本發(fā)明涉及入口匝道交通流pi控制器技術(shù)領(lǐng)域，尤其是基于方勢(shì)阱模型的量子行為粒子群優(yōu)化方法。

背景技術(shù)：

交通瓶頸是交通擁堵的主要誘因之一。為了減小交通瓶頸的負(fù)面影響，在已有交通設(shè)施的基礎(chǔ)上提高道路系統(tǒng)的通行效率，緩解城市交通擁堵，對(duì)交通瓶頸處流量控制的研究是非常必要的。目前，交通流量的動(dòng)態(tài)預(yù)測(cè)與控制模型在智能交通誘導(dǎo)的研究和應(yīng)用方面扮演著重要的角色，也成為智能交通理論研究的熱點(diǎn)問(wèn)題之一。如何在現(xiàn)有交通設(shè)施基礎(chǔ)上對(duì)交通流量做出科學(xué)合理的預(yù)測(cè)和控制，對(duì)于改善道路交通狀況具有重要意義。

反饋控制中的pi控制器因其結(jié)構(gòu)簡(jiǎn)單、穩(wěn)定性好、工作可靠、調(diào)整方便而成為工程控制的主要方法之一。pi控制器的性能取決于參數(shù)kp和ki取值是否合理，目前，pi控制器參數(shù)主要靠人工調(diào)整，這種方法不僅費(fèi)時(shí)，而且無(wú)法保證獲得最佳的性能。隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算智能為解決入口匝道交通流的控制問(wèn)題提供了更有效的方法，可以根據(jù)不同的交通條件對(duì)入口匝道交通流pi控制器的控制策略選擇最優(yōu)的控制參數(shù)。其中，蟻群算法、粒子群算法、神經(jīng)網(wǎng)絡(luò)算法、元胞自動(dòng)機(jī)算法、遺傳算法等都已被用于入口匝道交通流pi控制器的參數(shù)優(yōu)化。雖然計(jì)算智能方法在入口匝道交通流pi控制器模型上取得了一定的成果，但仍然存在以下問(wèn)題：第一，由于粒子群算法、蟻群算法、遺傳算法存在早期收斂的問(wèn)題，致使求解精度不高；第二，由于路段交通流量具有實(shí)時(shí)變化性和非線性，現(xiàn)有模型對(duì)實(shí)時(shí)信息的反應(yīng)不夠迅速，對(duì)交通流量的控制實(shí)用性較弱。

因此，對(duì)于上述問(wèn)題有必要提出一種軌道交通用環(huán)保信號(hào)線纜。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)目前已有量子行為粒子群優(yōu)化算法(簡(jiǎn)稱qpso)中勢(shì)阱模型選擇單一、對(duì)已有信息獨(dú)立隨機(jī)進(jìn)行加工、算法容易陷入局部最優(yōu)、尋優(yōu)能力不強(qiáng)等問(wèn)題，本發(fā)明公開的基于方勢(shì)阱模型的二元相關(guān)性qpso算法，為避免算法早熟收斂，提高算法的尋優(yōu)性能，增強(qiáng)路段使用率，提高交通流pi控制系統(tǒng)的時(shí)效性提供一種重要思路。

為實(shí)現(xiàn)上述的目的，本發(fā)明基于方勢(shì)阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法(簡(jiǎn)稱bc-qspso)所采用的技術(shù)方案是：

基于方勢(shì)阱模型的量子行為粒子群優(yōu)化方法，其特征在于：建立了原qpso算法中r1與r2的相關(guān)性描述，具體描述方法為二元正態(tài)copula函數(shù)聯(lián)合三種特殊的copula，根據(jù)copula函數(shù)的定義和sklar定理，可以得到二元因子r1，r2的相關(guān)性描述公式：

h(r1,r2)＝cρ(r1,r2)＝φρ(φ^-1(r1),φ^-1(r2))

其中，h為二元相關(guān)因子r1,r2的聯(lián)合分布函數(shù)，c為二元正態(tài)copula函數(shù)，ρ為指定相關(guān)系數(shù)，線性相關(guān)系數(shù)ρ是度量變量間相關(guān)性強(qiáng)弱的指標(biāo)，可以反映出二元相關(guān)因子r1,r2的線性相關(guān)特性，在qpso模型中，r1,r2間的相關(guān)程度體現(xiàn)了粒子在選擇勢(shì)阱中心時(shí)對(duì)自身信念pbest和共享信念gbest持有度之間的關(guān)系，為平衡利用算法的已有信息提供了有效的途徑，

基于方勢(shì)阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法中r1,r2的相關(guān)特性可以采用二元正態(tài)copula函數(shù)與以上這三種copula聯(lián)合在一起共同描述：

原有qpso算法采用的是delta勢(shì)阱，采用方勢(shì)阱模型，下面都是粒子在方勢(shì)阱模型中隨機(jī)位置構(gòu)建過(guò)程的描述，方勢(shì)阱的狀態(tài)函數(shù)可以通過(guò)解析的方式獲得，利用蒙特卡洛方法將粒子在方勢(shì)阱中運(yùn)動(dòng)的波函數(shù)坍縮到經(jīng)典狀態(tài)，通過(guò)求解和變換可以得到粒子在方勢(shì)阱中位置的隨機(jī)方程為

沿用平均最好位置c，令z＝c-x，為了保證并加快qpso算法的收斂速度，本發(fā)明采用概率控制勢(shì)阱特征長(zhǎng)度的方式并考慮到時(shí)間的變化，bc-qspso算法中粒子在一維有限深對(duì)稱方勢(shì)阱中的進(jìn)化公式為

對(duì)于粒子i，將公式中的吸引子p點(diǎn)寫成pi＝(pi,1,pi,2,pi,n)的形式，在每一維上都以pi,j為中心建立一個(gè)一維有限深對(duì)稱方勢(shì)阱，對(duì)于給定的pi,j，粒子i第j維的坐標(biāo)基本進(jìn)化方程為：

于是，bc-qspso模型中粒子在d維空間完整的進(jìn)化公式如下：

優(yōu)選地，使用bc-qspso對(duì)函數(shù)進(jìn)行優(yōu)化的具體流程如下：

(1)設(shè)置參數(shù)。包括個(gè)體認(rèn)知加速系數(shù)c1，群體認(rèn)知加速系數(shù)c2，收縮-擴(kuò)張因子α、種群規(guī)模n、最大允許迭代次數(shù)或者是適應(yīng)度的誤差精度；

(2)種群初始化。在求解空間中初始化粒子群中的每一個(gè)粒子的初始位置，即隨機(jī)產(chǎn)生粒子當(dāng)前xi(0)，并初始化個(gè)體最好位置pi(0)＝xi(0)，

(3)根據(jù)公式

計(jì)算粒子群的平均最好位置。對(duì)于粒子群中的每一個(gè)粒子i(1≤i≤n)，執(zhí)行步驟4～8。

(4)計(jì)算粒子i的當(dāng)前位置xi(t)所對(duì)應(yīng)的適應(yīng)值，更新粒子的個(gè)體最好位置，即將xi(t)的適應(yīng)值與前一次迭代pi(t-1)的適應(yīng)值進(jìn)行比較，如果xi(t)的適應(yīng)值優(yōu)于pi(t-1)的適應(yīng)值，即f[xi(t)]＜f[pi(t-1)]，則執(zhí)行pi(t)＝xi(t)操作；否則，執(zhí)行pi(t)＝pi(t-1)操作。

(5)對(duì)于粒子i，將pi(t)的適應(yīng)值與全局最好位置pg(t-1)的適應(yīng)值進(jìn)行比較，如果優(yōu)于pg(t-1)的適應(yīng)值，即f[pi(t)]＜f[pg(t-1)]，則執(zhí)行pg(t)＝pi(t)的操作；否則執(zhí)行pg(t)＝pg(t-1)。

(6)對(duì)計(jì)算粒子i的每一維分量，根據(jù)公式

計(jì)算得到勢(shì)阱中心點(diǎn)；

(7)根據(jù)公式

計(jì)算粒子的新位置，

(8)判斷算法終止條件,直到滿足停止準(zhǔn)則或達(dá)到給定的最大迭代數(shù)；如果不滿足，則t＝t+1，重復(fù)step2～step8；否則算法結(jié)束。

優(yōu)選地，其中bc-qspso優(yōu)化的入口匝道pi控制器系統(tǒng)中的變量包括誤差值：ei(k)＝σdi(k)-σi(k)；誤差變化量：δei(k)＝ei(k)-ei(k-1)；pi控制器輸出：δri(k)＝kpδei(k)+kiei(k)；入口匝道調(diào)解率：ri(k)＝ri(k-1)+δri(k)，其主要目標(biāo)是通過(guò)控制入口匝道的調(diào)節(jié)率ri(k)，使得主路交通密度維持在臨界密度σc的負(fù)鄰域，即σdi(k)＝σc-ε，其中ε為一適當(dāng)?shù)男≌龜?shù)，從而避免交通擁堵的發(fā)生，可以使用實(shí)際交通流密度σi(k)與期望交通流密度σdi(k)差的平方和來(lái)作為系統(tǒng)的目標(biāo)函數(shù)：

在使用bc-qspso算法來(lái)優(yōu)化pi控制器的kp、ki參數(shù)值過(guò)程中，群體中每一個(gè)粒子對(duì)應(yīng)一組kp、ki參數(shù)值，該組參數(shù)值產(chǎn)生的實(shí)際交通流密度σi(k)與期望交通流密度σdi(k)偏差的平方和越大，則對(duì)應(yīng)的入口匝道的調(diào)節(jié)率ri(k)值應(yīng)越小，dwc-qpso算法對(duì)應(yīng)的適應(yīng)值也應(yīng)越小，選擇實(shí)際交通流密度σi(k)與期望交通流密度σdi(k)偏差平方和j的倒數(shù)來(lái)作為bc-qspso算法的適應(yīng)度函數(shù)：

由于采用上述技術(shù)方案，本發(fā)明有益效果：本發(fā)明使用bc-qspso算法優(yōu)化入口匝道ip控制器參數(shù)后，實(shí)際車流密度可以很好的跟蹤期望車流密度，σi(k)與σdi(k)之間的誤差很小。通過(guò)對(duì)入口匝道調(diào)節(jié)率的控制可以在保證主路交通通暢的情況下最大限度的提高主路使用率。在時(shí)效性方面，bc-qspso算法具有較快的收斂速度，能夠快速的搜索到kp和ki的最優(yōu)值，在避免繁瑣復(fù)雜的人工參與的基礎(chǔ)上具有高速的反應(yīng)速度，綜上所述，基于bc-qspso算法的入口匝道交通流pi控制器能夠根據(jù)上流路段的交通量，實(shí)時(shí)動(dòng)態(tài)的調(diào)整入口匝道處的交通流，該模型具有良好的自適應(yīng)性和穩(wěn)定性。

附圖說(shuō)明

圖1是本發(fā)明的原理圖；

圖2是本發(fā)明的流程圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行詳細(xì)說(shuō)明，但是本發(fā)明可以由權(quán)利要求限定和覆蓋的多種不同方式實(shí)施。

如圖1并結(jié)合圖2所示，針對(duì)原qpso算法中已有信息獨(dú)立隨機(jī)加工方式的問(wèn)題，新算法采用copula函數(shù)來(lái)刻畫二元相關(guān)因子r1，r2的相關(guān)性。，建立了原qpso算法中r1與r2的相關(guān)性描述。具體描述方法為二元正態(tài)copula函數(shù)聯(lián)合三種特殊的copula根據(jù)copula函數(shù)的定義和sklar定理，可以得到二元因子r1，r2的相關(guān)性描述公式：

h(r1,r2)＝cρ(r1,r2)＝φρ(φ^-1(r1),φ^-1(r2))

其中，h為二元相關(guān)因子r1,r2的聯(lián)合分布函數(shù)，c為二元正態(tài)copula函數(shù)，ρ為指定相關(guān)系數(shù)。線性相關(guān)系數(shù)ρ是度量變量間相關(guān)性強(qiáng)弱的指標(biāo)，可以反映出二元相關(guān)因子r1,r2的線性相關(guān)特性。在qpso模型中，r1,r2間的相關(guān)程度體現(xiàn)了粒子在選擇勢(shì)阱中心時(shí)對(duì)自身信念pbest和共享信念gbest持有度之間的關(guān)系，為平衡利用算法的已有信息提供了有效的途徑。

由于二元正態(tài)copula函數(shù)中，相關(guān)系數(shù)ρ的取值范圍為(-1,1)且ρ≠0，無(wú)法描述隨機(jī)變量之間存在的完全正相關(guān)、完全負(fù)相關(guān)和獨(dú)立關(guān)系，因此單獨(dú)使用二元正態(tài)copula無(wú)法完整描述qpso算法中r1,r2的相關(guān)特性。如果將fréchet-hoeffding下界w(u,v)＝max(u+v-1,0)，fréchet-hoeffding上界m(u,v)＝min(u,v)以及乘積copula這三種copula函數(shù)均視為兩個(gè)[0,1]均勻分布隨機(jī)變量x,y的聯(lián)合分布函數(shù)，則這三種特殊的copula函數(shù)依次對(duì)應(yīng)著三種特殊的相關(guān)關(guān)系：完全負(fù)線性相關(guān)y＝1-x，完全正線性相關(guān)y＝x和相互獨(dú)立。因此，基于方勢(shì)阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法中r1,r2的相關(guān)特性可以采用二元正態(tài)copula函數(shù)與以上這三種copula聯(lián)合在一起共同描述：

原有qpso算法采用的是delta勢(shì)阱，本發(fā)明采用方勢(shì)阱模型。下面都是粒子在方勢(shì)阱模型中隨機(jī)位置構(gòu)建過(guò)程的描述，方勢(shì)阱的狀態(tài)函數(shù)可以通過(guò)解析的方式獲得。為簡(jiǎn)單起見，在構(gòu)建基于方勢(shì)阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法時(shí)，我們只考慮能量最小的束縛態(tài)(基態(tài))。本發(fā)明利用蒙特卡洛方法將粒子在方勢(shì)阱中運(yùn)動(dòng)的波函數(shù)坍縮到經(jīng)典狀態(tài)，通過(guò)求解和變換可以得到粒子在方勢(shì)阱中位置的隨機(jī)方程為

沿用平均最好位置c，令z＝c-x，為了保證并加快qpso算法的收斂速度，本發(fā)明采用概率控制勢(shì)阱特征長(zhǎng)度的方式并考慮到時(shí)間的變化，bc-qspso算法中粒子在一維有限深對(duì)稱方勢(shì)阱中的進(jìn)化公式為

對(duì)于粒子i，將公式中的吸引子p點(diǎn)寫成pi＝(pi,1,pi,2,pi,n)的形式，在每一維上都以pi,j為中心建立一個(gè)一維有限深對(duì)稱方勢(shì)阱，對(duì)于給定的pi,j，粒子i第j維的坐標(biāo)基本進(jìn)化方程為：

于是，bc-qspso模型中粒子在d維空間完整的進(jìn)化公式如下：

新算法共有兩個(gè)創(chuàng)新性：1、采用二元正態(tài)copula函數(shù)描述了粒子在選擇勢(shì)阱中心時(shí)對(duì)自身經(jīng)驗(yàn)信息和群體共享信息持有度的相關(guān)性；2，選擇方勢(shì)阱建立模型，方形勢(shì)阱中心對(duì)粒子的引力分布相對(duì)平均，錯(cuò)誤的梯度信息不會(huì)被過(guò)度利用，粒子容易跳出局部最優(yōu)，因此在處理此類函數(shù)時(shí)具有最好的優(yōu)化性能。

算法步驟：

使用bc-qspso對(duì)函數(shù)進(jìn)行優(yōu)化的具體流程如下：

step1：設(shè)置參數(shù)。包括個(gè)體認(rèn)知加速系數(shù)c1，群體認(rèn)知加速系數(shù)c2，收縮-擴(kuò)張因子α、種群規(guī)模n、最大允許迭代次數(shù)或者是適應(yīng)度的誤差精度；

step2：種群初始化。在求解空間中初始化粒子群中的每一個(gè)粒子的初始位置，即隨機(jī)產(chǎn)生粒子當(dāng)前xi(0)，并初始化個(gè)體最好位置pi(0)＝xi(0)。

step3：根據(jù)公式

計(jì)算粒子群的平均最好位置。對(duì)于粒子群中的每一個(gè)粒子i(1≤i≤n)，執(zhí)行步驟4～8。

step4：計(jì)算粒子i的當(dāng)前位置xi(t)所對(duì)應(yīng)的適應(yīng)值，更新粒子的個(gè)體最好位置，即將xi(t)的適應(yīng)值與前一次迭代pi(t-1)的適應(yīng)值進(jìn)行比較，如果xi(t)的適應(yīng)值優(yōu)于pi(t-1)的適應(yīng)值，即f[xi(t)]＜f[pi(t-1)]，則執(zhí)行pi(t)＝xi(t)操作；否則，執(zhí)行pi(t)＝pi(t-1)操作。

step5：對(duì)于粒子i，將pi(t)的適應(yīng)值與全局最好位置pg(t-1)的適應(yīng)值進(jìn)行比較，如果優(yōu)于pg(t-1)的適應(yīng)值，即f[pi(t)]＜f[pg(t-1)]，則執(zhí)行pg(t)＝pi(t)的操作；否則執(zhí)行pg(t)＝pg(t-1)。

step6：對(duì)計(jì)算粒子i的每一維分量，根據(jù)公式

計(jì)算得到勢(shì)阱中心點(diǎn)。

step7：根據(jù)公式

計(jì)算粒子的新位置。

step8：判斷算法終止條件,直到滿足停止準(zhǔn)則或達(dá)到給定的最大迭代數(shù)；如果不滿足，則t＝t+1，重復(fù)step2～step8；否則算法結(jié)束。

使用bc-qspso優(yōu)化入口匝道交通流pi控制器參數(shù)的原理圖如圖1所示。入口匝道pi控制器系統(tǒng)中的變量包括誤差值：ei(k)＝σdi(k)-σi(k)；誤差變化量：δei(k)＝ei(k)-ei(k-1)；pi控制器輸出：δri(k)＝kpδei(k)+kiei(k)；入口匝道調(diào)解率：ri(k)＝ri(k-1)+δri(k)。其主要目標(biāo)是通過(guò)控制入口匝道的調(diào)節(jié)率ri(k)，使得主路交通密度維持在臨界密度σc的負(fù)鄰域，即σdi(k)＝σc-ε，其中ε為一適當(dāng)?shù)男≌龜?shù)，從而避免交通擁堵的發(fā)生。因此可以使用實(shí)際交通流密度σi(k)與期望交通流密度σdi(k)差的平方和來(lái)作為系統(tǒng)的目標(biāo)函數(shù)：

在使用bc-qspso算法來(lái)優(yōu)化pi控制器的kp、ki參數(shù)值過(guò)程中，群體中每一個(gè)粒子對(duì)應(yīng)一組kp、ki參數(shù)值，該組參數(shù)值產(chǎn)生的實(shí)際交通流密度σi(k)與期望交通流密度σdi(k)偏差的平方和越大，則對(duì)應(yīng)的入口匝道的調(diào)節(jié)率ri(k)值應(yīng)越小，dwc-qpso算法對(duì)應(yīng)的適應(yīng)值也應(yīng)越小。因此我們選擇實(shí)際交通流密度σi(k)與期望交通流密度σdi(k)偏差平方和j的倒數(shù)來(lái)作為bc-qspso算法的適應(yīng)度函數(shù)：

使用bc-qspso算法對(duì)入口匝道pi控制器參數(shù)進(jìn)行優(yōu)化的流程如圖2所示，使用bc-qspso算法優(yōu)化入口匝道ip控制器參數(shù)后，實(shí)際車流密度可以很好的跟蹤期望車流密度，σi(k)與σdi(k)之間的誤差很小。通過(guò)對(duì)入口匝道調(diào)節(jié)率的控制可以在保證主路交通通暢的情況下最大限度的提高主路使用率。在時(shí)效性方面，bc-qspso算法具有較快的收斂速度，能夠快速的搜索到kp和ki的最優(yōu)值，在避免繁瑣復(fù)雜的人工參與的基礎(chǔ)上具有高速的反應(yīng)速度。綜上所述，基于bc-qspso算法的入口匝道交通流pi控制器能夠根據(jù)上流路段的交通量，實(shí)時(shí)動(dòng)態(tài)的調(diào)整入口匝道處的交通流，該模型具有良好的自適應(yīng)性和穩(wěn)定性。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說(shuō)明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。