一種優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法
【專利摘要】本發(fā)明公開一種優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法，包括如下步驟：1）調(diào)查得到干道上的基本交通參數(shù)，初始化車輛尾氣排放計算平臺；2）設(shè)置多目標遺傳方法基本參數(shù)，初始化多目標遺傳方法種群；3）基于上述平臺，計算種群中各個體的適應(yīng)度；4）計算種群中個體非支配序和虛擬適應(yīng)度，通過遺傳選擇、交叉和變異生成子代種群，然后計算子代種群各個體的適應(yīng)度；5）合并種群和子代種群得到新種群，計算其每個個體的非支配序和擁擠度，并基于此選擇個體，得到下一代種群；6）當進化代數(shù)大于最大進化代數(shù)時方法結(jié)束，以最后一代種群中非支配序等于1的所有個體作為最終非劣解集輸出，得到綜合考慮車均延誤和車輛尾氣排放的配時方案。
【專利說明】一種優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于交通信號控制中干線綠波定時控制領(lǐng)域，涉及ー種同時考慮污染物排放和車輛延誤優(yōu)化的干線協(xié)調(diào)控制信號配時方法。
【背景技術(shù)】
[0002]我國在城市道路網(wǎng)干道上的交叉ロ多為信號控制交叉ロ，分別進行單點信號控制時車輛在交叉ロ處頻繁停車，因此導(dǎo)致路網(wǎng)運行效率低下、出行延誤増大等交通問題。為減少車輛在各個交叉路口上的停車時間，把一條干線上的一批相鄰交通信號統(tǒng)一起來，加以協(xié)調(diào)控制，減少干線上車流的交通延誤和停車率，對改善整個城市交通狀況具有重大意義。
[0003]同時，隨著城市機動車保有量的不斷増加，機動車尾氣污染已經(jīng)成為城市大氣環(huán)境質(zhì)量改善的瓶頸之一，危害人民的生命健康，降低了城市居民的生活水平。隨著社會主義科學(xué)發(fā)展理念的進ー步深化，對干線信號協(xié)調(diào)控制的研究也不能僅限于提高通行效率、減少出行延誤，更應(yīng)該同時著眼于環(huán)境保護。
[0004]本發(fā)明提出的干線綠波協(xié)調(diào)控制信號配時方法屬于定時綠波控制方法的范疇，以往關(guān)于定時綠波方案設(shè)置的主要思想主要分為綠波帶寬度最大化和延誤最小化兩類，分別以綠波帶寬度最大和車均或人均出行延誤最小為方法的優(yōu)化目標，有關(guān)干線綠波協(xié)調(diào)控制對汽車尾氣排放影響的研究還較少，一般多在由方法得到干線綠波控制方案后對方案下車輛污染物的排放情況進行仿真，綠波方案的制定與車輛尾氣排放獨立進行，沒有在方案生成的過程中考慮對車輛尾氣排放進行優(yōu)化。同時，遺傳方法是處理延誤最小化問題的常用方法，不同綠波方案下車均延誤和停車次數(shù)等評價指標往往不能同時達到最優(yōu)，以往研究常采用加權(quán)求和的方法將其轉(zhuǎn)換為單目標優(yōu)化問題，但權(quán)重的分配往往較為主觀。
[0005]為了克服上述方法的缺陷，本發(fā)明通過建立車輛尾氣微觀排放仿真平臺實現(xiàn)在綠波方法中同時優(yōu)化車輛尾氣排放，并基于帶精英策略的非支配排序多目標遺傳方法給出綠波方案的非劣解集，提出一種優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法。`
【發(fā)明內(nèi)容】

[0006]技術(shù)問題:本發(fā)明提供一種在綠波方法執(zhí)行過程中優(yōu)化車輛尾氣排放，基于帶精英策略的非支配排序多目標遺傳方法求解使污染物排放和車均延誤同時最優(yōu)的優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法。
[0007]技術(shù)方案:本發(fā)明的優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法，包括如下步驟:
[0008]I)對干線上信號交叉ロ的基本幾何參數(shù)和配時參數(shù)進行調(diào)查，得到干線上信號交叉ロ個數(shù)為N個，第i個交叉口和第一個交叉ロ間的路段長度為Di, i=l, 2，…，N，干線公共信號周期C的取值范圍為C G [Cfflin, CfflaJ，干線上車輛的平均運行速度為V，以及每個交叉ロ的信號相位設(shè)置、配時方案和實際交叉ロ交通流量分布情況，將所述調(diào)查得到參數(shù)輸入到交通微觀仿真軟件中，初始化干道交通環(huán)境:設(shè)置各信號交叉ロ綠時差(^=0%，i=l, 2，…，N，設(shè)置干線公共信號周期C=Cmin ；
[0009]2)設(shè)置進化代數(shù)t=0，設(shè)置最大進化代數(shù)為Maxit，隨機生成包括Np個初始種群個體的初始群體P(o)，所述初始種群個體Sk是隨機生成的由N+1個決策變量構(gòu)成的干線協(xié)調(diào)控制配時方案，Sk={Ck，Olk, O2k,…，0Nk}，k=l，2，…，Np，初始種群個體Sk中的決策變量包括各信號交叉ロ綠時差0ik=0%，i=l, 2，…，N和干線公共信號周期Ck，所述信號交叉ロ綠時差Oik是從[0%，100%]中隨機抽取的值，干線公共信號周期Ck是從[Cmin，CmaJ中隨機抽取的值；
[0010]3)計算種群P (t)中各個個體的適應(yīng)度F (t)，具體方法為:
[0011]將個體種群Stk= {Ck，0lk，O2k, --?，OfflJ輸入到所述步驟I)中初始化的交通微觀仿真平臺中，仿真得到T時間內(nèi)所有車輛的車均延誤D(t)k和每輛車毎秒鐘的運行エ況Vh= {ah, vh, CX}，其中t為進化代數(shù)，ah為h時刻某一車輛運行的加速度，Vh為h時刻某ー車輛運行的速度，CX為車型；初始步驟中，種群個體為所述步驟2)中生成的初始種群個體Sk ；
[0012]將所述車輛運行エ況Vh= {ah，vh, CX}輸入到微觀車輛尾氣排放仿真軟件中，得到車輛的污染物排放值，對所有車輛的污染物排放值進行求和，得到干線整體的尾氣排放量E (t)k= {E (t) HCk, E (t) COk, E (t) NOxk, E (t) C02J，然后合并所述車均延誤 D (t)k，得到適應(yīng)度F (t) k= {D (t) k, E (t) HCk, E (t) COk, E (t) NOxk, E (t) C02J ；
[0013]4)計算種群P (t)中每個種群個體Stk的非支配序Ranktk,設(shè)置種群個體的虛擬適應(yīng)度值FF(t),=Ranktk，基于得到的虛擬適應(yīng)度值FF(t)k依次進行遺傳運算中的選擇運算、交叉運算和變異運算，得到種群P(t)的子代種群Q(t)，然后計算子代種群Q(t)中所有種群個體的適應(yīng)度FQ (t)；
[0014]5)將子代種群Q(t)與它的父代種群P(t)合并，組成新種群R(t)，所述新種群R(t)的種群個體數(shù)量為2Np，然后計算新種群R(t)中每個種群個體SRtk的非支配序RankRtk和擁擠度CrowdRtk,將新種群R(t)中的種群個體按照非支配序RankRtk取值從小到大進行排序，對于非支配序RankRtk取值相等的種群個體，按照擁擠度CrowdRtk取值從大到小進行排序，最后選取排序后的新種群R(t)中的前Np個種群個體組成t+1代的種群P (t+1)；
[0015]6)判斷進化代數(shù)t是否滿足t〈MaxIt，如是，則令t=t+l，并返回步驟3)，否則將所述步驟5)中得到的t+1代的種群P(t+1)中非支配序RankRtk=I的所有種群個體作為最終非劣解集輸出。
[0016]本發(fā)明方法基于帶精英策略的非支配排序多目標遺傳方法，能夠求解得到使干線上污染物排放和車均延誤同時最優(yōu)的配時方案的非劣解集。
[0017]有益效果:本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點:
[0018]目前普遍采用的干線綠波協(xié)調(diào)控制方法中，部分方法只考慮優(yōu)化車均延誤、人均延誤和停車次數(shù)等通行效率指標，忽略綠波控制對車輛尾氣排放的影響。部分方法在得到綠波方案后再獨立進行尾氣排放的仿真與評價，再對方案進行比選，沒有在方法執(zhí)行過程中優(yōu)化污染物排放，得到的方案不能實現(xiàn)延誤和排放的同時最優(yōu)。部分方法通過加權(quán)求和將干線綠波協(xié)調(diào)控制方法轉(zhuǎn)化為單目標規(guī)劃問題，但權(quán)重的選取往往較為主觀。本發(fā)明在方法中采用交通微觀仿真軟件VISSIM和車輛尾氣排放仿真軟件CMEM實現(xiàn)不通綠波方案下的車輛尾氣排放計算，能夠靈活相應(yīng)公共周期和交叉ロ相位差變化，采用帶精英策略的非支配排序多目標遺傳方法對綠波方案進行求解，以車均延誤和車輛尾氣排放為優(yōu)化目標，生成綠波方案的非劣解集。本發(fā)明提出的干線綠波協(xié)調(diào)控制方法在方法執(zhí)行流程中直接優(yōu)化車輛尾氣排放，生成的綠波方案在保證行車延誤較小的基礎(chǔ)上，能夠同時降低干道上交通對環(huán)境的污染。
【專利附圖】

【附圖說明】
[0019]圖1為本發(fā)明優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法的流程圖。
【具體實施方式】:
[0020]下面進ー步闡明本發(fā)明，應(yīng)理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
[0021]本發(fā)明的優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法，包括如下步驟:
[0022]I)調(diào)查得到干道上的基本交通參數(shù)，初始化車輛尾氣排放計算平臺
[0023]對干線上信號交叉ロ的基本幾何參數(shù)、配時參數(shù)和交通量進行調(diào)查，調(diào)查得到干線上信號交叉ロ個數(shù)為N個，第i個交叉ロ和第一個交叉ロ間的路段長度為Di，i=l，2，…，N，干線上公共信號周期C的取值范圍為Ce [Cfflin, Cmax]，干線上車輛的平均運行速度為V，每個交叉ロ的信號相位設(shè)置、配時方案和實際交叉ロ交通流量分布情況，將調(diào)查得到參數(shù)輸入到交通微觀仿真軟件如VISS頂，Paramics, TSIS, TRANSYT, CORSIM等仿真軟件中，初始化干道交通環(huán)境:設(shè)置各信號交叉ロ綠時差0i=0%，i=l, 2，…，N，設(shè)置干線公共信號周期C=Cfflin ；
[0024]2)初始化種群，設(shè)置多目標遺傳方法基本參數(shù)
[0025]本發(fā)明屬于多目標規(guī)劃的范疇，規(guī)劃目標包括行車延誤最小化與車輛尾氣排放最小化。多目標優(yōu)化問題由于目標函數(shù)有兩個或兩個以上。一般多目標優(yōu)化問題可以描述為:
[0026]minf (x) = [f:(x), f2(x),..., ft(x)]
[0027]s.t.X = {x I gj (x) ^ 0, j = I, 2..., m} (I)
[0028]X G Rn
[0029]通常，多目標優(yōu)化問題是一個最優(yōu)解集，并且解集中不存在所有目標都優(yōu)于其他解的優(yōu)越解，對于式(I)，這種關(guān)系可表達為:如果fja) ( fjb)，并且％ fja)< fi(b), i = 1,2,..., t, a G Rn, b G Rn，那么，稱a支配b，即b被a支配；如果不存在這樣ー個可行性解a，則稱b為非劣解，而f (b)稱為目標空間的非劣解，所有非劣解構(gòu)成多目標優(yōu)化問題的非劣解集。理論上任何一個非劣解都可能成為最優(yōu)解，這取決于決策者的具體決策。因此盡可能求出逼近非劣解集的子集是決策的基礎(chǔ)，從而求解多目標優(yōu)化問題的目的就是確定非劣解集。
[0030]本發(fā)明采用帶精英策略的非支配排序多目標遺傳方法(NSGA-1I)對該多目標規(guī)劃問題進行求解。帶精英策略的非支配排序多目標遺傳方法是目前最流行的多目標進化方法之一，它降低了非劣排序遺傳方法的復(fù)雜性，具有運行速度快，解集的收斂性好的優(yōu)點，成為其他多目標優(yōu)化方法性能的基準。
[0031]執(zhí)行帶精英策略的非支配排序多目標遺傳方法，首先設(shè)置進化代數(shù)計數(shù)器t=0，設(shè)置最大進化代數(shù)為MaxIt (MaxIt 一般建議的取值范圍是100—1000)，設(shè)置遺傳交叉率Pc (交叉操作是遺傳算法中產(chǎn)生新個體的主要方法，所以交叉概率一般應(yīng)取較大值，但若取值過大的話，又會破壞群體中的優(yōu)良傳統(tǒng)，對進化運算產(chǎn)生不利影響；若取值過小，產(chǎn)生新個體的速度又會過慢，一般建議取值范圍是0.4—0.99)，設(shè)置遺傳變異率Pm(若變異概率取值較大，雖然能夠產(chǎn)生出較多的新個體，但也有可能破壞掉很多好的模式，使得遺傳算法的性能近似于隨即捜索算法的性能；若變異概率取值太小時，則變異操作產(chǎn)生新個體的能力和抑制早熟現(xiàn)象的能力就會較差，一般建議的取值范圍為0.0001—0.1)。
[0032]之后隨機生成Np (當群體大小取值較小時，可提高遺傳算法的運算速度，但卻降低了群體的多祥性，有可能會引起遺傳算法的早熟現(xiàn)象；而群體大小取值較大時，又會使遺傳算法效率降低，一般建議范圍為20—100)個初始種群個體的初始群體P (0)，其中，初始種群個體Sk是由N+1個決策變量構(gòu)成的干線協(xié)調(diào)控制配時方案:Sk={Ck，Olk, O2k,…，0Nk}，k=l, 2，…，Np，初始種群個體Sk中的決策變量包括第k配時方案個體Sk中各信號交叉ロ綠時差0ik=0%, i=l, 2，…，N和干線公共信號周期Ck，其中Oik的取值范圍為[0%, 100%]，Ck的取值范圍為[Cmin，Cmax]。
[0033]3)計算種群P(t)中各個個體的適應(yīng)度F(t)
[0034]基于VISS頂和CMEM構(gòu)建車輛尾氣排放微觀計算平臺:
[0035]微觀車輛尾氣排放仿真模型基于微觀車輛運動參數(shù)，構(gòu)建汽車エ況和尾氣排放間的映射關(guān)系，仿真結(jié)果較為準確，能夠充分響應(yīng)綠波方案變化下車輛尾氣排放量的變化。本發(fā)明采用微觀交通仿真模型VISSM和微觀尾氣模型CMEM，通過兩個模型之間的接ロ設(shè)計，實現(xiàn)CMEM對VISS頂所得車輛運行狀態(tài)仿真數(shù)據(jù)的運用，構(gòu)建了交通運行狀況與尾氣排放之間的微觀模擬計算平臺。實現(xiàn)在方法中直接計算干線綠波方案下的車輛尾氣排放。
[0036]VISSIM為德國PTV公司開發(fā)的微觀交通流仿真軟件，是ー種微觀的、基于時間間隔和駕駛行為的仿真工具，主 要用于城市交通和公共交通運行的交通建摸。它可以分析不同交通條件(如車道設(shè)置、交通構(gòu)成、交通信號、公交站點等)下，城市交通和公共交通的運行狀況，得到車輛的瞬態(tài)速度、加速等運行エ況參數(shù)。機動車尾氣污染物排放模型研究的主要目的是建立機動車尾氣污染物排放與其影響因素之間的數(shù)學(xué)關(guān)系或者物理關(guān)系。CMEM模型為行駛エ況類模型，以瞬態(tài)速度一加速度行駛狀態(tài)為主要參數(shù)，能夠模擬不同エ況下機動車的瞬時排放。
[0037]不同干線綠波方案下中所有的機動車尾氣排放量和燃油消耗量情況是通過應(yīng)用CMEM模型中的cmembatch.exe程序得到的。運用該程序需要3種文件:(I)車輛控制文件(ctb文件)，包含車輛的各種屬性參數(shù)，如車型、車重、發(fā)動機轉(zhuǎn)速、最大扭矩、最大功率等。這些可以通過調(diào)查和查閱相關(guān)資料獲得。(2)車輛行為文件(atb文件)，完全依靠VISS頂仿真提供，主要包括車輛的ID、仿真時間、車輛類型、毎秒的速度和加速度、車輛的載重量和路段的坡度，VISS頂將需要的車輛運行狀況數(shù)據(jù)用數(shù)據(jù)庫的方式輸出，經(jīng)過格式轉(zhuǎn)換整理即可以作為CMEM所需要的車輛行為文件。(3)車輛定義文件(def文件)，主要包括車輛ID、車型映射關(guān)系、熱浸時間和環(huán)境濕度，可以通過VISSM輸出以及實地調(diào)查得到。通過將VISSIM的輸出文件與CMEM的輸入文件相銜接也就實現(xiàn)了二者的整合。其中，建立好兩個模型之間的車型映射關(guān)系，即上述的車輛定義文件，是二者接ロ設(shè)計的關(guān)鍵。VISSIM模型主要根據(jù)車輛的屬性參數(shù)，如車長、車寬、質(zhì)量、發(fā)動機功率等，將所有車輛分為6大類(小客車、貨車、公共汽車、有軌電車、自行車和行人)，然后用戶可以通過修改期望速度、行駛里程等參數(shù)來定義更加詳細的車輛類型(小類);而CMHM模型的車型分類主要依據(jù)車輛性能和尾氣處理系統(tǒng)的相關(guān)參數(shù)，如車齡、行駛里程、催化器類型等，將車輛分為26類，其中常規(guī)排放小客車12類，常規(guī)排放貨車9類，高排放車輛5類。根據(jù)兩個模型對相同車型的不同分類，針對VISSIM中的車輛類型，只需在CMEM模型中指定ー個典型的車輛類型與之對應(yīng)。
[0038]方法可基于C#編程，利用VISSIM將車輛運行狀況數(shù)據(jù)用數(shù)據(jù)庫的方式輸出，轉(zhuǎn)換整理為可以作為CMEM所需要的輸入文件。VISSM輸出文件中數(shù)據(jù)的單位是公制，而CMEM輸入文件中數(shù)據(jù)的默認單位是英制，所以要在CMEM的模型控制文件中進行公制単位定義，輸入文件中的語句如下:
[0039]IN_UNITS=METRIC 0UT_UNITS=METRIC
[0040]本步驟中，基于VISSIM-CMEM車輛尾氣排放微觀平臺計算種群P(t)中個體的適應(yīng)度F (t)，具體流程為:
[0041]首先將種群個體，即由N+1個決策變量構(gòu)成的干線協(xié)調(diào)控制配時方案，Stk= {Ck, Olk, 02k,-,0Nk}輸入到步驟I)中建立的VISS頂交通微觀仿真平臺中，仿真得到T時間(對于仿真而言，取ー小時作為仿真時間是有說明意義的，故T 一般取3600秒)內(nèi)所有車輛的車均延誤D(t)k，并得到在該種群個體Stk下的每輛車毎秒鐘的運行エ況Vh= {ah, vh, CX}，ah為h時刻某一車輛運行的加速度，Vh為h時刻某一車輛運行的加速度，CX為車型；初始步驟中，種群個體為所述步驟2)中生成的初始種群個體Sk ；
[0042]再將VISSM交通微觀仿真平臺中得到的車輛運行エ況Vh= {ah，vh, CX}輸入到微觀車輛尾氣排放仿真平臺CMEM中，可以得到該車輛該時刻的污染物排放值，對所有車量進行求和可以得到種群個體Stk下干線整體的尾氣排放量E (t) k= {E (t) HCk, E (t) COk, E (t)NOxk, E (t) C02J，并入得到的車均延誤D (t) k得到最終的種群個體Stk的適應(yīng)度F (t) k= {D (t)k，E (t) HCk, E (t) COk, E (t) NOxk, E (t) C02k}；
[0043]4)計算個體非支配序和虛擬適應(yīng)度，生成子代種群Q (t)，并計算適應(yīng)度FQ (t)
[0044]41)計算個體非支配序Ranktk,設(shè)置虛擬適應(yīng)度FF (t) k
[0045]首先以種群P (t)中所有個體的適應(yīng)度函數(shù)F (t)為多目標優(yōu)化的目標函數(shù)值，按步驟2)中的支配的定義，每個個體k都有以下兩個參數(shù)Zk和Bk，Zk為種群中支配個體k的個體的數(shù)量，Bk為被個體k所支配的個體的集合。首先，找到種群中所有Zk=O的個體，將他們存入當前集合Frontl,將他們的非支配序Ranktk設(shè)為I,然后對于當前集合Frontl中的每個個體h，考察他們所支配的個體集Sh，將集合Sh中的每個個體g的Zg減1，如果此后的Zg=O則將個體g存入另ー個集合Front2，將他們的非支配序Ranktg設(shè)置為2，然后繼續(xù)重復(fù)上述分級操作并賦予分級后的集合相應(yīng)的非支配序，直到所有個體都被分級。之后設(shè)置個體的虛擬適應(yīng)度值FF(t)k=Ranktk，即虛擬適應(yīng)度值為越小的個體越優(yōu)。
[0046]42)基于虛擬適應(yīng)度FF(t)k，生成子代種群Q (t)
[0047]基于得到的虛擬適應(yīng)度值FF (t) k進行遺傳運算中的選擇運算、交叉運算和變異運算，得到種群P(t)的子代種群Q(t)。
[0048]首先執(zhí)行選擇和交叉操作，本發(fā)明采用錦標賽選擇法，聯(lián)賽規(guī)模Nt設(shè)置為2，毎次從種群規(guī)模Np個個體中2個個體進行一次遺傳交叉ロ運算，重復(fù)進行Np*Pc次:
[0049]a)從群體中隨機選擇Nt個個體進行虛擬適應(yīng)度大小比較，其中虛擬適應(yīng)度最小的個體被選中，得到一個個體SI ;重復(fù)上述過程，得到另ー個體S2。
[0050]b)選取SI和S2中第一個的決策變量Slxi和S2X1，進行遺傳交叉操作:生成ー個0到I之間的隨機數(shù)rand，執(zhí)行以下算式:
[0051]Yl=Slxi *rand+S2xl* (1-rand)
[0052]Y2=S1X1* (1-rand) +S2xl*rand
[0053]之后另SI中的第一個的決策變量Slxi等于Y1，另S2中的第一個的決策變量S2X1等于Y2，即完成第一個的決策變量的交叉操作；重復(fù)上述過程N+1次，依次完成所有N+1個決策變量的交叉操作。
[0054]c)重復(fù)上述過程Np*Pc次，Pc是步驟2)中設(shè)置的遺傳交叉率。
[0055]之后執(zhí)行選擇和變異操作，采用錦標賽選擇法種群規(guī)模Np個的ー個個體，隨機選取該個體的ー個決策變量，將其變異為該決策變量取值范圍內(nèi)的一個隨機數(shù)，重復(fù)上述過程Np*Pm次，Pm是步驟2)中設(shè)置的遺傳變異率。
[0056]執(zhí)行完選擇運算、交叉運算和變異運算后得到子代種群Q(t)，計算子代種群Q(t)中所有個體的適應(yīng)度FQ (t)。
[0057]5)合并種群F(t)和子代種群Q(t)，選擇得到下一代種群F(t+1)
[0058]將第t代產(chǎn)生的子代種群Q(t)與它的父代種群P(t)合并組成新種群R(t)，新種群R(t)的種群大小為2Np，計算R(t)中每個個體SRtk的非支配序RankRtk和擁擠度CrowdRtk，其中個體擁擠度的計算方法如下:
[0059]選取相同非支配序的個體組成ー個集合Fronti,本發(fā)明中個體的目標函數(shù)值有5個，分別為個體綠波方案下車均延誤、CO排放量、C02排放量，HC排放量和NOx排放量。選取一類目標函數(shù)MJfFronti中所有個體的M類目標函數(shù)值從大到小排序，排序后Fronti中第w個個體的M類目標函數(shù)的擁擠度CrM(W)為:
[0060]CrM(w)=[fM(w_l)-fM(w+1)]/(fMmax-fMmin)
[0061]其中，fM(w-1)是排在w之前的個體的M類目標函數(shù)值，fM(w+l)是排在w之后的個體的M類目標函數(shù)值，fMmax是Fronti中所有個體的M類目標函數(shù)值的最大值，fMmin是Fronti中所有個體的M類目標函數(shù)值的最小值。重復(fù)上述過程5次，即計算得到Fronti中所有個體所有5個目標函數(shù)的擁擠度，F(xiàn)ronti中所有個體的最終擁擠度CrowdRtk等于該個體所有5個目標函數(shù)擁擠度之和。
[0062]選取非支配序RankRtk較小的前Np個個體，選取過程中若非支配序RankRtk相等則選取擁擠度CrowdRtk較大的個體，選中的個體組成t+1代的種群P (t+1)；
[0063]6)輸出綜合考慮車均延誤和車輛尾氣排放的配時方案非劣解集
[0064]判斷進化代數(shù)t是否滿足t〈MaxIt，如是，則令t=t+l，并返回步驟3)，否則將所述步驟5)中得到的t+1代的種群P(t+1)中非支配序RankRtk=I的所有種群個體作為最終非劣解集輸出。
【權(quán)利要求】
1.一種優(yōu)化尾氣排放的干線綠波協(xié)調(diào)控制信號配時方法，其特征在干，該方法包括如下步驟: 1)對干線上信號交叉ロ的基本幾何參數(shù)和配時參數(shù)進行調(diào)查，得到干線上信號交叉ロ個數(shù)為N個，第i個交叉口和第一個交叉ロ間的路段長度為Di, i=l, 2，…，N，干線公共信號周期C的取值范圍為Ce [Cfflin, Cmax]，干線上車輛的平均運行速度為V，以及每個交叉ロ的信號相位設(shè)置、配時方案和實際交叉ロ交通流量分布情況，將所述調(diào)查得到參數(shù)輸入到交通微觀仿真軟件中，初始化干道交通環(huán)境:設(shè)置各信號交叉ロ綠時差(^=0%，i=l, 2，…，N，設(shè)置干線公共信號周期C=Cmin ； 2)設(shè)置進化代數(shù)t=0，設(shè)置最大進化代數(shù)為Maxlt，隨機生成包括Np個初始種群個體的初始群體P (0)，所述初始種群個體Sk是隨機生成的由N+1個決策變量構(gòu)成的干線協(xié)調(diào)控制配時方案，Sk={Ck，Olk, O2k,…，0Nk},k=l, 2，…，Np，初始種群個體Sk中的決策變量包括各信號交叉ロ綠時差0ik=0%，i=l，2，…，N和干線公共信號周期Ck，所述信號交叉ロ綠時差Oik是從[0%，100%]中隨機抽取的值，干線公共信號周期Ck是從[Cmin，CmaJ中隨機抽取的值； 3)計算種群P(t)中各個種群個體的適應(yīng)度F (t)，具體方法為: 將種群個體Stk={Ck，0lk，02k，…，OnJ輸入到所述步驟I)中初始化的交通微觀仿真軟件中，仿真得到T時間內(nèi)所有車輛的車均延誤D(t)k和每輛車毎秒鐘的運行エ況Vh= {ah, vh, CX}，其中t為進化代數(shù)，ah為h時刻某一車輛運行的加速度，Vh為h時刻某ー車輛運行的速度，CX為車型 ；初始步驟中，種群個體為所述步驟2)中生成的初始種群個體Sk ； 將所述車輛運行エ況Vh= {ah，vh, CX}輸入到微觀車輛尾氣排放仿真軟件中，得到車輛的污染物排放值，對所有車量的污染物排放值進行求和，得到干線整體的尾氣排放量E (t)k= {E (t) HCk, E (t) COk, E (t) NOxk, E (t) C02J，然后合并所述車均延誤 D (t) k，得到適應(yīng)度 F (t)k= {D (t) k, E (t) HCk, E (t) COk, E (t) NOxk, E (t) C02J ； 4)計算種群P(t)中每個種群個體Stk的非支配序Ranktk，設(shè)置種群個體的虛擬適應(yīng)度值FF(t)k=Ranktk,基于得到的虛擬適應(yīng)度值FF(t)k依次進行遺傳運算中的選擇運算、交叉運算和變異運算，得到種群P(t)的子代種群Q(t)，然后計算所述子代種群Q(t)中所有種群個體的適應(yīng)度FQ (t)； 5)將子代種群Q(t)與它的父代種群P(t)合并，組成新種群R(t)，所述新種群R(t)的種群個體數(shù)量為2Np，然后計算新種群R(t)中每個種群個體SRtk的非支配序RankRtk和擁擠度CrowdRtk,將新種群R (t)中的種群個體按照非支配序RankRtk取值從小到大進行排序，對于非支配序RankRtk取值相等的種群個體，按照擁擠度CrowdRtk取值從大到小進行排序，最后選取排序后的新種群R(t)中的前Np個種群個體組成t+1代的種群P(t+1)； 6)判斷進化代數(shù)t是否滿足t〈MaxIt，如是，則令t=t+l，并返回步驟3)，否則將所述步驟5)中得到的t+1代的種群P (t+1)中非支配序RankRtk=I的所有種群個體作為最終非劣解集輸出。
【文檔編號】G08G1/08GK103593986SQ201310605959
【公開日】2014年2月19日 申請日期:2013年11月25日 優(yōu)先權(quán)日:2013年11月25日
【發(fā)明者】季彥婕, 胡波, 王煒, 湯斗南 申請人:東南大學(xué)