论文部分内容阅读
动态交通网络的控制一直是城市交通问题的一个重点和难点，当城市中的车辆数目成爆炸式增长时，给城市的交通问题和环境问题带来了巨大影响，并且汽车尾气的排放也加剧了全球温室效应。交通拥堵一直是大城市交通网络面临的严重问题。如何控制交通信号是解决这个问题的有效策略之一，通过动态调整交通网络上的每个结点的信号计划可以缓解这个问题。国内外有很多研究人员致力于信号调整的优化算法研究。 本文主要从事交通网络中信号的优化控制，以达到减少车辆延时和停车次数的目的，使得其所需油耗减少，从而减少其尾气排放。在减少城市交通拥塞问题的同时，减少车辆对环境的影响，针对交通信号网络优化问题，本文提出采用扩展的元细胞传输模型，并引入串行粒子群算法进行该问题的求解，本文主要的工作内容如下: (1)针对动态交通网络的建模问题，采用扩展的元细胞传输模型(CTM，CellTransmission Model)进行建模。对基本的CTM模型中的会合模型和分叉模型进行了扩展，并建立了十字路模型，以适应现代城市动态交通网络的需求。并描述了如何将红绿灯时间引入到CTM模型中，为进行具体的交通信号控制提供了控制模型。最后在通用的AIMSUN和CTMSIM实验平台，进行扩展CTM模型的有效性评估。实验表明，扩展CTM对动态交通网络的建模是有效并且可行的。 (2)针对动态交通网络中信号控制的优化问题，提出了采用串行粒子群算法(TSCOPSA)进行该求解。对经过建模后的动态交通网络模型，进一步采用与基本粒子群算法处理方式所不同的串行处理方法。对信号优化问题的适应度函数——车辆的延时进行定义，并对交通信号的设置和车辆延时的影响进行分析。通过实际场景的模拟实验结果表明，TSCOPSA算法与SGA相比在延时、油耗和算法性能上分别有着3.96％、0.42％和10.13％的平均改进率;同时在三个指标上最高能达到7.25％、1.03％、和18.2％。并且TSCOPSA算法与PPSO相比在延时、油耗和算法性能上分别有着3.17％、0.22％和2.03％的平均改进率;同时在三个指标上最高能达到5.45％、0.85％、和6.06％。