曾松林，余立建，郭翠玲，2

（1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，四川 成都 610031；2.商丘職業(yè)技術(shù)學(xué)院 機(jī)電工程系，河南 商丘 476000）

1 單交叉口幾何模型及相位設(shè)置

為避免交叉口各向交通流之間的沖突，人們引入了信號燈。在一個信號控制周期內(nèi)，交叉口上某一支或幾支交通流所獲得的通行權(quán)稱為相位。

一個典型的四相位交叉口如圖1所示，包括東、西、南、北4個通行方向，每個通行方向包括左轉(zhuǎn)、直行和右轉(zhuǎn)3支交通流。本文以此為研究對象，采用東西直行、東西左轉(zhuǎn)、南北直行、南北左轉(zhuǎn)的四相位控制方式，右轉(zhuǎn)車流統(tǒng)一設(shè)定為即時放行，在控制中不加以考慮。在每條車道上安裝2個檢測器構(gòu)成一個檢測區(qū)以獲取實時交通流信息：一個設(shè)在停車線處，用于檢測該車道的車輛離開數(shù)；另一個設(shè)在距停車線一定距離處，用于檢測車輛駛?cè)霐?shù)。

交叉路口四相位控制如圖2所示，圖中箭頭表示該相位車流對應(yīng)的通行方向，未標(biāo)出的方向為該相位車流禁止通行的方向。

2 交通信號兩級模糊控制策略

2.1 模糊控制算法

一般地，在交通控制中，當(dāng)車輛排隊長度較短時，信號控制周期應(yīng)短一些，但一般不應(yīng)小于P×15s（P為相位數(shù)），以防止某一方向的綠燈時間小于15s，使車輛來不及通過路口而影響交通安全；當(dāng)隊長較長時，信號周期則應(yīng)該長一些，但一般不能超過200s，否則，某一相位的紅燈時間太長，駕駛員人心理上不能忍受。當(dāng)排隊長度很小時，一般按最小周期運(yùn)行；當(dāng)隊長很大時，只能按最大周期控制，此時車輛堵塞現(xiàn)象已不可避免。

如上所述，為了有效減小車輛平均延誤，兩級模糊控制算法設(shè)計步驟如下：

Step1：從相位i開始，根據(jù)交通狀況分別限定各相位的最小綠燈時間Gimin和最大綠燈時間Gimax。

Step2：給獲得通行權(quán)的相位i賦予最短綠燈時間Gi＝Gimin。

Step3：在當(dāng)前綠燈相位的綠燈時間結(jié)束前，根據(jù)車輛檢測器檢測到的交通信息計算綠燈相位的繁忙度和各紅燈相位的緊迫度。

Step4：從當(dāng)前紅燈相位中選擇緊迫度最大的相位作為下一個綠燈相位的預(yù)備相位。

Step5：以當(dāng)前綠燈相位的繁忙度和預(yù)備相位的緊迫度作為模糊控制器的輸入變量，經(jīng)過模糊推理，得到當(dāng)前綠燈相位的綠燈延長時間ΔG。

Step6：根據(jù)不同的車流情況確定閾值M：

1）若ΔG＞M，且Gi＋ΔG＜Gimax，則Gi＋ΔG→Gi，轉(zhuǎn)Step3。

2）若ΔG＞M，且Gi＋ΔG≥Gimax，則ΔG＝Gimax－Gi，Gimax→Gi，轉(zhuǎn)Step7。

3）若ΔG＜M，則轉(zhuǎn)Step7。

Step7：當(dāng)前綠燈相位延長ΔGs后切換到下一綠燈相位，轉(zhuǎn)Step2。

2.2 兩級模糊控制器設(shè)計

兩級模糊控制器的結(jié)構(gòu)如圖3所示，第一級包括2個模塊：紅燈相位評估模塊和綠燈相位評估模塊；第二級包括1個模塊：決策模塊。每個模塊都是1個子模糊控制器。

圖3 兩級模糊控制系統(tǒng)

2.2.1 紅燈相位評估模塊

紅燈相位評估模塊根據(jù)當(dāng)前所有紅燈相位的交通狀況，計算出當(dāng)前各紅燈相位的緊迫度，并從中選出緊迫度最高的相位，作為下一個綠燈相位的預(yù)備相位。該模塊的輸入為當(dāng)前各紅燈相位上下游檢測器之間的車輛數(shù)Qr和當(dāng)前各紅燈相位的紅燈持續(xù)時間Tr，輸出為預(yù)備相位的緊迫度Ur。若某一相位內(nèi)包含多支交通流，則通過模糊推理分別計算出該相位各交通流的緊迫度，然后取平均值作為整個相位交通流的緊迫度。

Qr的物理論域為[0，30]，量化因子為0.4，其模糊論域為[0，1，2，…，12]，劃分為5個模糊子集，分別為｛很少，少，中等，多，很多｝，簡記為｛VF，F(xiàn)，M，E，VE｝。

Tr的物理論域為[0，120]，量化因子為0.2，其模糊論域為[0，1，2，…，24]，劃分為5個模糊子集，分別為｛很短，短，中等，長，很長｝，簡記為｛VS，S，M，L，VL｝。

Ur的物理論域為[0，1]，比例因子為1，其模糊論域為[0，0.05，0.1，…，1]，劃分為5個模糊子集，分別為｛很低，低，中等，高，很高｝，簡記為｛VL，L，M，H，VH｝。

輸入輸出變量的模糊隸屬函數(shù)如圖4所示。

圖4 紅燈模塊輸入輸出變量的模糊隸屬函數(shù)

通過總結(jié)實踐和專家經(jīng)驗，建立了25條模糊控制規(guī)則，如表1所示。

表1 紅燈模塊模糊規(guī)則

2.2.2 綠燈相位評估模塊

綠燈相位評估模塊根據(jù)當(dāng)前綠燈相位的交通信息，計算出該相位的緊迫度。該模塊的輸入為當(dāng)前綠燈相位上下游檢測器之間的車輛數(shù)Qg和當(dāng)前綠燈相位經(jīng)過最小綠燈時間后的延長時間Tg，輸出為當(dāng)前綠燈相位的繁忙度Bg。若某個相位包含多支交通流，則取該相位各交通流排隊長度的最大值，綠燈延長時間是相同的。

Qg的物理論域為[0，30]，量化因子為0.4，其模糊論域為[0，1，2，…，12]，劃分為5個模糊子集，分別為｛很少，少，中等，多，很多｝，簡記為｛VF，F(xiàn)，M，E，VE｝。

Tg的物理論域為[0，45]，量化因子為0.4，其模糊論域為[0，1，2，…，18]，劃分為5個模糊子集，分別為｛很短，短，中等，長，很長｝，簡記為｛VS，S，M，L，VL｝。

Bg的物理論域為[0，1]，比例因子為1，其模糊論域為[0，0.05，0.1，…，1]，劃分為5個模糊子集，分別為｛很低，低，中等，高，很高｝，簡記為｛VL，L，M，H，VH｝。

輸入輸出變量的模糊隸屬函數(shù)如圖5所示。

圖5 綠燈模塊輸入輸出變量的模糊隸屬函數(shù)

通過總結(jié)實踐和專家經(jīng)驗，建立了25條模糊控制規(guī)則，如表2所示。

2.2.2 決策模塊

決策模塊根據(jù)預(yù)備相位的緊迫度Ur和當(dāng)前綠燈相位的繁忙度Bg，進(jìn)而決定延長綠燈時間或切換到下一相位。若能夠延時的長度小于5s，則系統(tǒng)在延時結(jié)束后立即進(jìn)行相位切換。

Ur和Bg的模糊子集劃分與前面紅燈模塊和綠燈模塊的劃分一致，在此不再贅述。決策模塊的輸出ΔG的物理論域為[0，20]，比例因子為1，其模糊論域為[0，1，2，…，20]，劃分為5個模糊子集，分別為｛很短，短，中等，長，很長｝，簡記為｛VS，S，M，L，VL｝。輸入變量Ur與Bg的模糊隸屬函數(shù)劃分同上。

表2 綠燈模塊模糊規(guī)則

輸出變量的模糊隸屬函數(shù)如圖6所示。通過總結(jié)實踐和專家經(jīng)驗，建立了25條模糊控制規(guī)則，如表3所示。

表3 決策模塊模糊規(guī)則

圖6 決策模塊輸入輸出變量的模糊隸屬函數(shù)

3 隸屬度函數(shù)的粒子群優(yōu)化

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO），作為群智能（Swarm Intelligence）領(lǐng)域中的一種重要方法，是由Kennedy博士和Eberhart博士通過對鳥群、魚群和人類社會某些行為的觀察研究，于1995年提出的一種基于群體智能的全局隨機(jī)搜索算法。

在粒子群優(yōu)化算法中，每個優(yōu)化問題的潛在解都是搜索空間中的一個粒子。每一次迭代，粒子通過跟蹤個體極值pbest和全局極值gbest不斷更新自己。

設(shè)在一個D維的目標(biāo)搜索空間中，有N個粒子組成一個群落，其中第i個粒子的位置表示為一個D維的向量，記為

第i個粒子的“飛行”速度也是一個D維的向量，記為

第i個粒子迄今為止搜索到的最優(yōu)位置稱為個體極值，記為

整個粒子群迄今為止搜索到的最優(yōu)位置為全局極值，記為當(dāng)找到這些最優(yōu)值時，粒子根據(jù)以下公式不斷更新速度和位置

式中：i＝1，2，…，N，d＝1，2，…，D；vid為粒子的速度，vid∈ [－vmax，vmax]，vmax為常數(shù)，由用戶設(shè)定，用來限制粒子的速度；w為非負(fù)數(shù)，稱為慣性因子；c1，c2為學(xué)習(xí)因子；r1，r2為[0，1]范圍內(nèi)的均勻隨機(jī)數(shù)；iter為當(dāng)前迭代次數(shù)；itermax為最大迭代次數(shù)；wmin為慣性因子的下限；wmax為慣性因子的上限。

兩級模糊控制器采用分級分塊的方法對較多的輸入?yún)?shù)進(jìn)行了處理，有利于更加合理地制定決策規(guī)則，但也包含了較多的隸屬度函數(shù)，若這些參數(shù)全部由人工設(shè)置，則其合理性難以得到保證。當(dāng)系統(tǒng)參數(shù)固定時，若交通流波動較大，則模糊控制器的性能也會受到相應(yīng)的影響。如果隸屬度函數(shù)能隨不同的交通狀況而自適應(yīng)地調(diào)整，則有利于提高模糊控制器的性能。于是，本文采用粒子群算法對兩級模糊控制器的隸屬度函數(shù)進(jìn)行了優(yōu)化。

粒子群算法優(yōu)化過程：兩級模糊控制器首先采用人工初始設(shè)置的隸屬度函數(shù)進(jìn)行模糊推理，同時歷史數(shù)據(jù)庫開始對各時段的交通流數(shù)據(jù)進(jìn)行記錄。每經(jīng)過一定的時間間隔，利用歷史數(shù)據(jù)庫中的交通流數(shù)據(jù)進(jìn)行交通再現(xiàn)模擬，同時，采用粒子群算法對模糊隸屬度函數(shù)進(jìn)行尋優(yōu)，找出適應(yīng)當(dāng)前交通狀況的模糊隸屬度函數(shù)，并將其送入模糊控制器加以更新。

粒子群優(yōu)化控制系統(tǒng)結(jié)構(gòu)如圖7所示。

圖7 粒子群算法優(yōu)化的兩級模糊控制器

4 仿 真

為了驗證兩級模糊控制器及其優(yōu)化的控制效果，用 MATLAB 7.0編寫了定時控制、兩級模糊控制以及優(yōu)化仿真程序，以車輛平均延誤為性能指標(biāo)，在相同的交通條件下對定時控制、優(yōu)化前的兩級模糊控制以及優(yōu)化后的兩級模糊控制各進(jìn)行了10次計算機(jī)仿真。仿真參數(shù)設(shè)置為：假設(shè)各方向車輛到達(dá)交叉路口是隨機(jī)的且服從泊松分布，所有車輛都已換算成當(dāng)量小汽車（PCU），直行相位的車流平均為900PCU／h，左轉(zhuǎn)相位車流平均為720PCU／h；每次仿真時間設(shè)置為1200s，在綠燈相位內(nèi)，車輛以1輛／s的速率離開等候的車隊，仿真結(jié)果如圖8所示。

圖8 仿真結(jié)果

從仿真結(jié)果可以看出，兩級模糊控制的結(jié)果明顯優(yōu)于定時控制，同時，優(yōu)化后的兩級模糊控制相對于優(yōu)化前，性能也有所提升。這主要是因為模糊控制能模仿有經(jīng)驗的交警指揮交通時的思路，直接用路口車輛的實時信息進(jìn)行推理、決策，從而實現(xiàn)交通信號的自適應(yīng)控制，達(dá)到很好的控制效果。而經(jīng)粒子群優(yōu)化后的隸屬度函數(shù)彌補(bǔ)了其完全由人工設(shè)置的不足，因此，相對于優(yōu)化前，車輛的平均延誤也有所減少。

5 結(jié)束語

由于模糊控制器的模糊規(guī)則和隸屬度函數(shù)都完全由人工確定，帶有一定的主觀性，因此，本文利用粒子群優(yōu)化算法對兩級模糊控制器的隸屬度函數(shù)進(jìn)行了優(yōu)化，使模糊控制系統(tǒng)能根據(jù)不同的交通信息自適應(yīng)變化，從而更加合理地對多相位或者交通狀況復(fù)雜的交叉路口進(jìn)行控制。本文提出的方法具有良好的適應(yīng)性并可在不同相位設(shè)置的路口方便地推廣，將其用于城市交叉口的信號控制具有較大的優(yōu)勢。

[1] 許倫輝，衷路生，徐建閩.基于神經(jīng)網(wǎng)絡(luò)實現(xiàn)的交叉口多相位模糊邏輯控制[J].系統(tǒng)工程理論與實踐，2004（7）：135－140.

[2] Pappis C P，Mamdani E H.A fuzzy logic controller for a traffic junction[J].IEEE Trans on Systems，Man and Cybernetics，1997，SMC－7（10）：707－717.

[3] 劉智勇，朱勁，李秀平，等.單交叉口的多相位模糊控制[J].信息與控制，1999，28（6）：453－458.

[4] 徐冬玲，方建安.交通系統(tǒng)的模糊控制及其神經(jīng)網(wǎng)絡(luò)實現(xiàn)[J].信息與控制，1992，21（2）：74－78.

[5] 陳洪，陳森發(fā).單路口交通實時模糊控制的一種方法[J].信息與控制，1997，26（3）：229－233.

[6] 高俊俠，李建更，陳陽舟，等.交通信號2級模糊控制系統(tǒng)的優(yōu)化設(shè)計與仿真[J].北京工業(yè)大學(xué)學(xué)報，2009，35（1）：19－24.

[7] 劉智勇.智能交通控制理論及其應(yīng)用[M].北京：科學(xué)出版社，2003.

[8] 楊祖元，劉鴻飛，杜長海.交通強(qiáng)度優(yōu)先的交叉口模糊控制研究[J].計算機(jī)工程與應(yīng)用，2009，45（36）：193－195.