1.本发明涉及交通干线技术，具体涉及基于改进人工蜂群算法的城市主干道信号协同控制方法。
背景技术：2.目前，城市主干道往往承受的交通负荷较重，为了提高城市主干道交通运行效率，研究人员主要从获得最大绿波宽度和减少车辆延误与停车次数为目的进行了城市交通干线协同控制方法研究。随着计算机技术和智能控制算法的研究发展，部分学者尝试基于人工智能算法建立了不同的城市道路交通干线信号协同控制模型，其在难以建立精确干道协调控制模型的情况下发挥了重要作用。控制参数（周期、绿信比、相位差）优化作为协调控制的研究重点，将对城市主干道的协调控制效果具有决定性影响。姚荣涵等为降低干线道路系统的交通排放量，基于机动车比功率改进红绿灯期间排放因子的标定方法，构建了使机动车排放总量最小化的干线交叉口群时空资源优化模型。陈娟等运用启发式分层控制算法框架，以干线中的主线延误和次线延误作为多目标，建立了过饱和流条件下的干线协调控制方法。卢凯等通过对协调控制系统进行相位优化设计，综合考虑各路段的平均车速、车流的离散性、相交道路的转弯车流以及车辆到达的不均匀性等各种影响干道协调控制方案实施效果的主要因素后，建立了一种新的干道协调控制相位差模型。然而，这些优化方法对控制参数求解时，大都采用了参数解耦优化的思路，即采用对控制参数分层优化方法消除各参数之间的耦合关系，城市交通干线信号控制系统作为一种多输入、多输出以及参数之间互相耦合的复杂系统，采用解耦优化思路很难保证其全局最优性。目前，研究人员利用不同方法实施干线协同控制，取得了一定的实际控制效果，但能够将主路与支路交通流一并考虑，对干线交通控制系统的信号参数进行全局协同优化的研究还尚不全面。
技术实现要素：3.本发明的主要目的在于提供基于改进人工蜂群算法的城市主干道信号协同控制方法。
4.本发明采用的技术方案是：基于改进人工蜂群算法的城市主干道信号协同控制方法，包括优化模型方法和求解算法。
5.进一步地，所述优化模型方法包括：假定内部左转车道车辆的到达服从泊松分布，其延误和停车率仍可依据式（1）和式（2）进行计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（1）～式（4）中，为信号周期；为进口道有效绿灯时间；为进口道绿信比；为进口道饱和流率；为进口道车辆到达率；为进口道饱和度；为进口道平均滞留车辆数；为进口道通行能力；为车辆到达率等于的持续时间；为考虑完全停车而设置的修正系数，取；对协调控制系统内部直行车道的延误和停车率进行计算；令表示协调系统中的自西向东（下行）方向的第个交叉口；为的干线方向绿灯时长；分别为协调系统到的上行车速和到的下行车速；和分别为相对和相对的相位差；为车队头车遇红灯受阻时头车下行至起至红灯结束的时间长度；为车队非头车遇红灯受阻红灯亮起至车队末车到达的时间长度；为下行至的车队到达率；为干线下行的饱和流率；为干线上行的饱和流率；为一个周期内下行至的车队车辆数；为一个周期内上行至的车队车辆数；对于到的下行车队而言，令，当时，则，否则当时，则，使；当时，此时表明车队行驶至下游交叉口头车遇红灯受阻，则，到的直行进口道车流周期车均延误如下：如果，则；
如果，则；如果，则停车率如下：如果，则；如果，则；如果，则；当时，此时表明车队行驶至下游交叉口车队非头车遇红灯受阻，则；当时，表明车队无阻通过交叉口，当时，到的直行进口道车流的周期车均延误如下：如果，则；如果且，则；如果
且，则；停车率如下：如果，则；如果且，则；如果且，则同理，到的上行车队在的条件下，可以采用相同的方法求得车流在的周期车均延误和停车率；基于延误和停车率对大量交通情形仿真结果进行统计分析，建立了信号交叉口进口道交通流二氧化碳排放估计模型，如式（5）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式（9）中，为进口道周期车均二氧化碳排放，为车流平均行驶速度，为进口道车均停车率，为进口道车均延误，为模型的回归系数；在获得不同进口道车流延误、停车率以及co2排放的基础上，对整条干线系统内外
部进口道车流的车均延误、停车率以及co2排放量进行计算，即，其中为第个交叉口第进口道的周期到达车流量，为第个交叉口第进口道的车均延误、停车率或者co2排放；为了说明对线控系统配时参数优化时控制目标对配时参数的影响，本发明后续将会分别基于延误、停车率以及co2排放为优化目标进行配时分析，并分析不同优化目标条件下的配时结果，从而说明本发明从参数共同优化的角度对交通主干道协同控制的必要，这里为了方便描述，采用将车均延误、停车率或者co2排放进行统一表示；信号周期应满足：，其中，为相位个数；设定各进口道饱和度；依据双向干线协调控制原理，相位差优化模型约束条件应当满足：；以整个协调控制系统内外部进口道的周期车均延误、停车率或者co2排放为目标函数，以系统信号周期、各相位绿灯时长以及相位差为决策变量，在信号周期、进口道饱和度以及相位差的约束条件下建立干线配时参数协同控制配时优化模型：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）式（6）中，为第个交叉口第进口道的车均延误、停车率或者co2排放，采用代替车均延误、停车率或者co2排放进行表达。
6.更进一步地，所述求解算法包括：采用标准abc算法对模型进行求解：（1）在模型求解的定义域内随机初始化种群，初始化公式如式（11）：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）式（11）中，为食物源个数；为搜索空间的维度，即求解参数个数；为0到1之间
的随机数；和分别为第维参数的上下限；（2）雇佣峰对种群中的每一食物源依据式（12）进行迭代计算，搜索生成新的食物源：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）式（12）中，为依据搜索得到的新食物源，如果的适应度值优于，则以代替，否则丢弃；为食物源的产生算式；为算法单维搜索时随机选择的任意维度，为随机选择的个体的第维，可以实现对的搜索引导；（3）所有食物源经过一次迭代后，计算新种群中所有食物源的选择概率；（4）观察峰依据食物源选择概率，从种群中选择相对较优食物源按照式（13）迭代计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）式（13）中，是依据食物源选择概率选择的参与进化的食物源，为在邻域内搜索到的新的食物源，在的适应值大于的情况下，利用替换，其它参数的意义与式（12）保持一致；在种群一次完整的进化过程中，将会有个食物源能够得到进化机会，由于在选择参与进化的食物源时，算法采用了轮盘赌的原则，使得优秀的食物源有可能得到了多次进化机会，而适应值差的食物源的进化机会相对较少，增强了算法的深度收敛能力；（5）对停滞次数最大的食物源进行判断，如果满足丢弃条件，为了避免算法陷入局部最优，采用随机搜索策略产生新的食物源代替当前种群中停滞次数最大的食物源；（6）判断算法结束条件是否满足，如果不满足，转步骤（2）进行新一轮的迭代搜索。
7.本发明的优点：本发明的动态随机邻域人工蜂群算法相比其它算法具有更优的搜索性能，求解质量更高。其通过引导食物源向邻域最优个体方向搜索，可以有效的提升算法的寻优速度，同时每个食物源的邻域由随机选择的不同个体组成，将使食物源的进化可以向不同的较优个体学习，在提升算法寻优速度的同时也增强了算法的全局寻优能力。另外，由于rdnabc算法在确定邻域半径时存在一定主观性，本发明采用了一种动态邻域机制解决此问题，算法迭代初期设置邻域半径较小，侧重于全局搜索，随着搜索迭代次数的增加，不断增加食物源的邻域半径，提高算法的深度搜索能力，此机制可以使算法在全局搜索能力以及深度搜索精度方面得到有效均衡。
8.除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
9.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
10.图1 是线控系统几何结构图；图2 是信号交叉口相位方案图；图3 是本发明的随机邻域结构图；图4 是本发明的不同算法对各函数的第一平均收敛过程图；图5 是本发明的不同算法对各函数的第二平均收敛过程图；图6 是本发明的不同优化目标的模型收敛过程图；图7是本发明的基于rdnabc算法的相位差优化过程图。
具体实施方式
11.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
12.研究对象以一条干线上关联性较强的若干交叉口协同控制为例，从配时参数共同优化的角度减少干线系统交通流延误、停车率或者co2排放。现有研究主要针对主干道直行车流进行优化控制，然而，干线直行车流最优配时势必将会对非直行车流以及外部进口道车流的通行效益造成影响，导致难以实现全局最优。因此，为了改善整条干线内外部车道的交通流通行交通条件，本发明将系统内外部进口道车流共同考虑，以内外部进口道所有车流延误、停车率或者co2排放最小分别为优化目标，以信号周期、各交叉口绿灯时长以及相邻交叉口相位差为决策变量建立交通干线信号协同控制优化模型并求解，同时对不同优化目标所得配时结果进行比较分析。包含5个交叉口的线控系统几何结构如图1所示。
13.为了规避支路转弯车流对主干道协调控制所产生的影响，有文献提出设置信号相位时，支路转弯车流放行相位应紧随主干道直行车流放行相位之后，可以促使主干道直行车流到达下游交叉口时形成一支较为连续稳定的车队，将在一定程度上可以减少支路转弯车流对干线协同控制效果的影响。为了最大可能的保证干线协同控制效果，以及考虑到本发明采用的进口道交通流效益估计模型的适用性，因此，特设定每个交叉口每个进口道方向均有左转、直行和右转专用车道，右转车辆不受信号控制，左转和直行相位设计如图2所示。
14.优化模型评价交通干线常用的性能指标主要包括干道的延误、停车率、通行能力、饱和度、排队长度、能耗及排放等，由于延误和停车率是城市道路服务水平评价及交通状态判断的重要影响指标，因此本发明将选择延误和停车率作为线控系统的优化指标进行分析，同时，随着城市机动车保有量的快速增加，导致城市交通拥堵愈演愈烈，城市交通节能减排已成为低碳交通研究和推进的关键环节，因此本发明也将co2排放效益作为评价指标进行配时分析。对于干线协调控制系统而言，进口道主要分为三类：外部车道、内部左转车道以及内部直行车道。外部车道车流到达不受协同控制的影响，按照的研究，此种情况下车辆的到达服从泊松分布，则进口道交通流在信号交叉口处的延误和停车率可依据式（1）和式（2）进行计算。内部左转车道的车流由上游交叉口主干道直行车流以及外部车道的左转、右转车流分流而来，虽然直行车流以及外部车道左转车流受到协同控制的影响，导致其到达
下游交叉口时呈现出队列性，但是上游直行车流分流而来的左转车流量相对较小以及分流车辆在队列中的随机性，再加上上游外部车道右转车流不受信号控制的随机到达，因此，也可假定内部左转车道车辆的到达服从泊松分布，其延误和停车率仍可依据式（1）和式（2）进行计算。
15.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（1）～式（4）中，为信号周期；为进口道有效绿灯时间；为进口道绿信比；为进口道饱和流率；为进口道车辆到达率；为进口道饱和度；为进口道平均滞留车辆数；为进口道通行能力；为车辆到达率等于的持续时间；为考虑完全停车而设置的修正系数，通常可取。
16.对于协调控制系统内部直行车道而言，文献[7,13]在综合考虑各路段的平均车速、车流离散性、相交道路的转弯车流以及车辆到达不均匀性等各种主要因素后，基于进口道车辆停车延误分析图详细分析了主干道车队头车遇红灯受阻以及车队非头车遇红灯受阻两种情况下的上下行车流的延误和停车率模型，算例分析表明此模型可以对不同信号参数下的车流延误和停车率准确估计。因此，本发明将会依据此研究成果，对协调控制系统内部直行车道的延误和停车率进行计算。
[0017]
令表示协调系统中的自西向东（下行）方向的第个交叉口；为的干线方向绿灯时长；分别为协调系统到的上行车速和到的下行车速；和分别为相对和相对的相位差；为车队头车遇红灯受阻时头车下行至起至红灯结束的时间长度；为车队非头车遇红灯受阻红灯亮起至车队末车到达的时间长度；为下行至的车队到达率；为干线下行的饱和流率；为干线上行的饱和流率；为一个周期内下行至的车队车辆数；为一个周期内上行至的车队车辆数。
[0018]
对于到的下行车队而言，令，当时，则
，否则当时，则，使。
[0019]
当时，此时表明车队行驶至下游交叉口头车遇红灯受阻，则，到的直行进口道车流周期车均延误如下：如果，则；如果，则；如果，则停车率如下：如果，则；如果，则；如果，则。
[0020]
当时，此时表明车队行驶至下游交叉口车队非头车遇红灯受阻，则；当时，表明车队无阻通过交叉口，当时，到的直行进口道车流的周期车均延误如下：如果，则；
如果且，则；如果且，则。
[0021]
停车率如下：如果，则；如果且，则；如果且，则同理，到的上行车队在的条件下，可以采用相同的方法求得车流在的周期车均延误和停车率。
[0022]
有文献针对信号交叉口交通流二氧化碳排放问题，在综合考虑信号周期、车辆到达率、进口道绿信比等多种因素的前提下，对17,010种交通情形下的交通流二氧化碳排放仿真，基于延误和停车率对大量交通情形仿真结果进行统计分析，建立了信号交叉口进口
道交通流二氧化碳排放估计模型，如式（9）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式（9）中，为进口道周期车均二氧化碳排放，为车流平均行驶速度，为进口道车均停车率，为进口道车均延误，为模型的回归系数，具体数值见表1。
[0023]
表1 模型回归系数备注: "-" 表示相应的多项式未参与对模型的解释在获得不同进口道车流延误、停车率以及co2排放的基础上，便可对整条干线系统内外部进口道车流的车均延误、停车率以及co2排放量进行计算，即，其中为第个交叉口第进口道的周期到达车流量，为第个交叉口第进口道的车均延误、停车率或者co2排放。为了说明对线控系统配时参数优化时控制目标对配时参数的影响，本发明后续将会分别基于延误、停车率以及co2排放为优化目标进行配时分析，并分析不同优化目标条件下的配时结果，从而说明本发明从参数共同优化的角度对交通主干道协同控制的必要，这里为了方便描述，采用将车均延误、停车率或者co2排放进行统一表示。
[0024]
在交通控制中，信号周期长度应该根据交通流量灵活控制。一般在交通流量较低时，信号周期往往设置的较为短暂，但当交通流量较大时，为了提高交叉口的车辆通行能力，信号周期设置的相对较长。已有研究成果表明，信号周期应满足：，其中，为相位个数。同时，为了保证协调系统干线协调控制的效果以及保证模型的适用性，特设定各进口道饱和度。
[0025]
在优化干线协同控制系统配时参数时，需要考虑线控系统相位差的取值空间，依据双向干线协调控制原理，相位差优化模型约束条件应当满足：。
[0026]
综上分析，本发明以整个协调控制系统内外部进口道的周期车均延误、停车率或者co2排放为目标函数，以系统信号周期、各相位绿灯时长以及相位差为决策变量，在信号周期、进口道饱和度以及相位差的约束条件下建立干线配时参数协同控制配时优化模型：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）式（10）中，为第个交叉口第进口道的车均延误、停车率或者co2排放，本发明后续将会基于不同效益指标分别进行配时优化，并比较不同配时结果的区别，这里为了简化模型描述，特采用代替车均延误、停车率或者co2排放进行表达。
[0027]
求解算法考虑到优化模型目标函数与决策变量映射关系的非线性和复杂性，采用数学解析法求解优化参数将十分困难，尤其是决策变量较多时，对求解算法的效率要求会更高。由于仿生智能算法不需要了解求解问题的具体特征信息，依据目标函数的优劣比较便可在解空间中寻优，具有较高的求解效率，求解质量也能够得到保证，非常适合求解各种复杂的非线性问题,因此，本发明拟采用比遗传算法、粒子群算法、混合蛙跳算法以及差分进化算法更具寻优优势的人工蜂群算法对模型进行求解。标准abc算法的流程如下：（1）在模型求解的定义域内随机初始化种群，初始化公式如式（15）：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）式（15）中，为食物源个数；为搜索空间的维度，即求解参数个数；为0到1之间的随机数；和分别为第维参数的上下限；（2）雇佣峰对种群中的每一食物源依据式（16）进行迭代计算，搜索生成新的食物源：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）式（17）中，为依据搜索得到的新食物源，如果的适应度值优于，则以代替，否则丢弃；为食物源的产生算式；为算法单维搜索时随机选择的任意维度，为随机选择的个体的第维，可以实现对的搜索引导。
[0028]
（3）所有食物源经过一次迭代后，计算新种群中所有食物源的选择概率。
[0029]
（4）观察峰依据食物源选择概率，从种群中选择相对较优食物源按照式（17）迭代计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）式（13）中，是依据食物源选择概率选择的参与进化的食物源，为在邻域内搜索到的新的食物源，在的适应值大于的情况下，利用替换，其它参数的意义与式（12）保持一致。在种群一次完整的进化过程中，将会有个食物源能够得到进化机会，由于在选择参与进化的食物源时，算法采用了轮盘赌的原则，使得优秀的食物源有可能得到了多次进化机会，而适应值差的食物源的进化机会相对较少，增强了算法的深度收敛能力。
[0030]
（5）对停滞次数最大的食物源进行判断，如果满足丢弃条件，为了避免算法陷入局部最优，采用随机搜索策略产生新的食物源代替当前种群中停滞次数最大的食物源。
[0031]
（6）判断算法结束条件是否满足，如果不满足，转步骤（2）进行新一轮的迭代搜索。
[0032]
abc算法虽然相对遗传算法、差分进化算法等其它仿生智能算法具有一定优势，但是其在求解复杂非线性问题时，仍然存在收敛精度低、收敛速度慢等不足之处。为了提高abc算法的综合寻优能力，文献提出了一种基于生物邻域最优个体的人工蜂群算法（nabc），nabc算法将邻域内最优个体作为引导信息，使被选择的个体在进化时更有方向性，提高了算法的收敛速度和收敛精度。然而，nabc算法所采用的邻域机制为一种环形邻域结构，在算法邻域半径确定的条件下，每一食物源的邻域始终固定不变，随着算法的不断收敛，导致每一邻域的最优个体相对较为固定，并且距离较近的若干邻域的最优个体是同一个个体的可能性较大，因而其作为其它食物源进化的引导信息时，将是较多数量的食物源的搜索方向保持一致，极易导致算法陷入局部最优。针对此不足，本发明受到有的文献提出的随机邻域结构的启发，采用随机邻域结构对nabc算法进行改进法。假定邻域半径为4，则种群中食物源的随机邻域结构如图3所示。
[0033]
图3中，通过随机选择种群中的不同个体组成相应食物源的邻域，如，食物源的邻域在算法迭代搜索过程中以及不同食物源的邻域均是不同的，使得食物源以邻域最优个体作为引导信息迭代搜索时，可以超着不同方向进行进化寻优，增强了算法的全局搜索能力。rdnabc算法食物源的迭代搜索公式如式（14）：（14）式（14）中，为的邻域最优个体的第维，其它参数意义同前述。该式的进化本质是引导需要更新的食物源向邻域最优个体搜索，并且为了加快个体的搜索速度，的第维搜索时基于进行进化，相比标准abc算法的，携带的信息相比更加优秀，能够找到比自身优秀解的可能性更大。
[0034]
由于随机邻域abc算法寻优时，需要对食物源的邻域半径进行定义，邻域半径定义的过大，邻域最优解的优秀程度相对更加优秀，但是减弱了种群邻域最优解的多样性。当邻
域半径定义的过小时，虽然增加了种群邻域最优解的多样性，然而不同邻域最优解的优秀程度则相对较弱。考虑到对算法全局搜索能力和局部搜索深度的均衡，本发明提出一种动态邻域机制进一步改进随机邻域abc算法，简称rdnabc算法，该算法通过迭代次数确定食物源的邻域半径，算法开始时，设置的邻域相对较小，使算法侧重于广度搜索，随着算法的不断迭代，逐步增大算法的邻域半径，加强算法的局部搜索能力。前期的广度搜索提高了种群进化的多样性，保证了食物源能够位于不同的极值点附近，后期的深度搜索则提高了算法寻找到最优解的概率。邻域半径的计算方法如式（15）：
ꢀꢀꢀꢀꢀꢀꢀ
（15）式（19）中，为算法当前的迭代次数，为邻域增加基数，和分别为最小、最大邻域半径。式（15）的含义是当小于时，邻域半径为，当大于时，邻域半径为，否则为。
[0035]
为了验证rdnabc算法的求解性能，保证后续基于此算法能够对协调控制系统进行配时求解，用来测试算法性能的8个典型测试函数进行实验分析，各函数表达式、搜索范围和理论最小值见表2所示。
[0036]
现有研究已经表明abc算法求解复杂非线性问题时具有比遗传算法、差分进化算法、粒子群算法以及混合蛙跳算法更好的寻优性能，因此，本发明不在利用这几种算法分析rdnabc算法的寻优优势，而是采用abc算法、有文献提出的gabc算法以及有文献提出的nabc算法进行对比说明rdnabc算法的寻优优势。在求解测试函数过程中，设置各算法的食物源个数=100，雇佣蜂和观察峰个数与食物源个数保持相同，，gabc算法最优个体的权重范围,nabc算法的邻域半径设置为20；rdnabc算法的最小邻域半径、最大邻
域半径以及邻域增加基数分别设置为5、50以及40。
[0037]
利用表2中的8个典型测试函数进行实验对比，设置四种算法搜索的终止条件为全局迭代次数，为了使实验结果更加客观，每一种算法对每一函数的求解均独立的运行10次，统计10次算法收敛结果的平均值及方差如表3所示，不同算法对各函数10次的平均收敛过程如图4和图5所示所示。
[0038]
从表2的统计结果可以看出，rdnabc算法对各函数的求解效率更高，其中在求解时获得了最优解，虽然四种算法同时获得了最优解，但结合图4收敛过程可以看出，rdnabc算法求解时相比其它三种算法求得最优解所需要的迭代次数更少，求解时由于邻域半径动态调整机制的影响，前期更加侧重于广度搜索，略慢于gabc和nabc算法，随着算法不断迭代，深度搜索能力增强，也以较快的速度收敛至全局最优解。在求解其它5个函数时，本发明提出的rdnabc算法在寻优精度或速度方面具有一定的优势。总体上看，rdnabc算法在寻优开始阶段相比gabc算法和nabc算法的收敛速度并无明显优势，甚至在求解部分函数时略慢于gabc算法和nabc算法，这是由于rdnabc算法开始时邻域半径较小，算法侧重于全局广度搜索，随着算法迭代次数的增加，邻域半径逐步增大，将促使算法侧重于深度搜索，算法的收敛速度也将得到提升，其求解结果将逐步优于gabc算法和nabc算法。从各算法对不同函数10次收敛结果的方差对比可以看出，rdnabc算法对各函数10次求解结果的方差相对最小，说明此算法求解稳定性能够得到保证。
[0039]
以上对比结果说明rdnabc算法在收敛速度以及收敛精度上总体上要优于其它三种算法，说明本发明采用的随机动态邻域机制对abc算法进行改进是有效的，其通过引导食物源向邻域最优个体方向搜索，可以有效的提升算法的寻优速度，同时每个食物源的邻域由随机选择的不同个体组成，将使食物源的进化可以向不同的较优个体学习，在提升算法寻优速度的同时也增强了算法的全局寻优能力。另外，由于rdnabc算法在确定邻域半径时存在一定主观性，本发明采用了一种动态邻域机制解决此问题，算法迭代初期设置邻域半径较小，侧重于全局搜索，随着搜索迭代次数的增加，不断增加食物源的邻域半径，提高算法的深度搜索能力，此机制可以使算法在全局搜索能力以及深度搜索精度方面得到有效均衡。
[0040]
综合以上对比分析可以看出，本发明提出的rdnabc算法在求解复杂非线性问题时，在收敛速度以及收敛精度方面均比其它三种算更有优势，将其应用于本发明的干线协调配时优化模型求解，可以保证能够获得模型的全局最优解。
[0041]
算例分析以包含五个交叉口（）的干线协调控制系统为例，线控系统相关交通数据见表4和表5。利用本发明建立的主干道协调控制模型，采用rdnabc算法对信号周期、各相位绿灯时长以及相邻交叉口相位差进行共同优化求解，以实现协调控制系统内外部进口道交通流效益最大。部进口道交通流效益最大。
[0042]
令干线系统内外部进口道车均路段行驶速度为12m/s,则分别以内外部进口道交通流延误最小、停车率最小、co2排放最小分别进行配时优化求解，收敛过程和求解结果分别如图6和表6所示，不同求解结果对应的系统各进口道饱和度如表7所示。
[0043]
结合图6和表6结果可以看出，应用rdnabc算法对不同优化目标的配时模型进行求解时，算法能够以较快的速度收敛至全局最优解，当分别以内外部进口道的延误、停车率、co2排放为优化目标时，算法总体上在500代以内即可实现大幅度的收敛，500代之后虽然收敛过程较为平缓，但对效益目标仍有所改善，在5000代以内可以实现充分收敛，保证了模型求解能够获得全局最优解，使干线系统内外部进口道交通流的综合效益最优。同时，当以延误、停车率和co2排放分别为优化目标进行模型求解时，系统信号周期、各进口道绿灯时长以及相邻交叉口的相位差是不同的，当以延误为优化目标时，系统信号周期相对较短，更有利于减少交通流在各交叉口处的延误，但此时停车率往往较大，当以停车率为优化目标时，系统信号周期达到了信号周期约束范围的上限，因为较大的信号周期意味着通行时段内有效通行时间较大，可以增加各交叉口进口道的通行能力，对减少交通流的停车次数具有积极意义，当以co2排放为优化目标时，模型配时求解与以延误和停车率为优化目标的配时结果存在差异，根据交叉口车辆的co2排放计算模型可知，要实现信号交叉口的车辆co2排放最优，需要对交叉口处的车辆延误和停车率综合考虑，车辆延误最优或者车辆停车率最优时均不能保证车辆co2排放的最优，从co2排放的角度对交叉口进行信号配时，其实质是对车辆延误和停车率的均衡控制。就本发明算法分析而言，以co2排放为优化目标的求解相对停车率优化目标的求解结果差异较大，但与以延误为优化目标的求解结果虽然不完全相同，但也存在一定差异，这是因为在对线控系统配时优化时，由于各交叉口的交通流量较大，对配时参数调节时，延误的变化范围相对较大，而停车率的变化范围相对较小，因此其配时求解更加侧重于对交通流延误的优化。另外，本发明对干线系统配时优化时，将各交叉口不同相位的绿灯时长作为优化参数，与信号周期以及相位差共同优化，相比传统解耦优化算法采用等饱和度的方法确定各进口道绿灯时长，本发明采用的优化机制更加有利于对配时参数的全局求解，结合表7对不同优化方法配时结果对应的各进口道饱和度计算可知，结合内外部进口道交通流对线控系统配时参数共同优化时，所得配时参数各进口道的饱和度并不完全一致，并且优化目标不同时，相同交叉口的各进口道饱和度也是不同的，说明其求解充分考虑了各相位各进口道综合交通流量以及系统的效益指标，与等饱和度原则依据各相位关
键交通流确定相位绿灯时长，本发明提出的参数共同优化方法对非关键交通流以及优化目标也进行了考虑，有利于对被控车流效益的共同优化。为了充分说明结合效益指标对配时参数共同优化的必要性，进一步采用传统解耦优化算法对本发明研究算例进行配时求解。解耦优化方法采用系统中的关键交叉口信号周期作为系统信号周期，依据等饱和度原则确定各单点交叉口相位绿灯时长，以主干道内部车流延误最小和停车率最小确定相邻交叉口相位差，则解耦优化延误最小和解耦优化停车率最小方法的配时结果如表8所示。
[0044]
对相邻交叉口相位差优化时，可采用本发明提出的rdnabc算法进行求解，同时考虑到本发明研究的主干道包括五个交叉口，不同相邻进口道协调控制相互独立，因此采用枚举法求解也较为可行。基于rdnabc算法的主干道交通流延误最小或停车率最小的相位差优化结果如表8所示，算法的收敛过程如图7所示。为了进一步验证本发明提出算法对主干道协同控制的可行性，采用枚举法对相位差的优化结果见表9。从表8与表9中的相位差优化结果可以看出，采用不同方法对模型求解时，相位差的优化结果有所差异，这是由于对主干道相位差协同控制时，相位差最优解并不唯一，通过对主干道目标函数的比较表明，采用rdnabc算法与采用枚举法获得的优化目标均收敛到了全局最优解，基于主干道车均延误和停车率最优通过枚举法所得相位差的目标值分别为7.13和0.56,采用rdnabc算法所得相位差对应主干道的车均延误和停车率分别为7.08和0.56(由于枚举法搜索步长的影响，rdnabc算法的延误最优值相对更优),进一步验证了本发明提出的rdnabc算法能够应用于主干道线控系统的配时优化，并且在仅对主干道交通流相位差优化时，rdnabc具有比枚举法更优秀的求解效率。
[0045]
为了说明本发明对线控系统配时参数共同优化的必要性，将本发明以不同目标函数的配时结果与解耦优化方法的配时结果对应的效益指标进行对比，解耦主干道延误最优优化方法对应的内外部进口道车均延误、停车率、co2排放分别为28.33、0.83、55.74，解耦主干道停车率最优优化方法对应的内外部进口道车均延误、停车率、co2排放分别为29.07、0.83、55.60，以内外部进口道车流延误最优为目标的配时参数共同优化模型相比解耦优化两种方法的延误优化降幅分别为5.96%、8.35%，以停车率为目标的参数共同优化结果的停车率降幅分别为10.75%、10.19%，以co2排放为目标的参数共同优化结果的co2排放降幅分别为5.75%、7.18%，这是因为本发明提出模型对线控系统内外部进口道车流进行了考虑，通过模型求解能够得到使所有车辆车均效益最小的最优配时参数，相比解耦优化得到的局部较
优解，本发明模型求解相对更加合理。
[0046]
本发明在对城市主干道内外部进口道交通流综合考虑的前提下，对各进口道交通流随信号变化的停车延误情况进行宏观运动分析，以协调系统的内外部各进口道交通流效益指标最小为优化目标，建立以信号周期、绿灯时长以及相位差为优化控制变量的交通干线信号协同控制优化模型。由于交通控制系统的输入、输出参数之间是一种高维的、复杂的非线性映射关系，尤其当协调控制系统中交叉口数量增加时，计算维数将呈几何级数甚至指数级数增长。因此，为了解决模型的求解问题，本发明在充分研究各种智能优化算法进化机制的基础上，选择收敛性能相比遗传算法、差分进化算法更具优势的人工蜂群算法对模型求解，同时，为了进一步提高求解算法的寻优能力，采用动态随机邻域对人工蜂群算法进行改进，提出全局搜索性能更高的求解算法。在此基础上，基于算例对比说明本发明所建优化模型对控制参数的优化结果相比解偶优化方法，更有利于交通干线内外部车流效益指标的优化，结果验证了对线控系统信号周期、绿灯时长以及相位差进行协同优化是必要的，其更有利于交通干线效益的全局最优化。
[0047]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.基于改进人工蜂群算法的城市主干道信号协同控制方法，其特征在于，包括优化模型方法和求解算法。2.根据权利要求1所述的基于改进人工蜂群算法的城市主干道信号协同控制方法，其特征在于，所述优化模型方法包括：假定内部左转车道车辆的到达服从泊松分布，其延误和停车率仍可依据式（1）和式（2）进行计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（1）～式（4）中，为信号周期；为进口道有效绿灯时间；为进口道绿信比；为进口道饱和流率；为进口道车辆到达率；为进口道饱和度；为进口道平均滞留车辆数；为进口道通行能力；为车辆到达率等于的持续时间；为考虑完全停车而设置的修正系数，取；对协调控制系统内部直行车道的延误和停车率进行计算；令表示协调系统中的自西向东（下行）方向的第个交叉口；为的干线方向绿灯时长；分别为协调系统到的上行车速和到的下行车速；和分别为相对和相对的相位差；为车队头车遇红灯受阻时头车下行至起至红灯结束的时间长度；为车队非头车遇红灯受阻红灯亮起至车队末车到达的时间长度；为下行至的车队到达率；为干线下行的饱和流率；为干线上行的饱和流率；为一个周期内下行至的车队车辆数；为一个周期内上行至的车队车辆数；对于到的下行车队而言，令，当时，则，否则当时，则，使
；当时，此时表明车队行驶至下游交叉口头车遇红灯受阻，则，到的直行进口道车流周期车均延误如下：如果，则；如果，则；如果，则停车率如下：如果，则；如果，则；如果，则；当时，此时表明车队行驶至下游交叉口车队非头车遇红灯受阻，则；当时，表明车队无阻通过交叉口，当时，到的直行进口道车流的周期车均延误如下：
如果，则；如果且，则；如果且，则；停车率如下：如果，则；如果且，则；如果且，则
同理，到的上行车队在的条件下，可以采用相同的方法求得车流在的周期车均延误和停车率；基于延误和停车率对大量交通情形仿真结果进行统计分析，建立了信号交叉口进口道交通流二氧化碳排放估计模型，如式（5）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式（9）中，为进口道周期车均二氧化碳排放，为车流平均行驶速度，为进口道车均停车率，为进口道车均延误，为模型的回归系数；在获得不同进口道车流延误、停车率以及co2排放的基础上，对整条干线系统内外部进口道车流的车均延误、停车率以及co2排放量进行计算，即，其中为第个交叉口第进口道的周期到达车流量，为第个交叉口第进口道的车均延误、停车率或者co2排放；为了说明对线控系统配时参数优化时控制目标对配时参数的影响，本发明后续将会分别基于延误、停车率以及co2排放为优化目标进行配时分析，并分析不同优化目标条件下的配时结果，从而说明本发明从参数共同优化的角度对交通主干道协同控制的必要，这里为了方便描述，采用将车均延误、停车率或者co2排放进行统一表示；信号周期应满足：，其中，为相位个数；设定各进口道饱和度；依据双向干线协调控制原理，相位差优化模型约束条件应当满足：；以整个协调控制系统内外部进口道的周期车均延误、停车率或者co2排放为目标函数，以系统信号周期、各相位绿灯时长以及相位差为决策变量，在信号周期、进口道饱和度以及相位差的约束条件下建立干线配时参数协同控制配时优化模型：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）式（6）中，为第个交叉口第进口道的车均延误、停车率或者co2排放，采用代替车均延误、停车率或者co2排放进行表达。3.根据权利要求1所述的基于改进人工蜂群算法的城市主干道信号协同控制方法，其特征在于，所述求解算法包括：采用标准abc算法对模型进行求解：（1）在模型求解的定义域内随机初始化种群，初始化公式如式（11）：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）式（11）中，为食物源个数；为搜索空间的维度，即求解参数个数；为0到1之间的随机数；和分别为第维参数的上下限；（2）雇佣峰对种群中的每一食物源依据式（12）进行迭代计算，搜索生成新的食物源：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）式（12）中，为依据搜索得到的新食物源，如果的适应度值优于，则以代替，否则丢弃；为食物源的产生算式；为算法单维搜索时随机选择的任意维度，为随机选择的个体的第维，可以实现对的搜索引导；（3）所有食物源经过一次迭代后，计算新种群中所有食物源的选择概率；（4）观察峰依据食物源选择概率，从种群中选择相对较优食物源按照式（13）迭代计算：（13）式（13）中，是依据食物源选择概率选择的参与进化的食物源，为在邻域内搜索到的新的食物源，在的适应值大于的情况下，利用替换，其它参数的意义与式（12）保持一致；在种群一次完整的进化过程中，将会有个食物源能够得到进化机会，由于在选择参与进化的食物源时，算法采用了轮盘赌的原则，使得优秀的食物源有可能得到了多次进化机会，而适应值差的食物源的进化机会相对较少，增强了算法的深度收敛能力；（5）对停滞次数最大的食物源进行判断，如果满足丢弃条件，为了避免算法陷入局部最优，采用随机搜索策略产生新的食物源代替当前种群中停滞次数最大的食物源；（6）判断算法结束条件是否满足，如果不满足，转步骤（2）进行新一轮的迭代搜索。
技术总结本发明公开了基于改进人工蜂群算法的城市主干道信号协同控制方法，包括优化模型方法和求解算法。本发明的动态随机邻域人工蜂群算法相比其它算法具有更优的搜索性能，求解质量更高。更高。更高。
技术研发人员：何瑞春 赵红星 叶仲妮
受保护的技术使用者：兰州交通大学
技术研发日：2022.07.06
技术公布日：2022/11/1
