收藏本站
《浙江大学》 2004年
收藏 | 手机打开
二维码
手机客户端打开本文

复杂多阶段动态决策的蚁群优化方法及其在交通系统控制中的应用

闻育  
【摘要】: 从系统控制与优化的角度来看,城市交通系统是一个具有高度复杂性的动态系统。一方面,从系统动力学角度分析,具有离散事件一连续时间混合动态特性、高度非线性、非平稳未知分布的随机性、系统参数经常随环境条件和人们出行需求发生漂移以及交叉口之间具有强耦合特性等,所以系统状态难以准确测量、预测和控制;另一方面,交通系统的控制作用有很多种,如信号灯、诱导信息等,信号灯是当前被广泛应用的主要控制作用。但是,信号灯通过相位切换对交叉口进行控制,同时也在交通控制模型中引入了整数决策变量,使交通控制模型成为一个大规模混合整数规划问题,需要指数复杂度的优化算法。并且,从交通安全、通行效率及人们出行习惯的角度考虑,信号灯相位的设置具有很强的约束,如最短和最长绿灯持续时间、最大排队长度以及信号灯的配时参数要具有一定的稳定性不能变化太剧烈等等。交通系统的上述特性决定了其控制问题的高度复杂性。 基于模型的控制算法的控制效果虽然受到交通模型预测精度的影响,但对于交通系统这样的复杂大系统,具有一定精度的模型对系统状态进行预测并对控制作用进行评价,仍是获得系统全局最优控制策略的重要途径。建立基于模型的城市交通自适应协调控制系统(Urban Traffic Adaptive Coordinated Control System,UTACCS)需要解决三个重要问题:一是建立合适的控制问题的数学描述,包括交通流预测模型、目标函数以及控制作用的数学形式;二是设计高效的优化算法,以满足控制问题在线求解的需要;三是在UTACCS现场实施前要经过充分的实验室验证,目前最佳的验证工具是微观交通仿真系统。本文主要在这三个方面进行了深入研究,相应地建立了配时参数协调优化和信号相位滚动优化两种主要的基于模型的UTACCS控制算法,通过设计蚁群优化(Ant Colony Optimization,ACO)算法的解构造图使其能够应用于交通控制问题的求解,并且改进ACO算法以提高其在大规模交通控制问题上的搜索性能,最后在浙江大学自主研发的城域混合交通仿真与分析系统(Simulation and Analysis System for Urban MixedTraffic,SASUMT)上从单点控制、干线控制及区域控制不同层次对所建立的两种控制算法的控制效果进行了比较和分析。具体的研究内容有以下几点: (1) 蚁群优化算法由于是一种基于显式表达解空间的启发式搜索方法,解构造图显式地描述了优化问题的整个解空间,所以解构造图的定义方法会直接影响到算法的计算量和搜索性能。本论文根据对解构造块的分解方式以及与解构造图节点之间的映射方式的不同,分别定义了简单解构造图、基本层状解构造图及复合层状解构造图,并研究了这三种解构造图适于求解的优化问题的特性。其中两种层状解构造图适用于对复杂多阶段决策问题的求解,而复合层状 H摘要 解构造图通过将解构造块进一步细分,比基本层状解构造图更适用于求解具有 高维决策变量的复杂多阶段决策问题。 (2)蚁群优化算法的解构造图一般要静态地描述整个解空间(或者是离散 化了的解空间),对于大规划动态决策问题,不仅存在描述解空间的困难,而且 让蚁群在迭代过程中始终在整个解空间中进行搜索,搜索性能会很低。本论文 将蚁群优化算法与遗传算法结合,建立一个动态窗口蚁群优化算法,通过每隔 若干次ACO算法迭代就用遗传算法对解构造图进行动态重构,自适应地调节解 构造图所映射的解空间区域,从而使蚁群在迭代过程中逐渐集中到可能产生高 质量解的解空间区域进行精细搜索,可极大地提高ACO算法在大规模动态决策 问题上的搜索性能。 (3) SCOOT系统以逐步微调配时参数的方式进行优化,不能有效避免陷 入局部最优解的问题,所以本论文设计了一个基于以实时交通检测值为输入的 宏观交通流预测模型和蚁群优化算法的城市交通区域配时参数协调优化的控制 算法,从而实现了对全局最优信号配时方案的求解。同时,还将信号灯配时方 案的切换对交通流状态的影响过程分为过渡态和稳态来研究,并在ACO算法中, 以单交叉口在过渡态的交通延迟作为局部启发信息,根据整个控制区域达到稳 态时的总交通延迟来决定释放信息素的量。由于蚁群优化算法以构造解的方式 搜索解空间,所以可以更有效地解决信号配时方案切换时过渡态与稳态、单交 叉口局部利益与区域全局利益之间的矛盾。 (4)作为第三代交通控制方法,“预测多步、执行一步”的信号相位滚动 优化技术可以实现对交通信号灯进行更灵活的控制。由于城市交通区域的信号 相位滚动优化模型具有高阶决策变量和非常复杂的约束条件,求解的效率和解 的可行性一直是其主要难题,所以本论文利用前面介绍的动态窗口蚁群优化算 法来求解,并在每个优化阶段以备选信号相位在该阶段引起的延误时间作为局 部启发信息引导蚂蚁生成质量更高的解,提高了求解效率。 (5)为了验证所提出的两种交通控制算法的可行性,需要在一个能够真实 模拟实际交通系统状态的系统仿真平台上进行测试。SASUMT是一个浙江大学 自主研发的城市混合交通微观仿真系统,实现了对机动车、非机动车和行人的 建模以及
【学位授予单位】:

知网文化
【相似文献】
中国期刊全文数据库 前20条
1 杨庆定,黄培清;不确定价格下制造商的多阶段最优订购策略[J];西南交通大学学报;2005年05期
2 宋凯雷;陈峰;董明;侯文皓;;基于CRAFT的多阶段柔性设备布局优化算法[J];工业工程与管理;2008年02期
3 何井龙;杨红梅;;基于合作协同进化和IMPSO算法的多阶段多目标电网规划[J];电力系统保护与控制;2008年20期
4 莫毓昌;杨全胜;;动态多阶段系统模块化分析(英文)[J];Journal of Southeast University(English Edition);2009年03期
5 刘连志;赵海保;;基于多阶段粒子群算法的电力系统无功优化[J];天津电力技术;2010年02期
6 刘耕;;多阶段情形下的有向网络容量扩张问题[J];统计与决策;2007年15期
7 王婷;罗利;;航空货运多航段多阶段模型[J];交通运输工程与信息学报;2007年04期
8 杜丽茶;符卓;;汽车制造企业采购量分配问题研究[J];汽车工程;2009年06期
9 王红军;迟中先;;舰载软硬武器综合反导决策优化[J];火力与指挥控制;2007年12期
10 高麟,杜文;基于蚁群系统算法的车辆路径问题研究[J];物流技术;2005年06期
11 陈云飞,刘玉树,范洁,赵基海;广义分配问题的一种小生境遗传蚁群优化算法[J];北京理工大学学报;2005年06期
12 邹政达,孙雅明,张智晟;基于蚁群优化算法递归神经网络的短期负荷预测[J];电网技术;2005年03期
13 邓金保;防治白蚁效果优异的Sentricon系统[J];世界农药;2001年06期
14 赵贵喜;骆鲁秦;陈彬;;基于改进的蚁群聚类雷达信号分选算法研究[J];电子信息对抗技术;2009年02期
15 余伶俐;蔡自兴;;改进混合离散粒子群的多种优化策略算法[J];中南大学学报(自然科学版);2009年04期
16 秦远建,熊伟;企业技术开发动态决策与风险选择分析[J];武汉汽车工业大学学报;1996年02期
17 张业明,谢才富,付太安,李志宏;海南岛地质构造演化刍论[J];科学技术与工程;2005年20期
18 王磊;戴更新;侯云章;;需求变化的多阶段库存控制动态规划算法研究[J];科学技术与工程;2007年06期
19 蓝厚荣;;用一组计数器实现多时段延时控制[J];电工技术;2004年06期
20 马军建,王春霞,董增川;一种新型智能仿生类算法—蚁群算法[J];水利科技与经济;2005年02期
中国重要会议论文全文数据库 前10条
1 许益镌;陆永跃;曾玲;梁广文;;华南不同生境内红火蚁蚁群结构的变动规律[A];第二届全国生物入侵学术研讨会论文摘要集[C];2008年
2 曾鑫年;吴可嘉;黎卓莹;;红火蚁对温度反应的初步研究[A];生物入侵与生态安全——“第一届全国生物入侵学术研讨会”论文摘要集[C];2007年
3 覃华;徐燕子;张敏;;基于巢模板的核空间蚁群聚类算法的研究[A];广西计算机学会2010年学术年会论文集[C];2010年
4 刘强;林世平;;基于蚁群聚类算法的中文本体学习[A];第二十三届中国数据库学术会议论文集(技术报告篇)[C];2006年
5 石为人;余兵;张星;;单机作业下的提前/脱期问题的蚁群调度优化算法[A];中国仪器仪表学会测控技术在资源节约和环境保护中的应用学术会议论文集[C];2001年
6 胡宏宇;朱建军;邸强;;基于时间价值和奖惩机制的残缺信息多阶段群决策研究[A];江苏省系统工程学会第十一届学术年会论文集[C];2009年
7 杨卫莉;郭雷;赵天云;肖谷初;;融合分水岭算法和蚁群聚类的图像分割[A];第二十六届中国控制会议论文集[C];2007年
8 翟宏范;;结合专家系统对动态决策序列评估的一个模型[A];企业发展与系统工程——中国系统工程学会第七届年会论文集[C];1992年
9 肖人彬;;面向虚拟企业组建的蚁群劳动分工模型研究[A];科学发展观与系统工程——中国系统工程学会第十四届学术年会论文集[C];2006年
10 李宁东;陆永跃;曾玲;梁广文;;春季红火蚁蚁群结构、数量和蚁巢大小间关系研究[A];生物入侵与生态安全——“第一届全国生物入侵学术研讨会”论文摘要集[C];2007年
中国重要报纸全文数据库 前10条
1 记者 李天舒;蚁群间分工方式不同与基因密切相关[N];健康报;2010年
2 许志刚王群力;蚁群的启示[N];中华工商时报;2002年
3 ;中小企业做大“蚁群经济”[N];经理日报;2005年
4 子闽;蚁群效应——简洁高效应对环境变化[N];中国劳动保障报;2009年
5 本报记者 海霞;“蚁群经济”衍生“大象效益”[N];中国经济导报;2005年
6 英国《每日邮报》 杨孝文 译;蚁群中发现皇室斗争和欺骗[N];北京科技报;2008年
7 陈捷;“蚁群智能”与组织效力[N];中华工商时报;2002年
8 翟闻;美国多阶段喂猪新技术[N];山西科技报;2001年
9 通讯员  毕迪 记者  王浩;养一头羊平均增收四五十元[N];杭州日报;2006年
10 五;实时掌控全集团信息实现动态决策[N];中国财经报;2000年
中国博士学位论文全文数据库 前10条
1 闻育;复杂多阶段动态决策的蚁群优化方法及其在交通系统控制中的应用[D];浙江大学;2004年
2 孟志刚;蚁群觅食仿真和动画的研究[D];中南大学;2011年
3 孟志刚;蚁群觅食仿真和动画的研究[D];中南大学;2011年
4 白洪涛;基于GPU的高性能并行算法研究[D];吉林大学;2010年
5 邹艳;基于不同个体偏好表现形式的多阶段投票选择方法研究[D];重庆大学;2010年
6 胡小兵;蚁群优化原理、理论及其应用研究[D];重庆大学;2004年
7 刘耕;有向网络容量扩张问题研究[D];华中科技大学;2007年
8 王成金;蜂窝网视频分层协同中继组播的信道容量分析和功率分配优化研究[D];北京邮电大学;2011年
9 王少威;永磁交流伺服系统速度检测与控制研究[D];华中科技大学;2012年
10 温小琴;收益管理及供应链管理中的多阶段问题研究[D];上海大学;2009年
中国硕士学位论文全文数据库 前10条
1 庞思睿;蚁群智能优化算法的研究与应用[D];北京邮电大学;2010年
2 唐媛;基于蚁群的文本文档聚类技术研究[D];武汉科技大学;2010年
3 陈浩;基于强化学习的蚁群聚类研究及应用[D];苏州大学;2011年
4 刘芳;改进的蚁群聚类算法在森林火灾预测中的应用研究[D];辽宁工程技术大学;2009年
5 刘立志;蚁群免疫算法在冷连轧机轧制负荷分配优化中的应用[D];燕山大学;2011年
6 田园丽;蚁群聚类算法研究与应用[D];辽宁工程技术大学;2011年
7 赵林;基于蚁群系统算法的流程工业生产调度研究[D];广西大学;2011年
8 施寅跃;城市道路网中蚁群最短路径算法研究[D];南京理工大学;2010年
9 吴孔江;蚁群分类规则挖掘算法改进及遥感分类应用[D];中南大学;2012年
10 姬鹏飞;发酵过程多阶段统计监控方法的应用研究[D];江南大学;2011年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978