考虑行人效益的拥挤交叉口多目标配时优化

机动车流量、行人流量均较大的信号控制交叉口,行人路权往往过低,过街闯红灯现象普遍,且难以控制与避免,严重降低了交叉口运行效率。为了有效解决这一问题,采用机动车效益、行人效益、交叉口通行能力为评价指标,以交叉口饱和度为约束条件,在机动车效益指标中考虑了行人闯红灯对机动车造成的延误影响,建立了交叉口多目标信号配时优化模型;设计了求解模型的遗传算法。算例结果表明,所提出的模型能较好改善交叉口综合效益。     

多目标相容控制在过饱和相邻交叉口控制中的应用

提出一种基于IPNSGA-Ⅱ（Iterative Predictive Nondominated Sorting Genetic Algorithm-Ⅱ）的多目标 相容控制方法,用于处理过饱和状态下相邻交叉口的信号控制问题．引入主线延误和次线延误的概念,采用反 向传播神经网络BPNN（Back Propagation Neural Network）方法,利用从交通流仿真中获得的数据,建立了一个 多输入多输出的延误模型;将控制问题表示为一个有冲突的多目标控制问题,提出一种新的基于IPNSGA-Ⅱ 的多目标相容控制算法来实现在线控制．提出的相容控制算法具有鲁棒性、实时性、动态性的特点,能够很 好地处理有冲突的多目标控制问题．在一个由11 个交叉口组成的路网仿真环境下对本文所提出算法进行了 测试,并将计算结果与单点控制策略进行了比较．结果表明,本文方法比单点控制策略能够更有效地缓解网 络中的过饱和状态,并减小延误．     

单层网络目标控制的多属性决策方法

目标控制,旨在研究如何选择与控制网络中的部分节点,已有工作主要采用随机选取和局部选取来进行,并没有考虑节点的重要性。针对现有的复杂网络节点重要性的评价指标比较单一的问题,在目标控制中采用了一种基于多属性决策的节点重要性综合评价方法,从不同的角度,利用网络中多个节点重要性指标,分别给出不同的权重对节点进行综合评价并且排序,以此选取重要的节点进行目标控制。在人工生成数据及真实数据集上的实验结果表明,该方法能够选出较少的驱动节点。     

模糊多目标优化控制

本文提出了对复杂过程进行高质量控制的模糊多目标优化控制(FMOC),它由两部分组成:模糊多目标预测控制(FMPC)和自适应的模糊多目标控制(AFMPC)。FMOC不仅能体现操作人员控制行为的多目标性,而且还能反映其心理过程对控制行为的影响,它基于对控制目标的全面评价来实现对过程的控制。将FMOC用于列车运行控制的仿真,结果证明了它的适用性。     

单交叉口的多相位模糊控制

基于人对多相位单交叉口交通指挥的决策过程,设计了一种新的模糊感应控制 器,把队长作为控制目标,综合考虑相邻相位车道上的车队长度,以此来决定绿时分配.仿真及 实际应用结果表明：新的模糊控制方法更接近人的决策过程,能更有效地进行单路口多相位 闭环控制.     

多目标进化算法及其在控制领域中的应用综述

多目标进化算法在求解多目标优化问题方面具有独特的优势.对此,介绍了多目标进化算法的基本原理,讨论了多目标进化算法的一系列改进方法;论述了近年来多目标进化算法在自动控制领域中的最新研究成果,并对其未来的发展方向进行了展望.     

动态系统控制器的多目标优化设计方法

1　引言在控制系统理论与应用中 ,有两种多目标优化控制的提法 ,其一是将控制系统的传递函数的 l1 范数、H∞ 范数和 H2 范数作为目标函数的多目标优化控制 ,这方面的工作可参考文 [1 ]及所引用文献 ;其二是将控制系统的一些时域性能指标作为优化目标的多目标优化控制 .本文考虑后一种形式的多目标优化控制问题 .众所周知 ,对一个动态系统设计控制器时 ,一般有多个指标需要考虑 .最优控制器的设计可以是将这些指标加相应的权系数作和求解最小问题 .但是 ,这样处理存在两个问题 :对于某些问题 ,采取重要目标加大权往往达不到期望的目的 ;另…     

飞机飞行控制多目标优化研究

针对飞行控制系统单目标优化算法与飞行品质要求之间缺乏相关性,且物理意义不明确的缺点,提出了一种基于C*准则的模型参考飞行控制设计多目标优化方法。首先,使用飞行品质建立参考模型,保证所建立的参考模型符合期望飞行品质的要求。然后,通过模型跟随的方法,将飞行品质的要求引入多目标优化中,使得整个优化设计过程物理意义更加明确。最后,使用多目标NSGA-II对某型飞机纵向控制律设计进行数值仿真,结果显示提出的方法可以有效地提高控制器参数整定效率,整定结果满足期望的飞行品质要求。     

城市单交叉路口交通信号实时优化控制与仿真

针对城市道路单点交叉口交通流的到达特性,将路口到达的交通流划分为4种状态,提出了“基于状态划分的多相位交通信号实时控制方法”,该方法根据路口各状态下交通流的到达特征和控制目标,为不同交通状态选择合适的性能指标,并建立各状态下交通信号的动态配时模型。同时,设计了一种改进的自适应实数编码遗传算法对交通信号配时模型进行求解,该算法采用基于分类的排序惩罚机制对约束进行处理,并引入模拟退火算子增强遗传算法的局部搜索。最后,采用3种算法对实例进行大量的数值计算和Paramics仿真,计算和仿真结果均表明所设计的算法求解精度高且模型具有良好的控制效果。     

结合Q学习和模糊逻辑的单路口交通信号自学习控制方法*

针对城市交通系统的动态性和不确定性,提出了基于强化学习的信号交叉口智能控制系统结构,对单交叉口动态实时控制进行了研究。将BP神经网络与Q学习算法相结合实现了路口的在线学习。同时,针对交通信号控制的多目标评价特征,采用基于模糊逻辑的Q学习奖惩信号设计方法,实施对交通信号的优化控制。最后,在三种交通场景下,应用Paramics微观交通仿真软件对典型十字路口进行仿真实验。结果表明,该方法对不同交通场景下的突变仍可保持较高的控制效率,控制效果明显优于定时控制。     

单点交通信号控制系统的优化设计与仿真

针对城市固定相序的单点交叉口多相位交通信号进行控制,设计了基于车流量预测的动态调整相位最大绿灯时间的模糊控制系统。综合评估当前相位、后续相位的交通需求度,以此决定绿灯时间分配。系统采用遗传算法对模糊隶属度函数进行优化调整,使隶属函数的选取更为合理,随交通状况的改变自适应地调整。仿真结果表明,该方法能有效降低通行车辆在交叉口的平均等待时间,提高平均车流速度,控制效果明显优于传统控制方法。     

基于NTP的交通控制系统时钟同步技术研究

在城市区域交通控制系统中,引入时间服务器、时间中介节点和外部时间基准GPS,设计一种基于网络时间协议(NTP)的系统时钟同步算法.该方法采用主动对时机制,消除了网络竞争机制对系统对时精度的影响,避免了网络"冲突"造成的交通信息传输延时,可方便经济地为交通控制系统各设备提供精确的时间,实现系统时钟的统一.     

基于D-S证据理论的区域交通自适应协调控制

针对城市区域交通控制问题,提出了一种基于D-S证据理论的实时协调控制方法.在交通调查基础上,依据交通量将区域交通状况分为若干类;采用交通分析软件对每一类的典型交通量数据进行仿真分析,从而获得最优配时方案;系统运行时检测交通量,并采用基于D-S证据理论的模式匹配方法,判断当前交通状况属于哪一模式,于是系统将运行相应的配时方案;与此同时,根据检测的交通量数据,定期更新系统存储的交通模式及其对应的最优配时方案。仿真结果表明本文提出的新方法是可行而有效的.     

基于免疫遗传算法的区域交通自适应协调控制

提出一种基于改进免疫遗传算法的城市区域交通自适应协调控制方法.采用两层的递阶分布式结构;分阶段和分级优化控制参数(周期、相位差和绿信比),每个阶段长5~30分钟,周期、相位差由区域控制级每个阶段优化一次,绿信比由路口控制级每个周期优化一次;采用最小化平均延误时间或平均停车次数等为性能指标.周期、相位差和绿信比均采用改进的免疫遗传算法进行优化.仿真结果表明本文提出的方法是可行而有效的.     

快速路入口匝道与衔接交叉口协调控制策略

提出一种入口匝道与衔接道路交叉口协调控制的策略。采用ALINEA入口匝道控制方法保证主线畅通的前提下,在入口匝道与衔接交叉口均无超长排队时,以入口匝道与衔接信号控制交叉口车均延误最小化为目标;入口匝道无超长排队而衔接交叉口关联相位存在超长排队时,采用衔接交叉口关联相位延长控制策略;在入口匝道存在超长排队而衔接交叉口关联相位无超长排队时,采用衔接交叉口关联相位提前结束控制策略。采用cell transmission model模型构筑入口匝道控制与相衔接交叉口协调控制的模型,实时动态优化地面交叉口的周期跟绿信比。研究结果表明：采用提出的控制方法,衔接交叉口的车均延误虽然有轻微增加,但可以有效防止入口匝道的拥堵蔓延至普通道路,从而可以保证出口匝道衔接区域的畅通,衔接区域的车均延误减少。     

监督交通量变化的多模型预测自适应交通信号灯控制

因信号设定时间和车流量动态行为引起的交通量变化是现代交通控制系统存在高度不确定性的主要因素.根据交通流量具有高峰期、正常期及突发超流量期的特点,本文提出了一种监督多模型交通流量建模方法,结合模型预测控制技术对交通信号灯进行优化式智能控制,对不同交通模式下交通流量的实时变化作出反应,在优化的模式下对关键主干道交叉路口的信号灯进行自适应调节,达到实现通行次数合理,车辆延误时间以及停车时间都减少的目的.仿真示例说明了该方法的有效性.     

面向交通信号的两层递阶控制解决方案

针对现有交通信号控制系统的诸多不足,提出了一种用于交通信号控制的两层递阶多Agent系统解决方案。通过将交通网络进行区域划分,利用底层Agent控制各交叉口,顶层Agent控制区域,从而实现两层递阶控制。底层Agent采用经典Q学习同步学习最优策略,顶层Agent利用Tile Coding非凡的连续空间处理能力,实现Q学习的动作值函数逼近方法。仿真实验结果表明,该分层递阶控制不但提高了交通信号控制系统效率,而且也为大规模应用提供了很好的可伸缩解决方案。