱和度、延误、服务水平、行程时间、停车次数、油耗以及排队长度等.其中延误是反映车辆在交叉口受阻程度的评价指标,与交叉口信号配时参数密切相关.合理的信号配时方案,可以使交叉口的总体车辆延误降到最低.因此,本文考虑以交叉口延误为效益控制指标,建立信号配时方案的优化模型.
韦伯斯特延误模型[1]考虑车辆的均匀到达以及随机波动的泊松分布到达,计算公式如式1所示.
(1)
式中：——平均延误时间,s;
——周期时长,s;
——绿信比;
——进口道实际到达的当量交通量,pcu/s;
——进口道的饱和度.
一个周期内信号交叉口的车辆平均延误时间为各相位延误的加权平均值,即如式2：
(2)
式中：——第i个相位;
——第i个相位平均延误时间,s;
——第i个相位进口道到达当量交通量,pcu/s.
建立信号配时优化模型,明确目标函数为式3：
(3)
考虑约束条件[9]为：1、各相位有效绿灯时间大于最小绿灯时间要求(取10s);2、为避免造成交通拥堵,各相位饱和度不大于0.8.
2 遗传算法处理过程
2.1 基本研究思路
遗传算法[10]是以适应度函数为依据,对群体中的个体施加遗传操作,实现群体内个体结构的重组,使群体内个体一代代得以优化并逐渐逼近全局最优解,即通过利用生物遗传概念在遗传算法中的对应关系来解决实际问题.
应用遗传算法优化信号配时方案,基本研究思路为：随机产生初始化种群,即初始信号配时方案,根据预定的优化模型目标函数,对初始解进行评价,给出适应度值;根据“适者生存”原则,对适应度不同的方案进行“复制”和“淘汰”,再通过“交换”和“变异”,产生新的方案;在优化模型目标函数和约束条件的控制下,经过一定次数的迭代后,实现信号配时方案的优化,得到优化结果.
在优化信号配时方案的过程中,需对变量进行编码.考虑选取各相位有效绿灯时间为优化对象,采用实数编码形式.例如三相位信号交叉口信号配时问题,设定染色体形式为 T=<,,>,其中, (i=1,2,3)表示相位i的有效绿灯时间,范围在[最小绿灯时长,最大周期时长]内,即[10s,150s].设定每个基因座为3位,基因长度为3×3=9位.如1-3相位绿灯时间依次为：30s,15s,55s,则有编码T=<030015055>.
按照“适者生存”规律对各个解进行评价,需依据优化问题的目标函数定义一个适应度函数F,计算群体中每个个体相应的适应度,越大表示该个体适应度越高,更适应于F所定义的生存环境.由于目标函数考虑延误指标的最小值,可取.
2.2 遗传操作
遗传算法是通过对生物基因的复制、交换和变异方式的模拟实现其优化过程的:
1、复制.本文考虑采用轮盘赌选择方法,即各个个体被选中的概率与其适应度函数值大小成正比(式4).
(4)
式中：——个体i被遗传到下一代的概率;
——个体i的适应度.
2、交换.对两个相互配对的染色体依据交叉概率,按某种方式相互交换其部分基因,从而形成两个新的个体.本文采取单点交叉运算的方式.交叉运算是遗传算法区别于其他进化算法的重要特征,它在遗传算法中起关键作用,是产生新个体的主要方法.
3、变异.依据变异概率将个体编码串中的某些基因值用其它基因值来替换,从而形成一个新的个体.本文考虑随机产生调整数对个体进行变异,通过对变量取值限界的设定得到合法的遗传个体.
由上分析得到,应用遗传算法研究信号配时优化问题的具体步骤为：
Step1：随机生成若干组初始信号配时方案.
Step2：计算是否满足终止条件,即达到最优解.是则退出,否则跳至Step3.
Step3：把各组解带入式1和式2,计算它们的函数值,即得到各配时方案的延误指标评价结果.
Step4：计算出不同方案的适应度值.
Step5：根据各个方案的适应度进行选择,采用最优方案保留的选择算子.
Step6：使用交叉算子和变异算子,对各组解进行重组.
Step7：检查是否实现优化结果、满足终止条件.是则输出最优方案并退出程序,否则跳至Step3.
3 实例应用与研究
3.1 交通调查
本文选择北京市大柳树南路与学院路信号交叉口为调查对象,研究遗传算法在优化信号配时方案过程中的适用情况.通过调查,得到该路口为三相信号交叉口,东西方向进口道为2车道(1条直左车道与1条直右车道) ,南北方向进口道为5车道(3条直行车道、1条左转车道与1条右转车道) .南北方向交通流量较大,并且南—北左转车辆延误现象严重,基本交通参数及信号配时情况如表1及图1和图2所示.
表1 大柳树南路与学院路信号交叉口基本交通参数调查情况
注：每一相位对应双向交叉口进口道的交通情况,上表选取关键交叉口(主要交通流方向)的调查结果进行记录.另外,由于右转车辆不受信号灯控制,故调查过程不考虑右转车辆的影响.
圖1 大柳树南路与学院路交叉口现状信号配时方案
图2 各相位交通流示意图
3.2 Webster算法和遗传算法的应用对比
(1)Webster模型[1]是以车辆延误时间最小为目标来计算信号配时的一种方法,是目前交通信号控制中较为常用的计算方式.其研究思路是根据实际到达交通量,利用Webster最佳周期公式计算出周期时长后,根据各相位饱和比分配最佳绿灯时间,见公式5、6、7.研究发现,用该模型计算得到的最佳信号周期长度值通常偏小,为满足交通需求并保证延误最小,周期可在0.75-1.5内变动.
(5)
式中：——最佳周期长度,s;
——总损失时间,s;
——交叉口各相位交通流量比之和.
(6)
式中：——有效绿灯时间,s.
(7)
式中：——第i相有效绿灯时间,s;
——第i相流量比.
设东西方向单车道饱和流量为1200pcu/h,南北方向单车道饱和流量为1800pcu/h,信号周期损失时间为15s.根据Webster模型计算该交叉口的信号配时方案,得到优化结果见表2.
(2)根据第2章所述的研究方法,采用C语言设计程序,对利用遗传算法优化信号配时方案的过程进行模拟.设置初始化参数：基因群体规模为100、交换概率为0.8、变异概率为0.15、最大遗传代数为250、信号周期损失时间为10s.按照遗传算法规律连续运行10次,得到平均优化统计结果如表2所示.
表2 Webster算法和遗传算法优化结果
分析表1和表2中的数据,计算得到信号交叉口现状总延误为115423.7s,平均延误为69.2s;Webster算法优化方案总延误为49315.1s,降低了57.27%,交叉口平均延误为29.6s;遗传算法优化方案总延误为46476.49s,降低了59.73%,交叉口平均延误为27.8s.对比表2中两种算法得到的配时方案,遗传算法下的最佳周期长度较小,通过约束有效绿灯时间及饱和度,控制交叉口平均延误的大小,实现了较Webster算法得到的更优的结果.根据《城镇道路工程技术标准》[11]的相关规定(表3),现状信号交叉口各进口道服务水平不优于三级,交叉口总体服务水平为五级;而Webster算法得到的配时方案可使交叉口进口道的服务水平提高到三级和一级,总体服务水平为一级;遗传算法下的优化方案可将服务水平提高到二级和一级,总体服务水平为一级.总的来说,Webster算法和遗传算法的合理应用均有效降低了各相位的平均车辆延误时间和信号交叉口总延误时间.
表3 信号交叉口服务水平分级
4 结语
遗传算法作为一种自适应启发式概略性搜索方法,是求解函数优化问题的强有力工具,可以解决组合优化问题以及目标函数或某些约束条件下的非线性优化问题.本文结合遗传算法的特性,重点研究如何将其有效应用于信号交叉口配时方案的优化过程,建立了相应的优化模型,设定了交叉口平均延误最小的目标函数及有效绿灯时长和饱和度控制的约束条件.选取一个信号交叉口为例,对比交通调查、传统Webster算法和遗传算法下的信号配时方案及其延误指标,研究了各算法的适用性,对于有效提高信号交叉口通行能力、降低车辆损失时间具有重要的现实指导意义.文章主要利用现状调查交通数据进行配时方案的设计,在下一步研究中,可结合智能信息采集技术获取的实时交通流数据,基于遗传算法进行实时、动态分析,实现信号交叉口的感应式控制.另外,研究得出,在建模的过程中综合考虑交通流的运行规律和特性,可使遗传算法得到的优化结果更加符合实际,具有更强的适用性.
参考文献：
[1] 罗霞,刘澜.交通管理与控制[M]. 北京:人民交通出版社,2008.12.
[2] Park Byungkyu, Messer Carroll J, Urbanik II Thomas. Traffic signal optimization program for oversaturated conditions: genetic algorithm approach [J]. Transportation Research Record, 1999.11:133-142.
[3] 肖業伟,黄辉先,王宸昊.基于蚁群算法的交叉路口多相位信号配时优化[J]. 计算机工程与应用,2008,44(19):241-244.
Xiao Ye-wei, Luo Zhi-zhong, Wang Chen-hao. Multiphase traffic signal timing optimization of intersection based on ant colony algorithm [J]. Computer Engineering and Application, 2008,44(19):241-244.
[4] Azzam-Ul-Asar, Ullah Sadeeq M, Wyne, Mudasser F, et al. Traffic responsive signal timing plan generation based on neural network [J]. International Journal of Intelligent Information Technologies, 2009:84-101.
[5] 顾怀中,王炜.交叉口交通信号配时模拟退火全局优化算法[J].东南大学学报,1998.5,28(3):68-72.
Gu Huai-zhong, Wang Wei. A global optimization simulated annealing algorithm for intersection signal timing [J]. Journal of Southeast University, 1998.5,28(3):68-72.
[6] 张佳佳.城市智能交通信号优化控制及仿真[D].湖南：湘潭大学,2004.
[7] 万伟,陈锋.基于遗传算法的单交叉口信号优化控制[J].计算机工程,2007.8,33(16):217-219.
Wan Wei, Chen Feng. Optimal control for isolated intersection signal based on genetic algorithm [J]. Computer Engineering, 2007.8,33(16):217-219.
[8] 王秋平,谭学龙,张生瑞.城市单点交叉口信号配时优化[J]. 交通运输工程学报,2006.6,6(2):60-64.
Wang Qiu-ping, Tan Xue-long, Zhang Sheng-rui. Signal timing optimization of urban single—point intersections. Journa1 0f Traffic and Transportation Engineering, 2006.6,6(2):60-64.
[9] 陈群,晏克非.基于遗传算法的城市交叉口实时信号控制研究[J]. 交通与计算机,2005,1(23):15-18.
Chen Qun, Yan Ke-fei. Real-time signal control of urban intersections based on genetic algorithm [J]. Traffic and Computer,2005,1(23):15-18.
[10] 杨浩.模型与算法[M].北京：北京交通大学出版社,2005.
[11] 城镇道路工程技术标准[S].
关键词:交通控制;信号配时;遗传算法;延误
Abstract: In order to deal with the signal timing problem of the urban intersections, an optimization model is established based on the genetic algorithms, with a minimum of the delay as the control objective, as well as the effective green light time and the saturated rate as the restricted factors. By means of real variables encoding, roulette wheel selection and single-point crossover, the simulation of the processes of the reproduction, crossover and mutation of each generation is done, which achieves the signal timing program optimization using the laws of biological evolution. The traffic survey of the signalized intersection is carried out to support the comparative study of the applications of the traditional Webster algorithms and the genetic algorithms. It is found that two algorithms could improve the operating efficiency of the intersection to some extent, while the genetic algorithms would get better signal timing optimization program, which effectively reduces the delay of the aimed signalized intersection by 59.73%.
Keywords: traffic control; signal timing; genetic algorithms; delay
中圖分类号: TP18
0 引言
随着城市化和机动化进程的加快,城市交通拥堵问题日益严重.信号控制交叉口作为道路网络中交通流汇集交错的地点是通行能力的瓶颈.如何合理地设置交叉口信号配时方案,充分满足交通流量需求并有效地利用交叉口的时空资源,对于提高道路通行效率与缓解交通拥堵状况具有重要意义.目前,国内外关于信号配时的研究工作已取得了丰富的成果.传统的配时方法[1]包括韦伯斯特配时法、冲突点法、估算法以及临界车道法等,主要从交通流各参数间的关系出发,寻求最佳的控制方案.而近年来,智能算法的相关研究工作也相继展开,许多学者考虑将遗传算法、蚁群算法、神经网络技术及模拟退火技术等智能算法应用于信号配时研究[2][3][4][5] ,通过模仿自然规律求解问题,实现了良好的适用效果.其中,遗传算法是目前应用最广泛、理论最完善的一种智能算法,可用于解决交通问题、作业调度与排序、可靠性设计及车辆路径选择与调度等问题.因此,本文考虑应用遗传算法分析交叉口的信号控制问题并优化信号配时方案,对于实现高效的城市交通控制与管理具有一定的指导意义.
1 信号配时优化问题
1.1 信号配时基本参数
信号配时问题主要考虑三个信号控制参数：周期长度、绿信比及相位.
(1)周期长度.即信号灯变化循环一次所经历的时间,包括绿灯、黄灯和红灯时间.一般信号灯最短周期不小于36s[6],保证车辆可以顺利通过交叉口;最长周期不超过150s[7],减少排队车辆及其延误.适当的周期长度是实现交叉口处车流的有效疏散、提高交叉口通行效率的重要保证.
(2)相位.对于单交叉口而言,一个绿灯信号(放行交通流方向)称为一相.一个周期长度包括所有相位通行时间之和与信号损失时间(一般为全红时间).
(3)绿信比.即有效绿灯时间与周期长度的比值(本文考虑有效绿灯时间为绿灯时长).合理分配各相位的绿灯时间(绿信比),可以最大程度地降低排队车辆及其等待时间.为满足各相位的通行需求,需在周期长度的约束下,协调各方向的交通流情况,确定各相位的绿信比.
1.2 优化模型
国内外常用的信号交叉口交通控制效益指标[8]主要包括通行能力、饱和度、延误、服务水平、行程时间、停车次数、油耗以及排队长度等.其中延误是反映车辆在交叉口受阻程度的评价指标,与交叉口信号配时参数密切相关.合理的信号配时方案,可以使交叉口的总体车辆延误降到最低.因此,本文考虑以交叉口延误为效益控制指标,建立信号配时方案的优化模型.
韦伯斯特延误模型[1]考虑车辆的均匀到达以及随机波动的泊松分布到达,计算公式如式1所示.
(1)
式中：——平均延误时间,s;
——周期时长,s;
——绿信比;
——进口道实际到达的当量交通量,pcu/s;
——进口道的饱和度.
一个周期内信号交叉口的车辆平均延误时间为各相位延误的加权平均值,即如式2：
(2)
式中：——第i个相位;
——第i个相位平均延误时间,s;
——第i个相位进口道到达当量交通量,pcu/s.
建立信号配时优化模型,明确目标函数为式3：
(3)
考虑约束条件[9]为：1、各相位有效绿灯时间大于最小绿灯时间要求(取10s);2、为避免造成交通拥堵,各相位饱和度不大于0.8.
2 遗传算法处理过程
2.1 基本研究思路
遗传算法[10]是以适应度函数为依据,对群体中的个体施加遗传操作,实现群体内个体结构的重组,使群体内个体一代代得以优化并逐渐逼近全局最优解,即通过利用生物遗传概念在遗传算法中的对应关系来解决实际问题.
应用遗传算法优化信号配时方案,基本研究思路为：随机产生初始化种群,即初始信号配时方案,根据预定的优化模型目标函数,对初始解进行评价,给出适应度值;根据“适者生存”原则,对适应度不同的方案进行“复制”和“淘汰”,再通过“交换”和“变异”,产生新的方案;在优化模型目标函数和约束条件的控制下,经过一定次数的迭代后,实现信号配时方案的优化,得到优化结果.
在优化信号配时方案的过程中,需对变量进行编码.考虑选取各相位有效绿灯时间为优化对象,采用实数编码形式.例如三相位信号交叉口信号配时问题,设定染色体形式为 T=<,,>,其中, (i=1,2,3)表示相位i的有效绿灯时间,范围在[最小绿灯时长,最大周期时长]内,即[10s,150s].设定每个基因座为3位,基因长度为3×3=9位.如1-3相位绿灯时间依次为：30s,15s,55s,则有编码T=<030015055>.
按照“适者生存”规律对各个解进行评价,需依据优化问题的目标函数定义一个适应度函数F,计算群体中每个个体相应的适应度,越大表示该个体适应度越高,更适应于F所定义的生存环境.由于目标函数考虑延误指标的最小值,可取.
2.2 遗传操作
遗传算法是通过对生物基因的复制、交换和变异方式的模拟实现其优化过程的:
1、复制.本文考虑采用轮盘赌选择方法,即各个个体被选中的概率与其适应度函数值大小成正比(式4).
(4)
式中：——个体i被遗传到下一代的概率;
——个体i的适应度.
2、交换.对两个相互配对的染色体依据交叉概率,按某种方式相互交换其部分基因,从而形成两个新的个体.本文采取单点交叉运算的方式.交叉运算是遗传算法区别于其他进化算法的重要特征,它在遗传算法中起关键作用,是产生新个体的主要方法.
3、变异.依据变异概率将个体编码串中的某些基因值用其它基因值来替换,从而形成一个新的个体.本文考虑随机产生调整数对个体进行变异,通过对变量取值限界的设定得到合法的遗传个体.
由上分析得到,应用遗传算法研究信号配时优化问题的具体步骤为：
Step1：随机生成若干组初始信号配时方案.
Step2：计算是否满足终止条件,即达到最优解.是则退出,否则跳至Step3.
Step3：把各组解带入式1和式2,计算它们的函数值,即得到各配时方案的延误指标评价结果.
Step4：计算出不同方案的适应度值.
Step5：根据各个方案的适应度进行选择,采用最优方案保留的选择算子.
Step6：使用交叉算子和变异算子,对各组解进行重组.
Step7：检查是否实现优化结果、满足终止条件.是则输出最优方案并退出程序,否则跳至Step3.
3 实例应用与研究
3.1 交通调查
本文选择北京市大柳树南路与学院路信号交叉口为调查对象,研究遗传算法在优化信号配时方案过程中的适用情况.通过调查,得到该路口为三相信号交叉口,东西方向进口道为2车道(1条直左车道与1条直右车道) ,南北方向进口道为5车道(3条直行车道、1条左转车道与1条右转车道) .南北方向交通流量较大,并且南—北左转车辆延误现象严重,基本交通参数及信号配时情况如表1及图1和图2所示.
表1 大柳树南路与学院路信号交叉口基本交通参数调查情况
注：每一相位对应双向交叉口进口道的交通情况,上表选取关键交叉口(主要交通流方向)的调查结果进行记录.另外,由于右转车辆不受信号灯控制,故调查过程不考虑右转车辆的影响.
圖1 大柳树南路与学院路交叉口现状信号配时方案
图2 各相位交通流示意图
3.2 Webster算法和遗传算法的应用对比
(1)Webster模型[1]是以车辆延误时间最小为目标来计算信号配时的一种方法,是目前交通信号控制中较为常用的计算方式.其研究思路是根据实际到达交通量,利用Webster最佳周期公式计算出周期时长后,根据各相位饱和比分配最佳绿灯时间,见公式5、6、7.研究发现,用该模型计算得到的最佳信号周期长度值通常偏小,为满足交通需求并保证延误最小,周期可在0.75-1.5内变动.
(5)
式中：——最佳周期长度,s;
——总损失时间,s;
——交叉口各相位交通流量比之和.
(6)
式中：——有效绿灯时间,s.
(7)
式中：——第i相有效绿灯时间,s;
——第i相流量比.
设东西方向单车道饱和流量为1200pcu/h,南北方向单车道饱和流量为1800pcu/h,信号周期损失时间为15s.根据Webster模型计算该交叉口的信号配时方案,得到优化结果见表2.
(2)根据第2章所述的研究方法,采用C语言设计程序,对利用遗传算法优化信号配时方案的过程进行模拟.设置初始化参数：基因群体规模为100、交换概率为0.8、变异概率为0.15、最大遗传代数为250、信号周期损失时间为10s.按照遗传算法规律连续运行10次,得到平均优化统计结果如表2所示.
表2 Webster算法和遗传算法优化结果
分析表1和表2中的数据,计算得到信号交叉口现状总延误为115423.7s,平均延误为69.2s;Webster算法优化方案总延误为49315.1s,降低了57.27%,交叉口平均延误为29.6s;遗传算法优化方案总延误为46476.49s,降低了59.73%,交叉口平均延误为27.8s.对比表2中两种算法得到的配时方案,遗传算法下的最佳周期长度较小,通过约束有效绿灯时间及饱和度,控制交叉口平均延误的大小,实现了较Webster算法得到的更优的结果.根据《城镇道路工程技术标准》[11]的相关规定(表3),现状信号交叉口各进口道服务水平不优于三级,交叉口总体服务水平为五级;而Webster算法得到的配时方案可使交叉口进口道的服务水平提高到三级和一级,总体服务水平为一级;遗传算法下的优化方案可将服务水平提高到二级和一级,总体服务水平为一级.总的来说,Webster算法和遗传算法的合理应用均有效降低了各相位的平均车辆延误时间和信号交叉口总延误时间.
表3 信号交叉口服务水平分级
4 结语
遗传算法作为一种自适应启发式概略性搜索方法,是求解函数优化问题的强有力工具,可以解决组合优化问题以及目标函数或某些约束条件下的非线性优化问题.本文结合遗传算法的特性,重点研究如何将其有效应用于信号交叉口配时方案的优化过程,建立了相应的优化模型,设定了交叉口平均延误最小的目标函数及有效绿灯时长和饱和度控制的约束条件.选取一个信号交叉口为例,对比交通调查、传统Webster算法和遗传算法下的信号配时方案及其延误指标,研究了各算法的适用性,对于有效提高信号交叉口通行能力、降低车辆损失时间具有重要的现实指导意义.文章主要利用现状调查交通数据进行配时方案的设计,在下一步研究中,可结合智能信息采集技术获取的实时交通流数据,基于遗传算法进行实时、动态分析,实现信号交叉口的感应式控制.另外,研究得出,在建模的过程中综合考虑交通流的运行规律和特性,可使遗传算法得到的优化结果更加符合实际,具有更强的适用性.
参考文献：
[1] 罗霞,刘澜.交通管理与控制[M]. 北京:人民交通出版社,2008.12.
[2] Park Byungkyu, Messer Carroll J, Urbanik II Thomas. Traffic signal optimization program for oversaturated conditions: genetic algorithm approach [J]. Transportation Research Record, 1999.11:133-142.
[3] 肖業伟,黄辉先,王宸昊.基于蚁群算法的交叉路口多相位信号配时优化[J]. 计算机工程与应用,2008,44(19):241-244.
Xiao Ye-wei, Luo Zhi-zhong, Wang Chen-hao. Multiphase traffic signal timing optimization of intersection based on ant colony algorithm [J]. Computer Engineering and Application, 2008,44(19):241-244.
[4] Azzam-Ul-Asar, Ullah Sadeeq M, Wyne, Mudasser F, et al. Traffic responsive signal timing plan generation based on neural network [J]. International Journal of Intelligent Information Technologies, 2009:84-101.
[5] 顾怀中,王炜.交叉口交通信号配时模拟退火全局优化算法[J].东南大学学报,1998.5,28(3):68-72.
Gu Huai-zhong, Wang Wei. A global optimization simulated annealing algorithm for intersection signal timing [J]. Journal of Southeast University, 1998.5,28(3):68-72.
[6] 张佳佳.城市智能交通信号优化控制及仿真[D].湖南：湘潭大学,2004.
[7] 万伟,陈锋.基于遗传算法的单交叉口信号优化控制[J].计算机工程,2007.8,33(16):217-219.
Wan Wei, Chen Feng. Optimal control for isolated intersection signal based on genetic algorithm [J]. Computer Engineering, 2007.8,33(16):217-219.
[8] 王秋平,谭学龙,张生瑞.城市单点交叉口信号配时优化[J]. 交通运输工程学报,2006.6,6(2):60-64.
Wang Qiu-ping, Tan Xue-long, Zhang Sheng-rui. Signal timing optimization of urban single—point intersections. Journa1 0f Traffic and Transportation Engineering, 2006.6,6(2):60-64.
[9] 陈群,晏克非.基于遗传算法的城市交叉口实时信号控制研究[J]. 交通与计算机,2005,1(23):15-18.
Chen Qun, Yan Ke-fei. Real-time signal control of urban intersections based on genetic algorithm [J]. Traffic and Computer,2005,1(23):15-18.
[10] 杨浩.模型与算法[M].北京：北京交通大学出版社,2005.
[11] 城镇道路工程技术标准[S].