基于分层并行灾变粒子群算法的交通控制

提出了分层并行策略结合灾变模型的混合粒子群算法--分层并行灾变粒子群算法(HPCPSO),它能提高算法的收敛性和稳定性.同时通过对交叉口交通情况的研究,把车辆延误、车辆停车数和能源消耗都纳入性能指标值PI,建立了区域交通协调控制优化模型.在此模型的基础上,应用分层并行灾变粒子群算法实现了交通信号优化控制及验证算法.仿真结果表明,分层并行灾变粒子群算法相对于基本粒子群算法提高了寻找全局最优解的能力,能够有效实现交通信号优化控制.     

灾变粒子群优化算法及其在交通控制中的应用

城市交通系统是一个随机性很强的、复杂的巨型系统。为了获得良好的通行效率,必须对城市区域交通协调控制信号进行整体优化,但是到目前为止还没有一个能较好完成此项任务的、实用的实时智能优化方法。在粒子群优化算法中引入灾变策略和模型,开发了灾变粒子群优化算法,解决了基本粒子群算法易陷入局部极小点的缺陷,并将其应用于城市区域交通协调控制信号配时优化。仿真结果表明:与基本粒子群算法(在陷入局部极小点时)、固定周期法和遗传算法等配时方法相比,采用所开发的灾变粒子群优化算法对区域交通协调控制信号进行智能优化配时,被控区域的车辆平均延误可以分别平均减少25.2%、41%和11.5%,并可以大大提高路口的通行效率。开发的灾变粒子群优化算法也可以应用于其他许多对象的优化。     

基于三群协同粒子群优化算法的区域交通控制

根据我国城市交通的特点,提出一种基于三群协同粒子群优化算法的城市区域交通自适应协调控制方法。采用两层递阶分布式结构,分阶段优化控制参数(周期、相位差和绿信比),每个阶段长10-3O分钟,周期、相位差由区域控制级每阶段优化一次,绿信比由交叉口控制级每周期优化一次。采用车辆延误为性能指标,周期、相位差和绿信比均采用三群协同粒子群算法进行优化。仿真结果表明该方法是可行而有效的。     

基于双向并行灾变粒子群优化算法的城市环路交通协调控制系统

根据我国部分城市道路网包含多条环路的特点,设计了一种双向并行灾变粒子群优化算法的城市环路交通协调控制系统。该系统以路网中的闭合环路作为控制子区,采用三层递阶分布式结构和双向并行灾变粒子群优化,分阶段优化控制周期、相位差和绿信比,并对不同闭合环路进行协调控制形成预选方案。通过系统设定的面控率进行判断、选择,最终确定信号控制方案。示例验证结果表明该控制系统能有效减少区域车辆总延误,减少停车次数。     

模拟退火粒子群算法在新交通控制模型中的应用

城市交通系统是个随机性很强、复杂的巨型系统,为了获得良好的通行效率,提出了一种基于模拟退火温度的自适应粒子群优化算法,同时给出了一种城市区域交通协调控制信号配时模型,然后将提出的方法应用于此模型。仿真结果表明：这种算法不仅能够克服基本粒子群算法陷入局部寻优的缺点,而且算法的收敛性和稳定性都很好,同时也表明该模型是可行的、有效的。     

基于量子粒子群算法的实时多交叉口信号控制

随着城市交通日益发展,如何提高城市交通效率是目前十分关注的问题.为了解决交叉口过饱和交通流控制问题,基于交通流向动态组合的感应控制方案,设计了一种实时多交叉口协调控制(Real-time Intersection Coordination Control,RIC2)模型.该RIC2感应控制模型,以单个交叉口优化为基础,延伸到多个交叉口,形成区域之间的协调控制,同时采取一种改进的量子粒子群算法(Improved Quantum Particle Swarm Optimization,IQPSO)对信号配时进行自适应优化.仿真结果显示上述模型能显著提高城市的通行效率,具有一定可行性.     

基于Petri网建模的并行粒子群算法

粒子群优化算法,起源于鸟群行为的研究,是一种基于群智能的进化计算技术,通过粒子之间的协作与竞争以实现对多维复杂空间的高效搜索。提出了基于Petri网的并行粒子群算法,并采用经典测试函数验证算法的有效性。测试结果表明,算法能很好地控制粒子群优化过程中的早熟问题,并能够较好地得到群落全局最优解。     

一种并行的自适应量子粒子群算法

针对粒子群算法存在易陷入局部最优解的问题,提出了一种并行的自适应量子粒子群算法。通过共享粒子的两个极值,将改进后的自适应粒子群算法和边界变异的量子粒子群算法并行搜索,有效地克服了标准粒子群算法的缺陷。测试结果表明,该算法在精度和全局最优解的找寻速度方面有了很大的提高。     

并行仿真的粒子群优化算法异步模式研究

粒子群优化算法,起源于鸟群行为的研究,是一种基于群智能的进化计算技术,通过粒子之间的协作与竞争以实现对多维复杂空间的高效搜索。该文研究了粒子群优化算法的生物特征,提出粒子群优化算法的异步模式,使进化中的粒子个体充分表现出独立性,种群表现出异步性。异步模式的程序实现通过MFC多线程并行仿真实现。最后,采用经典测试函数验证异步模式的有效性,测试结果表明：与同步模式(经典PSO算法)比较分析,异步模式的收敛速度显著提高,同时刻的寻优效果更好。     

具有量子行为粒子群优化算法的并行化研究

在研究了具有量子行为粒子群算法的基础上,受遗传算法并行化的启发,对具有量子行为的粒子群算法提出并实现了新的并行化策略。针对通信时间过长的问题,提出了改进方法。最后通过benchmark测试函数,将并行化量子粒子优化算法和二进制遗传算法、十进制遗传算法、粒子群优化算法的并行化方法进行了仿真比较,并对结果进行了分析。     

一种基于粒子群的交通信号离线配时优化方法

提出了一种基于粒子群的交通信号离线配时优化方法,采用实数编码表示区域内各信号交叉口的各相位绿灯时间,不同的配时方案对应于不同的粒子,粒子的适应度利用微观交通模拟获取的总延迟时间进行评价,最后得到的具有最小延迟时间的粒子即为最优配时方案。与已有的离线配时技术相比,提供了一种编码形式简单、参数较少、计算速度较快的信号配时智能优化方法。     

基于聚类分析的微粒群算法

在对基本PSO算法进行分析的基础上,针对PSO算法中的早熟收敛问题,提出了一种基于聚类分析的PSO算法（CPSO）。CPSO算法保证了微粒种群的多样性,使微粒能够有效地进行全局搜索。并证明了它依概率收敛于全局最优解。最后以典型的基准优化问题进行了仿真实验,验证了CPSO的有效性。     

结合梯度法的混合微粒群优化算法

在微粒群优化算法PSO中引入梯度算法,提出了一种新型的混合微粒群优化算法——GPSO。该混合优化算法是对PSO每一次进化后的所有微粒进一步执行梯度法寻优操作,并以寻找到的更优个体替代当前个体参与群体的下一代进化。GPSO既利用了PSO出色的全局搜索能力,又借助梯度法的快速局部寻优能力,很好地将两者的优势结合在一起。数值实验表明：无论是对于低维的多峰函数,还是高维的多峰和单峰病态函数,GPSO都表现出很强的优化效率、适用性和鲁棒性。     

基于深度强化学习的城市交通信号控制算法

针对城市交通信号控制中如何有效利用相关信息优化交通控制并保证控制算法的适应性和鲁棒性的问题，提出一种基于深度强化学习的交通信号控制算法，利用深度学习网络构造一个智能体来控制整个区域交通。首先通过连续感知交通环境的状态来选择当前状态下可能的最优控制策略，环境的状态由位置矩阵和速度矩阵抽象表示，矩阵表示法有效地抽象出环境中的主要信息并减少了冗余信息；然后智能体以在有限时间内最大化车辆通行全局速度为目标，根据所选策略对交通环境的影响，利用强化学习算法不断修正其内部参数；最后，通过多次迭代，智能体学会如何有效地控制交通。在微观交通仿真软件Vissim中进行的实验表明，对比其他基于深度强化学习的算法，所提算法在全局平均速度、平均等待队长以及算法稳定性方面展现出更好的结果。其中，与基线相比，平均速度提高9%，平均等待队长降低约13.4%。实验结果证明该方法能够适应动态变化的复杂的交通环境。     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于速度夹角的粒子群协同优化算法

粒子群算法（PSO）是一种随机全局优化算法，在许多领域得到了广泛应用。针对PSO存在易陷入局部极值、进化后期收敛速度缓慢的缺点，提出一种基于速度夹角的粒子群协同优化算法（V-PSCO），并且引入了一种基于高斯分布的累积分布函数的惯性权重调整策略。将V-PSCO用于几种典型函数的优化问题，结果表明，V-PSCO具有更强的全局搜索能力，优化性能明显提高。     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

基于聚类分析的随机微粒群算法

在对一种保证全局收敛的微粒群算法——随机PSO算法（SPSO）进行分析的基础上,提出了一种基于聚类分析的随机微粒群算法（CSPSO）。CSPSO算法保证了种群的多样性,使微粒能够有效地进行全局搜索。并证明了它依概率收敛于全局最优解。最后以典型的复杂基准优化问题进行了仿真实验,验证了CSPSO的有效性。