基于极大熵模型的交通出行矩阵解法研究

引入拉格朗日乘子，对由路段观测流量反推交通出行矩阵的极大熵模型进行变换，将优化问题转换为非线性方程组的求解，并提出一种遗传算法求解方法.该方法以非线性方程组的待求量为决策变量，方程组两端向量的均方差最小值为目标函数，初值在决策变量可行域内随机产生.通过实例验证，遗传算法较之牛顿法改进了其对初始值要求严格、易产生局部收敛并含有矩阵求逆的不足，且当初始值偏离真实值较大时，遗传算法求解成功率远远高于牛顿法，证明了遗传算法在多种交通网络中求解交通出行矩阵是可行的.     

基于决策优化模型的驾驶行为建模方法

为了能在微观交通仿真模型中对复杂交通环境下的驾驶行为进行统一的数学描述，提出一个基于决策优化模型的驾驶行为建模方法.通过扩展Helly跟车模型并将其等式约束变换为不等式约束，建立驾驶员的可行加速度决策空间，再依次求解轨迹最优目标和速度最优目标，得到一个满意的横纵加速度.该建模方法将跟车、换道、超车、穿插、制动等驾驶行为统一地在驾驶行为决策优化模型进行描述中，模型结构灵活，模型参数校正方法简单明了，适用于交通环境复杂的混合交通流微观仿真建模.     

基于数据关联性聚类的数据布局算法

现代信息系统的突出特征是基于海量数据的分布式应用集群。优化海量数据的存储布局,以提升存储资源的利用率和应用执行的速度,是一个重要研究课题。由于数据与数据之间存在关联性,只考虑负载均衡的布局算法缺乏实用性,需要进一步考虑数据与数据的关联性以提高应用执行速度。建立了数据和数据的关联矩阵,基于关联矩阵进行聚类,再将数据分配到各个数据中心中,计算执行应用时的数据迁移量,并与一致hash算法进行了比较,结果表明数据迁移量大大低于一致hash算法。     

基于解构造图拆分的并行蚁群算法

应用蚁群优化算法求解复杂大规模多阶段决策问题时，其计算量会随着阶段数和各阶段离散化容许决策集合规模的增加成指数增长，造成无法在单PC中进行计算．针对这一问题，提出了基于解构造图拆分的并行蚁群算法．该算法通过应用并行计算技术，将解构造图拆分成若干块，把每一块的计算任务放置在不同的PC上并行执行，互相合作完成整个计算任务．经实验验证，这种算法可以快速有效地进行问题的求解．     

变形路面上越野汽车悬架优化的仿真分析

为了提高越野汽车的平顺性，研究了不同类型越野路面变形程度与悬架振动参数之间的关系.应用载荷沉陷理论建立了地面非线性离散模型.综合动态轮胎力、悬架动挠度、越野地面沉陷等因素建立了简化越野车辆模型的动力学方程.通过改变土壤类型和越野路况，对松软路面上悬架参数与车身垂向加速度的关系进行仿真.以平顺性为目标，分析了松软路面不同变形程度对优化的悬架阻尼值的影响.仿真结果表明，增大系统刚度比可以显著减小车身垂向加速度，但刚度比不宜超过临界值；在变形较大的路面上行驶时，应采用较大的悬架阻尼以改善平顺性.     

基于蚁群算法的城域交通控制实时滚动优化

为求解城域交通控制实时滚动优化的混合整数规划模型，将滚动优化各阶段的控制变量映射为一个层状构造图，并定义局部启发信息和信息素更新公式，从而应用蚁群算法搜索各路口的最优信号灯相位序列．对算法复杂度作了理论分析，并通过仿真实验与单路口感应式信号控制技术进行比较，结果表明性能较好．     

基于磁阻传感器的车辆检测算法综述

磁阻传感器将车辆引起的地磁扰动转换为清晰的电压信号,采用阈值算法可得到交通流量、车长、车速等多种信息。地磁检测器是环形线圈的理想代替技术,国内外许多学者对基于地磁车辆检测器的检测算法展开了研究。结合国内外的研究状况根据研究对象对算法进行分类,并总结算法存在的问题,最后提出相应的解决办法。     

基于蚁群算法的交通控制降阶滚动优化

为解决大规模区域交通控制滚动优化问题中的约束条件复杂、解空间规模庞大的最优化难题，提出了一种基于改进蚁群算法的降阶滚动优化算法.基于宏观交通流模型建立了区域交通控制滚动优化模型，在蚁群算法中设计了层状解构造图对该模型解空间进行描述和求解.运用降阶方法将大规模区域分解成一系列子区域，在蚁群算法中设计了复合层状解构造图对该降阶模型的解空间进行描述和求解，并分析了基于两种解构造图的蚁群算法的计算复杂度.分析和仿真结果表明，该降阶算法提高了整体计算效率，明显地降低了总停车延误时间，适用于大规模区域交通控制的滚动优化.     

一种基于K—Means分类的状态机车辆检测算法

地磁车辆检测器是一种基于车辆对地球磁场的扰动效应实现的交通信息采集设备。目前基于地磁传感器的车辆检测算法主要有状态机检测算法及自适应阑值算法,但是基线漂移、阅值选取等因素对算法的检测精度有很大影响。结合车辆地磁响应信号的具体特征,提出一种基于K—Means分类的状态机车辆检测算法,将车辆地磁响应信号先进行K—Means分类,解决了现有算法阈值选取困难的问题,将分类后的信号输入状态机判别,解决了慢速车和长型车易被误判的问题。实验结果表明,该算法具有很高的检测准确率,且鲁棒性好。     

求解复杂多阶段决策问题的动态窗口蚁群优化算法

针对存在强非线性、系统状态与控制输入复杂约束和非解析系统表达,以及目标函 数具有可加性和单调性的大规模多阶段决策问题,提出一种结合遗传优化的动态窗口蚁群优 化算法.该算法将各阶段容许决策值映射为一个层状构造图中的有限节点集,其中每一层节 点对应一个阶段的容许决策集合的子集,该子集用实数编码遗传优化进行动态筛选,以减小 算法的搜索空间.经原理分析和仿真比较,该算法的计算效率比一般蚁群算法大大增强.