交通流诱导与控制协同优化模型的遗传算法求解

以路段和交叉口的加权拥挤程度最小为目标,建立诱导和控制的协同优化交通流分配模型,并提出基于遗传算法的求解.采用动态滚动式计算模型算法得出的均衡流量调整为诱导信息的发布提供定量依据,能够将诱导和控制协同起来均衡路网流量,避开拥挤.小路网试验结果表明该模型算法实时、有效,便于实施.     

交通流诱导与控制协同的双目标优化模型及准最优求解算法

提出了一种基于消散拥堵和系统总出行时间最小的双目标诱导控制协同优化模型,算法引入饱和度的概念,采用小步距微量调整信号配时、试算优化的方法,适当加载或卸载交通量,优化交叉口信号配时,使交通流在不断反馈与不断调整过程中达到最优。采用VISSIM建立模拟路网进行了协同算法试验,并对协同实施效果进行了评价,结果表明:在进行3次协同后拥堵基本消散,经过第4、5次协同能实现系统总行程时间尽可能小。     

城市交通流诱导系统与交通控制系统集成中的信息处理

分析了诱导和控制集成下的实时交通信息采集和信息传输过程,描述了城市交通流诱导系统与交通控制系统集成中的信息处理理论模型,建议采用基于出行者出行行为的动态交通分配模型,并在此基础上给出了全局最优路径的动态交通分配模型.此外还提出系统集成中的网络通信采用计算机支持的协同网络,并给出了一种基于Multicast通信的数据通信方式.     

城市交通流诱导系统与交通控制系统集成中的信息处理

分析了诱导和控制集成下的实时交通信息采集和信息传输过程,描述了城市交通流诱导系统与交通控制系统集成中的信息处理理论模型,建议采用基于出行者出行行为的动态交通分配模型,并在此基础上给出了全局最优路径的动态交通分配模型。此外还提出系统集成中的网络通信采用计算机支持的协同网络,并给出了一种基于Multicast通信的数据通信方式。     

交通流诱导系统信息采集技术

讨论了交通流诱导系统的交通流量、行程时间和行程速度的采集技术,提出了一种改进的牌照识别法,该方法适合于交通流密集路段上的交通数据采集。     

基于多智能体的交通信号控制与路径诱导的协同

在总结已有交通信号控制与路径诱导协同模型的基础上,分析了路段行程时间函数与信号控制策略对协同模型求解唯一性与收敛性的影响;设计了交通信号控制与路径诱导协同研究的多智能体模拟系统。该系统由交叉口控制智能体、路径诱导智能体、信息处理智能体组成,具有较大的灵活性与可扩展性。该模拟系统中路径诱导策略是用户最优策略,交通流动力学由元胞传输模型描述,信号配时由基于元胞的交通控制模型优化。模拟结果表明,实施交通信号控制与路径诱导协同后,路网总行程时间最多可减少41.4%。     

城市主干路交通流多目标优化控制

提出一种城市主干路交通流多目标优化控制方法，分析了多目标优化的性能指标及其约束条件，用线性预估方法预估单个交叉路口下一周期的车流量，模糊推算单个路口周期大小，用遗传算法优化平均车辆延误，获得每个路口的绿信比，在此基础上，再用遗传算法优化整条主干路的交通流量，获得主干路统一周期，最后，将周期的值根据绿信比分配到每个路口的各个相位，控制信号灯的转换．仿真结果表明该方法优化性能良好，性能稳定。     

交通流诱导系统信息采集技术

讨论了交通流诱导系统的交通流量、行程时间和行程速度的采集技术,提出了一种改进的牌照识别法,该方法适合于交通流密集路段上的交通数据采集。     

城市主干路交通流多目标优化控制

提出一种城市主干路交通流多目标优化控制方法 ,分析了多目标优化的性能指标及其约束条件 .用线性预估方法预估单个交叉路口下一周期的车流量 ,模糊推算单个路口周期大小 ,用遗传算法优化平均车辆延误 ,获得每个路口的绿信比 ,在此基础上 ,再用遗传算法优化整条主干路的交通流量 ,获得主干路统一周期 ,最后 ,将周期的值根据绿信比分配到每个路口的各个相位 ,控制信号灯的转换 .仿真结果表明该方法优化性能良好 ,性能稳定     

基于Multi-Agent和“递阶集散”的UTCS与UTFGS协同实施研究

提出基于Multi-Agent技术和“递阶集散”的UTCS与UTFGS协同实施研究思路及UTCS与UTFGS的递阶集散体系结构,建立Agent的内部结构,采用博弈模型进行Agent间协同与全局优化,为UTCS与UTFGS协同的最终实现提供理论指导和方法依据。     

基于网络最大流的控制与诱导的协调试验

以路网所能传输的最大流为衡量指标提出了一种协调方法并设计了相应的试验.首先利用各类试验中网络最大流的突变情况确定了协调的边界,然后给出了调整控制策略、诱导策略或协调策略等多种协调方案,并提出了协调效果的评价准则,最后针对一个算例进行了4类相应的仿真试验,通过对试验结果的分析验证了协调的必要性和所提方案的有效性.     

基于Q-学习算法的交通控制与诱导协同模式的在线选择

采用Q-学习算法实现了交通控制与诱导协同模式的在线选择。首先,采用Q-学习算法训练多智能体,根据多智能体内部的推理得到不同交通状态下的最优协同模式,最终实现交通控制与交通诱导协同模式的在线选择与转换。仿真结果表明,本文提出的基于Q-学习算法的协同模式选择方法在一般交通拥挤状态下具有较好的协同控制效果,对比离线式模式选择方法更能适应交通状态的不断变化,从而达到有效避免严重交通拥堵、改善路网性能的目的。     

基于蚁群算法的交通控制降阶滚动优化

为解决大规模区域交通控制滚动优化问题中的约束条件复杂、解空间规模庞大的最优化难题，提出了一种基于改进蚁群算法的降阶滚动优化算法.基于宏观交通流模型建立了区域交通控制滚动优化模型，在蚁群算法中设计了层状解构造图对该模型解空间进行描述和求解.运用降阶方法将大规模区域分解成一系列子区域，在蚁群算法中设计了复合层状解构造图对该降阶模型的解空间进行描述和求解，并分析了基于两种解构造图的蚁群算法的计算复杂度.分析和仿真结果表明，该降阶算法提高了整体计算效率，明显地降低了总停车延误时间，适用于大规模区域交通控制的滚动优化.     

城市交通流诱导系统的框架研究

从中国城市交通的具体情况出发,结合中国城市交通控制特点及其他基础设施的特点,提出了一种适合中国国情的城市交通流诱导系统的结构框架;对框架中各个子系统之间的协调方式以及信息交换模式进行了规划;并对各个子系统的功能进行了讨论。由各个子系统相互协调构成的有机整体可以有效地控制城市交通状况,减少交通堵塞的发生。     

基于混合优化模型的平面交叉口控制方法

基于交叉口固有特性,建立了兼顾相位控制延误和排队长度两项优化目标的混合优化模型。在不改变交叉口固有相位相序的情况下,通过对周期时长和相位内有效绿灯时长的实时动态优化和配置,提高了交叉口的时空间资源利用率和运行效率。然后,应用遗传算法对混合优化模型进行了数值仿真。仿真结果表明:混合优化模型在约束条件下均可对处于不同交通需求、不同状态下交叉口的信号配时进行实时动态优化,并且优化后的周期时长和排队车辆数处于一种相对稳定状态,证明了模型的合理性和控制的有效性及稳定性。最后分别研究了不同交通需求下模型的控制特点,为今后模型的进一步改进提供了有效的依据。     

路网交通状态平衡控制方法

为了降低路网的拥挤度,提出了路网交通状态平衡控制方法。以交叉口最大饱和度代表交叉口交通状态,以路网最大饱和度最小为目标建立了路网交通状态平衡控制双层规划模型。利用遗传算法求解该规划模型,优化算法可以同时优化信号周期和各相位绿信比。考虑到整体延误、交通状态以及各个交叉口的重要度,对平衡控制方法进行了改进。数值模拟结果表明,本文方法可以在一定程度上降低关键区域的拥挤度。