陳 娟,余雨軒,荊 昊

(上海大學(xué)悉尼工商學(xué)院,上海201899)

我國(guó)城市交通的一個(gè)顯著特點(diǎn)是路網(wǎng)中機(jī)動(dòng)車、非機(jī)動(dòng)車、行人等多種出行方式并存.在以往的大多數(shù)研究中,更多的是強(qiáng)調(diào)路網(wǎng)中機(jī)動(dòng)車流的協(xié)調(diào)運(yùn)行,而忽略了非機(jī)動(dòng)車流、行人流等慢行交通的出行需求,從而導(dǎo)致通行權(quán)分配不合理,交通流間的沖突現(xiàn)象較為嚴(yán)重.這與城市可持續(xù)發(fā)展中倡導(dǎo)的綠色出行理念相違背.

混合交通流環(huán)境下的交通信號(hào)控制問題,需要從多交通效益的角度出發(fā),綜合道路使用率、出行者時(shí)間效益和環(huán)境效益,在各種出行方式的混合組成結(jié)構(gòu)下,對(duì)配時(shí)參數(shù)進(jìn)行優(yōu)化,全面地優(yōu)化交通性能指標(biāo),因此是一個(gè)典型的多目標(biāo)優(yōu)化控制問題.對(duì)于該問題,以往的處理方法主要有兩種:一是采用線性加權(quán)的方法[1],將多目標(biāo)優(yōu)化或控制問題描述為單目標(biāo)優(yōu)化或控制問題來解決,由于加權(quán)法很難確定權(quán)值,而且無法處理非凸控制問題,因此采用該方法存在較大的風(fēng)險(xiǎn);二是采用多目標(biāo)優(yōu)化或控制方法.多目標(biāo)進(jìn)化算法作為一種有效的多目標(biāo)優(yōu)化和控制方法,近年來已經(jīng)越來越多地被應(yīng)用于多目標(biāo)交通信號(hào)控制研究中.陳小紅等[2]針對(duì)各種交通方式混行的信號(hào)控制交叉口,以通行能力最大、車輛停車率及出行者平均延誤最小為目標(biāo),以飽和度為約束條件,建立了交叉口信號(hào)配時(shí)多目標(biāo)優(yōu)化模型,并根據(jù)不同交通狀態(tài)下各種交通方式的混合比例確定各性能指標(biāo)的重要程度,最后運(yùn)用遺傳算法進(jìn)行求解.肖婧等[3]提出了一種基于高維多目標(biāo)進(jìn)化算法的交叉口混合交通流信號(hào)智能優(yōu)化控制方法,設(shè)計(jì)了基于GRMODE算法的交叉口混合交通流高維多目標(biāo)信號(hào)優(yōu)化控制模型,該方法能夠使交叉口機(jī)動(dòng)車平均延誤、停車次數(shù)、通行能力、非機(jī)動(dòng)車平均延誤及行人等待時(shí)間等多項(xiàng)性能指標(biāo)同時(shí)達(dá)到最優(yōu),提升了交叉口智能信號(hào)控制效率.韓印等[4]以區(qū)域路網(wǎng)機(jī)動(dòng)車總延誤為優(yōu)化目標(biāo),建立了非機(jī)動(dòng)車影響條件下的區(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.Yin[5]提出了3個(gè)模型來確定對(duì)交通流波動(dòng)敏感的魯棒最優(yōu)信號(hào)配時(shí),研究結(jié)果表明,即使在最差的情形下,該模型也能夠在不損失很多最優(yōu)性的前提下,保證一定程度的系統(tǒng)性能指標(biāo)的魯棒性.

目前,現(xiàn)有的多目標(biāo)交通信號(hào)控制方法仍存在一定缺陷:一是現(xiàn)有的控制方法主要針對(duì)交叉口機(jī)動(dòng)車流進(jìn)行信號(hào)控制,較少考慮非機(jī)動(dòng)車和行人的影響,無法適應(yīng)實(shí)際交叉口混合交通流的信號(hào)控制需求;二是絕大多數(shù)研究都是假設(shè)交通流的動(dòng)態(tài)運(yùn)行環(huán)境是靜止不變的,這種假設(shè)忽略了交通流變化的波動(dòng)性、動(dòng)態(tài)性和不確定性,導(dǎo)致信號(hào)控制方法難以實(shí)時(shí)適應(yīng)其波動(dòng),也不能很好地分析交通流性能指標(biāo)對(duì)交通參數(shù)和環(huán)境變化的敏感性.這屬于魯棒多目標(biāo)優(yōu)化問題,目前普遍采用單目標(biāo)進(jìn)化算法和帶精英策略的非支配排序的遺傳算法(improved non-dominated sorting genetic algorithm,NSGA-Ⅱ)等傳統(tǒng)的多目標(biāo)進(jìn)化算法進(jìn)行求解,存在收斂精度差、耗時(shí)和無法獲取最優(yōu)解等問題.

針對(duì)以上問題,本工作設(shè)計(jì)了綜合機(jī)動(dòng)車平均延誤、道路通行能力,慢行交通平均延誤,機(jī)動(dòng)車平均停車率等交通性能指標(biāo)的相鄰交叉口魯棒多目標(biāo)信號(hào)優(yōu)化控制模型.為了成功且高效地求解該模型,設(shè)計(jì)了魯棒度非支配排序遺傳算法IDR-NSGA-Ⅱ,通過對(duì)多項(xiàng)關(guān)鍵技術(shù)的改進(jìn),提升現(xiàn)有多目標(biāo)進(jìn)化算法的求解精度和運(yùn)行速度,并提出了多屬性決策方法進(jìn)行配時(shí)方案的選擇.

1 模型

針對(duì)高峰期交通信號(hào)的定時(shí)配時(shí)問題,目前絕大多數(shù)的研究是根據(jù)某段時(shí)間(比如一周)內(nèi)的同一高峰期(比如早高峰,每天8:30—9:30)的平均交通流量來確定.但是,這種僅把某一固定流量作為依據(jù)的配時(shí)方法,使得配時(shí)方案對(duì)流量波動(dòng)非常敏感,魯棒性較差.因此,本工作采集多個(gè)高峰期的交通流量進(jìn)行信號(hào)配時(shí),期望獲得的配時(shí)方案對(duì)于交通流波動(dòng)較大的高峰期信號(hào)交叉口具有較好的魯棒性,提升交通安全性能.

模型假設(shè)條件如下:①相鄰交叉口間無機(jī)動(dòng)車出入,機(jī)動(dòng)車沿主干道正常行駛,無轉(zhuǎn)向或停留;②相鄰兩交叉口之間只有一個(gè)人行橫道;③兩交叉口混合交通結(jié)構(gòu)相當(dāng);④交叉口與人行橫道均為定時(shí)控制;⑤機(jī)動(dòng)車均以飽和流率駛離交叉口或人行橫道;⑥不考慮機(jī)動(dòng)車駛離交叉口時(shí)非機(jī)動(dòng)車產(chǎn)生的干擾;⑦不考慮停車線前機(jī)動(dòng)車排隊(duì)長(zhǎng)度對(duì)路段長(zhǎng)度的影響.

假設(shè)交通流均勻到達(dá)交叉口,分析時(shí)段Tm包含w個(gè)高峰期,不同高峰期的交通流量值存在較大的波動(dòng).選擇Tm內(nèi),相鄰交叉口的機(jī)動(dòng)車平均延誤/道路通行能力,慢行交通平均延誤,機(jī)動(dòng)車平均停車率,交通流延誤魯棒優(yōu)化模型(robust optimization model for traffic delay,ROMTD)為優(yōu)化目標(biāo),設(shè)計(jì)如下魯棒多目標(biāo)優(yōu)化控制模型:

2 算法

傳統(tǒng)的交通信號(hào)配時(shí)多目標(biāo)優(yōu)化問題的研究,以獲取符合決策者偏好的全局最優(yōu)解為主要目的.隨著研究的深入,最優(yōu)解的魯棒性的研究日益引起學(xué)者們的關(guān)注.Ide等[6]采用目標(biāo)函數(shù)的期望或方差衡量解的魯棒性,但該方法難以直觀地進(jìn)行解的魯棒性控制.本工作采用魯棒度作為解的魯棒性衡量指標(biāo),根據(jù)目標(biāo)函數(shù)值對(duì)決策變量擾動(dòng)的響應(yīng)情況確定解的擾動(dòng)鄰域,從而獲得魯棒最優(yōu)解.針對(duì)魯棒度指標(biāo)計(jì)算過程中解鄰域的抽樣樣本大小的確定問題,本工作提出了一種自適應(yīng)抽樣技術(shù),降低了算法時(shí)間復(fù)雜度.

2.1 基于ALHS魯棒度計(jì)算平均有效函數(shù)

2.1.1 平均有效函數(shù)

Deb等[7]提出采用平均有效函數(shù)獲得魯棒最優(yōu)解,實(shí)現(xiàn)最優(yōu)解和魯棒解的折中.基于此,交通信號(hào)配時(shí)多目標(biāo)魯棒優(yōu)化問題描述如下:

顯然,精確的平均有效函數(shù)值依賴于抽樣方法的可靠性.簡(jiǎn)單的隨機(jī)抽樣法較為粗糙,精度較低,因此采用拉丁超立方體抽樣(Latin hypercube sampling,LHS)進(jìn)行個(gè)體的鄰域抽樣,以提高平均效目標(biāo)函數(shù)的計(jì)算精度.周期C的鄰域Nδ可以視為一個(gè)超立方體

2.1.2 魯棒度計(jì)算

Deb等[8]采用魯棒度度量決策變量的魯棒性,該方法以等差數(shù)列的形式固定鄰域kσ的抽樣規(guī)模,在一定程度上保證了求解的準(zhǔn)確度,但是也增加了計(jì)算的工作量.本工作提出一種自適應(yīng)拉丁超立方體抽樣(adaptive LHS,ALHS)方法,在計(jì)算過程中自適應(yīng)調(diào)整樣本大小.該方法的基本思想為:解X的鄰域kσ,其兩次抽樣獲得的目標(biāo)函數(shù)值屬于f(X)鄰域η的百分比間的誤差小于規(guī)定的精度μ,則返回較小的樣本數(shù)Sk及其對(duì)應(yīng)的百分比Pk.

步驟2 采用LHS進(jìn)行抽樣,計(jì)算樣本對(duì)應(yīng)的目標(biāo)函數(shù)值,屬于f(X)鄰域η的百分比令是第m次抽樣獲得的樣本數(shù).

步驟3 采用LHS進(jìn)行抽樣,計(jì)算樣本對(duì)應(yīng)的目標(biāo)函數(shù)值,屬于f(X)鄰域η的百分比是第m次抽樣獲得的目標(biāo)函數(shù)值屬于f(X)鄰域η的百分比.

基于ALHS算法計(jì)算改進(jìn)后的魯棒度,具體方法如下.

步驟1 初始化Q,δ,Hmin,Hmax,令k=1.

步驟2 應(yīng)用算法,獲得解X,當(dāng)前k的樣本數(shù)Sk及其對(duì)應(yīng)的百分比Pk.

步驟3 當(dāng)k=1時(shí),轉(zhuǎn)到步驟4,否則,判斷Pk＜Q是否成立.若成立,令解X的魯棒度k=k?1,返回對(duì)應(yīng)樣本數(shù)Sk,結(jié)束程序;

步驟4 令k=k+1,轉(zhuǎn)到步驟2.

基于ALHS計(jì)算魯棒度的方法,能夠根據(jù)解X的魯棒度k自適應(yīng)確定其擾動(dòng)鄰域及抽樣大小Sk.相對(duì)于固定樣本規(guī)模的抽樣方法,該方法可減少的總樣本規(guī)模為采用多目標(biāo)優(yōu)化算法求解平均有效函數(shù)時(shí),進(jìn)化代數(shù)為G,種群規(guī)模為N,可減少的總樣本規(guī)模為其中Si,j,k為第i代種群中第j個(gè)個(gè)體(解)采用ALHS-DR(ALHS degree of robust)算法在鄰域kσ的樣本規(guī)模,則為相應(yīng)的固定樣本規(guī)模.

2.2 基于魯棒度的NSGA-Ⅱ算法

本工作對(duì)NSGA-Ⅱ[9]進(jìn)行改進(jìn),提出了IDR-NSGA-Ⅱ,該算法將魯棒度融入進(jìn)化過程中,獲得相應(yīng)的魯棒Pareto前沿,主要措施如下:采用魯棒度衡量解的魯棒性,應(yīng)用魯棒度初步確定個(gè)體的擾動(dòng)鄰域范圍和參與平均目標(biāo)函數(shù)計(jì)算的樣本規(guī)模;建立魯棒外部種群,確保魯棒精英解進(jìn)入下一代進(jìn)化流程;將基于魯棒度改進(jìn)的偏序關(guān)系,作為構(gòu)建新種群的參考依據(jù);基于魯棒度設(shè)計(jì)選擇算子,參與評(píng)價(jià)個(gè)體適應(yīng)度值.

(1)魯棒外部種群.通過建立外部種群存放每代進(jìn)化中獲得的魯棒解,引導(dǎo)進(jìn)化流程,搜索到期待的魯棒解.魯棒外部種群選擇個(gè)體時(shí),首先選擇魯棒度較大者.若魯棒度相同,則根據(jù)非支配排序選取優(yōu)者,非支配排序較小的更優(yōu);若個(gè)體魯棒度及非支配排序均相同,則比較擁擠距離,取擁擠距離較大者.依次類推,直至外部種群數(shù)到達(dá)最大.

(2)魯棒偏序關(guān)系.對(duì)文獻(xiàn)[7]中的偏序關(guān)系進(jìn)行改進(jìn),定義如下魯棒偏序關(guān)系:

式中,ir1表示個(gè)體i的非支配序,ir表示個(gè)體i的魯棒度,id表示個(gè)體i擁擠聚集度.從該魯棒偏序關(guān)系可以看出,當(dāng)兩個(gè)個(gè)體非支配序不同時(shí),非支配序小的個(gè)體占優(yōu);當(dāng)兩個(gè)個(gè)體非支配序相同時(shí),魯棒度較大的個(gè)體占優(yōu);當(dāng)兩個(gè)個(gè)體的非支配序和魯棒度均相同時(shí),擁擠聚集較大的個(gè)體占優(yōu).

(3)基于魯棒度的選擇機(jī)制.多目標(biāo)遺傳算法中,選擇算子為搜索最優(yōu)解指定方向.本工作基于魯棒度提出如下選擇方法:在種群選擇任意兩個(gè)個(gè)體時(shí),首先比較個(gè)體的非支配排序,排序較小者更優(yōu);若非支配排序相同,則比較個(gè)體的魯棒度,魯棒度較大者更優(yōu);若個(gè)體的非支配排序和魯棒度均相同,則進(jìn)行擁擠距離比較,取擁擠距離較小的解作為最優(yōu)解.

3 基于極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)的多屬性智能決策分析

采用IDR-NSGA-Ⅱ求解ROMTD,獲得候選信號(hào)配時(shí)方案集.從候選信號(hào)配時(shí)方案集中選擇最優(yōu)配時(shí)方案,屬于多屬性決策問題.考慮到實(shí)際問題中存在的不確定性,偏好信息往往呈現(xiàn)出復(fù)雜的非線性關(guān)系,很難建立線性模型直接描述決策者的偏好函數(shù).因此,提出新的決策方法ELM-MADMA(ELM multi-attribute decision making analysis).首先采用文獻(xiàn)[10]中提出的主客觀信息偏差最小法(minimum deviation analysis for subjective and objective information,MDASOI)獲取或構(gòu)造決策者的偏好結(jié)構(gòu)信息,完成候選方案的排序,然后采用ELM算法[11]進(jìn)行非線性回歸,獲得最優(yōu)配時(shí)方案.

多屬性決策的實(shí)質(zhì)是利用已有的決策信息,通過一定的方式對(duì)一組備選方案進(jìn)行排序,其實(shí)質(zhì)是模式匹配的數(shù)學(xué)映射問題.設(shè)置配時(shí)方案Mi的屬性值向量(xi1,xi2,···,xin)作為輸入,決策者對(duì)方案Mi的效用評(píng)價(jià)ui作為輸出,首先采用文獻(xiàn)[10]中的MDASOI法獲得方案貼近度作為效用評(píng)價(jià)值,然后建立基于ELM的決策模型,得到逼近F的非線性映射即將決策方案作為ELM的輸入向量,效用評(píng)價(jià)值ui作為ELM的目標(biāo)值,構(gòu)造學(xué)習(xí)樣本集建立ELM回歸模型.

ELM-MADMA決策方法分為學(xué)習(xí)階段和執(zhí)行階段.學(xué)習(xí)階段由構(gòu)造學(xué)習(xí)樣本、訓(xùn)練和測(cè)試3個(gè)階段構(gòu)成,其中學(xué)習(xí)樣本一般反映決策者的偏好信息,采用MDASOI方法兼顧決策矩陣的客觀信息.將學(xué)習(xí)樣本分為訓(xùn)練集和測(cè)試集,通過對(duì)訓(xùn)練集的學(xué)習(xí),由ELM方法建立決策模型,并由測(cè)試集檢驗(yàn)該決策模型.學(xué)習(xí)階段完成后,ELM存儲(chǔ)了決策者的決策經(jīng)驗(yàn)、知識(shí)、主觀判斷以及對(duì)不同評(píng)價(jià)指標(biāo)的重要性看法等偏好信息和信息推理機(jī)制.執(zhí)行階段則根據(jù)學(xué)習(xí)階段建立的決策模型完成候選方案的排序或選擇.此時(shí),決策者的偏好信息可通過ELM來體現(xiàn),從而不需要進(jìn)行評(píng)價(jià)指標(biāo)權(quán)重確定、確定排序方法等,就可以對(duì)決策問題做出快速合理的判斷,得到最優(yōu)方案.

4 實(shí)例分析

4.1 基礎(chǔ)數(shù)據(jù)

選取上海市天目西路與恒豐路交叉口(交叉口1)、天目西路與民立路交叉口(交叉口2)作為研究對(duì)象,進(jìn)行數(shù)值分析.該路段高峰期交通負(fù)荷較大,且由于臨近上?；疖囌?交通流波動(dòng)較大,對(duì)信號(hào)配時(shí)方案的魯棒性需求較高.相領(lǐng)交叉口的幾何構(gòu)型如圖1所示.

實(shí)測(cè)獲得兩個(gè)交叉口一周內(nèi)早高峰期(早上8:30—9:30)的交通流數(shù)據(jù),為使信號(hào)配時(shí)方案適應(yīng)盡量大的交通流波動(dòng),選取交通流量差最大的2個(gè)高峰期數(shù)據(jù)進(jìn)行研究,具體數(shù)據(jù)如表1所示.基于表1,采用四相位機(jī)制對(duì)交叉口1和交叉口2進(jìn)行信號(hào)協(xié)調(diào)控制,建立ROMTD模型,設(shè)定周期時(shí)長(zhǎng)約束為62≤C≤160,各相位最小綠燈時(shí)間5 s,損失時(shí)間為10 s.應(yīng)用IDR-NSGA-Ⅱ求解上述模型,獲得候選信號(hào)配時(shí)方案集,其中算法參數(shù)設(shè)置如下:種群規(guī)模200,魯棒外部種群規(guī)模33,最大進(jìn)化代數(shù)300,交叉概率0.95,變異概率0.05,周期擾動(dòng)鄰域5≤kδ≤30,δ=5,魯棒度k∈{1,2,3,4,5,6},指定百分比參數(shù)Q=0.75,目標(biāo)函數(shù)鄰域η={0.5,0.5,0.5}.

4.2 魯棒優(yōu)化

采用IDR-NSGA-Ⅱ獲得相應(yīng)的魯棒Pareto前沿,結(jié)果如圖2所示.由圖2可知:機(jī)動(dòng)車平均延誤/道路通行能力,慢行交通平均延誤以及機(jī)動(dòng)車平均停車率,三者之間彼此沖突;隨著ROMTD值的增大,機(jī)動(dòng)車平均停車率隨之降低,二者存在明顯的沖突關(guān)系.

4.3 智能決策

智能決策方法ELM-MADMA的參數(shù)設(shè)置如下:定義道路通行能力和解的魯棒度為效益型指標(biāo),機(jī)動(dòng)車平均停車率及慢行交通平均延誤定義為成本型指標(biāo),機(jī)動(dòng)車平均延誤為區(qū)間型指標(biāo),機(jī)動(dòng)車平均延誤的最佳區(qū)間是[25.0,28.0].建立200組配時(shí)方案作為學(xué)習(xí)樣本,隨機(jī)選取180組數(shù)據(jù)作為訓(xùn)練集,剩余20組作為測(cè)試集.ELM核函數(shù)為sigmoid函數(shù),隱含層個(gè)數(shù)為75.

圖1 相鄰交叉口的幾何構(gòu)型Fig.1 Geometry structure of the adjacent junction

表1 相鄰交叉口的高峰期交通流量Table 1 Traffic f l ow of the adjacent junction

圖2 Pareto前沿結(jié)果Fig.2 Result of the Pareto front

表2中給出了基于BP神經(jīng)網(wǎng)絡(luò)(back propagate neruon network,BPNN)、支持向量機(jī)(support vector machine,SVM)和超限學(xué)習(xí)機(jī)(extreme learning machine,ELM)的智能決策法對(duì)相同配時(shí)方案集M 進(jìn)行排序的回歸分析結(jié)果.由表2可知:ELM-MADMA的測(cè)試集均方誤差(mean-square error,MSE),遠(yuǎn)低于BPNN-MADMA和SVM-MADMA,表明ELM-MADMA的輸出效用評(píng)價(jià)者值和期望評(píng)價(jià)值間差異最小,ELM-MADMA更好地學(xué)習(xí)了評(píng)價(jià)效用決策信息;ELM-MADMA所得非線性回歸模型的方程確定性系數(shù)R2最大且更接近1,進(jìn)一步表明本工作采用交通性能評(píng)價(jià)指標(biāo)基本上完全解釋了決策者期望的效用評(píng)價(jià),采用ELM-MADMA進(jìn)行信號(hào)配時(shí)決策分析具有一定的應(yīng)用前景;ELM-MADMA的運(yùn)行時(shí)間也遠(yuǎn)低于BPNN-MADMA和SVM-MADMA,表明ELM-MADMA算法可有效地提升決策效率.綜上可知,ELM-MADMA的決策效果最好.

表2 不同智能決策方法的對(duì)比結(jié)果Table 2 Result of different intelligent decision making methods

4.4 性能指標(biāo)

基于圖1和表1,利用VISSIM軟件搭建交通路網(wǎng),并完成各個(gè)進(jìn)道口的交通流量輸入,然后將ELM-MADMA法獲得的配時(shí)方案輸入VISSIM仿真系統(tǒng).表3給出了不同信號(hào)配時(shí)法下相鄰交叉口系統(tǒng)的性能指標(biāo).由表3可知,與高峰期2相比,高峰期1的交叉口交通流飽和度更高.與文獻(xiàn)[12]中的單點(diǎn)控制方法相比,本工作中的方法能夠有效地降低高峰期1的平均行駛時(shí)間.在交叉口1到交叉口2的路段上,利用本工作提出的方法得到平均行駛時(shí)間是117.931 7 s,比文獻(xiàn)[12]中的方法減少了56.85%,機(jī)動(dòng)車平均延誤降低了17.12%,慢行交通平均延誤和機(jī)動(dòng)車平均停車率分別降低了0.75%和1.8%.

表3 信號(hào)配時(shí)方法不同時(shí)的性能指標(biāo)Table 3 Result of different intelligent decision making methods

5 結(jié)束語

針對(duì)我國(guó)城市道路相鄰交叉口在混合交通流環(huán)境下信號(hào)控制中的不確定性和效率問題,提出一種基于魯棒多目標(biāo)進(jìn)化算法IDR-NSGA-Ⅱ的智能優(yōu)化控制方法,進(jìn)行了周期時(shí)長(zhǎng)擾動(dòng)和交通流波動(dòng)下機(jī)動(dòng)車平均延誤,道路通行能力,慢行交通平均延誤,機(jī)動(dòng)車平均停車率多項(xiàng)性能指標(biāo)的最優(yōu)化控制.為了高效求解基于魯棒模型的多目標(biāo)優(yōu)化控制問題,提出了新的魯棒多目標(biāo)優(yōu)化算法,包括自適應(yīng)抽樣技術(shù)、魯棒度定義、魯棒偏序關(guān)系定義等多項(xiàng)關(guān)鍵技術(shù),同時(shí)提出新的多屬性決策方法ELM-MADMA選擇配時(shí)方案.克服了國(guó)內(nèi)外現(xiàn)有算法求解精度低、計(jì)算耗時(shí)大、不適用于實(shí)際工程優(yōu)化的缺陷.仿真實(shí)驗(yàn)的結(jié)果表明,本工作提出的算法能夠有效地提升相鄰交叉口混合交通流高峰小時(shí)流量水平下的智能控制效率,具有較短的運(yùn)行時(shí)間,為智能交通系統(tǒng)的開發(fā)和研究提供了必要的理論支持.