陳海洋，金曉磊，牛龍輝，劉喜慶

西安工程大學(xué) 電子信息學(xué)院，西安710600

1 引言

交通作為城市經(jīng)濟(jì)活動的命脈，對促進(jìn)社會發(fā)展、提高人民生活水平具有十分重要的意義，但隨著城市居民汽車擁有量的不斷攀升，交通擁堵現(xiàn)象在我國很多城市都日益嚴(yán)重。在基礎(chǔ)設(shè)施建設(shè)周期漫長且耗資巨大的情況下，充分利用現(xiàn)有的路網(wǎng)資源、優(yōu)化交通信號控制對解決城市交通擁堵問題的重要性不可低估。

交通燈是城市交通信號控制的最重要組成部分，目前國內(nèi)外已有許多關(guān)于智能交通燈的研究工作，而依據(jù)實(shí)時交通流動態(tài)設(shè)置交通燈狀態(tài)正是最常用的方法之一[1-4]。Wu 等[5]提出了基于霧計(jì)算的交通燈智能控制系統(tǒng)，它的主要思想是通過霧計(jì)算平臺來計(jì)算和分享當(dāng)前路口及周圍路口的實(shí)時車流量信息，并以實(shí)時車流量作為參數(shù)，設(shè)計(jì)交通燈智能控制算法，使相鄰路口的交通燈周期實(shí)現(xiàn)相互協(xié)調(diào)、共同優(yōu)化。Shaghaghi等[6]提出了一種基于車載自組網(wǎng)的自適應(yīng)交通控制系統(tǒng)，該控制系統(tǒng)以交叉口處的車輛排隊(duì)長度為交通評估依據(jù)，并采用車對車通信技術(shù)與車對基礎(chǔ)設(shè)備通信技術(shù)進(jìn)行車輛密度計(jì)算、信息傳遞。Muntaser 等[7]提出一種基于模糊系統(tǒng)與車輛通信技術(shù)的交通信號控制策略，將信號控制問題轉(zhuǎn)化為邏輯問題而不是優(yōu)化問題，并證明提出的控制策略性能是優(yōu)越的。Sun 等[8]提出了一種基于車聯(lián)網(wǎng)（IOV）的動態(tài)交通控制與誘導(dǎo)協(xié)同優(yōu)化模型，該模型包含三層，其中上層模型通過遺傳算法求解，中層模型和下層模型通過連續(xù)平均法求解。Zhao 等[9]提出一種基于遺傳算法和機(jī)器學(xué)習(xí)的交通燈實(shí)時調(diào)度算法，該算法根據(jù)交叉口的實(shí)時交通流來調(diào)度每個交通燈的時間相位，同時考慮每個交叉口下一個時間段的車流量，此車流量數(shù)據(jù)采用線性回歸算法預(yù)測，仿真結(jié)果表明該調(diào)度算法通過減少路網(wǎng)中所有行駛車輛的總等待延誤提高了路網(wǎng)的交通流暢性。

區(qū)域交通燈配時控制優(yōu)化屬于全局優(yōu)化問題，遺傳算法等智能優(yōu)化算法對解決多變量全局尋優(yōu)問題具有明顯優(yōu)勢，因此，近年來許多學(xué)者將遺傳算法及其改進(jìn)算法應(yīng)用于交通優(yōu)化研究領(lǐng)域[10-13]。而與遺傳算法同為進(jìn)化類智能優(yōu)化算法的免疫克隆選擇算法同樣具有很強(qiáng)的全局搜索能力，但在交通控制方面的應(yīng)用則較少。相比于遺傳算法只考慮到個體的適應(yīng)度，免疫克隆選擇算法既考慮抗體與抗原間的親和度，也考慮抗體濃度；遺傳算法只有變異和交叉操作，而免疫克隆選擇算法具有獨(dú)特的克隆操作算子、種群更新算子。因此本文考慮將免疫克隆選擇算法應(yīng)用于區(qū)域交通燈配時優(yōu)化，并以西安市某區(qū)域路網(wǎng)為研究參考對象，提出一種基于改進(jìn)免疫克隆選擇算法的交通燈實(shí)時配時方法。本文提出的配時方法以區(qū)域路網(wǎng)中所有路口總滯留車輛數(shù)最小為優(yōu)化目標(biāo)，將交通燈狀態(tài)設(shè)置問題轉(zhuǎn)換成免疫克隆選擇算法搜索最優(yōu)解問題，并將克隆選擇算法編碼和解碼過程融入到交通燈配時控制場景中，提升了路網(wǎng)的交通效率，對減輕城市道路通行壓力、保障市民出行暢通具有重要的意義。

2 改進(jìn)的免疫克隆選擇算法

免疫算法是受生物免疫學(xué)啟發(fā)，模擬免疫系統(tǒng)工作原理來解決現(xiàn)實(shí)生活中復(fù)雜問題的智能算法[14]。克隆選擇算法是其中的一個重要研究方向，主要思想是將現(xiàn)實(shí)問題和問題的解分別抽象為克隆選擇學(xué)說中的抗原和抗體，通過選擇、克隆、變異等一系列操作來進(jìn)行最優(yōu)解的搜索。

免疫克隆選擇算法以激勵度來衡量抗體質(zhì)量的優(yōu)劣。激勵度的計(jì)算需綜合考慮抗體親和度與抗體濃度，計(jì)算公式通常如式（1）所示：

式中，sim(abi)為抗體abi的激勵度；aff(abi)為抗體abi的親和度；den(abi)為抗體abi的濃度；a、b為計(jì)算參數(shù)，根據(jù)實(shí)際情況確定。從式（1）中可以看出，抗體的親和度值越高、濃度值越低，其激勵度值就越高。抗體濃度值高，意味著當(dāng)前種群中相似個體較多，對其進(jìn)行一定抑制可以更好地保證種群的多樣性，使最優(yōu)解的搜索不會只局限于一小片區(qū)域。

針對免疫克隆選擇算法在尋優(yōu)過程中收斂速度較慢的問題，本文提出了兩個改進(jìn)點(diǎn)：一是利用雙層動態(tài)變異算子對種群中抗體進(jìn)行變異；二是對克隆抑制算子和種群刷新算子進(jìn)行了改進(jìn)。

（1）雙層動態(tài)變異算子

在標(biāo)準(zhǔn)免疫克隆選擇算法中，抗體的變異概率一般取一較大的確定值，高頻率的變異是抗體種群多樣性和親和度成熟的重要保證。但在尋優(yōu)迭代過程的后期，較大的變異概率會使得算法缺乏局部搜索，并且有一定可能對當(dāng)前種群中已經(jīng)尋得的優(yōu)秀抗體造成破壞。因此，在許多學(xué)者的研究中，都采用了動態(tài)變異算子，即變異概率會隨著迭代次數(shù)增加而動態(tài)調(diào)整。

本文提出的雙層動態(tài)變異算子是指變異概率會隨著種群迭代次數(shù)的增加而線性遞減。且在同一代中，被選擇出來進(jìn)行克隆的父代抗體在當(dāng)代種群中激勵度排名越靠前，對它的所有克隆副本以更小的概率進(jìn)行變異，反之，父代抗體在當(dāng)代種群中激勵度排名越靠后，對它的所有克隆副本以更大的概率進(jìn)行變異。變異概率值的第一層動態(tài)調(diào)整是基于迭代次數(shù)，使得算法既能在前中期快速、大范圍尋優(yōu)，也能在后期進(jìn)行更多局部搜索且有更大概率穩(wěn)定收斂于全局最優(yōu)解；變異概率值的第二層動態(tài)調(diào)整是基于每一代中父代抗體的激勵度排名，既能對不夠優(yōu)秀抗體的克隆副本進(jìn)行較大的變異以搜索更優(yōu)秀的抗體，又能盡可能地保護(hù)優(yōu)秀抗體的克隆副本不受太大的破壞得以傳到下一代。

（2）改進(jìn)的克隆抑制算子與種群刷新算子

標(biāo)準(zhǔn)免疫克隆選擇算法的運(yùn)算過程大致如下：種群個體數(shù)為NP，先進(jìn)行選擇操作，即挑選出種群中激勵度排序靠前的k 個抗體，再對這k 個抗體進(jìn)行克隆、變異操作。之后對變異結(jié)果進(jìn)行再選擇，即克隆抑制，剔除親和度較低的抗體，僅保留親和度最高的k 個抗體。最后進(jìn)行種群刷新，即隨機(jī)生成NP-k個新抗體，與經(jīng)過克隆抑制保留下來的k個抗體組合，形成新一代種群。

用隨機(jī)生成的新抗體，來替代選擇操作中被淘汰的次優(yōu)抗體，可以大幅提高種群的多樣性。但隨機(jī)生成的新抗體親和度好壞程度不定，不利于加速種群收斂。對此，本文提出了改進(jìn)的克隆抑制算子與種群刷新算子：種群個體數(shù)為NP，先選擇種群中激勵度排序靠前的NP/2個抗體，再進(jìn)行克隆、變異操作，之后進(jìn)行克隆抑制，每個父代抗體的所有克隆副本僅保留親和度最高的兩個，這樣被保留下來的抗體共有NP 個，這NP 個抗體就是新一代的種群。如此的克隆抑制與種群刷新機(jī)制，可以大幅提高算法收斂速度，但需配合較大的克隆倍數(shù)值并應(yīng)用動態(tài)變異算子，否則種群的多樣性得不到保障，容易陷入局部最優(yōu)。

綜上所述，本文提出的改進(jìn)免疫克隆選擇算法的完整運(yùn)算過程可描述如下：

（1）隨機(jī)生成初始抗體種群。

（2）判斷是否滿足迭代終止條件：若滿足，則終止算法運(yùn)算，輸出末代種群中的最優(yōu)解；若不滿足，則執(zhí)行步驟（3）。

（3）計(jì)算當(dāng)前種群中所有抗體的激勵度值，并按降序排序。

（4）選擇排序靠前的一半抗體，對它們以相同的倍數(shù)進(jìn)行克隆復(fù)制。

（5）利用雙層動態(tài)變異算子對克隆得到的副本進(jìn)行變異操作。

（6）利用上文提出的改進(jìn)的克隆抑制算子與種群刷新算子進(jìn)行克隆抑制、種群刷新，再轉(zhuǎn)入步驟（2）。

3 基于改進(jìn)克隆選擇算法的區(qū)域交通燈配時方法

傳統(tǒng)的固定配時交通燈只是機(jī)械地變換信號，不能根據(jù)當(dāng)前交通路網(wǎng)中的車流狀況進(jìn)行靈活調(diào)整，導(dǎo)致時常出現(xiàn)一個路口綠燈長亮方向無車通過，而紅燈長亮方向則排起長長車隊(duì)的現(xiàn)象。而目前隨著檢測傳感器[15]、車載衛(wèi)星定位[16]、射頻模塊[17]和視頻圖像檢測[18]等技術(shù)的發(fā)展，實(shí)時車流信息的獲得不再是問題。因此，本文的研究工作就是將智能優(yōu)化算法應(yīng)用到區(qū)域交通燈配時方案中，根據(jù)實(shí)時獲取的車流量信息，靈活地對區(qū)域交通燈配時，使得區(qū)域交通狀況能得到顯著優(yōu)化。

本文以西安市某區(qū)域一個包含36 個十字路口的路網(wǎng)為研究參考對象。為方便具體研究，對這36 個路口進(jìn)行標(biāo)識，標(biāo)識名為C1～C36。

一片區(qū)域內(nèi)所有十字路口的交通燈狀態(tài)設(shè)置是一個復(fù)雜的實(shí)際問題，難以直接應(yīng)用智能優(yōu)化算法，需要先從復(fù)雜的實(shí)際問題中找出最關(guān)鍵的控制因素。通過調(diào)研本文研究的區(qū)域路網(wǎng)，發(fā)現(xiàn)這片區(qū)域中C1～C21 路口為二相位控制，C22～C36 路口為四相位控制，相位圖分別如圖1、2 所示（右轉(zhuǎn)彎不考慮）?；谝陨细髀房诘南辔徽{(diào)研情況，則可將區(qū)域內(nèi)所有路口的交通燈狀態(tài)設(shè)置問題，轉(zhuǎn)換成在不同時間確定各個路口哪一個相位獲取通行權(quán)的問題。

圖1 路口C1～C21相位圖

圖2 路口C22～C36相位圖

為了實(shí)現(xiàn)區(qū)域交通燈的配時優(yōu)化，本文提出一種基于改進(jìn)免疫克隆選擇算法的區(qū)域交通燈實(shí)時配時方法，采用克隆選擇算法搜索最優(yōu)解，最優(yōu)個體解碼后其表現(xiàn)型轉(zhuǎn)換成對應(yīng)各個路口交通燈狀態(tài)?？寺∵x擇算法的過程大致為：首先，初始化初代種群；隨后，通過激勵度評估來篩選種群個體；最后，借助免疫算子，產(chǎn)生下一代個體，生成代表新的潛在解集的種群直至進(jìn)化到最高代種群。為了實(shí)時控制交通燈，需要利用克隆選擇算法和各路口的實(shí)時交通流數(shù)據(jù)，找到使在單位時間T 內(nèi)各個路口滯留車輛數(shù)總和達(dá)到最小的交通燈配時方案。配時方法具體描述如下：

（1）基因編碼和初始化種群

①基因編碼：表現(xiàn)型到基因型映射

對于二相位的路口，使用二進(jìn)制編碼表示基因型，用“0”代表相位a，用“1”代表相位b。所以從表現(xiàn)型到基因型的映射就是相位a對應(yīng)“0”，相位b對應(yīng)“1”。

對于四相位的路口，同樣使用二進(jìn)制編碼表示基因型，用“00”代表相位c，“01”代表相位d，“10”代表相位e，“11”代表相位f。所以從表現(xiàn)型到基因型的映射就是相位c對應(yīng)“00”，相位d對應(yīng)“01”，相位e對應(yīng)“10”，相位f對應(yīng)“11”。

根據(jù)二相位、四相位的編碼規(guī)則，在整個區(qū)域36 個路口全部編碼后，字符串的長度為51 位。其中，字符串第1～21 位對應(yīng)路口C1～C21，字符串第22～51 位對應(yīng)路口C22～C36。舉例說明：編碼字符串的第3、4 位解碼后分別對應(yīng)路口C3、C4 的表現(xiàn)型；第24、25 位解碼后對應(yīng)路口C23的表現(xiàn)型。

②初始化種群

一個種群代表所要解決的問題的潛在解集，種群中的每個抗體都是經(jīng)過基因編碼的潛在解。在隨機(jī)生成初始種群之后，依據(jù)進(jìn)化法則逐代搜索最優(yōu)近似解。

（2）親和度評價

本文以區(qū)域路網(wǎng)內(nèi)所有路口總的滯留車輛數(shù)為評價交通燈配時方案好壞的指標(biāo)，即親和度評價規(guī)則是基于路網(wǎng)總滯留車輛數(shù)生成的。為了便于描述，定義一個變量Delay 來表示在單位周期內(nèi)，區(qū)域路網(wǎng)中所有路口總的滯留車輛數(shù)。如此，本算法的親和度函數(shù)可以表示為：

其中，ti表示時間。種群中每個抗體解碼后對應(yīng)區(qū)域中各個路口的交通燈狀態(tài)設(shè)置方案，根據(jù)該交通燈狀態(tài)設(shè)置方案可以計(jì)算出各個抗體對應(yīng)的Delay 值。對應(yīng)Delay值越小的抗體，其親和度越高，即該抗體解碼后所對應(yīng)的交通燈配時方案能使區(qū)域總滯留車輛數(shù)越少。本文算法的目的就是在末代種群中選出對應(yīng)的Delay值達(dá)到最小的抗體，并在該單位時間內(nèi)，按該抗體對應(yīng)的表現(xiàn)進(jìn)行區(qū)域交通燈配時。

（3）免疫算子操作

免疫算子的詳細(xì)操作過程如本文第2章所述。

（4）解碼：基因型到表現(xiàn)型映射

解碼過程就是抗體由基因型到表現(xiàn)型的映射。在算法進(jìn)化過程中，需要對種群中每個抗體進(jìn)行解碼才能計(jì)算出它的親和度值。對最終得出的最優(yōu)抗體也需要先經(jīng)過解碼，然后才能按該抗體對應(yīng)的表現(xiàn)型進(jìn)行交通燈狀態(tài)設(shè)置。

在一段時間內(nèi)，區(qū)域交通燈配時方案設(shè)計(jì)如果僅是考慮全部路口滯留車流量最少，那有一定可能性導(dǎo)致某些方向車流長時間得不到通行權(quán)，使等待時間超過駕駛?cè)藛T的心理承受極限，從而容易發(fā)生交通事故。所以，還需要在由免疫克隆算法搜索出的最優(yōu)配時方案基礎(chǔ)上進(jìn)行改善。

在本文提出的配時方法中，對于二相位的21 個路口，要求最終的配時方案必須保證每個路口a 和b 這兩個相位都不會連續(xù)獲得通行權(quán)超過四個單位周期T；對于四相位的15 個路口，以8 T 為一個大周期，要求最終的配時方案必須保證每個路口在一個大周期內(nèi)，c、d、e、f四個相位都至少有一個單位周期T獲得通行權(quán)。

4 區(qū)域交通燈配時仿真實(shí)驗(yàn)

4.1 仿真交通場景設(shè)計(jì)

本文以西安市某區(qū)域包含36 個路口的路網(wǎng)為參考對象構(gòu)建仿真交通場景；實(shí)驗(yàn)時間段從15：30 到20：30，每15 秒作為一個時間單位T，可以分為1 200 個時間單位。為了便于本文配時方法的應(yīng)用，對仿真交通場景進(jìn)行簡化如下：

（1）不考慮車輛掉頭，車輛行駛方向只有直行、左轉(zhuǎn)和右轉(zhuǎn)這三種情況；且只考慮紅燈和綠燈，不考慮黃燈。

（2）對于四相位路口，直行、左轉(zhuǎn)、右轉(zhuǎn)分車道，可以得到路口每個方向的直行、左轉(zhuǎn)和右轉(zhuǎn)車輛數(shù)；而二相位路口，因?yàn)橹毙?、左轉(zhuǎn)、右轉(zhuǎn)不分車道，只能得到整體車流數(shù)。為了簡化交通場景，將車輛直行、左轉(zhuǎn)、右轉(zhuǎn)的概率設(shè)為固定值，直行概率設(shè)置為0.8，右轉(zhuǎn)和左轉(zhuǎn)概率都設(shè)為0.1。

（3）在計(jì)算每個周期Delay 值時，每個路口在單位T時間內(nèi)，各個方向車流的通過率是必不可少的。通過調(diào)研，設(shè)定實(shí)驗(yàn)場景區(qū)域中各個路口單位時間內(nèi)車輛通過率如表1所示。

表1 單位時間各路口車輛通過率表（輛·T-1）

4.2 交通流生成模型

交通流生成模型是交通控制研究領(lǐng)域的最基本模型，主要研究交通車輛的到達(dá)規(guī)律，從而解決交通流生成問題[19]。本文的研究重點(diǎn)不在于如何通過各種先進(jìn)技術(shù)來獲取路網(wǎng)中各路口的實(shí)時車流量數(shù)據(jù)，只是想驗(yàn)證提出的區(qū)域交通燈配時方法的有效性，因此采用交通流生成模型來模擬生成路網(wǎng)中各路口的實(shí)時車流量數(shù)據(jù)是合理的。

常見的交通流生成模型主要分為兩類：一是基于車輛到達(dá)隨機(jī)概率的離散型分布模型，二是基于車頭時距、車速等交通流特性的連續(xù)型分布模型[20]。離散型分布模型中較常用的有泊松分布、二項(xiàng)分布、負(fù)二項(xiàng)分布[21]。

泊松分布適用于對車輛到達(dá)率較低、車輛間相互影響小的交通流情況進(jìn)行描述：

其中，P(x)為單位時間內(nèi)到達(dá)x輛車的概率；λ為泊松分布參數(shù)，為正數(shù)。泊松分布的均值E(x)與方差D(x)均為λ，即D(x)/E(x)=1。

二項(xiàng)分布適用于對車輛到達(dá)率較高、車輛自由行駛機(jī)會不多的交通流情況進(jìn)行描述：

其中，P(x)意義同式（3）；n、p 為二項(xiàng)分布參數(shù)，n 為正數(shù)，0 ＜p ＜1。二項(xiàng)分布的均值E(x)為np，方差D(x)為np(1-p)，即D(x)/E(x)＜1。

負(fù)二項(xiàng)分布適用于對車輛到達(dá)率波動大的情況進(jìn)行描述：

其中，P(x)意義同式（3）；m、p為負(fù)二項(xiàng)分布參數(shù)，m為正數(shù)，0 ＜p ＜1。負(fù)二項(xiàng)分布的均值E(x)為m(1-p)/p，方差D(x)為m(1-p)/p2，即D(x)/E(x)＞1。

在15：30—20：30 時段，觀測仿真參考區(qū)域內(nèi)路口每單位時間T 到達(dá)車輛數(shù)據(jù)的規(guī)律，發(fā)現(xiàn)在15：30—16：30 和19：30—20：30 這兩個時間段內(nèi)，區(qū)域路網(wǎng)中車流量較小，車輛間相互影響較小，每T 到達(dá)車輛數(shù)據(jù)組的均值和方差近似相等，適合用泊松分布模擬生成各路口的實(shí)時車流量數(shù)據(jù)；17：30—18：30 這一段時間，處于晚高峰時期的區(qū)域路網(wǎng)中車流量較大，道路擁擠，每T到達(dá)車輛數(shù)據(jù)組的方差與均值的比小于1，適合用二項(xiàng)分布模擬生成各路口的實(shí)時車流量數(shù)據(jù)；而在16：30—17：30、18：30—19：30 這兩段時間，前者即將到達(dá)晚高峰，后者處于晚高峰余波中，區(qū)域路網(wǎng)中車流量波動較大，每T到達(dá)車輛數(shù)據(jù)組的方差與均值的比大于1，適合用負(fù)二項(xiàng)分布模擬生成各路口的實(shí)時車流量數(shù)據(jù)。

由概率論可知，根據(jù)數(shù)據(jù)的均值和方差可以計(jì)算出分布參數(shù)，得出具體分布模型。本文仿真中采用的具體分布模型如表2所示。

表2 各時間段交通流生成模型

4.3 仿真結(jié)果分析

為了驗(yàn)證本文提出的基于改進(jìn)免疫克隆選擇算法的區(qū)域交通配時方法的有效性，使用Matlab編寫程序進(jìn)行仿真。仿真驗(yàn)證分為兩步：

（1）進(jìn)行單周期性能分析，只有在單周期性能優(yōu)良的前提下，多周期配時仿真實(shí)驗(yàn)才有可能成功。

（2）進(jìn)行五小時配時仿真實(shí)驗(yàn)，分別運(yùn)用本文配時方法與固定配時方法進(jìn)行區(qū)域交通燈配時，對比區(qū)域路網(wǎng)的總滯留車輛數(shù)。

4.3.1 單周期性能分析

本文提出的區(qū)域交通燈配時方法是基于改進(jìn)的免疫克隆選擇算法，而對免疫克隆選擇算法、遺傳算法等優(yōu)化算法而言，從它們的進(jìn)化曲線可以得出算法的收斂性能、尋優(yōu)速度和優(yōu)化結(jié)果等眾多信息。為驗(yàn)證本文配時方法的優(yōu)越性能，仿真中將本文配時方法與基于標(biāo)準(zhǔn)遺傳算法（SGA）、標(biāo)準(zhǔn)克隆選擇算法（SCS）、動態(tài)變異算子克隆選擇算法（DCS）的配時方法進(jìn)行比較（動態(tài)變異算子克隆選擇算法是指算法運(yùn)行中變異概率值隨迭代次數(shù)增加線性遞減）。作為對比項(xiàng)的三種配時方法都采用與本文第3 章中相同的編碼策略與評價指標(biāo)。本文仿真實(shí)驗(yàn)中的車流量數(shù)據(jù)是基于三種離散型分布模型模擬生成的，所以為了性能分析的準(zhǔn)確性，做了三組實(shí)驗(yàn)，每組實(shí)驗(yàn)的車流量數(shù)據(jù)都是基于不同的分布模型，且每組實(shí)驗(yàn)中包含四個對比項(xiàng)。

經(jīng)仿真，三組單周期性能分析實(shí)驗(yàn)的結(jié)果是一致的，但由于篇幅所限，僅給出由泊松分布模型生成車流量數(shù)據(jù)的仿真結(jié)果，如圖3所示。

在圖3中，（a）為基于SGA的配時方法進(jìn)化曲線，（b）為基于SCS 的配時方法進(jìn)化曲線，（c）為基于DCS 的配時方法進(jìn)化曲線，（d）為基于本文提出的改進(jìn)克隆選擇算法的配時方法進(jìn)化曲線；橫坐標(biāo)為迭代次數(shù)，縱坐標(biāo)為每一代的最優(yōu)個體對應(yīng)的Delay 值。下面敘述中，四種配時方法都以基于的算法代稱。

4.3.2 五小時配時仿真分析

根據(jù)4.1 和4.2 節(jié)所述，利用交通流生成模型產(chǎn)生15：30—20：30這五個小時的車流量數(shù)據(jù)，再對固定配時方法、基于SGA 的配時方法、本文配時方法分別進(jìn)行仿真。固定配時方法中，參考實(shí)際路網(wǎng)情況，將二相位路口的信號周期設(shè)置為4 T，相位序列為a 相位、b 相位，綠燈時間各為2 T；四相位路口的信號周期設(shè)置為8 T，相位序列為c相位、d 相位、e相位、f相位，綠燈時間依次為3 T、1 T、3 T、1 T。因標(biāo)準(zhǔn)遺傳算法在本文配時策略應(yīng)用中運(yùn)行500 代后也只能看出優(yōu)化趨勢，不能收斂，所以將每個周期遺傳算法的迭代次數(shù)設(shè)定為150 來進(jìn)行5 h 仿真實(shí)驗(yàn)。而本文提出的改進(jìn)克隆選擇算法收斂速度快且尋優(yōu)效果好，5 h 仿真實(shí)驗(yàn)中迭代次數(shù)設(shè)定為25即可。實(shí)驗(yàn)中分別記錄固定配時方法、基于SGA 的配時方法、本文配時方法的每小時路網(wǎng)的總Delay值，如表3所示。

從表3 中可以看出，在五個時間段里，本文配時方法的每小時路網(wǎng)總Delay 值與固定配時方法相比都有了顯著減少，且減少比例都接近于40%；與基于SGA的配時方法相比，減少比例也都高于17%。從整個仿真周期看，本文配時方法的5 h 路網(wǎng)總Delay 值比固定配時方法減少了38.93%，比基于SGA 的配時方法減少了20.33%。

根據(jù)表3 數(shù)據(jù)，繪制了仿真結(jié)果對比圖如圖4，其中，在15：30 到20：30 這一時間段，由于晚高峰的原因，路網(wǎng)的每小時總滯留車輛數(shù)經(jīng)歷了上升再下降的過程。但不論區(qū)域路網(wǎng)是處于晚高峰的擁擠狀況還是下午4時左右的流暢狀況，本文配時方法的路網(wǎng)總滯留車輛數(shù)相較于固定配時方法和基于SGA 的配時方法都有明顯減少。這表明本文的配時方法能顯著提高路口的通行能力，增加了區(qū)域路網(wǎng)的交通流暢性，驗(yàn)證了本文配時方法的有效性。

圖3 四種配時方法的進(jìn)化曲線

表3 三種配時方法仿真結(jié)果對比表

圖4 三種配時方法仿真結(jié)果對比圖

5 結(jié)論

（1）針對免疫克隆選擇算法收斂速度慢、易陷入局部最優(yōu)等問題，本文提出了一種雙層動態(tài)變異算子，并對克隆抑制算子和種群刷新算子進(jìn)行了改進(jìn)。從單周期性能分析中可以看出本文的改進(jìn)對克隆選擇算法性能有了較大提高。

（2）本文提出一種以區(qū)域?yàn)閱挝坏慕煌襞鋾r方法，首先將區(qū)域內(nèi)所有路口的交通燈狀態(tài)設(shè)置問題轉(zhuǎn)換成在單位時間內(nèi)確定各個路口哪一個相位獲取通行權(quán)的問題，再利用免疫克隆選擇算法的全局尋優(yōu)能力在每個單位時間搜索出使路網(wǎng)總滯留車輛數(shù)最小的交通燈配時方案。仿真結(jié)果表明本文提出的配時方法達(dá)到了優(yōu)化目的，顯著減少了路網(wǎng)的總滯留車輛數(shù)，提升了路網(wǎng)的通行效率，對城市交通的緩堵保暢具有重要的現(xiàn)實(shí)意義。