两种智能优化算法在交通控制应用中的对比分析

徐向艺

（平顶山学院计算机学院，河南 平顶山 467000）

两种智能优化算法在交通控制应用中的对比分析

徐向艺

（平顶山学院计算机学院，河南 平顶山 467000）

城市交通系统是一个庞大的系统，具有极强的随机性以及复杂性，要想实现对其有效控制，必须不断进行研究和分析。本文主要讨论两种智能优化算法在城市交通控制应用中的对比。两种智能算法分别是混沌遗传算法和混沌粒子群算法。通过对这两种智能优化算法的计算结果进行仿真发现，这两种算法的自适应性、鲁棒性以及自学习性都是相当强的，能够有效地实现对地区交通信号的控制优化，并且由于固定周期控制方式在其中的应用，能够使车辆的平均延误情况得到有效的缓解，对改善地区交通有着积极的意义。

智能；优化算法；交通控制；应用；对比分析

1 引言

在当前社会经济的不断发展中，由于人们物质生活条件的不断提高，汽车数量越来越多，交通越来越拥堵，这种现状严重阻碍了我国的进一步发展。智能交通系统的出现，使当前交通中面临的问题得到了有效的缓解。这一系统的出现，不仅能够将目前道路与逐渐增加的机动车之间的矛盾进行有效的化解，同时也能更加方便人们的出行，这一系统涵盖了诸多的交通信息，其中最重要的一个组成部分就是对于道路的最优化选择，本文通过对混沌遗传算法和混沌粒子群算法在交通控制系统中的应用效果进行比较。

2 两种智能优化算法

2.1 混沌粒子群算法

这种算法是粒子群优化算法与混沌映射进行有效结合，取两种算法的所长，能够有效避免粒子群优化算法存在的不足之处。通常情况下由确定性方程直接得到的具有随机性的运动状态称为混沌[1]。其中存在的混沌状态的变量就是混沌变量，这种算法在最初是因为模拟社会行为而产生的，能够通过迭代进行最优值的选择，系统中虽然是一组随机解，但是粒子能够在解空间中进行最优粒子的搜索迭代，终止的条件通常情况下会按照实际的问题，以当前选择的最优值或者最大迭代次数进行最小适应阈值的预定。在实际的计算中，这种算法首先需要进行参数的确定，然后随机出现多个粒子种群，按照相关的模式进行操作，最后就可以实现对位置的混沌优化，当其得到满意解或者迭代数达到最大的时候，优化过程就会自动停止，如果这两者都不满足，就会继续对粒子种群进行操作，再次进行选择。

2.2 混沌遗传算法

混沌遗传算法（Chaos Genetic Algorithm，C-GA）的基本思想在于引入混沌状态的优化变量，然后将混沌运动的遍历范围与优化变量的取值范围进行重合，将相应的混沌变量进行编码，然后将其放置在选择范围之内，进行不断的优化选择，最终就会获得一个最优解。这种算法首先要对交换方案以及编码方案进行确定，因为其中的参数都存在一定的相关性，所以需要使用交叉编码的方案进行[2]。在确定这两者以后，混沌遗传算法的具体优化步骤为：首先对变量的范围进行设定，然后选定混沌变量，并且将其引入到优化变量中去，使其转化为优化变量，同时将混沌变量的范围变换到与其相对应的优化变量的取值范围之中。对不同的变量进行编码，然后计算出新的适应度，并且进行及时的调整，对群体根据适应度的不同进行排列，计算适应度的平均值以及最大值，得到最优结果以后，计算结束，否则就会继续进行下一轮的寻优。

3 两种算法在城市交通控制中的仿真计算

3.1 仿真路段设定

区域交通控制本身具有一定的复杂性和随机性，因此就这两种算法以及固定周期法（FIX）在实际交通控制中的应用对比通过仿真计算进行，RTE(Run-Time Extension)接口用Visual C++进行编写。本次研究是对一个九路口区域交通进行的，这个路口的各个路段都是双车道，次干线在南北方向，路口都是南北直行、南北左转、东西直行、东西左转，对于东西以及南北方向的右转向都不控制。

3.2 交通控制仿真

每一车道最大车流量是1800辆，排队长度45米，一个循环为40秒到2分钟，路灯的时长为110秒，黄灯为3秒，红灯为2秒，此次交通控制仿真的时间为10分钟，在仿真期间，不计公交车以及行人对路段产生的影响。为了保证仿真与实际更加贴合，需要根据不同时段的道路的行车情况进行仿真研究，不同的交通需求分别为重度需求、中度需求以及轻度需求。针对每一种需求需要设定5种交通需求的相关数据，将混沌遗传算法和粒子群优化算法的种群规模设定为50个，这两种算法每次更迭，其中会有5个参与混沌变异的粒子[3]。

在同样的交通环境的设定下，利用混沌遗传算法和混沌粒子群优化算法进行仿真计算以及比较。在比较复杂的城市区域交通控制系统中，遗传算法和粒子群优化算法在计算中都有可能难以实现对全部范围内最优点的选择，而混沌粒子群优化算法和混沌遗传算法则能够实现对全部范围内最优点的选择。混沌粒子群优化算法和遗传算法在其收敛速度方面明显优于混沌遗传算法和粒子群优化算法。粒子群优化算法相比较混沌遗传算法来说不容易陷入到局部的极值点，混沌粒子群优化算法同样不易陷入这一极值点。混沌粒子群优化算法相比较粒子群优化算法来说对于CPU时间消耗比较长，但是其增加的幅度不大。混沌遗传算法和遗传算法相比较而言，对于CPU时间的消耗相对较长。

混沌粒子群优化算法和遗传算法在收敛性能上来说，都有一定的优势。混沌粒子群优化算法和粒子群优化算法的平均进化次数之间的差异比较小，混沌粒子群的平均进化次数少，不过因为混沌映射的引入，对于CPU的耗时反而比较长。遗传算法比混沌遗传算法的平均进化次数有所增加，导致这一现象的根本原因在于混沌遗传算法中进行了混沌映射的引入。粒子群优化算法在交通重度需求的情况下会陷入到局部最优点，这种现象明确了在高强度的交通需求中不能使用粒子群优化算法。相比较FIX而言，混沌粒子群优化算法和混沌遗传算法在车辆的平均停车率以及车辆的平均延误率分别减少了30.6%和41%，由此就可以看出该算法在城市区域范围内实现交通控制的优势所在。粒子群优化算法以及遗传算法在仿真分析中，通过统计有4次陷入局部极值点，不过与FIX相比较，在局部极值的前提下，车辆的平均停车率以及平均延误情况仍然较少，分别为15.4%和19.8%，这就说明了极值点在一些情况下也可以使用。

4 对比结果

通过分析可以看出利用混沌粒子群优化算法以及遗传算法能够使收敛速度得到有效的提升，能够使城市交通情况得到有效的缓解。城市交通系统在运行过程中在一些情况下会出现极强的混沌性，混沌粒子群优化算法和混沌遗传算法针对城市交通系统中的这一特性，能够有效实现对于交通的控制以及对时间的优化分配，能够对城市区域交通的控制信号进行实时的优化分配，通过这种方式可以通过对控制信号的接收实现对城市区域交通的控制，这样就可以降低车辆的平均停车率以及缓解平均延误情况，提高道路车辆的通行率。

研究发现，混沌粒子群算法和混沌遗传算法在使用范围上有各自的特点和范围。因为混沌遗传算法对于CPU的耗时相对比较长，因此，如果路口的车辆比较多，就不能使用这一算法进行控制，不过这一算法本身的稳定性比较好，所以适合应用在路口车辆比较少的情况下；混沌粒子群算法和混沌遗传算法适宜在交通呈现出强烈的混沌特性的情况下；在实际的城市区域交通控制系统的应用中，要想有效实现对道路交通的最优化配时，降低平均停车率以及车辆的平均延误情况，提高道路的通行率，可以将这两种算法结合使用，取两者的优势。在实际的系统应用中，应该首先对实时的交通情况进行判断，然后选择相应的优化算法，这样就能有效实现对城市区域交通流的控制和合理安排。当然混沌粒子群算法以及混沌遗传算法在其他优化对象方面也同样适用，不过在实际应用的时候，必须根据具体的情况对算法的相关参数进行科学、合理的选择，以确保算法在其中的有效应用。

5 结束语

综上所述，在当前社会经济不断发展的过程中，人们的生活水平日益提高，代步工具也在不断增加，交通问题已经成为了我国实现进一步发展的一个极大的阻碍因素，智能交通系统的出现使这一问题得到了有效的缓解，当然这一系统必须是以一定的计算方式作为依托，为了使这一系统不断得到完善和优化，进一步实现对城市交通优化控制，就需要对其中的算法进行优化和发展。通过本文的研究发现，两种算法分别都有各自的优势，要想更好地实现对城市区域交通系统的控制，就需要将这两种算法综合应用在城市的智能交通控制系统中，然后根据实际的交通情况进行优化，只有这样才能更好地推动我国交通的健康发展，保证我国未来的可持

续发展。

[1]李娟，杨琳，刘金龙，等．基于自适应混沌粒子群优化算法的多目标无功优化[J]．电力系统保护与控制，2011(9)：26-31．

[2]刘福才，贾亚飞，任丽娜．基于混沌粒子群优化算法的异结构混沌反同步自抗扰控制[J]．物理学报，2013(12)：120509．

[3]杜文莉，张海龙，钱锋．融合和声搜索的混沌粒子群优化算法及工业应用[J]．清华大学学报(自然科学版)，2012(3)：325-330．

[4]燕善俊，程德强．一种基于DCT和混沌序列的图像加密算法[J].徐州工程学院学报(自然科学版)，2014(4)：39-43．

[5]湛文红．网络图形最短路径算法分析与研究[J]．电脑与电信，2010(7)：60-62．

Comparison of Two Intelligent OptimizationAlgorithmsApplied in Traffic Control

Xu Xiangyi
（Pingdingshan University,Pingdingshan Henan）

tract】 Urban traffic system is a huge system,with strong randomness and complexity.In order to effectively control the system,we must continue to study and analyze.This paper mainly discusses on the application of two kinds of intelligent optimization algorithms in urban traffic control.The algorithms are chaos genetic algorithm and chaotic particle swarm optimization algorithm. Through the simulation of these two intelligent optimization algorithms,the results show that the adaptive robust and self-learning ability of these algorithms are very strong.They can realize the optimization of traffic signal effectively.Due to the application of fixed cycle control,the average delay of vehicle has been effectively alleviated,having positive significance to improve the traffic situation.

words】 intelligent;optimized algorithm;traffic control;application;comparative analysis

TP301.6；U495

A

1008-6609(2016)09-0067-03

徐向艺，女，河南平顶山人，硕士，副教授，研究方向：软件工程，智能算法，优化设计。