一种基于改进哈里斯鹰算法的交通信号配时优化方法与流程

1.本发明涉及交通信息工程领域，特别是涉及智能交通中的信号配时方法改进。


背景技术：

2.本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
3.城市的快速发展加上人口的增长，导致道路上的车辆呈指数形式增长，这加剧了本就不堪重负的交通拥堵问题，城市道路扩建这种昂贵又短视的解决方案不再适用，一种有效的道路资源分配方法是交通信号灯的时间安排。而单交叉口是城市道路交通的基础，因此做好单交叉口的信号配时安排至关重要。
4.经典的信号配时模型主要有hcm方法、trrl方法、arrb方法和webster方法等。其中arrb法和trrl方法不适合车辆饱和度接近或者大于1的情况；而hcm方法计算难度较大且计算公式复杂；webster方法是最常用的信号配时模型，它不受车辆饱和度的限制，更加符合交叉口实际情况。因此本发明在改进的webster模型基础上考虑环境因素，构建以平均延误、停车率、通行能力和尾气排放为指标的非线性模型，并使用改进后的哈里斯鹰算法对其进行寻优求解，获得综合效益最高的信号配时方案。


技术实现要素：

5.为了有效解决交叉口拥堵问题，减少事故发生，本发明提出一种基于改进哈里斯鹰算法的交通信号配时优化方法。本发明建立以车辆延误、停车次数、通行能力和尾气排放为指标的多目标交通信号配时模型，引入哈里斯鹰算法对模型求解。考虑到哈里斯鹰算法（hho算法）可能存在与传统启发式算法通有的收敛精度低、易陷入局部最优等缺陷，本发明对传统的hho算法进行了改进，首先，利用logstic混沌映射初始化种群，增加种群多样性，提高算法的全局搜索能力；其次，用柯西函数控制莱维飞行的步长，实现平滑过渡，提高算法的寻优精度；最后，使用随机噪声干扰对个体进行扰动，使算法跳出局部最优，提高算法收敛速度。
6.为了实现上述目的，本发明采用如下技术方案：本发明提供了综合效益较高的信号配时方案。
7.第一方面，本发明构建了以平均延误、停车率、通行能力和尾气排放为指标的非线性模型。
8.由于城市道路的车辆行驶有很大的随机性，因此在实施信号配时控制时针对不同的车辆行驶情况采用不同的方案。以往的webster模型将车辆延误作为唯一的评价指标，本发明与其相比增加了停车次数、通行能力和尾气排放三个指标，目标是降低车辆延误、停车次数和尾气排放，提高车辆通行能力。但是这四个指标之间关系复杂，提高通行能力需要较长的信号周期，而较长的信号周期则会增加停车次数和车辆延误，若停车次数和车辆延误持续增加又会降低通行能力且加剧尾气排放。因此，需要找出一个最佳的信号周期和各相位有效绿灯时间，使车辆延误、停车次数和尾气排放取最小值，通行能力取最大值，需要给
这四项指标分配不同的权值，将其换算成同一标准下进行计算，最后求解目标函数的最小值。
9.第二方面，本发明提供了使用改进后的hho算法对其进行寻优求解方法。
10.同其他的群体智能算法相似，传统的hho算法也存在一定的缺陷，在搜索过程中容易陷入局部最优，存在收敛精度低的问题。为了改进hho算法存在的问题，论文从三个方面对hho算法进行了改进。首先，在算法迭代前进行混沌初始化产生初始种群，使个体均匀分布在解空间；其次，用柯西函数控制莱维飞行的步长，实现平滑过渡；最后，在迭代后期加入随机噪声干扰，提高变异能力和收敛速度。
11.第三方面，本发明还提供了一种动态交通信号配时方案。
12.本发明使用hhog算法对建立的非线性多目标函数进行求解，利用hhog算法可以分别求得高峰时段的最佳信号周期和低峰时段的最佳信号周期，进而可以求得该配时方案下的四个指标。
13.经过实验对比可以发现，本发明所提出的配时方案在交通流量高峰和低峰时段可以有效降低车辆延误和尾气排放，提高通行能力。同时改进后的hhog算法的优化结果优于webster算法，体现了hhog算法的优越性。
14.与现有技术相比，本发明的有益效果是：本发明提出一种基于改进哈里斯鹰算法的交通信号配时优化方法，与之前使用传统算法、且仅优化单个指标的方法相对比，此方法在交叉口信号配时方面表现出了其优异性。一方面，本发明可以对多个指标进行优化。另一方面，本发明在哈里斯鹰算法迭代前引入混沌初映射产生初始种群，使个体均匀分布在解空间，提高算法的搜索能力；引入柯西函数控制莱维飞行的步长，实现平滑过渡；最后，在迭代后期引入随机噪声干扰，提高变异能力和收敛速度。并将本发明与原方案、改进的webster方法进行对比，改进效果明显，验证了本发明的有效性和可行性。
附图说明
15.图1 hhog算法流程图。
16.图2 f1收敛曲线是单峰测试函数，常用来测试算法的收敛能力，上面的曲线是传统hho算法，下面的曲线是改进后的。
17.图3 f2收敛曲线是单峰测试函数。
18.图4 f3收敛曲线是单峰测试函数。图5 f4收敛曲线是单峰测试函数。图6 f5收敛曲线是多峰测试函数，最优值均为0。图7 f6收敛曲线是多峰测试函数。图8 f7收敛曲线是多峰测试函数。图9 f8收敛曲线是多峰测试函数。图10 f9收敛曲线是固定维度测试函数。图11 f10收敛曲线是固定维度测试函数。
具体实施方式
19.本发明提出一种基于改进哈里斯鹰算法的交通信号配时优化方法，将改进的哈里斯鹰算法用于信号配时模型求解，并按如下步骤执行：步骤一：信号配时模型建立。
20.（1）机动车平均延误模型webster延误模型是最常用的模型之一，本发明采用webster延误模型计算机动车平均延误，公式如下：平均延误，公式如下：其中，c是最佳信号周期时长；是绿信比，某相位的有效绿灯时间与信号周期比值。
21.（2）停车次数模型车辆的停车次数模型计算公式为：车辆的停车次数模型计算公式为：其中，gi是相位有效绿灯时间。
22.（3）通行能力模型车辆的停车次数模型计算公式为：车辆的停车次数模型计算公式为：其中，si是相位的饱和流量。
23.（4）尾气排放模型尾气排放模型计算公式为：其中，e是单位怠速排放因子。
24.（5）目标函数的构建针对优化指标需要找出一个最佳的信号周期和各相位有效绿灯时间，使车辆延误、停车次数和尾气排放取最小值，通行能力取最大值，需要给这四项指标分配不同的权值，将其换算成同一标准下进行计算，最后求解目标函数的最小值，模型计算公式如下：
其中，d0、h0、q0、e0分别为该交叉口初始车辆延误、停车次数、通行能力和尾气排放； l为一个相位周期内的总损失时间；g
min
和g
max
分别为各相位最小和最大绿灯时间。
25.步骤二：对哈里斯鹰优化算法进行改进，如图1所示。
26.（1）混沌初始化初始化种群是否均匀分布在解空间中，是影响算法收敛速度和寻优精度的一个重要因素。本发明采用logstic混沌映射初始化种群，使初始哈里斯鹰种群均匀分布在解空间中，提高算法的搜索能力，logstic混沌映射公式如下：中，提高算法的搜索能力，logstic混沌映射公式如下：其中，为哈里斯鹰的位置，xu和x
l
为解空间的上下界， z
n 1
为产生的混沌序列。
27.（2）柯西自适应莱维飞行莱维飞行是一种帮助算法跳出局部最优解的策略，在传统的hho算法中莱维飞行采用固定的步长值，在搜索过程中有很大概率出现大步长，这种步长在搜索后期会弱化算法的精确度。因此，本发明采用柯西函数控制莱维飞行的步长，使莱维飞行步长从搜索初期的大步长逐渐缩小为后期的小步长，实现平滑过渡。自适应步长公式如下：（3）随机噪声干扰在算法搜索后期，哈里斯鹰种群大多数个体会聚集在一个很小的区域内，算法进行无效搜索，浪费计算资源。所以本发明对个体进行随机白噪声干扰，增强算法跳出局部最优的能力，提高收敛速度。模型如下：优的能力，提高收敛速度。模型如下：其中，为干扰后哈里斯鹰的位置，α是系数且服从正态分布，r是 (0,1)内的随机数。
28.步骤三：通过改进的哈里斯鹰优化算法求解信号配时模型；本发明通过hhog算法对建立的信号配时模型进行求解，利用hhog算法可以分别求得高峰时期的最佳信号周期和低峰时期的最佳信号周期，进而可以求得该配时方案下的四个指标，如表1所示。
29.表1不同配时方案仿真结果对比由表1可知，在交通流量高峰时段，使用本发明的配时方案可以使车辆平均延误降低48%，车辆的通行能力提高34.5%，尾气排放降低43.7%，停车次数几乎不变。在交通流量低峰时段，可以使车辆平均延误降低24.5%，车辆的通行能力提高33.1%，尾气排放降低8.9%，停车次数几乎不变。