离散交通信号控制模型及其优化算法

兵工－动化　曩接技市　Ｍｅａｓｕｒｅｍｅｎｔ　ａｎｄ　Ｃｏｎｔｒｏｌ　Ｔｅｃｈｎｉｑｕｅ　Ｏ．Ｉ．Ａｕｔｏｍａｔｉｏｎ　２００６，Ｖｏ１．２５，Ｎｏ．６　２００６年第２５卷第６期　文章编号：１００６—１５７６（２００６）０６—００６６—０３　离散交通信号控制模型及其优化算法　付绍昌，黄辉先　（湘潭大学信息工程学院，湖南湘潭４ｌｌｌ０５）　摘要：离散交通信号控制模型在自适应粒子群算法中引入变异算子，以更新粒子群算法的个体极值点和全局极　值点。在此模型基础上，应用四种自适应变异粒子群算法优化城市交通信号控制配时方案，同时比较分析各变异算　子的优劣。然后选出最优的自适应变异粒子群算法对不同的交通流进行连续优化控制。仿真表明该混合算法可解决　易陷入局部收敛的缺陷并能够有效实现交通信号优化控制。　关键词：粒子群优化算法；实数编码遗传算法；变异；交通信号控制　中图分类号：ＴＰ２０２．７　文献标识码：Ａ　Ｃｏｎｔｒｏｌ　Ｍｏｄｅｌ　ｏｆ　Ｄｉｓｃｒｅｔｅ　Ｔｒａｆｆｉｃ　Ｓｉｇｎａｌ　ａｎｄ　Ｉｔｓ　Ｏｐｔｉｍａｌ　Ａｌｇｏｒｉｔｈｍ　ＦＵ　Ｓｈａｏ－ｃｈａｎｇ，ＨＵＡＮＧ　Ｈｕｉ－ｘｉａｎ　（Ｃｏｌｌｅｇｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉａｎｇｔａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉａｎｇｔａｎ　４　１　１　１　０５，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｍｕｔａｔｉｏｎ　ｏｐｅｒａｔｏｒ　ｗａｓ　ｉｎｔｒｏｄｕｃｅｄ　ｂｙ　ｃｏｎｔｒｏｌ　ｍｏｄｅｌ　ｏｆ　ｄｉｓｃｒｅｔｅ　ｔｒａｆｆｉｃ　ｓｉｇｎａｌ　ｔｏ　ｕｐｄａｔｅ　ｔｈｅ　ｂｅｓｔ　ｐｏｉｎｔ　ｏｆ　ｔｈｅ　ｉｎｄｉｖｉｄｕａｌ　ａｎｄ　ｔｈｅ　ｂｅｓｔ　ｐｏｉｎｔ　ｏｆ　ｔｈｅ　ｇｌｏｂａｌ　ｉｎ　ａｄａｐｔｉｖｅ－Ｍｕｔａｔｉｏｎ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ（ＡＭＰＳＯＡ）．　Ｂａｓｅｄ　ｏｎ　ｍｏｄｅｌ，ｔｈｅ　ｆｏｕｒ　ａｄａｐｔｉｖｅ－ｍｕｔａｔｉｏｎ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ　ｃａｎ　ｂｅ　ａｐｐｌｉｅｄ　ｔｏ　ｏｐｔｉｍｉｚｅ　ｔｈｅ　ｔｉｍｉｎｇ　ｐｌａｎ　ｏｆ　ｔｈｅ　ｔｒａｆｆｉｃ　ｓｉｇｎａｌ　ｃｏｎｔｒｏｌ；ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ｔｈｅ　ｑｕａｌｉｔｙ　ｏｆ　ｅｖｅｒｙ　ｍｕｔａｔｉｏｎ　ｏｐｅｒａｔｏｒ　ｉｓ　ｃｏｍｐａｒｅｄ　ａｎｄ　ａｎａｌｙｚｅｄ．Ｔｈｅｎ　ｈｅ　ｏｐｔｔｉｍｕｍ　ａｄａｐｔｉｖｅ・ｍｕｔａｔｉｏｎ　ｐａｒｔｉｃｌｅ　ｓＷａｌＴＩ１　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ　ａｒｃ　ｃｈｏｓｅｎ　ｔｏ　ｃａｒｒｙ　ｏｕｔ　ｔｈｅ　ｏｐｔｉｍｕｍ　ｃｏｎｔｒｏｌ　ｏｎ　蕃ｄｉｆｆｅｒｅｎｔ　ｔｒａｆｆｉｃ　ｓｔｒｅａｍ．Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈｅ　ｈｙｂｒｉｄ　ｍｅｔｈｏｄ　ｓｏｌｖｅｓ　ｔｈｅ　ｄｅｆｅｃｔ　ｏｆ　ｔｈｅ　ｌｏｃａｌ　ｃｏｎｖｅｒｇｅｎｃｅ　ａｎｄ　ｄｅｍｏｎｓｔｒａｔｅ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｏｆ　ｔｈｅ　ＡＭＰＳＯＡ，ｗｈｉｃｈ　ｃａｎ　ａｃｈｉｅｖｅ　ｔｈｅ　ｏｐｔｉｍａｌ　ｃｏｎｔｒｏｌ　ｏｆ　ｉｎ　ｔｈｅ　ｔｒａｆｆｉｃ　ｓｉｇｎａ１．　Ｋｅｙｗｏｒｄｓ：Ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ；Ｒｅａｌ・ｃｏｄｅ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ；Ｍｕｔａｔｉｏｎ；Ｔｒａｆｆｉｃ　ｓｉｇｎａｌ　ｃｏｎｔｒｏｌ　０　引言　交通系统是一个具有随机性、非线性、离散性　和不确定性的复杂系统…，很难对其建立精确的数　学模型。故采用自适应变异粒子群优化算法以提高　交叉路口的通行能力，减少车辆延误，达到交通信　号优化控制的目的。　流车辆通行情况得到与实际相近的离散交通控制模　型。以车流支路Ｌ１３为例，把交通路口每周预测的　车辆到达率离散成Ｍ个间隔为　（１～５秒）序列，　并折算成标准车辆单位（ＰＣＵ），车辆到达率在各时　间间隔内服从均匀分布。离散车辆到达率如下：　ＰＩ３　【ｐ（Ｔ），…，ｐｏｘ），…，ｐ（ＭＴ）】（ｉ＝１，２，…，Ｍ）　（１）　ｌ　离散交通信号控制模型　１．１离散交通控制模型　其设计思想：红灯期间，到达路口的车辆排队　等候：车辆在绿灯开启或绿灯结束的间隔有一定损　失ＬＳｌ３和ＬＥｌ３，由路口情况决定（小于或等于时间　间隔内车辆通行能力），其它绿灯间隔车辆按饱和　流量Ｓｌ３通过。当绿灯结束间隔转为黄灯时，禁止　车辆通行。下面仅考虑绿灯开启时间至绿灯结束时　的时间间隔。离散交通模型流程如下：　（１）周期开始时（即ｉ＝０），ＰＶ１３＝Ｐ１３（即把上　个周期结束时支路的排队长度Ｐ１３赋给车辆排队长　度变量ＰＶｌ３），同时初始化各参数。　（２）绿灯时？是转①。否则转（３）。　①绿灯开启时间间隔？不是转②。是则计算　此时延误时间、停车次数、通行车辆数。若上一时　间间隔车辆排队长度加上本时间间隔到达车辆数与　绿时开启时间间隔通行能力之差大于零。则表明此　时间间隔有滞留车辆，累计通行车辆ＮＰ１３计算：　图１　单交叉路口示意图　以十字交叉路口为例分析单交叉路口离散交通　控制模型，如图１［２１。交叉路口有４个方向，每个　方向均有３个车流支路（左，直，右）。如方向１　有流向方向３的直行支流Ｌｌ３，流向方向２的左转　支流Ｌｌ２，流向方向４的右转支流Ｌ　各方向车流　支路是构成交叉路口基本单元。检测器对车流量进　行实时检测，用于实际性能指标计算。经分析各支　收稿日期：２００６—０２－２２：修回日期：２００６－０３—０２　作者简介：付绍昌（１９７２一），男，湖南人，１９９３年毕业于中南大学，现湘潭大学在读硕士，从事计算机控制与应用、智能交通控制研究。　・６６・　维普资讯 http://www.cqvip.com

＾工矗动化　舅接技市　Ｍｅａｓｕｒｅｍｅｎｔ　ａｎｄ　Ｃｏｎｔｒｏｌ　Ｔｅｃｈｎｉｑｕｅ　Ｏ．Ｉ．Ａｕｔｏｍａｔｉｏｎ　２００６，Ｖｏ１．２５，Ｎｏ．６　２００６年第２５卷第６期　ＮＰＩ　３＝ＮＰＩ　３＋Ｔ×Ｓ１　３一ＬＳ，３　（２）否则ＮＰｌ３计算如下：　ＮＰ１３＝ＮＰ１　３＋ＰｖＩ　３　ｐ（ｉ＇０　（３）　若上一时间间隔剩余排队长度大于绿灯开启　时间间隔通行能力，则累计延误时间Ｄｔｌ３和累计停　车次数Ｎ１　３计算如下：　Ｄｔ１　３；Ｄｔ１　３＋Ｔ　（ＰｖＩ３一Ｔ×Ｓｌ　３＋ＬＳＩ　３）＋０．５　Ｔ　ｐ（ｉ＇０　ＮＩ　３＝Ｎ１　３　ｐ（ｉ＇０　（４）　否则Ｄｔｌ３和Ｎｌ３计算如下：　Ｄｔ１　３＝Ｄｔ１　３＋０．５　Ｔ　ｍａｘ（ＰＶｌ　３　ｐ（ｉ＇０一Ｔ×Ｓ１　３＋ＬＳＩ　３，０）　Ｎ１　３＝Ｎ１　３＋ｍａｘ（ＰＶｌ３　ｐ（ｉＴ）一ｔ×Ｓｌ　３＋ＬＳＩ　３，０）　（５）　然后计算车辆的排队长度Ｐｖｌ３：　Ｐ　１３＝ｍａｘ（Ｐｖ１　３　ｐ（ｉ＇０一Ｔ×Ｓｌ　３＋ＬＳＩ　３，０）　（６）　②绿灯结束时间间隔？不是转③。是则计算　此时延误时间、停车次数、通行车辆数。若上一时　间间隔车辆排队长度加本时间间隔到达的车辆数与　绿灯结束时间间隔通行能力之差大于零。则表明此　时间间隔有滞留车辆，累计通行车辆ＮＰ１３计算：　ＮＰＩ　３一ＮＰＩ３＋Ｔ×Ｓｌ　３一ＬＥ１　３　（７）　否则ＮＰｌ３计算如下：　ＮＰＩ　３　ＮＰＩ　３＋ＰｖＩ３　ｐ（ｉ＇０　（８）　由于通过的车辆数必须为整数，这里采用四舍　五入的方法对通行的车辆数取整。　ＮＰ１　３一Ｒｏｕｎｄ（ＮＰ）　ＡＮ　ＮＰＩ　３一ＮＰ　（９）　如果上一时间间隔剩余的排队长度大于绿灯　结束时间间隔通行能力，则累计延误时间Ｄｔｌ３和累　计停车次数Ｎｌ３计算如下：　Ｄｔ１　３　Ｄｔ１　３＋＇１７　（Ｐｖ１　３一Ｔ　Ｓ１　３＋ＬＥ１　３一△Ｎ）＋０．５　Ｔ　ｐ（ｉ＇０　ＮＩ３　ＮＩ　３＋ｍａｘ（ｐ０ｘ）一△Ｎ，０）　（１Ｏ）　否则Ｄｔｌ３和Ｎｌ３计算如下：　Ｄｈ　３‘Ｄｈ　３＋０．５　Ｔ　ｍａｘ（Ｐｖｌ　３＋ｐ（ｉ＇Ｑ一△Ｎ—Ｔ×Ｓ１　３＋ＬＥ１　３，０）　ＮＩ　３　Ｎｌ　３＋ｍａｘ（ＰＶｌ　３＋ｐ（ｉｘ）一△Ｎ—Ｔ×ＳＩ　３＋ＬＥＩ　３，０）　（１　１）　然后计算车辆的排队长度Ｐｖ　ＰｖＩ　３　ｍａｘ（Ｐｖ１　３　ｐ（ｉＴ）一△Ｎ—Ｔ×Ｓｌ　３＋ＬＥ１　３，０）　（１２）　③绿灯中间的时间间隔？不是转（３）。是则计　算此时延误时间、停车次数、通行车辆数。若上一　时间间隔车辆排队长度加上本时间间隔到达的车辆　数与通行能力之差大于零。则表明此时间间隔有滞　留车辆，累计通行车辆ＮＰｌ３计算如下：　ＮＰ１　３　ＮＰ１　３　Ｔ×Ｓ１　３　‘　（１３）　否则ＮＰｌ３计算如下：　ＮＰ１　３　ＮＰ１　３＋ＰＶｌ　３　ｐ（ｉＴ）　（１４）　若上一时间间隔剩余排队长度大于通行能力，　则累计延误时间Ｄｔｌ３和累计停车次数Ｎｌ３计算如下：　Ｄｔ１　３　Ｄｈ　３　Ｔ　（ＰＶｌ３一Ｔ×Ｓｌ　３）＋０．５　Ｔ　ｐｏｘ）　Ｎ１　３＝Ｎ１　３　ｐ（ｉＴ）　（１５）　否则Ｄｔｌ３和Ｎｌ３计算如下：　Ｄｔ１　３＝Ｄｔ１　３＋０．５　Ｔ　ｍａｘ（Ｐｖ１　３　ｐ（ｉＴ）一Ｔ×Ｓ１　３，０）　Ｎ１　３＝Ｎ１　３　ｍａｘ（Ｐｖ１　３　ｐ（ｉｘ）一Ｔ×Ｓ１　３，０）　（１６）　然后计算车辆的排队长度Ｐｖｌ３：　Ｐｖ１　３＝ｍａｘ（Ｐｖ１　３　ｐ（ｉｘ）一Ｔ×Ｓｌ　３，０）　（１７）　（３）红灯时间间隔内的延误时间Ｄｔｌ３、停车次　数Ｎｌ３和车辆的排队长度Ｐｖｌ３计算如下：　Ｄｔ１　３＝Ｄｔ１　３＋Ｔ×ＰＶｌ　３＋０．５　Ｔ　ｐＯＴ）　ＮＩ　３＝ＮＩ　３　ｐ（ｉＴ）　（１８）　Ｐｖｌ３＝ＰｖＩ３　ｐ（ｉ＇０　（１９）　（４）周期结束（ｉ＝Ｍ）？不是转（２）。是则输出　支路Ｌｌ３总延误时间Ｄｖｌ３、停车次数Ｎｌ３、通行车辆　数ＮＰｌ３及车辆排队长度Ｐｖｌ３。再进入下一个周期。　综合各支路的交通性能指标即可得到交叉路口　本周期的各项性能指标。　周期内总延误时间：Ｄｖ＝，￣Ｄｖｊ　（２０）　Ｊ　周期内总平均延误时间：　＝Ｄｖ／Ｔｖ　（２１）　周期内总的通行车辆数：Ｎｖ＝￣，Ｎｖｊ　（２２）　Ｊ　周期内总的车辆通行率：一Ｎｖ：Ｎｖ／Ｔｖ　（２３）　周期内总的停车次数：Ｎｎ＝ＥＮｊ　（２４）　Ｊ　车辆剩余排队长度：Ｐｖ＝∑ａｖｊ　（２５）　ｊ　其中Ｊ为路口的支路编号，Ｔｖ为周期内到达的　总车辆数。此离散交通控制模型与交通路口的车辆　通行情况接近，反映路口通行车辆的离散性、不连　续性的特点。此模型也适应于多车道的交通路口。　１．２交通信号控制模式　交叉路口采用四相位控制。最大周期时间Ｃ　和最小周期时间Ｃ　ｉ　为时间间隔ｔ的整数倍，且Ｎ　＝Ｃｍａｘ／ｔ。每个相位的最小绿时为ｇ　｜ｎ。在优化中可　把交叉口的配时方案作为一个五维的解向量Ａ：　Ａ　（０，ａ１，ａ２，ａ３，ａ４）　（２６）　其中，ａ１，ａ２，ａ３，ａ４分别是相位一到相位四的绿　灯结束时间，且为ｔ的整数倍。其大小可确定各相　位顺序（相序），各相位绿灯开启时间由前一相位结　束时间确定，各相位绿时大于等于ｇ　ｉ　（跳相序控　制除外），如下式：　ｍａｘ（ａｌ，ａ２，ａ３，ａ４）＜Ｎ　（２７）　该模式可优化路Ｉ＝１的周期长度、绿信比及相　序，甚至跳相序控制。由于配时方案是离散的，在　优化过程中需采用规范函数来规范各粒子。　・６７・　维普资讯 http://www.cqvip.com

兵工＿动化　■接技了Ｉｌ　Ｍｅａｓｕｒｅｍｅｎｔ　ａｎｄ　Ｃｏｎｔｒｏｌ　Ｔｅｃｈｎｉｑｕｅ　０．Ｉ．Ａｕｔｏｍａｔｉｏｎ　２００６年第２５卷第６期　２００６，Ｖｏ１．２５，Ｎｏ．６　２　自适应变异粒子群优化算法　２．Ｉ变异算子（Ｍｕｔａｔｉｏｎ　Ｏｐｅｒａｔｏｒ）　在实数编码遗传算法中，变异算子能恢复群体　中多样性损失，也可成为搜索算子。故设计很多变　异算子。如均匀变异（Ｕｎｉｆｏｒｍ　Ｍｕｔａｔｉｏｎ）、非一致　性变异（非均匀变异）（Ｎｏｎ—Ｕｎｉｆｏｒｍ　Ｍｕｔａｔｉｏｎ）、自　适应性变异（一致性变异算子）（Ａｄａｐｔｉｖｅ　Ｍｕｔａｔｉｏｎ）和正态变异（Ｎｏｒｍａｌ　Ｍｕｔａｔｉｏｎ）等　—Ｊ。　２．２自适应粒子群优化算法　粒子群算法是基于迭代的优化工具。先在Ｎ维　解空间中随机初始化ｎ个粒子，其中ｘｉ＝（ｘｉｌ’　Ｘｉ２　９＂＇＂，ＸｉＮ）是第ｉ个粒子的位置，相应粒子速度为Ｖｉ　＝（Ｖｉｉ，ｖｉ２，…，ＶｉＮ）。每次迭代中，每个粒子通过跟踪　两个“极值点”来更新：①粒子找到的个体极值　点Ｐｉ＝（Ｐ　Ｐｉ２，…，ＰｉＮ）；②粒子群最优解的位置　（全局极值点）Ｐｇ＝（Ｐｇｌ，Ｐｇ２，…，ＰｇＮ）　。该算法依　迭代次数改变参数Ｗ：当迭代次数小，粒子在大范　围内搜索。随迭代次数增大，粒子在小范围内搜　索，以增加算法稳定性和收敛性Ｌ５Ｊ，公式如下：　ｉｄ（ｔ＋１）＝ｗ（ｔ）　Ｖｉｄ（ｔ）＋Ｃｌ　ｒｌ　（Ｐｉｄ—Ｘｉｄ（ｔ））＋Ｃ２　ｒ２×（ｐｇｄ—Ｘｉｄ（ｔ））　（２８）　Ｘｉｄ（ｔ＋１）。Ｘｉｄ（ｔ）＋Ｖｉｄ（ｔ＋１）　（２９）　ｗ（ｔ）＝ｗ（０）ｅｘｐ（一ｋ（ｔ／Ｔ））　（３Ｏ）　其中：ｉ＝ｌ，２，…，Ｎ；Ｃｌ和ｃ２是学习因子；ｒｌ和　ｒ２是介于（０，１）之间的随机数，ｗ称为惯性因子，ｋ　为控制参数，ｔ为当前迭代次数，Ｔ为最大迭代次　数；ｖｉｄ∈［一Ｖｍａｘ，ｖｍ　】，ｖｍ　为粒子的最大速度。　２．３变异算子与自适应粒子群优化算法的结合　自适应变异粒子群优化算法步骤如下：　①初始化参数；②随机初始化粒子群Ｐ（０），　计算出各粒子的适应值，把当前粒子作为各粒子的　个体极值点，把粒子群Ｐ（０）适应值最大的粒子作为　全局极值点；③采用概率为Ｐｍ的变异算子对每个　粒子的个体极值点进行变异操作，根据变异后的优　劣来判断是否更新粒子群的个体极值点和全局极值　点；④采用自适应粒子群公式更新粒子群Ｐ（ｔ），计　算粒子群个体的适应值，更新粒子群的个体极值点　和全局极值点；⑤当满足目标或达到最大搜索次　数则结束，否则迭代次数ｔ＝ｔ＋ｌ，并转入⑨。　从⑨中可知，变异算子以一定概率更新个体极　值点和全局极值点，增加算法稳定性和收敛性。　３　仿真实验　・６８‘　３．Ｉ仿真及分析　仿真中设各方向饱和流量为０．５辆／秒，左转饱　和流量为０．４２５辆／秒，时间间隔Ｔ＝３秒，各支路　初始时均无车辆。绿灯结束间隔为黄灯时间，禁止　车辆通行。在优化中假设路Ｉ２１各方向（左、直、右）　分流比为０．２、０．６和０．２。交通信号控制方式为：　固定方案控制方式（即各相位绿灯时间依各支路交　通流量和饱和流量来分配，相序按相位ｌ到相位４　顺序控制）、定相序优化绿信比控制方式（即相位ｌ　到相位４的顺序控制，优化各相位绿信比）、优化相　序和绿信比控制方式（即优化相位１到相位４顺序　和绿信比）。每个周期的车辆延误时间最小作为优　化目标。参数设置：ＷＥ　ｌ，Ｃｌ＝Ｃ２＝２，ｋ＝ｌ，Ｗ更　新代数为ｌＯ，粒子数为３Ｏ，搜索代数Ｔ＝１００，变　异概率Ｐ　＝Ｏ．５。该算法优化结果最好，如表ｌ。　表１　算法比较统计表　ｊｊ量藏　雳　赛　舞＿¨　１　蠢　搏誉　馋　妁黛津～＿　＿　ｌ＿Ｄｏｉ　摹　卒　嗨激　自适应正态变异粒子群算法　１００次　１００次　自适应均匀变异粒子群算法　９１次　９０次　自适应非均匀变异粒子群算法　８３次　８２次　以全局极值点为依据的自适应　ｌＯ次　一致性变异粒子群算法　１２次　以估计值为依据的自适应　８２次　７９次　一致性变异粒子群算法　自适应粒子群算法　７次　８次　２４　兮　２Ｏ　露　善　ｌ６　辜　基　ｌ２　督　８　周期数　图２　车辆平均延误时间图（交通流一般）　冀喜　妻喜　周期数　图３车辆平均延误时间图（交通流大）　冀喜　差善　图４车辆平均延误时间图（交通流较大）　霎喜　蹇喜　图５车辆平均延误时间图（三种交通流连续）　维普资讯 http://www.cqvip.com

矢工蠢釉化　囊接技ｍ　Ｍｅａｓｕｒｅｍｅｎｔ　ａｎｄ　Ｃｏｎｔｒｏｌ　Ｔｅｃｈｎｉｑｕｅ　Ｏ．Ｉ．Ａｕｔｏｍａｔｉｏｎ　２００６，Ｖｏ１．２５，Ｎｏ．６　２００６年第２５卷第６期　（４）统计边缘二值图像中边缘点变化频率Ｒ。，　记录边缘变化强度，即记录每个字符块区域中边缘　变化总次数与区域面积的比例关系。　实验采用了８５幅６４０ｘ４８０的汽车牌照图像，　这些图像用数码相机在不同场合、不同光照条件下　拍摄，应用本文算法，有８１幅车牌正确定位，有效　定位率达到９５．３％。　经实验验证，Ｄ　＞２００，２＜Ｄ　＜５，ｐ　＜０．２５，　０．０８＜Ｒ。＜０．１５，符合该条件为车牌区域，如图５。　２　结论　整个方法综合多种方法处理彩色图像并充分运　用颜色信息，故对车牌大小、图像背景限制较少。　并可对同一图像中存在多幅车牌的情况进行正确定　位，有利于监控多个车道。　—■　■一　图５　车牌定位效果图　实验中发现对于非黑白的彩色来说，Ｈ值十分　重要，ｓ值可以做辅助判别条件，而对黑色和白色，　Ｈ值变化范围大，而ｓ和Ｖ的值稳定在一定范围　内。同时还观测到与蓝、红色相似的颜色的Ｈ、Ｓ　值位于同一区间，与黄色相似的Ｈ、Ｖ值位于同　一参考文献：　【１】Ｋａｍａｔ　ｖ＇Ｇａｎｅｓａｎ　Ｓ．Ａｎ　Ｅｆｆｉｃｉｅｎｔ　Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｏｆ　ｔｈｅ　Ｈｏｕｇｈ　Ｔｒａｎｓｆｏｒｍ　ｆｏｒ　Ｄｅｔｅｃｔｉｎｇ　Ｖｅｈｉｃｌｅ　Ｌｉｃｅｎｓｅ　Ｐｌａｔｅｓ　Ｕｓｉｎｇ　ＤＳＰ’Ｓ【Ａ】．ＩＥＥＥ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｒｅａｌ・Ｔｉｍｅ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｓｙｍｐｏｓｉｕｍ【Ｃ】．ＣＡ：　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ　Ｐｒｅｓｓ．１９９５，５８—５９．　区间，与黑色相似的Ｓ、Ｖ值位于同一区间，与　白色相似的Ｓ值位于同一区间。　【２】陈寅鹏，丁晓青．复杂车辆图像中的车牌定位与字符分　割方法【Ｊ】．红外与激光工程，２００４，２９—３３．　由于在车牌自动识别系统中，开始不能确定号　码类别，车牌搜索可能不能一次完成，根据蓝底白　字、黄底黑字、白底黑字（还包含红字）、黑底白字　４种主要类型车牌，依次进行蓝色、黄色等的搜索，　重复上述算法，直至正确定位车牌。　【３】任仙怡，周晓，张桂林，等．彩色汽车牌照定位方法［Ｊ】．　红外与激光工程，２００２，（６）：２０４—２０７．　【４】凌玲．基于颜色的图像检索技术【Ｊ】．计算机工程，１９９９．　２５（８）：８—１０．　【５】章毓晋．图像处理和分析【Ｍ】．北京：清华大学出版社．　２００１．２５４—２７７．　滔　图２～图５是采用自适应正态变异粒　可提高交叉路口通行能力，减少车辆延误，达到交　通信号优化控制的目的。　子群算法进行优化的车辆平均延误时间趋势图。为　使仿真符合实际，各方向的交通流取一般、大、较　大进行仿真，各交通流持续１小时。一般车辆到达　数服从泊松分布，交通流大和较大时，车辆到达数　参考文献：　【１】刘智勇．智能交通控制理论极其应用【Ｍ】．北京：科学出　版社．２００３．　服从二项分布　ＪＪ。先由韦伯斯特（Ｗｅｂｓｔｅｒ）最佳周　期公式…　】，按交通流大时交通路口损失时间也大　【２】陈淑燕，陈森发，周延怀．单路口交通多相位模糊控制　器的设计与仿真【Ｊ】．电子技术应用，２００２，２８（２）：２８—３１．　的原则计算出三种交通流量下的周期时间，分别为　６０秒，９０秒，１２０秒进行仿真。以车辆延误时间为　目标的仿真结果表明：优化相序和绿信比的控制方　式优于其他两种控制方式，定相序优化绿信比控制　方式比固定方案控制方式要好。特别当交通流随机　性大，连续性差时，控制效果将更加明显。　【３】周明，孙树栋．遗传算法原理及应用【Ｍ】．北京：国防工　业出版社．１９９９．　【４】潘正君，康立山，陈毓屏．演化计算【Ｍ】．北京：清华大　学出版社．１９９８．　【５】Ｊｉａｎｇ　Ｃｈｕａｎｗｅｎ，Ｅｔｏｒｒｅ　Ｂｏｍｐａｒｄ．Ａ　Ｓｅｌｆ・ａｄａｐｔｉｖｅ　Ｃｈａｏｔｉｃ　Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ａｌｇｏｄｔｈｍ　ｆｏｒ　Ｓｈｏｒｔ　Ｔｅｒｍ　Ｈｙｄｒｏｅｌｅｃｔｒｉｃ　４　结论　离散交通信号控制模型比连续交通信号控制　模型更切合实际。自适应变异粒子群优化算法简单　实用，它的优化速度比遗传算法要快，比自适应粒　子群优化算法更加稳定。同时，在该模型的基础上，　结合自适应变异粒子群优化算法来优化交通信号配　时方案。仿真结果表明自适应变异粒子群优化算法　Ｓｙｓｔｅｍ　Ｓｃｈｅｄｕｌｉｎｇ　ｉｎ　Ｄｅｒｅｇｕｌａｔｅｄ　Ｅｎｖｉｒｏｎｍｅｎｔ【Ｊ】．　Ｅｎｅｒｇｙ　Ｃｏｎｖｅｒｓｉｏｎ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ，２００５，１７（４６）：　２６８９—２６９６．　【６】Ａ　Ｃｈａｔｔｅｒｊｅｅ，Ｐ　Ｓｉａｒｒｙ．Ｎｏｎｌｉｎｅａｒ　Ｉｎｅｒｔｉａ　Ｗｅｉｇｈｔ　Ｖａｒｉａｔｉｏｎ　ｏｒ　Ｄｙｎａｍｉｆｃ　Ａｄａｐｔａｔｉｏｎ　ｉｎ　Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ　【Ｊ．ＣｏｍｐｕｔＪ】ｅｒｓ＆Ｏｐｅｒａｔｉｏｎｓ　Ｒｅｓｅａｒｃｈ，２００５，３（３３）：　８５９—８７１．　【７】徐吉谦，任福田．交通工程总论【Ｍ】．北京：人民交通出　版社．２００２．　【８】陈宽民，严宝杰，任福田．道路通行能力分析【Ｍ】．北京：　人民交通出版社．２００３．