曹 潔，張麗君，侯 亮，陳作漢，張 紅

1.蘭州理工大學(xué) 計(jì)算機(jī)與通信學(xué)院，蘭州730050

2.甘肅省制造業(yè)信息化工程研究中心，蘭州730050

1 引言

交通堵塞的日漸嚴(yán)重，不僅影響城市的正常運(yùn)轉(zhuǎn)，而且降低了人們的日常工作效率和生活質(zhì)量[1]。城市路網(wǎng)由大量道路和交叉口組成，路網(wǎng)密度和車(chē)輛的增加會(huì)使交通流在各個(gè)交叉口和路段間的關(guān)聯(lián)性更加明顯。因此，路網(wǎng)交叉口群的有效控制是解決當(dāng)前“城市病”問(wèn)題的有效手段。

國(guó)內(nèi)外有關(guān)交叉口群的控制研究包括關(guān)鍵交叉口控制、干線(xiàn)控制和區(qū)域控制三個(gè)方面[2]。目前，基于優(yōu)化算法對(duì)城市路網(wǎng)的區(qū)域控制是交通控制的一個(gè)重要研究?jī)?nèi)容。遺傳算法作為一種自適應(yīng)優(yōu)化算法，因其具有搜索效率高的特點(diǎn)，廣泛應(yīng)用于交叉口的信號(hào)優(yōu)化控制問(wèn)題中。文獻(xiàn)[3]提出了一種考慮雙向綠波的干線(xiàn)相鄰交叉口相位差優(yōu)化控制方法，采用改進(jìn)的遺傳算法進(jìn)行求解并實(shí)現(xiàn)了交通干線(xiàn)的協(xié)調(diào)控制。文獻(xiàn)[4]提出了面向多個(gè)宏觀基本圖（MFD）子區(qū)的邊界協(xié)調(diào)控制方法，建立了以整個(gè)路網(wǎng)旅行完成流率最大、平均行程時(shí)間和平均延誤最小的多目標(biāo)邊界協(xié)調(diào)優(yōu)化模型，并通過(guò)自適應(yīng)遺傳算法對(duì)多目標(biāo)函數(shù)進(jìn)行求解。文獻(xiàn)[5]采用基于遺傳算法的多目標(biāo)優(yōu)化方法，提出了信號(hào)控制多層模糊控制模型，以平均延誤和停車(chē)次數(shù)作為優(yōu)化目標(biāo)，采用遺傳算法中的隨機(jī)權(quán)重方法來(lái)進(jìn)行該模型的多目標(biāo)綜合優(yōu)化，給出了各模型參數(shù)的計(jì)算方法和優(yōu)化步驟，最后進(jìn)行了仿真試驗(yàn)。文獻(xiàn)[6]以區(qū)域路網(wǎng)機(jī)動(dòng)車(chē)總延誤為優(yōu)化目標(biāo)，建立了非機(jī)動(dòng)車(chē)影響條件下的區(qū)域交通信號(hào)控制優(yōu)化模型，優(yōu)化了信號(hào)周期時(shí)長(zhǎng)、綠信比和相位差等參數(shù)，并利用遺傳算法求解模型。

綜上所述，基于遺傳算法的路網(wǎng)交叉口信號(hào)優(yōu)化控制研究取得了一定進(jìn)展，但仍然存在以下問(wèn)題：（1）遺傳算法在解決優(yōu)化問(wèn)題時(shí)，其自身存在早熟收斂的缺點(diǎn)；（2）路網(wǎng)交叉口的信號(hào)控制過(guò)程中，缺乏對(duì)交叉口間關(guān)聯(lián)性問(wèn)題的考慮，使得交通控制與交通流在各個(gè)交叉口間的動(dòng)態(tài)變化相脫離。本文針對(duì)現(xiàn)有研究的不足，提出基于改進(jìn)遺傳算法的關(guān)聯(lián)交叉口信號(hào)優(yōu)化控制方法。

2 交叉口子區(qū)信號(hào)控制優(yōu)化

城市路網(wǎng)中的交叉口在靜態(tài)因素和動(dòng)態(tài)因素間都存在關(guān)聯(lián)性，交通擁堵往往通過(guò)一個(gè)交叉口蔓延到另一個(gè)交叉口[7]。因此，將關(guān)聯(lián)性強(qiáng)的交叉口作為一個(gè)整體進(jìn)行信號(hào)優(yōu)化控制是解決城市路網(wǎng)交通擁堵的有效措施。本文方法的具體流程如圖1所示。

圖1 關(guān)聯(lián)交叉口子區(qū)的優(yōu)化控制流程

2.1 基于軟集合的關(guān)聯(lián)交叉口劃分

軟集合理論作為一種處理不確定性問(wèn)題的數(shù)學(xué)工具，其在實(shí)際決策問(wèn)題中取得了一定的進(jìn)展[8]。本文將相鄰交叉口關(guān)聯(lián)性的強(qiáng)弱看作一個(gè)決策問(wèn)題，綜合考慮路網(wǎng)交叉口動(dòng)靜態(tài)因素對(duì)交叉口關(guān)聯(lián)性的影響[9]，選取交叉口間距影響因子DIF、周期影響因子CIF、交通流影響因子VIF、交通流離散影響因子PIF 和排隊(duì)長(zhǎng)度影響因子QIF作為子區(qū)劃分的決策集。由于以上5個(gè)因子對(duì)關(guān)聯(lián)交叉口子區(qū)劃分的影響程度不同，因此，本文根據(jù)實(shí)際路網(wǎng)的交通情況確定關(guān)聯(lián)交叉口劃分的閾值如表1所示。

表1 關(guān)聯(lián)交叉口劃分的閾值

以上是路網(wǎng)交叉口間能否進(jìn)行關(guān)聯(lián)控制的建議值，利用表1建立相鄰交叉口的關(guān)聯(lián)度矩陣，并通過(guò)信息熵計(jì)算出受劃分閾值影響的DIF、CIF、VIF、PIF 和QIF 的權(quán)重大小，具體步驟如下所示。

（1）建立關(guān)聯(lián)度矩陣：

（2）歸一化處理：

（3）計(jì)算熵值：

式中，c(c=5)為交叉口間關(guān)聯(lián)度的類(lèi)別數(shù)，歸一化系數(shù)定義為，取負(fù)號(hào)保證熵值為正。

（4）計(jì)算決策因子的偏差度：

（5）確定各個(gè)因子的權(quán)重：

通過(guò)以上步驟得出交叉口間關(guān)聯(lián)性影響因子的權(quán)重向量為ω={ω1,ω2,ω3,ω4,ω5}。再結(jié)合軟集合理論實(shí)現(xiàn)路網(wǎng)交叉口群的關(guān)聯(lián)交叉口子區(qū)劃分，其中，U={S1-S2,S2-S3,S3-S4,…,Sn-1-Sn}表示所有相鄰交叉口的一個(gè)集合，n 表示路網(wǎng)的總交叉口數(shù)，E={DIF,CIF,VIF,PIF,QIF}表示路網(wǎng)中交叉口的關(guān)聯(lián)度屬性組成的參數(shù)集合。因此，基于軟集合理論的關(guān)聯(lián)交叉口子區(qū)的劃分步驟如下：

步驟1 輸入相鄰交叉口關(guān)聯(lián)度決策因子(U,E)；

步驟2 輸入權(quán)重向量ω={ω1,ω2,ω3,ω4,ω5}；

步驟3 輸出各個(gè)相鄰交叉口的協(xié)調(diào)系數(shù)值CF。

2.2 改進(jìn)遺傳算法的關(guān)聯(lián)交叉口控制

2.2.1 算法改進(jìn)思路

遺傳算法作為一種模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法，是由美國(guó)Michigan 大學(xué)的教授Hollend 在1962年首次提出[10]。雖然遺傳算法廣泛應(yīng)用于交叉口的信號(hào)優(yōu)化控制問(wèn)題中，但算法自身易早熟且交叉概率Pc和變異概率Pm的取值直接影響到算法的收斂性[11]。針對(duì)以上問(wèn)題，本文提出改進(jìn)的遺傳算法來(lái)優(yōu)化關(guān)聯(lián)交叉口的平均延誤。具體的改進(jìn)有以下兩個(gè)方面：

（1）小生境

種群進(jìn)化過(guò)程后期大量個(gè)體集中于一個(gè)極點(diǎn)，導(dǎo)致種群多樣性降低[12]。為了解決該問(wèn)題，本文在遺傳算法中引入小生境技術(shù)的共享函數(shù)，其原理為：共享函數(shù)能夠體現(xiàn)出個(gè)體之間的相似程度，利用其調(diào)整群體中個(gè)體適應(yīng)度可以達(dá)到維護(hù)群體多樣性的目的，從而使算法根據(jù)調(diào)整得出的適應(yīng)度進(jìn)行選擇運(yùn)算。具體表現(xiàn)為當(dāng)兩個(gè)個(gè)體關(guān)系越密切，則共享函數(shù)值越大；反之，共享函數(shù)則越小。

個(gè)體i 與個(gè)體j 之間的基于基因型的共享函數(shù)Sh(i,j)計(jì)算公式如下：

其中，cip、cjp分別表示個(gè)體i 與個(gè)體j 上的第p 個(gè)基因，dij表示個(gè)體i 與個(gè)體j 間的海明距離，σ 是小生境大小半徑參數(shù)。個(gè)體i 調(diào)整后的應(yīng)度比率Rs(i)為應(yīng)度比率R(i)除以小生境數(shù)mi，公式如下：

（2）遺傳算子自適應(yīng)調(diào)整

在遺傳算法的改進(jìn)研究中證實(shí)[13]，較大的Pc(0.5 ＜Pc＜1)和較小的Pm(0.001 ＜Pm＜0.05)對(duì)成功使用遺傳算法求解問(wèn)題來(lái)說(shuō)是必要的，較大的Pc促進(jìn)了個(gè)體間的交叉概率，較小的Pm防止個(gè)體特性遭到嚴(yán)重破壞。因此，為了改善遺傳算法早熟的缺陷，結(jié)合群體適應(yīng)度比率的分布特征，動(dòng)態(tài)調(diào)整交叉概率Pc和變異概率Pm的公式如下：

其中，Rmax、R、Rb、Rˉ分別是群體的最大適應(yīng)度比率、群體的平均適應(yīng)度比率、兩個(gè)交叉?zhèn)€體中較大的適應(yīng)度比率和當(dāng)前個(gè)體的適應(yīng)度比率。在現(xiàn)有研究的基礎(chǔ)上，得出總結(jié)：0 ≤ki≤1(i=1,2,3,4)；當(dāng)k2=0.5，k4=0.5 時(shí)，算法在求解過(guò)程中能夠避免過(guò)早地陷入局部最優(yōu)；當(dāng)k1=1，k3=1 時(shí)，算法中不大于平均適應(yīng)度比率的所有個(gè)體能夠進(jìn)行交叉運(yùn)算。兩個(gè)交叉?zhèn)€體中較大的適應(yīng)度比率的取值越接近Rmax，交叉概率越?。划?dāng)且僅當(dāng)取值等于Rmax時(shí)，交叉概率為0，從而保證了優(yōu)秀個(gè)體的穩(wěn)定性。

2.2.2 交叉口子區(qū)的計(jì)算模型

路網(wǎng)中交叉口運(yùn)行效率的提高是衡量交通信號(hào)有效控制的標(biāo)準(zhǔn)，即最大限度地縮短交叉口的延誤時(shí)間[14]。因此，本文以路網(wǎng)子區(qū)的實(shí)時(shí)交通數(shù)據(jù)為基礎(chǔ)，以子區(qū)內(nèi)交叉口的平均延誤時(shí)間為目標(biāo)函數(shù)，通過(guò)優(yōu)化得出最小平均延誤時(shí)間，并確定最佳綠燈配時(shí)方案。

車(chē)輛的延誤采用韋伯斯特延誤模型[15]，公式如下：

交叉口的平均延誤時(shí)間公式如下：

其中，dij是第i 相位、第j 流向下車(chē)輛的平均延誤時(shí)間，單位為s；c 為信號(hào)周期時(shí)長(zhǎng)，單位為s；qij為第i 相位、第j 流向下的車(chē)輛到達(dá)率，單位為pch/h；xij為第i 相位、第j 流向下的飽和度；λ 為第i 相位的綠信比。

目標(biāo)函數(shù)為平均延誤時(shí)間最短，即L=min D。

路網(wǎng)的約束條件為：

其中，e 為每個(gè)相位的最短綠燈時(shí)間，取e=10 s；ti為第i 個(gè)相位的有效綠燈時(shí)間，單位為s；c 為交叉口的實(shí)際信號(hào)周期；L 為總的損失時(shí)間，單位為s；gei為每個(gè)相位的綠燈時(shí)間；yimax為最大流量比，為了避免交叉口的某些進(jìn)口道中出現(xiàn)堵塞現(xiàn)象，各相各進(jìn)口道飽和度最大值選取0.95；cmin、cmax為交叉口的最小周期與最大周期。

2.2.3 改進(jìn)遺傳算法的函數(shù)優(yōu)化求解

步驟1 染色體編碼：利用實(shí)數(shù)編碼，選取路網(wǎng)子區(qū)中各交叉口綠時(shí)差與周期的比值為基因構(gòu)造染色體并形成種群。為了保證基因的變化范圍能夠均勻地初始化種群，種群的大小設(shè)為150。

步驟2 確定適應(yīng)度函數(shù)：由于本文對(duì)交叉口的平均延誤時(shí)間函數(shù)進(jìn)行優(yōu)化求其最小值，所以將F()i=Cmax-O(i )作為適應(yīng)度函數(shù)，其中，F(xiàn)(i )為第i 個(gè)個(gè)體的適應(yīng)度；O(i )為第i 個(gè)個(gè)體的目標(biāo)函數(shù)值；Cmax為O(i )的最大估計(jì)值。

步驟3 遺傳操作：首先，采用輪盤(pán)賭與精英策略相結(jié)合的方式進(jìn)行選擇操作；然后，采用共享機(jī)制的小生境技術(shù)并自適應(yīng)地調(diào)整遺傳算子進(jìn)行交叉操作和變異操作；最后，本文選取最大進(jìn)化次數(shù)為50 時(shí)，終止算法的運(yùn)算。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)方案

為說(shuō)明關(guān)聯(lián)交叉口子區(qū)的信號(hào)優(yōu)化控制方法的有效性，本文選取由19 個(gè)交叉口組成的城市路網(wǎng)進(jìn)行實(shí)驗(yàn)。路網(wǎng)的實(shí)測(cè)數(shù)據(jù)包括靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)，其中，靜態(tài)數(shù)據(jù)是交叉口間的距離，動(dòng)態(tài)數(shù)據(jù)是以15 min為周期，以單交叉口為對(duì)象，采集其信號(hào)周期、單相位流量、上下游流量、排隊(duì)長(zhǎng)度、飽和度。通過(guò)采集以上數(shù)據(jù)，利用軟集合理論對(duì)路網(wǎng)進(jìn)行關(guān)聯(lián)交叉口子區(qū)劃分，并利用改進(jìn)的遺傳算法對(duì)劃分的子區(qū)進(jìn)行信號(hào)優(yōu)化控制。

3.2 關(guān)聯(lián)交叉口子區(qū)的劃分

實(shí)驗(yàn)將路網(wǎng)交叉口群的實(shí)測(cè)數(shù)據(jù)和熵權(quán)法計(jì)算出的權(quán)重向量ω={0.285,0.070,0.285,0.130,0.230}共同輸入Matlab軟件進(jìn)行實(shí)驗(yàn)仿真，得出如表2所示的軟集合。

根據(jù)表2 中軟集合計(jì)算出的相鄰交叉口的關(guān)聯(lián)協(xié)調(diào)系數(shù)值，結(jié)合路網(wǎng)復(fù)雜的交通情況，本文將協(xié)調(diào)系數(shù)在0.76以上[16]的相鄰交叉口劃分在一個(gè)子區(qū)，得到關(guān)聯(lián)交叉口子區(qū)的劃分結(jié)果如圖2所示。

由圖2可得，通過(guò)軟集合理論輸出的協(xié)調(diào)系數(shù)將路網(wǎng)交叉口群劃分為9 個(gè)關(guān)聯(lián)交叉口子區(qū)，分別是A、B、C、D、E、F、G、H、I。其中，一個(gè)子區(qū)的交叉口數(shù)并不是固定的，例如子區(qū)A由S1、S5、S9這三個(gè)交叉口構(gòu)成，子區(qū)I由S17單個(gè)交叉口獨(dú)立構(gòu)成。

3.3 兩種算法的控制效果對(duì)比

圖2路網(wǎng)中關(guān)聯(lián)交叉口子區(qū)劃分后，利用改進(jìn)的遺傳算法對(duì)子區(qū)內(nèi)交叉口的平均延誤進(jìn)行優(yōu)化，為了驗(yàn)證劃分方法的合理性，本文選取S3-S4子區(qū)進(jìn)行實(shí)驗(yàn)仿真。

表2 關(guān)聯(lián)交叉口軟集合

圖2 關(guān)聯(lián)交叉口子區(qū)的劃分結(jié)果

由于在關(guān)聯(lián)交叉口S3-S4子區(qū)中，交叉口S3的交通流量和飽和度均較大，因此，選擇S3的交通參數(shù)作為實(shí)驗(yàn)參數(shù)。S3 是一個(gè)典型的四相位（a.東西直行；b.東西左轉(zhuǎn)；c.南北直行；d.南北左轉(zhuǎn)）交叉口，實(shí)驗(yàn)選取S3 早晚兩個(gè)高峰時(shí)段、一個(gè)正常非高峰時(shí)段各1小時(shí)的數(shù)據(jù)進(jìn)行仿真，實(shí)測(cè)S3各進(jìn)口道1小時(shí)的交通流數(shù)據(jù)如表3所示。其中A、B、C分別為早高峰流量、晚高峰流量、正常非高峰流量（單位為pch/h）。

表3 S3交叉口早晚高峰、非高峰流量統(tǒng)計(jì)表

3.3.1 目標(biāo)函數(shù)的對(duì)比

采用Matlab 仿真平臺(tái)分別利用改進(jìn)的遺傳算法和遺傳算法對(duì)S3-S4 子區(qū)的平均延誤函數(shù)進(jìn)行仿真。本文通過(guò)大量實(shí)驗(yàn)最終確定仿真過(guò)程的參數(shù)：初始種群大小為150，最大進(jìn)化代數(shù)為50，傳統(tǒng)遺傳算法的交叉概率Pc和變異概率Pm分別取0.9和0.1，交叉口的最小周期和最大周期分別取80 s 和150 s，周期損失時(shí)間為10 s。將早晚高峰和正常非高峰時(shí)段三種交通情況的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)仿真，得到兩種算法在S3-S4子區(qū)中的優(yōu)化效果，分別如圖3、圖4、圖5所示。

圖3 早高峰進(jìn)化過(guò)程對(duì)比圖

圖4 晚高峰進(jìn)化過(guò)程對(duì)比圖

圖5 正常非高峰進(jìn)化過(guò)程對(duì)比圖

由圖3、圖4、圖5可以看出，改進(jìn)的遺傳算法在早晚高峰和正常非高峰時(shí)段三種交通情況的平均延誤時(shí)間分別減少了0.49 s、0.41 s、0.56 s，進(jìn)化代數(shù)分別減少了10代、9代、12代。由此可得，本文方法具有較快的收斂速度和更好的控制效果，從而得到最佳綠燈配時(shí)方案，使得關(guān)聯(lián)交叉口子區(qū)的平均延誤時(shí)間最短。實(shí)驗(yàn)結(jié)果表明，本文利用小生境技術(shù)的共享函數(shù)并自適應(yīng)調(diào)整遺傳算法的算子能夠有效提高算法的收斂性，且減少了交叉口的平均延誤時(shí)間。

3.3.2 配時(shí)方案的對(duì)比

通過(guò)改進(jìn)前后遺傳算法對(duì)S3-S4子區(qū)早高峰、晚高峰、正常非高峰三個(gè)時(shí)段的交通數(shù)據(jù)進(jìn)行交叉口平均延誤時(shí)間的優(yōu)化，得出最小延誤所對(duì)應(yīng)的最優(yōu)配時(shí)方案如表4所示。其中，GA為簡(jiǎn)單遺傳算法，IGA為改進(jìn)遺傳算法。

表4 兩種算法的配時(shí)方案對(duì)比

由表4得知，改進(jìn)遺傳算法和簡(jiǎn)單遺傳算法在以上三個(gè)時(shí)段優(yōu)化得出子區(qū)交叉口的平均延誤時(shí)間均小于定時(shí)控制，表明兩種算法的配時(shí)方案（周期為85 s）效果明顯優(yōu)于定時(shí)控制（周期為140 s），且周期符合80 s ＜C ＜150 s。同時(shí)，與遺傳算法優(yōu)化得出的配時(shí)方案相比，改進(jìn)遺傳算法對(duì)各相位分配的時(shí)長(zhǎng)具有更好的分離度，相位一、三的綠信比相對(duì)較高，更符合表3中車(chē)流量（直行>左轉(zhuǎn)>右轉(zhuǎn)）的規(guī)律。由此可得，本文改進(jìn)遺傳算法對(duì)交叉口信號(hào)配時(shí)更加合理，使得子區(qū)的平均延誤時(shí)間更短。

3.3.3 適應(yīng)度的對(duì)比

適應(yīng)度函數(shù)是衡量群體中個(gè)體好壞的標(biāo)準(zhǔn)，其能夠驅(qū)動(dòng)遺傳算法進(jìn)行演化和自然選擇。本文將目標(biāo)函數(shù)的最大估計(jì)值與目標(biāo)函數(shù)之差作為適應(yīng)度函數(shù)。對(duì)比簡(jiǎn)單遺傳算法和改進(jìn)遺傳算法的最佳適應(yīng)度函數(shù)曲線(xiàn)如圖6所示。

圖6 適應(yīng)度函數(shù)的對(duì)比

由圖6可以得出，改進(jìn)遺傳算法的適應(yīng)度函數(shù)值大于簡(jiǎn)單遺傳算法的適應(yīng)度函數(shù)值，這表明改進(jìn)算法采用小生境技術(shù)的共享函數(shù)并自適應(yīng)地調(diào)整算法的交叉概率和變異概率，其收斂性?xún)?yōu)于簡(jiǎn)單遺傳算法，且不易陷入局部最優(yōu)。

3.4 子區(qū)劃分前后的對(duì)比

為了驗(yàn)證本文信號(hào)優(yōu)化控制方法的合理性，利用改進(jìn)遺傳算法分別對(duì)單交叉口和關(guān)聯(lián)交叉口子區(qū)進(jìn)行實(shí)驗(yàn)仿真。實(shí)驗(yàn)以平均延誤時(shí)間作為衡量指標(biāo)，關(guān)聯(lián)子區(qū)選取交通流量和飽和度較大的交叉口參數(shù)作為實(shí)驗(yàn)參數(shù)，單交叉口選取各自的交通流量和飽和度作為實(shí)驗(yàn)參數(shù)。在該實(shí)驗(yàn)中，選取路網(wǎng)中A、C、G三個(gè)子區(qū)進(jìn)行實(shí)驗(yàn)仿真，得到相應(yīng)的交叉口子區(qū)平均延誤時(shí)間，結(jié)果如表5所示。

表5 劃分前后仿真結(jié)果對(duì)比

仿真結(jié)果表明，關(guān)聯(lián)交叉口子區(qū)的控制效果與交叉口單獨(dú)控制的效果相近。本文將路網(wǎng)交叉口群劃分為關(guān)聯(lián)交叉口子區(qū)進(jìn)行信號(hào)優(yōu)化控制，減少了路網(wǎng)交叉口群的平均延誤。因此，考慮交叉口關(guān)聯(lián)性的信號(hào)優(yōu)化控制方法具有實(shí)際應(yīng)用價(jià)值。

4 結(jié)束語(yǔ)

本文提出一種關(guān)聯(lián)交叉口子區(qū)的信號(hào)優(yōu)化控制方法，以解決城市路網(wǎng)復(fù)雜的交通情況和遺傳算法易早熟收斂的問(wèn)題。該方法在軟集合理論劃分關(guān)聯(lián)交叉口子區(qū)后，利用小生境技術(shù)并自適應(yīng)調(diào)整遺傳算法的算子對(duì)其進(jìn)行改進(jìn)，將改進(jìn)算法應(yīng)用到關(guān)聯(lián)交叉口子區(qū)進(jìn)行信號(hào)優(yōu)化控制。通過(guò)采集的路網(wǎng)數(shù)據(jù)在Matlab 仿真平臺(tái)上進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，本文方法合理劃分了關(guān)聯(lián)交叉口子區(qū)，且改進(jìn)算法在子區(qū)信號(hào)優(yōu)化控制中能夠準(zhǔn)確、快速地尋找到全局最優(yōu)解，降低交叉口的平均延誤時(shí)間。