基于多榜样学习粒子群的智慧城市信号灯配时优化方法

摘要

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。

权利要求

1.一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，其特征在于，所述的智慧城市信号灯配时优化方法包括下列步骤：S1、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、平均车道流量比率定义如下式：其中，ALFj表示第j个进道口的平均车道流量大小，VIj表示第j个进道口的输入车流量大小，LNj表示第j个进道口的车道数，Rj表示第j个进道口的平均车道流量比率；

S102、基于平均车道流量比率按照下式生成初始种子解，初始种子解各维度的绿灯时间由以下公式计算：

j

其中g′表示第j个进道口的种子解的绿灯时间，G′表示种子解的总绿灯时长，G表示允许的最大信号灯循环周期下的总绿灯时长，VImax表示交叉路口允许的最大输入车流量，表示向下求整运算符号；

S103、基于初始种子解各维度值按照下式生成初始种群：其中 表示种群中第i个粒子的第j维度，N(0,5)表示均值为0，标准差为5的高斯分布；

S2、对生成的粒子群个体进行约束修正，使其满足可行解的约束需求；

S3、种群的粒子根据多榜样学习策略进行速度更新，更新公式如下：其中 表示第t+1代中第i个粒子第j维的速度， 表示第t代中第i个粒子第j维的速度， 表示第t代中第i个粒子第j维的位置值，ω表示速度权重， 表示第i个粒子第jj

维的历史最优位置，gBest表示第j维度的全局最优位置， 表示第i个粒子第j维的榜样个体值，c1，c2和c3是三个更新系数， 和 是第j维度[0,1]之间的三个不同随机数；

S4、通过微观仿真软件VISSIM对粒子位置值向下取整所代表的交通信号灯配时方案进行仿真评估，将评估结果作为该粒子的适应值；

S5、当算法迭代到规定的最大迭代次数时，将此时的全局最优方案作为最终配时方案，否则继续执行步骤S3～S4直到满足算法事先设置的最大迭代次数终止。

2.根据权利要求1所述的基于多榜样学习粒子群的智慧城市信号灯配时优化方法，其特征在于，所述的步骤S1、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中，设定一个知识占比阈值KT，在生成种群个体时，先取一个[0,1]之间的随机数，若该随机数小于KT则利用知识辅助策略生成个体，否则按照随机方法生成个体。

3.根据权利要求1所述的基于多榜样学习粒子群的智慧城市信号灯配时优化方法，其特征在于，所述的步骤S3中，设定一个榜样更新间隔阈值RT，若算法全局最优位置在经过RT代都没有改进，则进行榜样更新，否则继续沿用前一代的榜样。

4.根据权利要求1所述的基于多榜样学习粒子群的智慧城市信号灯配时优化方法，其特征在于，所述的更新系数c1、c2和c3分别设置为0.75、0.75和1.50。

5.根据权利要求2所述的基于多榜样学习粒子群的智慧城市信号灯配时优化方法，其特征在于，所述的知识占比阈值KT设置为0.8。

6.根据权利要求3所述的基于多榜样学习粒子群的智慧城市信号灯配时优化方法，其特征在于，所述的榜样更新间隔阈值RT设置为7。

7.根据权利要求1所述的基于多榜样学习粒子群的智慧城市信号灯配时优化方法，其特征在于，所述的最大迭代次数设置为40代。

说明书

基于多榜样学习粒子群的智慧城市信号灯配时优化方法

技术领域

[0001] 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

[0002] 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。

[0003] 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。

[0004] 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。

[0005] 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

[0006] 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。

[0007] 本发明的目的可以通过采取如下技术方案达到：

[0008] 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：

[0009] 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：

[0010] 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：

[0011]

[0012]

[0013] 其中，ALFj表示第j个进道口的平均车道流量大小，VIj表示第j个进道口的输入车流量大小，LNj表示第j个进道口的车道数，Rj表示第j个进道口的平均车道流量比率；

[0014] S102、根据整个交叉路口的总输入车流量大小与交叉口设计所能容纳的最大车流量的占比关系计算一个初始总绿灯时长，再基于平均车道流量比率为各个进道口分配绿灯
时长生成初始种子解，初始种子解各维度的绿灯时间由以下公式计算：

[0015]

[0016]

[0017] 其中g′j表示第j个进道口的种子解的绿灯时间，G′表示种子解的总绿灯时长，G表示允许的最大信号灯循环周期下的总绿灯时长，VImax表示交叉路口允许的最大输入车流
量， 表示向下求整运算符号；

[0018] S103、初始种子解代表潜在最佳配时方案可能存在的区域，基于初始种子解各维度值，增加合适的高斯扰动，生成覆盖在种子解附近的初始粒子种群，具体按照下式生成初
始种群：

[0019]

[0020] 其中 表示种群中第i个粒子的第j维度，N(0,5)表示均值为0，标准差为5的高斯分布；

[0021] S2、对生成的粒子群个体进行约束修正，使其满足可行解的约束需求，包括最大、最小绿灯时间约束，最大、最小周期时间约束；

[0022] S3、生成初始种群后，即可按照粒子群优化算法的迭代步骤对种群的速度和位置进行更新，然而传统的粒子群算法存在粒子容易陷入局部最优解的缺点，本发明在粒子速
度更新环节中增加一个多榜样学习策略用于克服这一缺点，种群的粒子根据多榜样学习策
略进行速度更新，更新公式如下：

[0023]

[0024] 其中 表示第t+1代中第i个粒子第j维的速度， 表示第t代中第i个粒子第j维的速度， 表示第t代中第i个粒子第j维的位置值，ω表示速度权重， 表示第i个
j
粒子第j维的历史最优位置，gBest表示第j维度的全局最优位置， 表示第i个粒
子第j维的榜样个体值，更具体地，对于第i个粒子的第j维榜样值，是通过随机挑选另外两
个粒子，选取适应值较优粒子的历史最佳位置的第j维度值作为第i个粒子在该维度下的榜
样值，c1，c2和c3是三个更新系数， 和 是第j维度[0,1]之间的三个不同随机数，粒
子位置值更新是原位置加上公式(6)中更新后的新速度作为粒子新位置；

[0025] S4、通过微观仿真软件VISSIM对粒子位置值向下取整所代表的交通信号灯配时方案进行仿真评估，将评估结果作为该粒子的适应值；

[0026] S5、当算法迭代到规定的最大迭代次数时，将此时的全局最优方案作为最终配时方案，否则继续执行步骤S3～S4直到满足算法事先设置的最大迭代次数终止。

[0027] 进一步地，所述的步骤S1、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中，设定一个知识占比阈值KT，在生成种群个体时，先取一个[0,1]之间的随机数，若该
随机数小于KT则利用知识辅助策略生成个体，否则按照随机方法生成个体。

[0028] 进一步地，所述的步骤S3中，设定一个榜样更新间隔阈值RT，若算法全局最优位置在经过RT代都没有改进，则进行榜样更新，否则继续沿用前一代的榜样。

[0029] 进一步地，所述的更新系数c1、c2和c3分别设置为0.75、0.75和1.50。

[0030] 进一步地，所述的知识占比阈值KT设置为0.8。

[0031] 进一步地，所述的榜样更新间隔阈值RT设置为7。

[0032] 进一步地，所述的最大迭代次数设置为40代。

[0033] 本发明相对于现有技术具有如下的优点及有益效果：

[0034] 1、本发明通过采用交叉路口车流量分布特征作为前置知识辅助粒子种群的初始化，有助于初始种群分布在更有可能覆盖最优解所在的区域。

[0035] 2、本发明提出的多榜样学习策略有助于粒子的不同维度分别向不同榜样学习，进而增强算法多样性，避免粒子在搜索过程中陷入局部最优位置。

[0036] 3、本发明提出的初始粒子种群生成过程中，使用一个知识占比阈值控制知识辅助生成解和随机解的比例，该方式有助于整合知识嵌入辅助策略和随机搜索策略各自的优
势。

[0037] 4、本发明提出的多榜样学习策略中，使用一个榜样更新阈值控制榜样的更新频率，该方式一方面有助于避免频繁更新粒子的学习榜样而导致粒子搜索难以收敛问题，另
一方面有助于及时更新不能继续引导粒子进化的老旧榜样个体。

附图说明

[0038] 图1是本发明实施例中多榜样学习粒子群算法流程图；

[0039] 图2是本发明实施例中中国深圳市宝安区新湖路‑裕安一路交叉路口几何平面图。

具体实施方式

[0040] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员
在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0041] 实施例

[0042] 参见图1，该基于多榜样学习粒子群的智慧城市信号灯配时优化方法，其操作步骤如下：

[0043] S1、选取如图2所示的深圳新湖路‑裕安一路交叉路口信号灯用于配时优化。该交叉路口是四向十字交叉路口，采用四相位信号灯控制，每个相位的绿灯时长作为粒子的维
度值，根据交叉路口的四个进道口输入车流量，定义平均车道流量比率如下式：

[0044]

[0045]

[0046] 其中，ALFj表示第j个进道口的平均车道流量大小，VIj表示第j个进道口的输入车流量大小，LNj表示第j个进道口的车道数，Rj表示第j个进道口的平均车道流量比率；

[0047] 然后基于平均车道流量比率按照下式生成初始种子解，初始种子解各维度的绿灯时间由以下公式计算：

[0048]

[0049]

[0050] 其中，g′j表示第j个进道口的种子解的绿灯时间，G′表示种子解的总绿灯时长，G表示允许的最大信号灯循环周期下的总绿灯时长，VImax表示交叉路口允许的最大输入车流
量， 表示向下求整运算符号；

[0051] 最后基于初始种子解各维度值按照下式生成初始种群：

[0052]

[0053] 其中 表示种群中第i个粒子的第j维度，N(0,5)表示均值为0，标准差为5的高斯分布；

[0054] 初始化种群时设置了一个知识占比阈值KT，在此实施例中设置为0.8，在每次采用公式(11)生成初始粒子时，先生成一个在[0,1]范围内的随机数，若该随机数小于KT则用公
式(11)生成初始粒子，否则随机初始化该粒子；

[0055] S2、步骤S1中初始种群的大部分粒子是通过基于种子解进行高斯采样生成，因此有可能出现各个维度值不满足可行解要求的情况，因此需要对生成的粒子群个体进行约束
修正，使其满足可行解的约束需求；

[0056] S3、在粒子进行速度更新前，先判断粒子的榜样个体需不需要进行更新。在此设定一个榜样更新阈值RT，在此实施例中设置为7。若算法的全局最优位置在经过RT代都没有改
进，则要先更新榜样再进行粒子的速度和位置更新。榜样的更新过程是，对于榜样个体的第
j维，挑选另外两个种群中的不同粒子，取其中适应值好的粒子的历史最优位置的第j维作
为榜样个体的第j维。若算法的全局最优位置在在RT代内得到改进，说明该榜样个体还能继
续指导粒子进化，则无需进行榜样更新，直接进行粒子的速度和位置更新，

[0057] 粒子采用多榜样学习策略进行速度更新，更新公式如下：

[0058]

[0059] 其中 表示第t+1代中第i个粒子第j维的速度， 表示第t代中第i个粒子第j维的速度， 表示第t代中第i个粒子第j维的位置值，ω表示速度权重， 表示第i个
j
粒子第j维的历史最优位置，gBest 表示第j维度的全局最优位置， 表示第i个粒
子第j维的榜样个体值，c1，c2和c3是三个更新系数， 和 是第j维度[0,1]之间的三
个不同随机数，粒子位置值更新是原位置加上公式(12)中更新后的新速度作为粒子新位
置；

[0060] S4、完成粒子速度位置更新后，通过微观仿真软件VISSIM对粒子位置值向下取整所代表的交通信号灯配时方案进行仿真评估，将评估结果作为该粒子的适应值；

[0061] S5、当算法迭代到规定的最大迭代次数时，在此实施例中设置为40代，将此时的全局最优解向下取整作为最终配时方案，否则继续执行步骤S3～S4直到满足算法终止条件，
即最大迭代次数40代；

[0062] 综上所述，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。

[0063] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，
均应为等效的置换方式，都包含在本发明的保护范围之内。