楊 燕，楊偉鈞

（廣州城市職業(yè)學(xué)院 廣東 廣州 510405）

隨著經(jīng)濟(jì)的發(fā)展，交通需求和交通量成為城市交通網(wǎng)絡(luò)中急需解決的問題，智能交通系統(tǒng)為改善和提高交通發(fā)揮了重要的作用，其中，交通信號控制是智能交通系統(tǒng)的一個重要方面，平面交叉口的控制是智能交通流量控制的基礎(chǔ)。交通信號控制系統(tǒng)具有較強的非線性、模糊性和不確定性，用傳統(tǒng)的控制理論和方法很難對其進(jìn)行有效的控制，如傳統(tǒng)的定時控制和感應(yīng)控制具有很明顯的缺點。把先進(jìn)技術(shù)應(yīng)用與交通路口的信號控制是一個新的研究方向。1977年希臘的C.P.Pappis和英國的E.H.Mamdani提出了單交叉口模糊控制法（稱Pappis法）[1]，分析考慮單交叉路口的理想狀態(tài)下的控制；1992年我國徐東玲等學(xué)者也提出了基于感應(yīng)控制思想的單路口模糊神經(jīng)網(wǎng)絡(luò)控制方案，效果較好。

目前很多路口都是多相位的，因此多相位平面交叉口的研究很有必要。筆者針對車流量擁塞控制問題提了一種模糊模型參考學(xué)習(xí)控制策略。交通路口車流量的高突發(fā)性和時變特征對智能交通系統(tǒng)自適應(yīng)性能[2]提了更高的要求。筆者提出的控制策略，主控制通道采用模糊控制方法，綜合考慮多相位平面交叉口當(dāng)前到達(dá)車輛的排隊長度和后繼兩相位車輛的排隊長度，對相位實施不同的配時方案，保證系統(tǒng)的穩(wěn)定性和魯棒性；輔助學(xué)習(xí)通道采用模糊模型參考自適應(yīng)方法實現(xiàn)主通道控制參數(shù)的自修正和自學(xué)習(xí)過程，針對車流量突發(fā)性狀況自適應(yīng)調(diào)整主控制通道的配時參數(shù)，對相位實施不同的配時方案，提高多相位路口的通行能力，緩解交通壓力。

1 車流量擁塞控制模型

根據(jù)智能交通系統(tǒng)中多相位路口車流量主動隊列管理的作用機制，可以得到擁塞控制的流體動力學(xué)模型如下所示[3]：

其中，V （t）為車流量窗口大?。籉（t）為車流傳播時間RTT；d（t）為車流緩沖區(qū)隊列長度；M（t）為車流鏈路容量；Ty 為傳輸時間；K（t）為交通路口活動相位連接數(shù)；y（t）為主動丟棄概率。定義（V，d）為流體模型的狀態(tài)變量，y為輸入變量。令V′=0 和 d′=0 時， 得到網(wǎng)絡(luò)流體動態(tài)系統(tǒng)的平衡點（V0，d0，y0）。進(jìn)一步在平衡點附近線性化，則可得到在近似時滯二階動態(tài)的傳遞函數(shù)為

2 主通道模糊控制系統(tǒng)設(shè)計

本文模糊模型參考學(xué)習(xí)控制器引入了參考模型的學(xué)習(xí)機制對模糊控制的知識庫進(jìn)行修正。由于高速網(wǎng)絡(luò)中分組丟棄機制需要較強的實時性，因此本文提出的控制方法采用了模糊反向推理機制對主控制器的參數(shù)進(jìn)行修正，以滿足系統(tǒng)的實時性要求。擁塞控制系統(tǒng)輸入為平均隊列長度與期望隊列長度的偏差以及偏差的變化率，系統(tǒng)輸出為所計算的丟棄概率。主通道模糊控制器是一個雙輸入單輸出結(jié)構(gòu)的控制器，輸入變量為A，B（隊列偏差、偏差變化率），輸出變量為C（控制量丟棄概率）?？刂埔?guī)則表示為

其中Ai，Bj，Ck分別表示語言詞集。主通道模糊控制器的輸入為E和EC，輸出為U，設(shè)定E，EC和U的論域均為：{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。 對應(yīng)的模糊語言子集為{NB（負(fù)大）、N（負(fù)中）、NS（負(fù)小）、ZO（零）、PS（正小）、PM（正中）、PB（正大）}。 通過比例因子 ke和 kec將偏差e和ec轉(zhuǎn)換為模糊學(xué)習(xí)控制器的輸入論域E和EC，通過量化因子ku將控制器的輸出轉(zhuǎn)化為實際控制量。E=e×ke和EC=ec×kec，其中〈〉為取整運算。在模糊模型參考學(xué)習(xí)控制器中，控制規(guī)則可以得到在線實時調(diào)整，每個輸出與輸入可以用一定的對應(yīng)關(guān)系來表示：

通過調(diào)整α，就可以根據(jù)不同交通網(wǎng)絡(luò)狀況、不同時刻的誤差和誤差變化率來調(diào)整控制規(guī)則[4]。當(dāng)平均隊列長度與期望隊列長度之間的偏差較大時，或者當(dāng)網(wǎng)絡(luò)的業(yè)務(wù)量突發(fā)性能較強時，誤差對輸出的影響應(yīng)超過誤差變化率的影響，α的值應(yīng)取得較大以獲取較好的穩(wěn)定性。反之，α的值可取得小些以提高系統(tǒng)控制精度。模糊模型參考學(xué)習(xí)控制就是利用參考模型的輸出與實際輸出的誤差及其變化率實時在線地調(diào)整α的值來達(dá)到調(diào)整控制規(guī)則的目的。為了使模糊模型參考學(xué)習(xí)控制器做到實時在線推理，對模糊模型參考學(xué)習(xí)控制器的推理過程進(jìn)行了改進(jìn)。

3 輔助通道模糊反向推理設(shè)計

本文仍然采用模糊推理方法來完成對α的調(diào)整，以保證修正過程的簡單迅捷。α的調(diào)整過程是基于參考模型與實際對象的誤差及其變化率的模糊推理來實現(xiàn)的。具體實現(xiàn)如圖1所示。

圖1 反向推理學(xué)習(xí)結(jié)構(gòu)Fig.1 Study structure of backward inference

其中，E^，E^C，S 分別為 e^，e^c 和 α 的模糊量， 其論域均為{-6， -5，-4， -3， -2， -1， 0， 1， 2， 3， 4， 5， 6}。 E^，E^C 和S對應(yīng)的模糊詞集為{NB，NM，NS，ZO，PS，PM，PB}。根據(jù)在校正過程中要遇到的各種可能出現(xiàn)的情況和相應(yīng)的調(diào)整策略得到控制規(guī)則表如表1所示。

表1 α調(diào)整規(guī)則Tab.1 Rules of α adjustment

根據(jù)表1，用Max-Min方法進(jìn)行Fuzzy推理和逆模糊化[5]，可得到模糊判決表。在系統(tǒng)運行時的t時刻采樣周期內(nèi)，根據(jù)E^，E^C由α調(diào)整規(guī)則模糊判決表可直接查出相應(yīng)的S，從而得出α的相應(yīng)調(diào)整值。

其中， kα 為量化因子，使得 α∈（0，1）。

4 控制算法實現(xiàn)步驟

對于整個模糊模型參考學(xué)習(xí)控制器來說，在t時刻采樣周期內(nèi)，根據(jù)隊列長度誤差和誤差變化率E^，E^C，可由模糊判決表查出相應(yīng)的S，進(jìn)一步得到相應(yīng)的α值，再由E，EC，α根據(jù)式（4）可得到規(guī)則自校正模糊控制器的輸出U，并由量化因子ku計算得到丟棄概率p?？刂扑惴▽崿F(xiàn)步驟如下[6]：

1）計算擁塞控制系統(tǒng)的輸入狀態(tài)。

2）根據(jù)參考模型的輸出與實際對象輸出計算e^，e^c。

3）根據(jù)參考模型誤差和誤差變化率 E^，E^C ，由式（5）計算相應(yīng)的α值。

4）計算規(guī)則自校正模糊控制器的輸出U。

5）由模糊控制的量化因子計算最終的丟棄概率p。

5 仿真研究

通過仿真試驗來評估模糊參考模型網(wǎng)絡(luò)自適應(yīng)擁塞控制算法，交通流拓?fù)浣Y(jié)構(gòu)采用啞鈴型結(jié)構(gòu)，鏈路容量為1 500個/s，隨機延時為[16 s，24 s]之間的平均分布，業(yè)務(wù)源采用了持續(xù)性業(yè)務(wù)流，交通路段的緩存為800個，平均流量長度為500個。仿真研究將本文提出的模糊模型參考控制方法與普通模糊控制進(jìn)行比較，研究了在突發(fā)性狀況下2種算法的控制性能和魯棒性能。

2種控制算法的仿真結(jié)果如圖2、圖3所示，注意到當(dāng)輸入源發(fā)生突發(fā)性增長時，普通模糊控制策略將使緩沖區(qū)隊列長度嚴(yán)重脫離期望隊列長度，而使用了模糊參考模型自適應(yīng)控制后，緩沖區(qū)隊列僅僅經(jīng)過一個短暫的突發(fā)脈沖就恢復(fù)到平衡點附近。從實驗結(jié)果可以看出，由于普通模糊控制器的推理方式和規(guī)則知識固定，因此在交通道路車流發(fā)生突發(fā)變化時難以達(dá)到滿意的控制性能，而本文提出的車流自適應(yīng)擁塞控制方法能夠跟隨車流量狀況實時調(diào)整模糊控制參數(shù)，進(jìn)而對突發(fā)性車流擁塞對象具備了良好的自適應(yīng)控制性能。

圖2 模糊控制的隊列長度Fig.2 Length of queue by fuzzy control

圖3 模糊模型參考自使用控制的隊列長度Fig.3 Length of queue by fuzzy reference model mechanism adaptive control

6 結(jié)束語

針對車流狀態(tài)的突變行為，本文提出了一種基于模糊參考模型機制的自適應(yīng)擁塞控制算法，以提高在多相位交叉路口的車流量控制的服務(wù)質(zhì)量。該方法采用雙通道信息回路對車流量緩沖區(qū)隊列長度作自適應(yīng)調(diào)整與控制。自適應(yīng)模糊控制計算過程簡單迅捷，該算法在自適應(yīng)性能和實時性能之間實現(xiàn)了較好的平衡。性能之間實現(xiàn)了較好的平衡。

[1]Pappis C P，Mamdani E H.A fuzzy logic controller for a traffic junction[J].IEEE Transactions on Systems，Man and Cybernetics，1977:707-717.

[2]楊偉鈞．一種高性能指紋鎖硬件平臺的設(shè)計[J].電子設(shè)計工程，2010，18（4）:131-133.YANG Wei-jun.A design of the platform about the highperformance fingerprint locks Hardware[J].Electronic Design Engineering，2010，18（4）:131-133.

[3]劉治，章云.基于模糊參考模型機制的網(wǎng)絡(luò)自適應(yīng)擁塞控制[J].計算機工程，2008，7（4）:89-91.LIU Zhi，ZHANG Yun.Network adaptive congestion control based on fuzzy reference model mechanism [J].Computer Engineering， 2008，7（4）:89-91.

[4]牛強，劉學(xué)平，向東，等.基于模糊控制的自動進(jìn)料微控制器設(shè)計與實現(xiàn)[J].儀表技術(shù)與傳感器，2008，45（11）：93-95.NIU Qiang，LIU Xue-ping，XIANG Dong，et al.Design and implementation of automatic loading microcontroller with fuzzy control[J].Instrument Technique and Sensor，2008，45（11）：93-95.

[5]Paganini F，WANG Zhi-kui.Doyle J C， et al.Congestion Control for High Performance，Stability and Fairness in General Networks[J].IEEE/ACM Trans.on Networking，2005，13（1）:43-56.

[6]楊海馬，劉瑾，吳文婕.基于模糊控制的恒壓供水智能監(jiān)控系統(tǒng)的研究[J].儀器儀表學(xué)報，2006，27（6）:1870-1871.YANG Hai-ma，LIU Jin，WU Wen-jie.Study on the intelligent detecting system for water supply of constant pressure based on the fuzzy control[J].Chinese Journal of Scientific Instrument，2006，27（6）:1870-1871.