相邻交叉口混合交通流鲁棒多目标信号优化控制

针对我国城市道路相邻交叉口混合交通流环境下智能信号控制中的不确定性和效率问题,提出一种基于鲁棒多目标优化算法的优化控制方法.设计了相邻交叉口的鲁棒多目标信号优化控制模型,并提出一种新的鲁棒多目标进化算法IDR-NSGA-Ⅱ,通过对自适应抽样技术、鲁棒度定义、鲁棒偏序关系定义等多项关键技术的综合改进,提升了算法的求解精度和运行速度.提出新的多属性决策方法 ELM-MADMA来选择配时方案.上海市相邻交叉口控制的仿真实验结果表明:IDR-NSGA-Ⅱ算法能够有效地实现周期时长扰动和交通流波动下机动车平均延误、道路通行能力、慢行交通平均延误、机动车平均停车率等多项性能指标的最优化控制;与其他决策方法相比,ELM-MADMA能够较好地进行决策,提升相邻交叉口智能信号控制的效率.     

基于模糊非支配排序遗传算法的多车型快速路交通拥堵和排放优化

以优化城市多车型快速路交通系统拥堵和排放为目标, 综合考虑了走行时间(total time spent, TTS)、走行距离(total travel distance, TTD)、匝道排队、尾气排放和燃油消耗这5个性能指标, 改进了多车型快速路宏观交通流模型Multi-class METANET和多车型排放模型Multi-class VT-macro. 提出了一个新的高维多目标优化算法——模糊非支配排序遗传算法(fuzzy non-dominated sorting genetic algorithm, FNSGA-Ⅲ), 对快速路的匝道汇入率和主路的可变限速(variable speed limit, VSL)值进行了优化, 实现了缓解主路和匝道交通拥堵以及节能减排的目标. 提出的FNSGA-Ⅲ算法, 基于自适应模糊推理系统(adaptive network-base fuzzy inference system, ANFIS), 对下一时刻高维多目标优化的超平面进行预测, 能够有效引导算法在迭代过程中的进化方向, 提高算法的收敛速度. 基于上海市广中路实际路网进行仿真实验. 结果表明, 与现有的单目标遗传算法和高维多目标NSGA-Ⅲ算法相比, FNSGA-Ⅲ算法结合改进的多车型宏观交通流模型, 可以更合理地设置期望速度与匝道控制策略, 更为有效地环缓解快速路的交通拥堵和排放.