一種基于改進(jìn)的模糊控制的紅綠燈優(yōu)化配時(shí)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智慧交通領(lǐng)域，涉及一種基于改進(jìn)的模糊控制的紅綠燈優(yōu)化配時(shí)方 法。
【背景技術(shù)】
[0002] 交通信號(hào)控制系統(tǒng)是城市交通控制的主要方式，是緩解交叉口交通壓力的有效保 證。它是根據(jù)交叉口等待車輛的分布狀況，通過控制紅綠燈的顯示使路口交通通行能力最 大化。
[0003] 對(duì)于傳感器采集到的路口等待車輛的信息，傳統(tǒng)的紅綠燈控制策略是基于交通流 的數(shù)學(xué)建模方法，通過建立一個(gè)數(shù)學(xué)模型對(duì)當(dāng)前交通動(dòng)態(tài)進(jìn)行描述，但這些計(jì)算都相當(dāng)復(fù) 雜，很難滿足實(shí)時(shí)性的要求。而數(shù)學(xué)建模需要嚴(yán)格的假設(shè)，降低了控制算法的普遍性。近來 一些學(xué)者引入了人工智能算法，如模糊控制、神經(jīng)網(wǎng)絡(luò)、粒子群算法等，由于這些算法自身 的局限性，單一的人工智能算法都不能很好的解決紅綠燈優(yōu)化配時(shí)問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于改進(jìn)的模糊控制的紅綠燈優(yōu)化配時(shí) 方法。
[0005] 本發(fā)明的具體步驟是：
[0006] 步驟1.計(jì)算各車道的車輛延誤時(shí)間；
[0007] 針對(duì)單交叉路口，采用東西直行、東西左轉(zhuǎn)、南北直行、南北左轉(zhuǎn)四相位的控制方 式，右轉(zhuǎn)車輛一律放行，在控制中不加考慮；路口傳感器每隔一秒實(shí)時(shí)采集各個(gè)路口等待車 輛數(shù)；
[0008] 1. 1計(jì)算紅燈相位的車輛延誤時(shí)間：
[0009] 令為紅燈相位車輛延誤時(shí)間，則
【主權(quán)項(xiàng)】
1. 一種基于改進(jìn)的模糊控制的紅綠燈優(yōu)化配時(shí)方法，其特征在于該方法的具體步驟 是： 步驟1.計(jì)算各車道的車輛延誤時(shí)間； 針對(duì)單交叉路口，采用東西直行、東西左轉(zhuǎn)、南北直行、南北左轉(zhuǎn)四相位的控制方式， 右轉(zhuǎn)車輛一律放行，在控制中不加考慮；路口傳感器每隔一秒實(shí)時(shí)采集各個(gè)路口等待車輛 數(shù)； 1. 1計(jì)算紅燈相位的車輛延誤時(shí)間： 令為紅燈相位車輛延誤時(shí)間，則
(1. 1) 其中：Qu為當(dāng)前紅燈相位第i條交通流第j秒的等待車輛數(shù)，η為紅燈相位的交通流 數(shù)，對(duì)于四相位控制的單交叉口，η = 6, m為紅燈持續(xù)時(shí)間； 1. 2計(jì)算綠燈相位的車輛延誤時(shí)間： 設(shè)Q#為當(dāng)前綠燈相位第j秒的等待車輛數(shù)
(1.2) 其中：Qug為當(dāng)前綠燈相位第i條交通流第j秒的等待車輛數(shù)，N為綠燈相位的交通流 數(shù)，N = 2 ; 令Ds為綠燈相位車輛延誤時(shí)間，則
(1.3) 其中，M為當(dāng)前的綠燈持續(xù)時(shí)間； 一個(gè)信號(hào)周期內(nèi)車輛總延誤時(shí)間為： D = Dr+Dg (1. 4) 步驟2.設(shè)計(jì)模糊控制器 2. 1確定輸入變量和輸出變量 模糊控制器包含兩個(gè)輸入變量和一個(gè)輸出變量；輸入：當(dāng)前綠燈相位的排隊(duì)車輛數(shù)Qg 和后繼綠燈相位的排隊(duì)車輛數(shù)輸出：當(dāng)前綠燈相位的延長(zhǎng)時(shí)間ΔΤ; 2. 2確定變量的論域和隸屬度函數(shù) 輸入變量和輸出變量的論域變化范圍： 08和Q r的物理論域?yàn)閧〇, 1，2, 3,…，40}; Δ T的物理論域?yàn)閧0, 1，2, 3,…，40}; 08和Q J勺模糊論域?yàn)閧〇, 1，2, 3,…，20}，量化因子為0. 5 ; Δ T的物理論域?yàn)閧0, 1，2, 3,…，20}，比例因子為2 ; 輸入變量和輸出量的模糊語(yǔ)言值和隸屬度函數(shù)： Qg和Q 劃分為七個(gè)模糊子集：{很少，少，較少，適中，較多，多，很多} A T劃分為七個(gè)模糊子集：{很短，短，較短，適中，較長(zhǎng)，長(zhǎng)，很長(zhǎng)} 對(duì)于隸屬度函數(shù)采用高斯型函數(shù)：
(2. I) 其中：c為隸屬度函數(shù)的中心點(diǎn)，δ為圖像曲線的寬度； 步驟3.采用粒子群算法優(yōu)化模糊規(guī)則，具體是： 3. 1算法參數(shù)設(shè)置 (1) 編碼模式：由于兩個(gè)輸入變量都分為七個(gè)模糊子集，則具有7X7 = 49條模糊規(guī) 貝1J，將模糊子集的離散型的名詞映射成十進(jìn)制的數(shù)，如此則可以將模糊規(guī)則轉(zhuǎn)化為一個(gè)二 維數(shù)組；將該二維數(shù)組轉(zhuǎn)化為一個(gè)實(shí)數(shù)行向量，具體為將前一行的末尾與下一行的開頭連 接，以便對(duì)粒子進(jìn)行編碼； (2) 粒子搜索方式：記粒子群中第i個(gè)粒子的位置和速度分別為Xi= {xn，xi2,…，xi49} 和Vi= {v n, vi2，…vi49}，根據(jù)下式對(duì)粒子的速度和位置進(jìn)行更新： vid (t+1) = vid (t) +C^1 (pid (t) -Xi (t)) +c2r2 (pgd (t) -xid (t)) (2. 3) xid (t+1) = xid(t)+vid(t+l) (2. 4) 其中，vid是粒子的速度，v ide [-vmax, vmax]，Cl，c2是學(xué)習(xí)因子，I^r2是[0,1]的均勻隨 機(jī)數(shù)，Pid是第i個(gè)粒子迄今為止搜索到的最佳位置，P gd是整個(gè)群落迄今為止搜索到的最佳 位置； (3) 適應(yīng)度函數(shù)：適應(yīng)度函數(shù)用來評(píng)價(jià)粒子的質(zhì)量，以路口車輛延誤時(shí)間作為評(píng)價(jià)性 能的指標(biāo)，則將車輛延誤時(shí)間的倒數(shù)作為適應(yīng)度函數(shù)， / = - (2. 5) D 3. 2算法流程 (1) 設(shè)定粒子的個(gè)數(shù)η和粒子維數(shù)D，隨機(jī)變量cdP c 2，最大更新速度Vmax和最小更新 速度Vmin，粒子位置的最大值1_和最小值X min以及最大迭代次數(shù)t ; (2) 根據(jù)公式（2. 5)計(jì)算粒子的適應(yīng)度； (3) 更新個(gè)體極值：將個(gè)體的適應(yīng)值和該個(gè)體最優(yōu)適應(yīng)值進(jìn)行比較，若更好，則將其作 為該粒子個(gè)體的最優(yōu)適應(yīng)值，并用當(dāng)前位置作為該粒子個(gè)體的最優(yōu)位置； (4) 更新全局極值：將每個(gè)粒子的適應(yīng)值與當(dāng)前群體最優(yōu)值比較，若更好則將其作為 群體迄今為止的最優(yōu)值，并將當(dāng)前位置作為群體的最優(yōu)位置； (5) 對(duì)每個(gè)粒子的速度和位置進(jìn)行更新； (6) 若達(dá)到最大迭代次數(shù)則搜索結(jié)束，將適應(yīng)值最大的粒子所對(duì)應(yīng)的參數(shù)作為全局最 優(yōu)解；否則轉(zhuǎn)⑵； 步驟4.清晰化 由步驟3得到的仍是模糊量，采用面積中心算法對(duì)其進(jìn)行清晰化，
(2 6) 其中：μ i為模糊子集隸屬度，τ i為輸出變量，T為清晰值。
【專利摘要】本發(fā)明公開了一種基于改進(jìn)的模糊控制的紅綠燈優(yōu)化配時(shí)方法。本發(fā)明針對(duì)單交叉路口交通流的動(dòng)態(tài)特性，首先根據(jù)路口傳感器檢測(cè)到的各個(gè)路口的等待車輛，計(jì)算該路口的車輛平均延誤時(shí)間，并以此為性能優(yōu)化的評(píng)價(jià)指標(biāo)。之后采用模糊控制器對(duì)紅綠燈的配時(shí)方案進(jìn)行優(yōu)化控制，并用粒子群算法對(duì)模糊規(guī)則進(jìn)行優(yōu)化。本發(fā)明能有效避免人為設(shè)定模糊規(guī)則而導(dǎo)致的主觀性和盲目性，提高算法的優(yōu)化性能。
【IPC分類】G08G1-08
【公開號(hào)】CN104766485
【申請(qǐng)?zhí)枴緾N201510150649
【發(fā)明人】劉俊, 鄭志杰, 彭冬亮, 陳華杰, 左燕
【申請(qǐng)人】杭州電子科技大學(xué)
【公開日】2015年7月8日
【申請(qǐng)日】2015年3月31日