交叉口信号控制是解决交通拥堵的重要控制方式,传统的基于精确数学模型的交通控制方法,在实际应用中由于其计算复杂往往无法达到预期的控制效果。Multi-Agent技术作为人工智能领域中的研究热点,不仅可以独立自主的控制对象,且Agent之间可以通过互相通讯进行协调,从而智能的控制整个区域交通系统。本文对Multi-Agent区域交通控制模型进行探讨,将自适应遗传算法引入到Multi-Agent交通控制系统中,采用模糊控制原理对交叉口群进行动态划分,充分考虑5种影响划分的因子,最后针对过饱和交叉口群进行信号配时优化研究。本文根据交通系统复杂多变的特点,建立了基于Multi-Agent的分布式区域交通控制模型,模型分为交叉口群Agent、区域控制中心Agent、主控制中心Agent三层,各级Agent除了进行同级间的协调外,还可以同上一级通信协调。同时将自适应遗传算法引入到交叉口群Agent中,克服了遗传算法早熟收敛的弊端,通过感知模块,知识库,规则库,通信模块之间的协调合作,最终选择最优的决策方式。仿真试验表明,这种控制方式,优化绿信比,得到最佳配时时间,使得交叉口平均延误时间变短。针对交通道路网中交叉口群的划分问题,采用模糊推理理论对交叉口群进行动态划分。综合考虑了交叉口间距、周期、交通流、交通流影响因子以及排队长度5种影响因子,通过仿真实验获得每种影响因子的影响权重,并将其体现在模糊规则中,最终得到相邻交叉口协调系数表示相邻交叉口的关联程度,选择路网进行仿真,验证划分方法的有效性。最后将改进NSGA算法应用到过饱和交叉口群信号配时方案中,改进NSGA算法在NSGA的基础上增加了精英策略、密度估计策略和快速非支配排序策略,克服了NSGA算法计算耗时大、容易丢失满意解的缺点。选择最大通过数和最小排队长度作为优化目标,通过Matlab仿真实验,验证了该算法在过饱和交叉口群信号配时中的有效性。