[发明专利]基于多榜样学习粒子群的智慧城市信号灯配时优化方法

说明书

本发明公开了一种基于多榜样学习粒子群的智慧城市信号灯配时优化方法，主要涉及智慧交通控制和智能优化算法领域。本方法针对传统粒子群算法应用于信号灯优化配时场景时容易陷入局部最优的问题，采用一种新的多榜样学习策略，该策略使粒子在向自身最优位置和全局最优位置学习的同时向其他粒子的不同维度榜样学习，有助于增强算法多样性避免陷入局部最优位置。此外，本方法在生成初始粒子种群时采用了知识嵌入辅助策略，将交叉路口输入车流量的分布特征作为前置知识，用于辅助初始种群的生成。在单交叉路口不同饱和度车流量的优化结果显示，本方法相对于其他配时优化方法在保证收敛速度前提下多样性更好，优化得到的配时方案综合表现能力更好。

技术领域

本发明涉及智慧交通控制和智能优化算法领域，具体涉及一种基于多榜样学习粒子群的智慧城市信号灯配时优化方法。

背景技术

随着城市化的发展，城市居民的汽车保有量在逐年提高，城市道路尤其是交叉路口面临的交通压力也在逐渐增大。设置交通信号灯能加强道路交通管理，有效地解决车流冲突的问题，但随着道路车流量饱和度的增加，道路通行情况变得日益复杂。传统信号灯配时方案如韦伯斯特配时方案，是基于最小化路口延迟的目标建立交通数学模型，并以此模型计算出最优的信号灯周期，再划分相应的绿灯时间。但韦伯斯特模型仅适用于不饱和车流量情况下的交通模型，因此，当道路车流量达到过饱和时，韦伯斯特配时方案就不再适用，传统信号灯配时方案已经越来越不能满足智慧城市交通的需求。

作为一种重要的进化优化算法，粒子群算法在电力系统、医学图像配准、多目标优化、机器学习等各个领域都显示出优异的性能。粒子群算法拥有较强的全局搜索能力以及收敛能力，适用于不同饱和度情况下的最佳信号灯配时方案的搜索优化，因此许多研究者也将粒子群算法应用于智慧交通的信号配时优化领域。

现有的用于交通信号优化的粒子群算法大多存在容易陷入局部最优解的缺陷。这是由于粒子群是在连续空间里面搜索最优值，而最终用于配时的信号灯方案是离散的整数值，前者与后者存在取整关系，因此，当粒子的某个维度在局部最优解处收敛到一定程度的时候，便很难在这一维度跳出局部最优位置。

此外，现有研究大多没有将路口输入的流量分布特征用于辅助粒子群算法进行信号灯优化。传统的粒子群优化算法在初始化种群时是完全随机初始化，但在交通信号配时优化领域，如果我们获取了车流量输入的分布特征，我们利用上这些信息，便可以有目的性地生成更有可能覆盖最优解所在区域的初始种群，从而增强算法搜索能力。因此，基于以上分析，传统粒子群优化算法亟待加以改进并整合交通信号配时领域固有特征知识，以增强算法用于交通信号配时领域的优化能力。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于多榜样学习粒子群的智慧城市信号灯配时优化方法，该方法采用多榜样学习的粒子速度更新策略，使得粒子群算法多样性得到增强，有助于避免粒子陷入局部最优位置。此外，在初始化粒子种群时将交叉路口输入的车流量分布特征作为前置知识使初始种群分布更有可能覆盖最优解所在的区域。

本发明的目的可以通过采取如下技术方案达到：

一种基于多榜样学习粒子群的智慧城市信号灯配时优化方法，所述的智慧城市信号灯配时优化方法包括下列步骤：

S1、交叉路口中各个进道口的车流量大小和比例是影响交通信号灯设置的最大因素，现有的利用智能算法优化交通信号灯配时问题的方法中，将信号灯配时优化作为一个随机优化问题，并没有将这一重要因素考虑进来，在本发明中，根据交叉路口各个进道口车流量分布特征生成初始种子解，再根据初始种子解生成初始粒子群种群，过程如下：

S101、由于各个进道口的车道数不一定相同，即对于两个车道数不同但输入车流量相同的进道口而言，车道数量少的进道口将会更加“拥堵”，理论上需要为此进道口分配相对更多的绿灯通行时间，因此需要定义一个平均车道流量比率指标来衡量车流量的分布比例，平均车道流量比率定义如下式：