陸穎　林麗

摘 要：為了提高平面交叉口的運(yùn)行效率，以平面交叉口為研究對(duì)象，建立交叉口信號(hào)配時(shí)參數(shù)優(yōu)化的非線性模型，該模型以交叉口的平均延誤值最小為目標(biāo)，約束條件為有效綠燈時(shí)間和周期時(shí)長，并采用浮點(diǎn)數(shù)編碼遺傳算法在Matlab軟件中對(duì)信號(hào)配時(shí)參數(shù)優(yōu)化模型進(jìn)行求解。為驗(yàn)證優(yōu)化模型的正確性和遺傳算法的有效性，選取江蘇省鹽城市某一交叉口為算例，采用遺傳算法對(duì)該模型進(jìn)行求解。結(jié)果顯示，優(yōu)化后的平面交叉口的周期時(shí)長從123 s下降到97 s，下降率為21.1%;平均延誤從32.79 s下降到14.91 s，下降率為54.5%;平面交叉口的服務(wù)水平從C等級(jí)上升到B等級(jí)。最后通過Vissim仿真對(duì)算例進(jìn)行進(jìn)一步驗(yàn)證，結(jié)果表明平面交叉口平均延誤值下降幅度為24.1%。故遺傳算法適用于平面交叉口信號(hào)配時(shí)方案優(yōu)化，并且具有一定的可靠性與優(yōu)越性。

關(guān)鍵詞：平面交叉口;信號(hào)配時(shí);平均延誤;非線性模型;遺傳算法

中圖分類號(hào)：U491.51??? 文獻(xiàn)標(biāo)識(shí)碼：A?? 文章編號(hào)：1006-8023（2020）06-0103-07

Signal Timing Optimization of Intersections Based on Genetic Algorithm

LU Ying，LIN Li*

（College of Automobile and Traffic Engineering， Nanjing Forestry University， Nanjing 210037， China）

Abstract：In order to improve the operation efficiency of a plane intersection， a nonlinear model for the optimization of the signal timing parameters of a plane intersection was established with the intersection as the research object. The goal of the model was to minimize the average delay value of the intersection， and the constraints are the effective green light time and cycle time. The model was solved by using the floating-point coding genetic algorithm in Matrix Laboratory software. In order to verify the correctness of the optimization model and the effectiveness of genetic algorithm， an intersection in Yancheng city of Jiangsu Province was selected as an example， and the model was solved by genetic algorithm. The results showed that the cycle time of the intersection after optimization decreased from 123 s to 97 s， with a decrease rate of 21.1%; the average delay decreased from 32.79 s to 14.91 s， the decline rate was 54.5%; the service level of intersections increased from C level to B level. At last， the example was further verified by VISSIM simulation. The result showed that the average delay value of the intersection decreased by 24.1%. Therefore， the genetic algorithm was suitable for the optimization of the signal timing scheme of the intersection， and had certain reliability and superiority.

Keywords：Plane intersection; signal timing; average delay; nonlinear model; genetic algorithm

收稿日期：2020-05-10

基金項(xiàng)目：住房城鄉(xiāng)建設(shè)部2014年科學(xué)技術(shù)計(jì)劃項(xiàng)目（2014-k5-007）

第一作者簡介：陸穎，碩士研究生。研究方向：交通運(yùn)輸規(guī)劃與管理，E-mail：1124065472@qq.com

通信作者：林麗，碩士，副教授。研究方向：交通運(yùn)輸規(guī)劃與管理，E-mail：LinLi401@njfu.com.cn

引文格式：陸穎，林麗.基于遺傳算法的平面交叉口信號(hào)配時(shí)優(yōu)化[J].森林工程，2020，36（6）：103-109.

LU Y， LIN L. Signal timing optimization of intersections based on genetic algorithm[J]. Forest Engineering，2020，36（6）：103-109.

0 引言

國家經(jīng)濟(jì)的迅猛發(fā)展導(dǎo)致城市用地規(guī)模不斷擴(kuò)張，城市道路是城市的筋脈，而平面交叉口是城市道路交通的重要組成部分，同時(shí)也是城市道路交通的“堵點(diǎn)”所在[1]。因此，對(duì)平面交叉口的研究與治理將一直持續(xù)，其中對(duì)平面交叉口交通控制方面進(jìn)行改善不失為一種有效方法[2]。其中對(duì)信號(hào)配時(shí)進(jìn)行優(yōu)化，不需要對(duì)平面交叉口的空間資源進(jìn)行大規(guī)模改擴(kuò)建，是一種成本低、見效快的有效方式。但是，目前許多城市道路信號(hào)配時(shí)方案還是根據(jù)經(jīng)典Webster法進(jìn)行求解，計(jì)算所求得的有效綠燈時(shí)間運(yùn)用到交通流中產(chǎn)生的延誤值往往較大，并會(huì)出現(xiàn)進(jìn)口道的時(shí)間損失，浪費(fèi)平面交叉口的時(shí)間和空間資源。

相比較經(jīng)典的Webster法，智能優(yōu)化算法具有一定的先進(jìn)性，國內(nèi)外大量學(xué)者將各種優(yōu)化算法應(yīng)用到智能交通控制領(lǐng)域中，在理論研究方面取得了較多的成果。Rouphail等[3]提出基于信號(hào)配時(shí)優(yōu)化的CORSIM模型，通過遺傳算法對(duì)模型進(jìn)行求解，以網(wǎng)絡(luò)延誤和排隊(duì)時(shí)間為評(píng)價(jià)指標(biāo)。Kim等[4]提出利用遺傳算法自動(dòng)確定模糊控制交通系統(tǒng)中的最優(yōu)參數(shù)和隸屬函數(shù)，并且通過多個(gè)平面交叉口仿真驗(yàn)證了該方法的有效性。高云峰等[5]根據(jù)延誤、停車率和排隊(duì)長度3個(gè)優(yōu)化指標(biāo)，建立了基于非支配排序遺傳算法的交叉口信號(hào)配時(shí)多目標(biāo)模型，但是算例結(jié)果顯示平均停車率比Webster算法得出的數(shù)值要高，3個(gè)優(yōu)化指標(biāo)之間并不能達(dá)到平衡。伍尚昆等[6]將改進(jìn)的蟻群算法運(yùn)用到多目標(biāo)信號(hào)配時(shí)優(yōu)化模型中，并且通過交叉口平峰和高峰兩個(gè)時(shí)段進(jìn)行模型驗(yàn)證，但是在平峰階段，經(jīng)典的Webster算法得出的總延誤時(shí)間最小。李振龍等[7]從車輛延誤、排隊(duì)長度和尾氣排放量3個(gè)性能指標(biāo)，建立了以平面交叉口的信號(hào)控制優(yōu)化模型，并采用遺傳算法進(jìn)行求解。劉暢等[8]以各相位有效綠燈時(shí)間為自變量建立多目標(biāo)信號(hào)配時(shí)優(yōu)化模型，其中優(yōu)化目標(biāo)為平面交叉口人均延誤和人均 CO 排放，并通過粒子群算法進(jìn)行求解。姚志洪等[9]以累計(jì)排隊(duì)車輛延誤為基礎(chǔ)，提出平面交叉口信號(hào)配時(shí)雙目標(biāo)模型即通行能力最大、平均延誤最小，但是算例結(jié)果表明兩者并不能同時(shí)達(dá)到預(yù)期效果，模型效益不能最大化。

總體來看，粒子群算法、蟻群算法和遺傳算法在信號(hào)配時(shí)參數(shù)計(jì)算中運(yùn)用較為廣泛，但是對(duì)于研究非線性規(guī)劃模型求解問題，粒子群算法[10]在收斂性分析方面較薄弱，而遺傳算法不僅擁有成熟的收斂性分析方法，并且能夠估計(jì)收斂速度，蟻群算法[11]適合求解圖中搜索路徑問題，計(jì)算開銷大，而遺傳算法在選擇操作時(shí)將會(huì)淘汰一些較差的種群，從而減少之后的計(jì)算開銷。相比較于傳統(tǒng)的遺傳算法在編碼階段通常使用二進(jìn)制編碼，而二進(jìn)制編碼并不適合求解多維、高精度的連續(xù)函數(shù)優(yōu)化問題，而浮點(diǎn)數(shù)編碼不僅適合求解高精度函數(shù)問題，并且能夠提高運(yùn)算效率。因此，本文以平面交叉口平均延誤最小為目標(biāo)，建立非線性規(guī)劃模型，采用浮點(diǎn)數(shù)編碼遺傳算法進(jìn)行求解。該算法可通過常規(guī)軟件進(jìn)行操作，可廣泛應(yīng)用于交叉口信號(hào)配時(shí)優(yōu)化工作，實(shí)用性強(qiáng)。

1 建立信號(hào)配時(shí)優(yōu)化模型

平均延誤、通行能力、飽和度、最大排隊(duì)長度、平均停車次數(shù)、停車率以及油耗等通常作為交通效益評(píng)價(jià)的指標(biāo)[12]。其中平均延誤的大小可以最直觀的體現(xiàn)平面交叉口的運(yùn)行效率，故本文選取平均延誤最小值作為目標(biāo)函數(shù)。

1.1平均延誤

平面交叉口的延誤時(shí)間是指車輛在擁堵情況下，通過交叉口所需時(shí)間與暢通行駛同樣距離所需時(shí)間的差值[13]。本文依據(jù)HCM延誤公式[12]，將延誤分為均勻延誤和隨機(jī)附加延誤進(jìn)行計(jì)算，其計(jì)算公式為：

2 遺傳算法

遺傳算法（Genetic Algorithms，GA）是一種全局自適應(yīng)概率搜索算法，以自然選擇和基因遺傳學(xué)原理作為基礎(chǔ)，以生物進(jìn)化優(yōu)勝劣汰的自然選擇機(jī)理和生物界繁衍進(jìn)化的遺傳機(jī)制作為指導(dǎo)思想[14]。

本文建立的信號(hào)配時(shí)優(yōu)化非線性模型具有不規(guī)則、不連續(xù)的特點(diǎn)，遺傳算法定義的適應(yīng)度函數(shù)有很強(qiáng)的適應(yīng)性，即便是非規(guī)則、非連續(xù)或是有噪音的情況下，也能找到全局最優(yōu)解，因此遺傳算法適合求解本文的信號(hào)配時(shí)優(yōu)化模型。遺傳算法的具體步驟如下。

（1）初始參數(shù)的設(shè)定。種群規(guī)模n、交叉概率Pc、變異概率Pm、進(jìn)化代數(shù)t。

（2）染色體編碼。本文選取浮點(diǎn)數(shù)編碼方法，該方法可以克服二進(jìn)制編碼因優(yōu)化問題的精度要求而導(dǎo)致編碼串很長、搜索空間急劇擴(kuò)大、計(jì)算量大且時(shí)間長的一系列問題。其中，個(gè)體的編碼長度與其決策變量的位數(shù)相等。

（3）適應(yīng)度函數(shù)。本文以各相位有效綠燈時(shí)間ge作為優(yōu)化變量，以平均延誤為優(yōu)化目標(biāo)函數(shù)dI，有必要將目標(biāo)函數(shù)轉(zhuǎn)換成最大化問題形式，且為函數(shù)值非負(fù)的適應(yīng)度函數(shù)。本文要求解平面交叉口平均延誤的最小值，為了滿足適應(yīng)度函數(shù)的條件，適應(yīng)度函數(shù)DI和目標(biāo)函數(shù)dI之間的對(duì)應(yīng)關(guān)系需要被建立，本文以目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)度函數(shù)，即：

DI=1dI。? （13）

（4）選擇。選取輪盤賭法作為選擇算子，該方法是一種有退還的隨機(jī)選擇策略。群體中的每個(gè)個(gè)體都是圓盤中扇形的一部分，扇形面積越大，個(gè)體的適應(yīng)值就越高，該個(gè)體進(jìn)入下一輪選擇的概率也就越大。假設(shè)種群個(gè)體數(shù)目為N，個(gè)體i的適應(yīng)度為Fi，則它被選中的概率為：

Pi=Fi∑Nj=1Fj。? （14）

（5）交叉。選擇實(shí)數(shù)交叉法[15]，該方法是指兩個(gè)基因個(gè)體通過線性組合產(chǎn)生兩個(gè)新的個(gè)體，如第m個(gè)染色體am和第n個(gè)染色體an在j位的交叉操作方法為：

amj=amj（1-b）+anjb

anj=anj（1-b）+amjb。（15）

式中：b是區(qū)間[0，1]之間的隨機(jī)數(shù)。

（6）變異。采用非均勻變異。第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異的操作方法為：

aij=aij+（aij-amax）f（t），r>0.5

aij+（amin-aij）f（t），r≤0.5。（16）

式中：amax是基因aij的上界;amin是基因aij的下界;f（t）=r2（1-t/T）2，r2是隨機(jī)數(shù);t為當(dāng)前迭代次數(shù);T為最大進(jìn)化次數(shù)，r為[0，1]區(qū)間的隨機(jī)數(shù)。

（7）進(jìn)化終止條件。設(shè)最大進(jìn)化代數(shù)為T，當(dāng)?shù)螖?shù)滿足t=T條件時(shí)，基于遺傳算法的最優(yōu)解為種群中適應(yīng)度值最高的個(gè)體，最后進(jìn)行個(gè)體解碼工作，得到平面交叉口的信號(hào)配時(shí)優(yōu)化方案[16]。

3 實(shí)例分析

為了驗(yàn)證本文信號(hào)配時(shí)優(yōu)化模型的正確性以及遺傳算法求解的優(yōu)越性，選取江蘇省鹽城市某一平面交叉口進(jìn)行實(shí)地調(diào)查。該平面交叉口的幾何構(gòu)造和渠化方案如圖1所示。該平面交叉口的交通控制方案為三相位，第一相位為東西進(jìn)口道直行與右轉(zhuǎn)車輛放行;第二相位為東西進(jìn)口道左轉(zhuǎn)車輛放行;第三相位為南北進(jìn)口道左轉(zhuǎn)、直行和右轉(zhuǎn)車輛一起放行。經(jīng)過多次調(diào)查發(fā)現(xiàn)，該平面交叉口的高峰小時(shí)出現(xiàn)在早上8：00—9：00，選取一天中的高峰小時(shí)對(duì)其進(jìn)行高峰小時(shí)交通調(diào)查，并進(jìn)行當(dāng)量交通量的換算，最后調(diào)查結(jié)果見表1。

首先將現(xiàn)狀交通量數(shù)據(jù)和配時(shí)參數(shù)運(yùn)用Webster法重新進(jìn)行配時(shí)計(jì)算，其次將本文建立的信號(hào)配時(shí)優(yōu)化模型在Matlab環(huán)境下進(jìn)行遺傳算法求解。根據(jù)高峰小時(shí)周期時(shí)長推薦值[10]設(shè)置最小信號(hào)周期為40 s，最大信號(hào)周期為120 s;為了滿足行人過街時(shí)長，設(shè)置第一相位最小有效綠燈時(shí)間為15 s，最大有效綠燈時(shí)間為60 s;第二相位最小有效綠燈時(shí)間為10 s，最大綠燈時(shí)間為50 s;第三相位最小有效綠燈時(shí)間為30 s，最大綠燈時(shí)間為60 s。

遺傳算法中控制參數(shù)的選擇也非常關(guān)鍵，通常這些參數(shù)包括種群規(guī)模n、交叉概率Pc、變異概率Pm和進(jìn)化代數(shù)t。種群規(guī)模的大小會(huì)直接影響遺傳算法的收斂性，推薦值為10～200，實(shí)例中取值為n=50;交叉概率控制著交叉操作被使用的頻度，一般建議Pc的取值范圍為0.4～0.99，實(shí)例中取值為Pc=0.6;變異概率控制著變異操作被使用的概率，一般建議值為0.000 1～0.1，實(shí)例中取值為Pm=0.01;進(jìn)化代數(shù)t的一般取值為100～400，實(shí)例中取值為t=300。

確定各個(gè)控制參數(shù)后，將目標(biāo)函數(shù)文件，選擇、交叉及變異文件與算法主函數(shù)文件在同一文件夾下運(yùn)行，在300次運(yùn)行優(yōu)化過程中，目標(biāo)函數(shù)從120代開始收斂，即目標(biāo)函數(shù)達(dá)到最優(yōu)，運(yùn)行結(jié)果見表2。從表2可知，周期時(shí)長從現(xiàn)狀123 s下降到97 s，下降幅度為21.1%;平面交叉口的平均延誤從現(xiàn)狀32.79 s/pcu下降到14.91 s/pcu，下降率達(dá)54.5%;由遺傳算法求解得出的信號(hào)配時(shí)如圖2所示，第一相位的綠燈時(shí)間為46 s，第二相位的綠燈時(shí)間為11 s，第三相位綠燈時(shí)間為31 s。平面交叉口機(jī)動(dòng)車延誤與服務(wù)水平對(duì)應(yīng)關(guān)系[17]見表3。由表3標(biāo)準(zhǔn)可知，現(xiàn)狀交叉口平均延誤為32.79 s/pcu，對(duì)應(yīng)交叉口服務(wù)水平為C;Webster算法計(jì)算得出的平均延誤對(duì)照表3，其交叉口服務(wù)水平依然為C;遺傳算法得出的結(jié)果服務(wù)水平上升到B。Webster算法和遺傳算法在一定程度上都使得現(xiàn)狀交叉口的平均延誤值得到下降，但從下降幅度來看遺傳算法對(duì)信號(hào)配時(shí)優(yōu)化模型的求解要優(yōu)于現(xiàn)狀以及經(jīng)典的Webster算法，使得平面交叉口的平均延誤進(jìn)一步降低，服務(wù)水平從C等級(jí)上升到B等級(jí)，平面交叉口的運(yùn)行效率隨之提升。

為了進(jìn)一步驗(yàn)證遺傳算法的優(yōu)越性，將現(xiàn)狀、Webster算法以及遺傳算法得出的配時(shí)方案在Vissim4.3中運(yùn)行。根據(jù)表1平面交叉口當(dāng)日高峰小時(shí)數(shù)據(jù)，按換算后的當(dāng)量小汽車數(shù)據(jù)進(jìn)行車輛輸入，建軍東路（即東西向）小汽車期望速度為40～60 km/h，富康路（即南北向）小汽車期望速度為20～40 km/h，分別對(duì)應(yīng)相應(yīng)的期望車速分布曲線;對(duì)平面交叉口各個(gè)進(jìn)口道分別設(shè)置檢測器對(duì)三項(xiàng)方案分別進(jìn)行延誤指標(biāo)評(píng)價(jià)，仿真時(shí)長為3 600 s。仿真結(jié)果見表4。

根據(jù)表4中的仿真延誤數(shù)據(jù)，總體來看大小順序?yàn)椋哼z傳算法得出的交叉口平均延誤值、Webster算法延誤值、現(xiàn)狀延誤值。從進(jìn)口道延誤來看，南、北進(jìn)口增減量變化幅度最大，與現(xiàn)狀平均延誤值相比分別下降了17.5? s/pcu和18.5 s/pcu;東、西進(jìn)口延誤增減量幅度較小。從交叉口總體平均延誤來看，基于遺傳算法的平均延誤值相比于現(xiàn)狀值下降了5.6 s/pcu，下降幅度近似為24.1%;相比于Webster算法，下降了1.6 s/pcu，下降率幅度近似為8.3%。因此，基于遺傳算法信號(hào)配時(shí)優(yōu)化模型求解得出的平面交叉口平均延誤值要低于Webster算法，可使平面交叉口平均延誤值進(jìn)一步降低，提高交叉口的運(yùn)行效率。

4 結(jié)束語

信號(hào)配時(shí)參數(shù)的合理設(shè)置可以影響整個(gè)平面交叉口車流的暢通度，本文將平面交叉口的交通效益做出了量化評(píng)價(jià)，以平面交叉口平均延誤值最小為目標(biāo)函數(shù)，建立了以有效綠燈時(shí)間和周期時(shí)長作為約束條件的信號(hào)配時(shí)優(yōu)化模型，通過浮點(diǎn)數(shù)編碼遺傳算法對(duì)模型進(jìn)行求解，得出的結(jié)論如下。

（1）相比于現(xiàn)狀和Webster算法，遺傳算法求解得出的配時(shí)方案運(yùn)用于平面交叉口，可使得交叉口的平均延誤進(jìn)一步降低，并且使得平面交叉口的服務(wù)水平上升到B等級(jí)，同時(shí)通過Vissim4.3仿真實(shí)驗(yàn)進(jìn)一步驗(yàn)證了遺傳算法對(duì)平面交叉口信號(hào)配時(shí)算法的適用性。

（2）本文的信號(hào)配時(shí)優(yōu)化模型廣泛適用于城市道路的平面交叉口，并且遺傳算法的求解過程也可通過常規(guī)軟件進(jìn)行操作，實(shí)用性強(qiáng)，效果明顯。

對(duì)于本文建立的信號(hào)配時(shí)優(yōu)化模型，后續(xù)研究中可加入最大排隊(duì)長度、通行能力等指標(biāo)，建立多目標(biāo)信號(hào)配時(shí)優(yōu)化模型，從而更全面地評(píng)價(jià)平面交叉口的交通效益。

【參 考 文 獻(xiàn)】

[1]成衛(wèi)，袁滿榮，姬利娜.基于粒子群算法的道路交叉口信號(hào)配時(shí)優(yōu)化模型：以昆明市為例[J].城市交通，2013，11（3）：27-33.

CHENG W， YUAN M R， JI L N. Signal timing model based on particle swarm optimization： a case study of Kunming[J]. Urban Transport of China， 2013， 11（3）： 27-33.

[2]田豐，邊婷婷.基于自適應(yīng)遺傳算法的交通信號(hào)配時(shí)優(yōu)化[J].計(jì)算機(jī)仿真，2010，27（6）：305-308.

TIAN F， BIAN T T. Traffic signal timing optimization based on adaptive genetic algorithm[J]. Computer Simulation， 2010， 27（6）： 305-308.

[3]ROUPHAIL N M， PARK B B， SACKS J. Direct signal timing optimization： Strategy development and results[C]// In XI Pan American Conference in Traffic and Transportation Engineering， 2000.

[4]KIM J， KIM B M， HUH N C. Genetic algorithm approach to generate rules and membership functions of fuzzy traffic controller[C]// 10th IEEE International Conference on Fuzzy Systems.（Cat. No. 01CH37297）， IEEE， Melbourne， Australia， 2001， 1： 525-528.

[5]高云峰，徐立鴻，胡華，等.交叉口定周期信號(hào)控制多目標(biāo)優(yōu)化方法[J].中國公路學(xué)報(bào)，2011，24（5）：82-88.

GAO Y F， XU L H， HU H， et al. Multi-objective optimization method for fixed-time signal control at intersection[J]. China Journal of Highway and Transport， 2011， 24（5）： 82-88.

[6]伍尚昆，陳翠宜，祝勝林.基于多種群蟻群算法的交叉路口信號(hào)配時(shí)優(yōu)化[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（5）：83-88.

WU S K， CHEN C Y， ZHU S L. Timing optimisation for intersection signal based on multi-colony ant algorithm[J]. Computer Applications and Software， 2014， 31（5）： 83-88.

[7]李振龍，董文會(huì)，韓建龍，等.基于遺傳算法的交叉口信號(hào)控制多目標(biāo)優(yōu)化[J].計(jì)算機(jī)應(yīng)用，2016，36（S2）：82-84.

LI Z L， DONG W H， HAN J L， et al. Multi-object optimization for intersection signal control based on genetic algorithm[J]. Journal of Computer Applications， 2016， 36（S2）： 82-84.

[8]劉暢，魏麗英.考慮人均延誤和人均排放的信號(hào)配時(shí)優(yōu)化模型[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2018，50（9）：83-88.

LIU C， WEI L Y. Signal timing optimization model considering per capita delay and per capita emissions[J]. Journal of Harbin Institute of Technology， 2018， 50（9）： 83-88.

[9]姚志洪，蔣陽升，吳北川.基于休假排隊(duì)理論的信號(hào)配時(shí)仿真優(yōu)化模型[J].計(jì)算機(jī)仿真，2018，35（6）：156-159.

YAO Z H， JIANG Y S， WU B C. Traffic signal timing simulation optimization based on vacation queueing theory[J]. Computer Simulation， 2018， 35（6）： 156-159.

[10]首艷芳，徐建閩.信號(hào)交叉口多目標(biāo)動(dòng)態(tài)決策模型及其優(yōu)化方法[J].公路交通科技，2012，29（11）：92-97.

SHOU Y F， XU J M. Multi-objective dynamic decision-making model of signalized intersection and its optimization method[J]. Journal of Highway and Transportation Research and Development， 2012， 29（11）： 92-97.

[11]肖業(yè)偉，黃輝先，王宸昊.基于蟻群算法的交叉路口多相位信號(hào)配時(shí)優(yōu)化[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（19）：241-244.

XIAO Y W， HUANG H X， WANG C H. Multiphase traffic signal timing optimization of intersection based on ant colony algorithm[J]. Computer Engineering and Applications， 2008， 44（19）： 241-244.

[12]吳兵.交通管理與控制（5版）[M].北京：人民交通出版社，2015.

WU B. Traffic management and control（Fifth edition）[M]. Beijing： Peoples Traffic Press， 2015.

[13]慕飛飛，張惠珍.基于遺傳算法的單點(diǎn)交叉口信號(hào)配時(shí)優(yōu)化[J].上海理工大學(xué)學(xué)報(bào)，2015，37（6）：600-604.

MU F F， ZHANG H Z. Signal timing optimization at single-point intersection based on genetic algorithm[J]. Journal of University of Shanghai for Science and Technology， 2015， 37（6）： 600-604.

[14]卓金武， 王鴻鈞. MATLAB數(shù)學(xué)建模方法與實(shí)踐[M]. 北京： 北京航空航天大學(xué)出版社， 2018.

ZHUO J W， WANG H J. Mathematical modeling method and practice of MATLAB [M]. Beijing： Beijing University of Aeronautics & Astronautics Press， 2018.

[15]李碩，付珊，賀文，等.基于遺傳算法的左轉(zhuǎn)待行區(qū)交叉口信號(hào)配時(shí)優(yōu)化研究[J].公路工程，2018，43（5）：131-137.

LI S， FU S， HE W， et al. Study on signal timing optimization of the intersection with left-turn waiting area based on genetic algorithm[J]. Highway Engineering， 2018， 43（5）： 131-137.

[16]王逸，姚志洪，蔣陽升，等.基于自適應(yīng)遺傳算法的雙環(huán)信號(hào)配時(shí)優(yōu)化模型[J].工業(yè)工程，2018，21（5）：72-80.

WANG Y， YAO Z H， JIANG Y S， et al. The dual-phase signal timing optimization model based on adaptive genetic algorithm[J]. Industrial Engineering Journal， 2018， 21（5）： 72-80.

[17]王秋平，譚學(xué)龍，張生瑞.城市單點(diǎn)交叉口信號(hào)配時(shí)優(yōu)化[J].交通運(yùn)輸工程學(xué)報(bào)，2006，6（2）：60-64.

WANG Q P， TAN X L， ZHANG S R. Signal timing optimization of urban single-point intersections[J]. Journal of Traffic and Transportation Engineering， 2006， 6（2）： 60-64.