基于NashCC-Q学习的两交叉口信号灯协调控制

提出一种NashCC-Q学习算法用于解决两交叉口信号灯协调控制问题.根据博弈论概念,相邻两交叉12之间的协调控制问题属于二人非零和合作博弈类型.在Nash.Q学习算法的基础上,将Q值函数的更新建立在Nash合作博弃中提出的Nash"公理方法"求博弈谈判解的基础上,进而解决合作博弈的问题,实现两交叉口信号灯协调控制.采用Paramics仿真软件进行仿真,结果表明该方法的有效性.     

线控系统协调优化模型及其改进粒子群算法研究

为合理控制线控系统,控制参数应协调设置.本文基于分层递阶技术优化设计控制参数.首先将元胞传播模型(CTM)进行改进,考虑出口道车队离散延误,建立干线路段及交叉口分流、合流交通流模型,使CTM适于网络交通流分析.然后,针对线控系统现状研究忽视共用周期优化的问题,基于控制参数间的相依关系,考虑上、下行相位差关系,建立两级递阶控制模型;协调级根据主次干道车流状况,以系统总延误最小为目标同时优化共用周期和双向相位差;控制级优化绿信比使所控交叉口延误最小.同时,采用分段变化的惯性因子选择机制改进粒子群优化算法.最后,将协调优化模型及其粒子群算法应用于某仿真线控系统,比较研究发现协调控制效果良好.     

基于Q学习算法的两交叉口信号灯博弈协调控制

Q学习和博弈论相结合解决相邻两交叉口信号灯协调控制问题。在基本Q学习算法的基础上引入博弈论,以Q值作为赢得函数建立赢得矩阵。相邻两交叉口之间的协调关系属于二人非零和合作博弈,采用Nash公理方法求得其谈判解,并以此作为Q学习策略选择的依据实现两交叉口协调控制。应用Paramics交通仿真软件进行算法仿真,结果表明该方法的有效性。     

城市交通干线递阶模糊控制及其神经网络实现

利用大系统的分解-协调思想、模糊理论和神经网络技术来进行城市交通干线的实时协调控制.把交通干线作为一个大系统,子系统为干线上的各个交叉口,在此基础上,设计了一种城市交通干线的两级模糊协调控制算法并用BP神经网络实现.控制级在线调整各子系统的信号周期和绿信比;而协调级则根据测得的交通信息协调相邻子系统间的车辆数.控制目标是使干线交通畅通并使平均车辆延误时间尽可能小.最后进行了仿真研究,结果表明,该方法比车辆全感应式控制能有效地减小平均车辆延误.     

基于路段速度区间的干道协调控制模型研究

传统的干道协调控制模型均以路段的平均速度或设计速度为前提设计绿波协调控制方案,但路段实际车速受驾驶员行为、车辆汇入汇出、公交车进出站台等因素影响,往往无法用单一的数值去衡量,实际速度应有一定的波动区间.论文以传统的混合整数线性规划模型为基础,通过分析路段最小速度和最大速度对带宽的影响和要求建立了基于路段速度区间的干道协调控制模型,并通过与其它两种主流方法进行对比说明了模型的有效性.最后,通过仿真验证说明在路段速度处于一定的区间时该模型优化得到的控制方案对车流的排队长度、延误时间和停车次数有显著的改善.     

混合动力汽车机电复合制动控制系统研究

通过分析和研究混合动力汽车在低附着系数路面制动时制动系统的工作状态与要求,针对具有独立的电机回馈制动控制系统和独立的液压制动控制系统的混合动力汽车,设计了一种新颖的回馈制动与防抱死制动机电复合模糊控制系统.该两层分级控制系统顶层协调控制电机回馈制动与液压制动过程工况分配,底层协调控制力矩分配与调节.对控制策略与方法进行了研究并通过仿真与试验进行验证,结果表明车辆制动性能良好,能量回收制动力矩和液压制动力矩能够协同工作,部分制动能量被回馈储存,控制策略与方法有效且鲁棒性好.     

单交叉口多策略模糊控制算法与优化

大量研究表明,模糊交通信号控制算法在性能上明显优于传统方法,但现有研究大多采用单策略控制,在复杂多变的城市交通流条件下,难以充分发挥交叉口的通行能力.为此,在深入分析交通需求的基础上,提出了基于模糊理论的多策略模糊控制算法.同时,为克服用经验法确定多套模糊策略的困难与不足,还设计了基于遗传算法的模糊规则和隶属度函数优化方法.仿真结果表明,多策略模型优于单策略模型,更优于传统交通控制方法.     

新型变论域模糊控制器在交通信号控制中的应用

在双模糊控制器协调控制交通信号的基础上,针对模糊控制中论域范围选择和隶属度函数在论域中合理分布的难题,改善通过函数模型获得输入输出变论域伸缩因子的方法,提出一种采用模糊推理来替代函数模型,根据输入输出量的大小来相应改变模糊控制器的输入输出变量的论域范围的新算法。仿真结果表明,与传统的基于函数模型的变论域模糊控制器相比较,此方法避免了基于函数模型的变论域模糊控制器的函数系数和模型参数选择上的困难,更加方便地实现了控制器自调整和自适应,并大大减小了车辆平均延误时间,为车队更顺畅地通过交叉路口提供了保证。     

基于GA的城市交叉口信号控制模糊规则优化

根据城市交通系统中单交叉口信号控制的具体情况，对遗传算法进行了改进，并利用改进的遗传算法对交叉口信号模糊控制器的模糊规则进行优化，建立新的优化算法．计算机仿真结果表明，采用改进的遗传算法方法优化模糊控制规则，可以减少因人的经验的局限性而导致的模糊规则的不完备性，使得控制器实用性更强，控制效果更好．     

基于车流无缝衔接的短连线交叉口协调控制方法

针对短连线交叉口经常出现排队溢出的问题,以交叉口的车均延误最小为优化目标,建立基于车流无缝衔接的短连线交叉口协调控制模型,运用波动理论建立排队约束模型,加入左转车流排队长度约束。最后,采用交通控制仿真软件验证本文提出的协调策略的有效性和适用性。仿真结果表明:采用基于车流无缝衔接的协调控制方法后,车均延误降低了38.3%,且无左转排队溢出。     

基于神经网络实现的交叉口多相位模糊逻辑控制

针对城市交叉口交通流的分布特点,给出了一种自适应交叉口多相位控制算法,考虑相邻车道上的车辆排队长度,利用多层BP神经网络实现了道路交叉口多相位模糊控制.仿真结果表明,文章所设计的模糊神经网络控制器能有效地减少单交叉口平均车辆延误,具有较强的学习和泛化能力,为实现交通系统智能控制提供了一条新途径.     

维持道路服务水平的模糊控制算法设计及其仿真

道路服务水平是标志运输服务质量的重要指标，随着城市道路网络中交通流量的迅速增加，维持期望的道路服务水平显得越来越重要，本文利用模糊控制原理设计了通过改变路段进口信号灯配时方案，控制进入路段的交通流量，实现维持道路服务水平的信号交叉口控制算法，对算法进行仿真分析表明，利用模糊控制原理设计的交叉口信号配时方案，能够很好地反映道路管理者的决策思想，也表明要维持道路期望的服务水平，交叉口的信号配时方案必须随着交通流量的改变而改变。     

交叉路网交通灯的协调模糊控制方法

交通灯的控制是城市交通系统中一个重要的问题，本文探讨了一种新的交叉路口网交通灯的协调模糊控制方法，首先在交叉和阵道上设置流量检测器得到路口的交通数据；然后根据路网多个节点的交通动态特征，提出了一个种模糊规则来控制交通信号灯的延长时间和相位变化，使得整个整网车辆的平均时延得到优化，这个方法与一种典型方法作了比较，并且给出了仿真实例，其结果相当令人满意。     

信号交叉口人机混驾交通流速度控制策略建模

为分析人机混驾交通流下网联自动驾驶车辆（connected and autonomous vehicles，CAV）速度控制策略对交通流运行特征的影响，构建了考虑驾驶员对行车信息获取不确定性的人工驾驶车辆交叉口通行决策模型。提出考虑前车速度影响的自动驾驶速度控制策略，构建信号交叉口连续型元胞自动机更新规则，通过引入不同CAV渗透率、道路饱和度、控制区长度参数，研究CAV速度控制策略对信号交叉口交通流运行特征的影响。结果表明：CAV能显著提高交叉口通行能力，且车流通过交叉口区域的延误显著降低；同时速度控制策略的实施效果还受控制区长度的影响，呈现出随着控制区长度的增加，车均延误逐渐降低并趋于稳定。     

采用系统科学方法优化交通信号灯的控制策略

为了控制车辆在交叉路口顺畅通行,本文在介绍交通信号灯系统结构、运行模式及工作流程的基础上,分析了系统控制中不同策略的方法,使用在不同的时段采用不同的路口控制模式,自适应地控制车辆通行时间,并根据路口间距采用不同的开启时刻以及使用交通诱导策略,减少车辆等待时间,提高车辆通行效率,保证整个交通系统的高效流通,而且通过车载标签及时掌握的车速、车型和交通量等交通信息可以为该路段远期规划的交通预测提供基础数据,对智能交通控制具有很大的指导意义。     

多态交通条件下无信号交叉口通行能力模型

为适应交叉口交通流的多态性, 基于混合Erlang分布稠密性, 采用期望最大化算法准确拟合交叉口主路交通流到达车头时距数据. 以次路让行主路交叉口为研究对象, 统计交叉口次路穿越主路的可接受间隙概率, 提出基于混合Erlang分布的无信号交叉口通行能力模型. 以实际交叉口调查车头时距为例, 采用负指数分布、Erlang分布和混合Erlang分布分别拟合车头时距, 并采用不同分布条件下无信号交叉口通行能力模型计算次路的通行能力, 结果表明不仅混合Erlang分布更好拟合分布数据, 所提出的无信号交叉口通行能力模型分析结果也更为准确.     

基于蚁群算法的交通控制与诱导协同研究

以路网总行程时间最小为目标,兼顾路网流量的均衡,建立了城市交通控制与诱导的协同模型。引入了蚁群算法的思想,并利用此算法对模型进行求解,得到最佳路径和最佳信号配时方案;最后采用小型路网进行仿真试验,通过跟实际的交通流对比,表明此方法能有效均衡路网流量,并能有效节约路网的总行程时间。     

基于OLS算法的RBF神经网络高速公路事件探测

高速公路事件是指破坏正常交通流并造成交通阻塞的非重现随机发生的事件。事件发生后对其进行快速可靠的探测对减少交通延误、保障道路安全、减少环境污染具有十分重要的意义。文中提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法，同时改进了用于RBF神经网络训练的OLS(正交最小二乘)选择算法。仿真实验证明，改进的OLS选择算法大大提高了RBF神经网络的训练速度，同时具有无须事先确定RBF中心的优点，将之运用于公路事件探测可以获得满意的性能。