袁一博

摘 要：隨著經(jīng)濟(jì)及技術(shù)的飛速發(fā)展，城市汽車數(shù)量也隨之激增，由此導(dǎo)致城市突發(fā)交通狀況事件數(shù)量增加，影響了城市交通整體穩(wěn)定。城市交通控制整個(gè)城市的命脈，道路交通突發(fā)事件應(yīng)急管理作為城市安全應(yīng)急管理的主要組成部分，對于減少突發(fā)事故造成的損失、保障人民生命和財(cái)產(chǎn)安全乃至社會的穩(wěn)定方面起著至關(guān)重要的作用。

關(guān)鍵詞：遺傳算法；突發(fā)狀況；城市交通

中圖分類號：P631.46 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2017）24-0022-02

自上世紀(jì)第二次工業(yè)革命以來，在高新科技井噴式涌現(xiàn)的推動下，人類社會加速進(jìn)化。信息時(shí)代的到來將經(jīng)濟(jì)全球化確定為幾個(gè)世紀(jì)內(nèi)全球經(jīng)濟(jì)格局的主流，世界被更為緊密地聯(lián)系起來，全球人民的生活都在逐漸改善，與此同時(shí)，全球人民的生活需求在隨之升高，包括交通出行在內(nèi)的多方面基本需求越來越為各國人民所看重。單就交通出行方面，這激發(fā)了發(fā)達(dá)國家和發(fā)展較快的發(fā)展中國家人民對于汽車的需求。交通擁堵造成的大量經(jīng)濟(jì)和能源損失問題一直一來是各國交通部門提上日程的問題。采用包括修建新路、限號限行等方法減少交通擁堵成為常規(guī)手段。但在應(yīng)對突發(fā)狀況所造成的短暫交通擁堵時(shí)，這些手段顯然是不可行的，應(yīng)急交通管制成為城市交通系統(tǒng)不可或缺的一環(huán)。世界急需一種能有效解決或者緩解交通擁堵的手段。本文擬用遺傳算法改變一個(gè)循環(huán)周期內(nèi)紅綠燈配時(shí)以達(dá)控制少數(shù)道路局部車流量，緩解一個(gè)最簡模型內(nèi)交通擁堵的情況。

1 相關(guān)研究

交通擁堵作為一個(gè)國際性問題，各國學(xué)者均在研究其解決方法。整體來講這些方法分為兩種，一種是靜態(tài)預(yù)防，一種是動態(tài)控制。指出建設(shè)立交橋、地鐵或高架公路等交通硬件并不能從根本上解決城市交通擁堵問題，而建設(shè)一個(gè)基于信息技術(shù)的智能交通系統(tǒng)才是根本。立足于靜態(tài)預(yù)防型治理方法，根據(jù)交通歷史數(shù)據(jù)利用粗糙集理論和遺傳算法提取出有效規(guī)則，找出了造成交通擁堵的主要因素，為建立智能交通系統(tǒng)提供了科學(xué)依據(jù)[1]。以動態(tài)網(wǎng)絡(luò)交通流為背景，將交通堵塞描述為一個(gè)車輛禁行設(shè)計(jì)問題，又將此問題描述為一個(gè)雙層規(guī)劃問題，上層是車輛禁行的最優(yōu)設(shè)計(jì)，下層間題描述出行者的路徑選擇行為，利用遺傳算法求解該模型。數(shù)據(jù)表明，當(dāng)城市交通網(wǎng)絡(luò)中發(fā)生突發(fā)性擁堵后，采用基于優(yōu)化禁行區(qū)域割集的車輛禁行能夠在一定程度上提升網(wǎng)絡(luò)的總體性能[2]?；趧討B(tài)控制解決交通擁堵的方法，與本文類似地采用優(yōu)化紅綠燈配時(shí)來降低延誤時(shí)間，提高通行能力，保證交通安全。將延誤時(shí)間與停車次數(shù)綜合考慮作為目標(biāo)函數(shù)，建立交叉口信號配時(shí)優(yōu)化模型，根據(jù)實(shí)際到達(dá)的交通量，采用遺傳算法，用MATLAB編程計(jì)算，計(jì)算出周期時(shí)長及各相位的有效綠燈時(shí)間。從其計(jì)算結(jié)果可以看出采用的方法與Webster方法所得到的信號配時(shí)相比，其所建立的優(yōu)化模型計(jì)算的結(jié)果更為合理，降低了車輛通過交叉口的延誤時(shí)間、減少了停車次數(shù)，提高了通行能力[3]。

2 模型

城市交通調(diào)控模型可以描述如下：如圖1所示的四條道路交叉形成一個(gè)“口”字型的基本交通網(wǎng)絡(luò)，A、B、C、D四個(gè)交點(diǎn)表示四個(gè)路口，每個(gè)路口設(shè)有紅綠燈?，F(xiàn)BD路段因突發(fā)事件堵塞，無法正常通過車輛。假設(shè)每個(gè)車輛嚴(yán)格按照交通法規(guī)行駛；每輛車遵循最短路徑原則駛向其目的地，不會在“口”字型交通網(wǎng)絡(luò)內(nèi)循環(huán)行駛；每個(gè)紅綠燈在一個(gè)循環(huán)周期內(nèi)通過的汽車總數(shù)在未改變配時(shí)比例的情況下保持恒定不變。為更好的研究此基本模型，需作出以下合理假設(shè)：

（1）BD路段內(nèi)無車輛駛?cè)牖蝰偝觯?/p>

（2）紅綠燈工作時(shí)一個(gè)循環(huán)周期為1分鐘；

（3）不考慮黃燈對與車流量變化的影響；

（4）不考慮各個(gè)路口紅綠燈周期變化間隔造成的車流量凈流入（出）誤差；

（5）所有汽車的行駛方向均滿足①到③、①到④、②到③、②到④四個(gè)情況中的一種情況，且整體按照下文所給比例分布。

定義綠燈配時(shí)在一個(gè)循環(huán)周期內(nèi)占比為δ，令δA=x，δB=y。

定義道路原通行時(shí)間為φ，令φAB=α，φAC=β，φCD=γ。

定義綠燈時(shí)，每分鐘通過車輛數(shù)p=100。

定義在四條道路上，每條道路的通行時(shí)間t，則

t=φ+0.001×p·δ=φ+0.1δ （1）

由此可見，隨著δ和φ的變化，t也隨之變化。由于φ為定值，所以t∝δ，即調(diào)控綠燈配時(shí)即可調(diào)控汽車通行的平均時(shí)間。

①到④用時(shí)

t1=α+0.1x （2）

①到③用時(shí)

t2=β+0.1（x+y）+γ+0.1y=β+γ+0.1x+0.2y （3）

②到④用時(shí)

t3=γ+0.1y （4）

②到③用時(shí)

t4=α+0.1x+β+0.1（x+y）=α+β+0.2x+0.1y （5）

定義①處車流總量為1，②處車流總量為k。由①駛向③和④的車流量之比為，由②駛向③和④的車流量之比為。

t1的權(quán)f1== （6）

t2的權(quán)f2== （7）

t3的權(quán)f3== （8）

t4的權(quán)f4== （9）

四條道路上可通行的三條道路平均通行時(shí)間T，即本算法的適應(yīng)度函數(shù)為：

T= （10）

3 基于遺傳算法的紅綠燈配時(shí)調(diào)控算法

3.1 算法及算法參數(shù)設(shè)置

本算法共設(shè)置80條染色體，每條染色體上有20個(gè)基因位點(diǎn)，一條染色體代表一個(gè)20位的二進(jìn)制數(shù)。每一個(gè)20位二進(jìn)制數(shù)代表問題的一個(gè)解。紅綠燈配時(shí)調(diào)控由屬于[0，1]內(nèi)的浮點(diǎn)數(shù)表示，每10位二進(jìn)制數(shù)代表一個(gè)紅綠燈配時(shí)的控制，由該10位二進(jìn)制數(shù)除以1023可以得到一個(gè)紅綠燈配時(shí)的實(shí)際控制參數(shù)。因解空間過大，為提算法運(yùn)算準(zhǔn)確率，采用如下的交叉方法：在一條染色體上隨機(jī)對稱截取如圖2的4個(gè)斷點(diǎn)進(jìn)行交叉互換。然后隨機(jī)選擇交叉后染色體上的若干基因進(jìn)行變異。交叉概率為0.9，變異概率為0.05。最后用輪盤賭的方式依據(jù)公式（10）所示的適應(yīng)度函數(shù)選擇下一代染色體。

3.2 算法執(zhí)行步驟

（1）隨機(jī)產(chǎn)生80個(gè)20位二進(jìn)制數(shù)，得到第一代種群的80個(gè)染色體；

（2）在一條染色體上隨機(jī)對稱截取如圖2的2個(gè)斷點(diǎn)進(jìn)行交叉互換。交叉比例為0.9；

（3）隨機(jī)選取染色體中的若干基因進(jìn)行變異。變異比例為0.05；

（4）將80個(gè)20位二進(jìn)制數(shù)分別除以1023，依據(jù)公式（10）計(jì)算各個(gè)染色體的適應(yīng)度，記錄此代最優(yōu)結(jié)果；

（5）將進(jìn)行交叉互換和變異后的80條染色體依輪盤賭的方法進(jìn)行選擇，產(chǎn)生新一代種群。對新一代種群依次重復(fù)執(zhí)行步驟（2）（3）（4）（5）；

（6）進(jìn)行1000次循環(huán)后，將最終的最優(yōu)解打印出來，此結(jié)果即為計(jì)算所得模型的最優(yōu)解。

4 結(jié)語

本文以“口”字型基本交通網(wǎng)絡(luò)為基礎(chǔ)，探討了突發(fā)事件造成道路堵塞無法通行時(shí)的應(yīng)急紅綠燈配時(shí)調(diào)控方法。局部車流量影響通行時(shí)間。本文提出借調(diào)控紅綠燈配時(shí)以達(dá)到平均通行時(shí)間增加量最小化的目的。應(yīng)用遺傳算法是利用了遺傳算法過程簡單，隨機(jī)性迭代的特點(diǎn)，這種算法具有高度可擴(kuò)展性，易與其他算法結(jié)合，具有可觀的提升空間。這種算法解決了本文提出的基本模型，但涉及的參數(shù)過少，忽略的因素過多，包括通行能力、道路停車間隔等因素，不能很好地模擬現(xiàn)實(shí)中的交通擁堵現(xiàn)象，對于更復(fù)雜的城市交通模型有待后續(xù)研究的補(bǔ)充。

參考文獻(xiàn)

[1]馬吉明，黃憲芳，蔣亞平等.粗糙集理論和遺傳算法在預(yù)防城市道路交通擁堵中的應(yīng)用[J].鄭州輕工業(yè)學(xué)院學(xué)報(bào)：自然科學(xué)版，2012，27（1）：62-64.

[2]張敖木翰，高自友.突發(fā)事故下交通擁堵控制策略設(shè)計(jì)[J].系統(tǒng)工程理論與實(shí)踐，2013， 33（5）：1307-1317.

[3]王秀旺，毛新娜.優(yōu)化交通信號配時(shí) 緩解城市交通擁堵[J].大學(xué)數(shù)學(xué)，2012，28（3）：87-91.endprint