智能交通控制的课程设计

五邑大学

智能交通控制系统设计

系 ：

专 业 ：

学 号 ：

学生姓名 ：

指导教师 ：

信息工程学院 交通工程 AP0904326 肖登位 李水友 精选文档

院可修改可编辑

课程题目 ：基于遗传算法的高速公路入口匝道控制与仿真

摘 要

随着社会经济的快速发展和汽车的普及，高速公路交通拥挤已经成为困扰世界各国严重的社会问题，由于高速公路交通系统的非线性和时变特性，所以，一直以来怎么解决高速公路的拥堵成为了不少交通设计的重点，本文根据高速公路的特点，提出了人口匝道控制，并对其进行计算和仿真，通过用MATLAB软件进行系统仿真，仿真结果表明，该入口匝道控制的遗传算法，具有优越的动态和稳态性能，能使主线交通流密度保持为设定的期望密度，使车辆行驶更有效率和更安全，该方法应用于高速公路入口匝道控制中效果良好！

高速公路匝道控制方法

一、匝道的定义

匝道就是可以将两条高速公路衔接的特殊道路。在高速公路系统中，连接作用是匝道的主要作用之一，相比高速公路基本路段，匝道有很多不同之处： (1) 匝道的宽度和长度是有限的；

(2) 与匝道相连接公路的设计速度应高于匝道的设计车速；

(3) 由于匝道是两条车道的连接，车辆都会由于换道而频繁出现加减速现象

二、匝道控制概述

匝道控制的策略有分散策略和延迟策略，要实施匝道控制策略，以下条件是必须考虑的：

(1) 入口匝道控制的潜能

(2) 入口匝道上足够的交通容纳量 (3) 固有的交通模式

(4) 公众的接受程度

三、入口匝道控制的基本方法

（一）入口匝道定时控制

在定时控制中，通常会采用两车并行调节方式，因为它不容易造成司机的混乱，保障了车辆的安全运行。

精选文档

可修改可编辑

匝道调节率r(辆/小时)的计算公式为：

rqcqd (1)

qc(辆/小时)为匝道下游容量，qd(辆/小时)为匝道上游交通需求。匝道调节周

期长度C(s)为：

3600n (2) rn为每个调节周期允许进入的车辆数，n=1, 2, 3。匝道调节率还要受下列约束：

pp0pdmaxrd0TT (3) rminrrmax C（二）入口匝道感应控制

(1) 交通需求-通行能力控制 记离散时间下标k=1, 2, …及时间段T，则r (k)表示时间段[kT, (k+1)T]内的调节率，其计算公式为：

qqin(k1),若oout(k)ocr r(k)c (4)

rmin, 若oout(k)ocr式中qc为匝道下游容量，qin(k-1)为时间段[(k-1)T, kT]内的匝道上游交通需求，oout(k)为匝道下游占有率测量值，ocr为占有率的临界值，rmin为预定的调节率下限值。

(2) 占有率控制 占有率控制的原理：实时测量高速公路匝道的上游或下游的占有率，通过测量的数据来估算下游剩余容量Δqc，再来确定入口匝道的调节率。为此需要建立交通量和占有率的关系，关系如图1所示。

qqmax Ocr图1 交通量-占有率关系

Oout

下游的剩余容量与实际占有率的关系如图2所示。

精选文档

可修改可编辑

oocr2ocr30qcqc(k)

图2 剩余通行能力-占有率关系

由图2可以大致的看出它们之间的关系，再根据经验公式，可估算下游剩余容量如下：

o(k1)2q(1),o(k1)ocrcocr (5) qc(k)o(k1)q(1)2,o(k1)ocrcocr于是调节率的确定方法为：

rmax,o(k1)2ocr3 r(k)qc(k),23ocro(k1)ocr (6)

rmin,o(k1)ocr(3) 反馈控制

下面给出一个反馈控制策略，称为ALINEA控制律。

r(k)r(k1)KR[odoout(k)] (7)

式中KR >0为调节器参数，od为匝道下游期望的占有率值，一般取ocr. 下面给出另外一种连续型反馈控制律。

r(t)K[o(t)ocr]qout(t)qin(t) (8)

式中K为反馈增益，qout(t)和qin(t)分别为高速公路的流出和流入车流量。

下面来推导该控制系统的动态方程。根据车辆守恒关系可得出：

d1[qin(t)qout(t)r(t)] (9)

dtx式中ρ(t)为车辆密度。由于车辆密度在实际中难于直接测量，常用时间占有率o(t)代之。两者之间的关系可用下式表示：

精选文档

可修改可编辑

o(t) (10) Le式中η为一常数，μ表示高速公路的车道数，Le为平均有效车长。记

Le，将式(10)代入式(9)可得：

do1[qin(t)qout(t)r(t)] (11) dtx如果系统式(11)采用控制律式(8)，则

lim[(t)cr]0 (12)

t此式正是入口匝道控制器的目标。

证明如下：

将式(8)代入式(11)得：

do(t)/dtK[o(t)ocr]/x (13) 定义：

o(t)ocr(t) (14) 并考虑到ocr为常数，则由式(13)得：

d(t)/dtK(t)/x (15) 式(15)的解为：

(t)(0)eKxt

(16)

由式(16)可知，当t时，(t)0，再根据式(10)和式(14)便可得到式(12)的结论。式(12)表明，入口匝道控制器的控制目标是使交通密度(t)逼近于期望的交通密度，这里期望的交通密度选取为临界密度cr. （三）入口匝道集中控制

集中控制就是当改变某个入口匝道调节率时，就会影响高速公路的交通量，从而改变了其它匝道的调节率。高速公路控制系统采用的性能指标很多，这里讨论的性能指标是：入口匝道容许交通量之和达到最大。

遗传算法

（一）遗传算法的特点

遗传算法是解决有关搜索问题的常用算法，各种通用问题都可以很好地使用遗传算法。搜索算法有以下共同特征：

(1)首先组成一组候选解；

精选文档

可修改可编辑

(2)候选解的适应度一般是依据某些适应性条件来测算的；

(3)根据适应度选择对遗传算法有用的候选解，放弃其他对遗传算法无用的候选解；

(4)将所选择的候选解进行某些专业性的操作，从而产生新的候选解。 （二） 遗传算法的应用关键

遗传算法在应用中最关键的问题有如下3个： (1)串的编码方式 问题编码是其本质。一般用二进制编码问题的各种参数，从而便有子串的构成；然后用子串拼成“染色体”串。串长度及编码形式极大的影响算法收敛。 (2)适应函数的确定

适应函数(fitness function)通常也称对象函数(object function)；一般可以把问题的模型函数作为对象函数；但有时需要另行构造。

(3)遗传算法自身参数设定

遗传算法的自身参数有3个，即交叉概率Pc、变异概率Pm和群体大小n。

二、 遗传算法的步骤

遗传算法计算优化的操作过程就如同生物学上生物遗传进化的过程，主要有三个基本操作（或称为算子）：选择（Selection）、交叉（Crossover）、变异（Mutation）。

流程图如图3所示。

精选文档

可修改可编辑

实际问题参数 编码，种群初始化 计算适应度 复制，交叉，变异操作 产生新的种群 满足条件 否 是 解决问题 图3 遗传算法流程图

模糊逻辑与遗传PI密度控制器设计

一、 高速公路交通流模型

类比交通流和流体流动，引出一个传统交通流模型，该模型的流量-密度关系是非线性的。如图4所示的一段高速公路，主线的车道数为λ，入口匝道的车道数为1。

Δx qu ρ v q r 精选文档

可修改可编辑

图4 高速公路入口匝道

我们可以假定在时间段k内,车辆从上游以流量qu(k)辆∕(小时 · 车道)流入和从入口匝道以r(k)辆/小时流入。车辆再以流量q(k)辆∕(小时 · 车道)从其下游流出。通过守恒定律，在这段高速公路上 k+1时的车辆数N(k+1)为：

N(k1)N(k)t[qu(k)q(k)r(k)] (17)

交通密度的定义为(k)N(k)/(x),其中x是这段高速公路的长度。式(17)现在可以根据交通密度写为：

(k1)(k)t/x[qu(k)q(k)r(k)/] (18) 交通流基本图是交通流量及交通密度之间的关系，基本图的多种形式已经提出,所有这些形式都具有一些共性特征：(a)当密度为零，流量也为零；(b)有一个最大的密度(通常称为堵塞密度)对应于拥堵的交通(流量也是零)；(c)当交通流最大时存在一个交通密度(通常称为临界密度)。

美国学者纽厄尔提出了一个流量-密度三角关系:

 vf, if  c (19) qC(), if c0jamvf为自由流动的速度,C0是在一个方向阻碍交通流移动的波速，jam是阻塞

密度，c是临界密度。

Green-shield提出了一种流量-密度抛物线关系：

qvf(2/jam) (20) Kotsialos提出了一种流量-密度指数关系：

qvf[1(/jam)l]m (21)

l> 0，m> l，其中l，mR，是合适的参数。

根据关于平均速度建模的具体假设，流体-动力模型可分为一阶和高阶模型。一阶模型的平均速度可以单独的作为一密度函数(即使在非平稳非齐次情况下),即qv和vv(),因此，只有一个动力学方程(交通密度)描述交通演化。高阶模型把平均速度作为变量和使用一个(或多个)额外的动力学方程(动量或速度方程),用两个(或两个以上)的变量形成一个方程组。

一个离散一阶宏观交通流模型是由方程式(2)结合一个基本图构成。一阶模型为交通仿真和控制研究提供了一种简单的、容易加工的框架,在交通瓶颈和交通峰的进展中，描述这样的交通现象为冲击波,在启动和停止交通路口上，一阶模型提供了一个良好的定性结果。

二、混合控制器的控制结构

在交通流控制系统中，基于反馈的方法已经研究和实施了很长时间,如知名ALINEA，它不能完全取代现有的基于模糊逻辑和遗传PI的反馈控制算法，相反,

精选文档

可修改可编辑

我们寻求反馈组合与智能控制，因此我们可以保留现有反馈回路的功能，如鲁棒性。

精选文档

可修改可编辑

模糊逻辑与遗传PI混合控制器如图5所示。

在图5中阐述的控制系统是一个闭环系统。输出的交通体系、交通密度,与预期的交通密度d相比，生成一个新的跟踪误差和完成一个反馈周期。用控制系统的术语讲,交通密度(k)称为一个状态变量,(k+1)是一个输出变量，匝道调节率r(k)是一个控制变量，高速公路流入量qu(k)是一个扰动输入,因为它可以不受控制的影响。

qu(k) -1Ki r(k-1) +z d e(k) e(k) 模糊 交通 逻辑 z(k) (k) - + 流控制 (k1) 模型 r(k) r(k) z-1 Kp - Δe(k) e(k-1) (k) 图5 模糊逻辑与遗传PI混合控制器

遗传 算法 z-1 三、遗传算法的PI参数优化

遗传算法一般都有四个部分组成：(a)一个种群个体,代表了一个可能的解决方法；(b)一个适应度函数,我们可以判断一个人是否处于好的状况中；(c)选择算子,以决定如何从现行的人口选择优秀个体来创造下一代；(d)交叉和变异算子,在同一时间内保持当前的某些信息，同时探索新领域的搜索空间。遗传算法的优化步骤如下：

(1)确定优化参数和编码模式

优化参数是PI参数,编码模式是实数代码。 (2)随机生成的初始种群

初始种群是比例系数Kp和积分系数Ki的基因码。 (3)适应度函数的评价 适应度函数把程序问题和遗传算法连接起来，每条染色体将译成PI参数。每个候选PI控制的性能是通过它的适合性来进行评价的，性能指标是系统性能的测量定量。对高速公路匝道控制,一个好的PI控制应快速地减少期望交通密度和实际交通密度之间的误差,一个性能指标定义为：

Je(k)[d(k)-(k)]2

2k1k1nnPI控制的误差越大，适应度函数越小，因此,对每个后选PI控制f1J，

精选文档

可修改可编辑

适应度函数是确定的。

(4)选择算子

选择是一种方法,随机从种群中选择个体根据他们的适合性,适合性越高,个体被选入下一代的机会就越多。除了轮盘赌选择,我们采用一个特别的选择算子(精英算子),以避免选择、交叉和变异，并且可以简单把最适合的PI控制从上一代无改动的传给下一代，精英算子能确保最佳的PI控制没有失踪的可能性。

(5)交叉算子

交叉算子主要负责遗传算法的全局搜索特性，交叉算子通过结合父本与母本所包含的信息产生新的个体，也就是将父本与母本的适应度值相结合，再用离散重组的方法来产生后代的适应度值。

(6)变异算子 变异算子是用来注入新的遗传基因到个体，变异算子是增加种群多样性的第二个因素，实际变量的变异就是随机产生的适应度值以较低的概率添加到变量上。在这里,变异率是根据适应度值进行动态改变的，适应度值越大,变异率越小。

重复步骤(3)第(6),直到满足条件的优化。通常,适应度函数达到最大值，遗传算法终止，优化问题达到最优化。

仿真研究

一、仿真结果

（一）用三角形隶属度函数的仿真结果

高速公路流入qu如图6所示,遗传算法优化过程的性能指标如图7所示，最优PI参数为Kp=255.6222,Ki= 102.5405。实际交通密度和匝道控制率分别如图8和图9所示。

从图6,图8和图9我们可以看出,当qu是一个阶跃函数时，和r都存在一个短暂过渡期,一个短暂过渡期后，和r进入稳定状态。当qu为1650、1500、1680、1500、1600、1480、1580、1470、1620、1500、1590、1680辆∕(小时·车道)时,相应的稳态值r分别为425.3345、878.3345、336.3345、878.3345、542.3345、918.3345、600.3345、946.3345、498.3345、878.3345、542.3345、336.3345辆/小时，稳态值为34.16辆∕(千米·车道),与理想的交通密度一致。

精选文档

可修改可编辑

图6 高速公路的流入曲线

图7 优化过程的性能指标

精选文档

可修改可编辑

图8 实际交通密度曲线

精选文档

可修改可编辑

图9 匝道调节率曲线

（二）用高斯隶属度函数的仿真结果

高速公路流入qu如图10所示,遗传算法优化过程的性能指标如图11所示，最优PI参数也为Kp=255.6222,Ki= 102.5405。实际交通密度和匝道控制率分别如图12和图13所示。

从图10,图12和图13我们可以看出,当qu是一个阶跃函数时，和r也存在一个短暂过渡期,一个短暂过渡期后，和r也进入基本稳定状态。当qu为1650、1500、1680、1500、1600、1480、1580、1470、1620、1500、1590、1680辆∕(小时·车道)时,相应的稳态值r分别为372.3345、800.3345、2.3345、800.3345、478.3345、845.3345、515.3345、0.3345、416.33450、800.3345、478.3345、2.3345辆/小时，稳态值为32.06辆∕(千米·车道),与理想的交通密度相差很大，故不采用高斯隶属度函数。

精选文档

可修改可编辑

图10 高速公路的流入曲线

图11 优化过程的性能指标

精选文档

可修改可编辑

图12 实际交通密度曲线

图13 匝道调节率曲线

精选文档

可修改可编辑

比较图8与图12可得，用三角形隶属度函数比用高斯隶属度函数具有更好的稳态性能，而且能达到期望交通密度，故在模糊控制中使用三角形隶属度函数。

与模糊逻辑控制或人工神经网络相比，模糊逻辑和遗传PI混合控制具有误差小、反应速度快的优点。具有更好的动态性能和稳态性能,并且能够沿着高速公路的主线达到理想的交通密度,此外,遗传算法能够很简单地找到PI参数的最优值。

心得体会

通过这次课程设计，使我更加扎实的掌握了有关课程设计方面的知识，加强了我们动手、思考和解决问题的能力.，学到的理论知识要联系实际多动手，多思考才能巩固，也使我明白了以后这方面的知识还要多多去学习和巩固，这次设计由于是第一次做，引用了不少师兄的资料，也望老师原谅！

参考文献

基于模糊神经网络的城市高速公路入口匝道控制算法（陈德望、王飞跃、陈龙） 高速公路入口匝道控制研究现状（蔡宗荣） 过程控制系统（方康玲） 武汉理工大学出版社

. .

精选文档