一种GASA混合优化策略

结合遗传算法的并行搜索结构和模拟退火的概率突跳性,提出了一种高效的GASA混合优化策略,基于典型TSP问题的仿真研究表明,混合策略的优化性能较单一算法和启发式算法有很大改善。     

自适应惩罚策略及其在交通信号优化中的应用

针对约束优化问题的求解,设计了一种处理约束条件的自适应惩罚策略,用于将具有不等式约束和等式约束的优化问题转变为仅包含决策变量上、下限约束的优化问题。该策略通过引入约束可行测度、可行度的概念来描述决策变量服从于不等式约束和等式约束的程度,并以此构造处理约束条件的自适应惩罚函数,惩罚值随着约束可行度的变化而动态自适应地改变。为了检验该惩罚策略的有效性,针对单路口交通信号优化问题进行了应用研究,并用三种不同算法进行了大量的仿真计算,结果表明所设计的自适应策略在具有高度约束条件的城市交通信号优化问题中具有良好的效果。     

一种混合的GOA-GA优化算法

本文融合了网格算法(GOA)和遗传算法(GA),形成了一种混合GOA-GA算法进行函数优化问题的求解。网格算法作为一种定向的全局搜索算法,避免了大量的盲目搜索过程,同时不易陷入局部最优。遗传算法作为局部搜索能力较强的智能优化算法,在一些全局较好群体的基础上,采用随机优化技术能够较快地收敛到全局最优解。通过数值试验特别是对高维优化问题,算法体现出收敛速度快、精确性高、不宜陷入局部最优等优点。     

基于遗传算法和梯度算法的一种结构优化混合方法

基于遗传算法和梯度算法,文章提出了一种结构优化的混合方法。算例表明该方法兼具遗传算法的优良全局搜索能力和梯度算法的强大局部搜索的特点,且具有很好的工程适应性。     

一种求解混合整数非线性规划问题的混合优化方法

提出了一种适用于求解混合整数非线性规划(MINLP)方法(GA-SQP),针对确定型算法在NLP子问题复杂的情况下难以在有限时间内收敛的问题,将MINLP问题分解为一系列简单的NLP子问题,外层用遗传算法搜索最优的整数变量集,内层执行SQP算法解决NLP问题,相比传统的确定性算法,它能减少模型本身的非凸性,从而消除双线性项的求解困难,而相对于智能算法,它充分利用梯度信息,在求解NLP问题上具有明显的效率优势。在改进求解效率上,进一步引入存储机制,减少NLP重复求解从而加速收敛。最后以3个常用的测试函数和水处理网络问题为例,数值计算表明本文提出的方法搜索精度明显优秀于传统的确定型算法和启发式算法。     

一种新的混合杂交方法及其在约束优化中的应用

为进一步提高基于混合杂交与间歇变异的约束优化演化算法的求解性能,提出了一种新的混合杂交方法。该方法主要是在混合算术杂交算子中引入离散均匀重组算子,并组成一个离散——算术混合杂交算子网,其中离散均匀重组算子起到协助调整子代分布、增强混合算术杂交算子局部搜索能力的作用。数值实验和比较表明所提的混合杂交方法可有效改善算法求解不等式约束优化问题的性能。     

一种混合动力学系统多目标优化控制问题的求解方法

提出一种基于进化计算的具有通用性的方法,用于求解混合动力学系统多目标优化控制问题.以一个多罐配料系统为仿真实例的研究表明,该算法能够有效地解决这一类经典最优控制理论难以解决的复杂系统控制问题.     

基于一种新的混合算法的交通流控制优化模型

运用交通流控制理论建立了在交叉口空间渠化及信号相位相序给定的条件下, 考虑机动车与非机动车的延误（服务水平）约束条件, 机动车通行能力最大的优化模型, 并利用遗传算法及混沌优化算法互补的混合优化算法对模型进行了优化计算. 实际优化计算结果表明, 文中的优化模型及其混合算法具有较高的理论价值及实用价值, 本次研究为信号交叉口交通流的协调控制优化研究提供了新思路和新方法.     

一种保持PSO与GA独立性的混合优化算法

提出了一种基于粒子群和遗传算法的新混合算法。该算法首先将样本集分为N组,每一组分别进行不同参数的粒子群或遗传运算,在每一步的迭代中选取了粒子群算法和遗传算法的最优值作为全局最优,使每一步的迭代都优于单一的PSO和GA算法,进而提高了算法整体的性能。与其他混合最优化算法不同的是,该算法没有破坏粒子群和遗传算法的独立性,而是仅通过全局最优样本把两个算法结合在一起。在经典测试函数的仿真实验中,新算法表现了更好的寻优性能及寻优稳定性。     

基于遗传算法的单交叉口信号优化控制

建立了一种单交叉口自适应优化配时模型。通过对本周期交通流数据线性预测下一周期各车道的排队长度，以各相位绿灯结束时的排队长度最小作为优化目标，建立多目标优化函数。通过采用理想点法，运用遗传算法进行优化。仿真实验结果表明，该方法优化后的配时方案能够反映各相位实际交通需求，并具有很好的实时性。     

关联交叉口子区的信号优化控制方法

在交叉口群的信号优化控制过程中,针对遗传算法早熟收敛且对相邻交叉口关联性考虑较少的问题,提出一种关联交叉口子区的信号优化控制方法。利用软集合理论将关联性强的交叉口划分在同一个子区;采用基于共享函数的小生境技术调整群体中个体的适应度并自适应地调整算法的交叉概率[Pc]和变异概率[Pm]对遗传算法进行改进;使用改进的遗传算法对关联交叉口子区的平均延误时间[D]进行优化。路网实测数据的仿真实验表明本文方法对交叉口群进行了合理的子区划分,且改进的遗传算法在子区信号优化控制中迭代次数减少,使得交叉口的平均延误时间更短。     

混合Petri网交叉口信号灯建模的模糊优化

城市车流量急剧增加和道路通行能力之间的矛盾日益激化,交通拥堵已成为亟待解决的社会问题。道路交叉口信号灯优化控制是解决该问题的有效方法。基于城市道路交通系统随机性强、离散性连续性混杂、难以用数学模型精确建模等特点,提出了一种用连续Petri网建立道路交通流模型,用离散Petri网对道路交叉口信号灯进行控制的方案。根据车流量的动态变化,采用模糊控制对交叉口绿灯时间进行自适应优化。仿真结果表明,该方案能提高交叉口通行能力,减少车辆延误,优于传统的控制方法。     

基于预信号的交叉口信号优化控制方法仿真

为充分利用交叉口有限的进出口车道资源,提升交叉口时空资源利用率及通行能力,采用基于预信号的交叉口几何设计方法,构建了以最大化通行能力为目标的交叉口车道划分模型及配时方案求解模型。在此基础上考虑车辆随机到达性,提出了基于实时交通需求的预信号动态控制方法。最后,基于实例,通过对比不同信号控制方案下的运行情况,利用VISSIM仿真平台进行验证,仿真结果表明:相较于传统的交叉口控制方法,所提出的车道划分模型及信号动态控制算法可有效提升交叉口通行能力并减小延误。     

基于云模型的单路口交通信号自适应控制方法研究

为了减少车辆通过路口的延误,提出了一种基于云模型的单路口交通信号自适应控制方法;使用云模型作为信号控制的基础模型,利用云模型中的正态云发生器和前件云发生器算法分别对道路交通信息进行处理并产生自适应的控制规则,以实现单路口交通信号的自适应控制;通过仿真实验,结果表明,使用云模型作为控制方法,比较传统控制方式更具智能化,更接近于人脑思维过程的控制方法,这也是将来交通信号控制的发展方向。     

单点定时信号配时的多目标优化模型

为提高定时信号控制通行的效率与鲁棒性,提出一种多目标优化模型。将目标函数分为2层：第1层选择平均延误、停车次数、通行能力指标以优化交叉口通行效率;第2层选择车辆延误标准差以提高信号控制稳定性。对不同交通状态的交叉口进行分析,建立流量波动幅度与目标权重的关系,并采用遗传算法求解。结果表明,该模型能有效降低车辆的平均延误,提高信号配时的鲁棒性。     

基于改进粒子群算法的单交叉口信号配时仿真

研究城市交通信号控制系统中的单交叉口优化交通流问题,由于交通流具有非线性和不确定性特点,很难建立精确模型。为解决上述问题,提出把每一相位的排队长度都作为优化的目标,采用多目标信号配时模型以满足不同交通需求,并采用改进粒子群(PSO)算法进行求解。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了算法易陷入局部最优点的缺点,显著提高了优化算法的性能指标。仿真结果验证了方法的有效性和合理性。     

单交叉口信号配时的离线Q学习模型研究

为提高交通控制系统的适应性和鲁棒性,采用强化学习方法实现交通控制模型的学习能力.对固定周期和变周期两种模式下的单交叉口信号配时优化进行研究,构造了等饱和度优化目标的奖赏函数,建立了等饱和度和延误最小两个优化目标的离线Q学习模型.采用对流量进行离散的方法解决了状态维数爆炸问题.通过算例对建立的4种离线Q学习模型解的结构、最优解的分布进行分析,结果表明相对于在线Q学习模型,离线Q学习模型更适合交叉口信号配时优化.采用“离线学习,在线应用”的方法,将建立的定周期延误最小离线Q学习模型与Webster定周期模型的性能进行对比,总体上前者的车均延误和累积延误低于后者.     

单交叉路口交通信号定时控制三维仿真

二维交通仿真的输出界面粗糙,对城市环境及各种交通状况的描述也只能做到几何形态上的粗略表达,而三维仿真能够克服这些缺点,制作出精细的城市交通模型。为此使用韦伯斯特（Webster）算法得出1个交叉路口交通信号灯的配时方案,然后使用三维动画软件3DS MAX对交叉路口进行建模和交通控制信号灯的仿真,汽车运行的仿真应用3DS MAX内置的脚本语言MaxScript实现。通过仿真,可以看出三维仿真比二维仿真更加直观,而动画效果,使路网中的交通问题更加显而易见。     

基于Q学习的单路口交通信号协调控制

Q学习通过与外部环境的交互来进行单路口的交通信号自适应控制。在城市交通愈加拥堵的时代背景下,为了缓解交通拥堵,提出一种结合SCOOT系统对绿信比优化方法的Q学习算法。本文将SCOOT系统中对绿信比优化的方法与Q学习相结合,即通过结合车均延误率以及停车次数等时间因素以及经济因素2方面,建立新的数学模型来作为本算法的成本函数并建立一种连续的奖惩函数,在此基础上详细介绍Q学习算法在单路口上的运行过程并且通过与Webster延误率和基于最小车均延误率的Q学习进行横向对比,验证了此算法优于定时控制以及基于车均延误的Q学习算法。相对于这2种算法,本文提出的算法更加适合单路口的绿信比优化。     

基于分布估计算法的单路口交通信号控制

针对遗传算法求解城市道路交叉口信号控制存在的主要问题,以四相位交叉路口为研究对象,建立了以信号周期内车辆延误总时间最短为目标函数,以各相位有效绿灯时间为控制变量的单路口交通信号优化模型.并分别以整数编码的PBIL算法和实数编码的EMNA算法两种典型分布估计算法求解单路口交通信号优化问题.仿真结果表明,与传统遗传算法相比,两种分布估计算法均可用更小的种群规模快速高效地求得最优解.