信号控制的一些算法.docxVIP

此外，还出现了一类基于遗传算法[25-29]、神经网络[30-34]、蚁群算法[35-40]、模拟退火[41-44]、粒子群优化算法[45-46]等人工智能技术的交通信号控制方式，但由于其算法具有较高的复杂性和耗时性，目前尚难以满足交通信号控制系统实时性的要求，限制了这类信号控制方式的实际应用。 *****************************************************（局部拥挤条件下城市道路交通信号控制方法研究） ***************************************************** [25]陈小锋，史忠科.基于遗传算法的交通信号动态优化方法[J].系统仿真学报，2004，16（6）:1155-1157,1161. [26]承向军，贺振欢，杨肇夏.基于遗传算法的交通信号机器学习控制方法 [J].系统工程理论与实践，2004，24（8）：130-135. [27]李艳，樊晓平.基于遗传算法的城市单交叉路口信号动态控制[J].交通运输系统工程与信息，2002，2（1）：49-53. [28]欧海涛，杨煜普.基于再励学习和遗传算法的交通???号自组织控制[J].电机与控制学报，2000，4（2）：80-83. [29]陈群，晏克非.基于遗传算法的城市交叉口实时信号控制研究[J].交通与计算机，2005，23（1）：15-18. [30]徐冬玲，方建安.交通系统的模糊控制及其神经网络实现[J].信息与控制，1992，21（2）：74-79. [31]马寿峰，李英.一种基于 Agent 的单路口交通信号学习控制方法[J].系统工程学报，2002，17（6）：526-530.. [32]李灵犀，高海军，王飞跃.两相邻路口交通信号的协调控制[J].自动化学报，2003，29（6）：947-952. [33]许伦辉，衷路生，徐建闽.基于神经网络实现的交叉口多相位模糊逻辑控制[J].系统工程理论与实践，2004，24（7）：135-140. [34]沈国江，孙优贤.城市交通干线递阶模糊控制及其神经网络实现[J].系统工程理论与实践，2004，24（4）：99-105. [35]闻育，吴铁军.基于蚁群算法的城域交通控制实时滚动优化[J].控制与决策，2004，19（9）：1057-1059,1063. [36]闻育.复杂多阶段动态决策的蚁群优化方法及其在交通系统控制中的应用[D].浙江大学博士学位论文，2004. [37]杨海，王洪国，侯鲁男等.混沌蚁群算法及其在智能交通中的应用[J].成都大学学报（自然科学版），2007，（4）：23-26. [38]徐勋倩，黄卫.单路口交通信号多相位实时控制模型及其算法[J].控制理论与应用，2005，（3）：32-35. [39]陈宏，胡宁静.基于改进蚂蚁算法的城市交通最佳路径选择[J].长沙电力学院学报（自然科学版），2006，21（1）：62-65. [40]焦敏朵，马良，范炳全.交叉口信号配时的人工蚂蚁优化[J].上海理工大学学报，2003，25（2）：143-145. [41]顾怀中.交叉口交通信号配时模拟退火全局优化算法[J].东南大学学报（自然科学版），1998，28（3）：68-72. [42]王秋平，谭学龙，张生瑞.城市单点交叉口信号配时优化[J].交通运输工程学报，2006，6（2）：60-64. [43]杨超，杨佩昆.均衡网络下交通控制策略的研究[J].中国公路学报， 1999，12（3）：90-94. [44]高鹰，谢胜利.基于模拟退火的粒子群优化算法[J].计算机工程与应用，2004，40（1）：47-50. [45]董超俊，刘智勇，邱祖廉.灾变粒子群优化算法及其在交通控制中的应用[J].计算机工程与应用，2005，41（29）：19-23. [46]瞿高峰，陈淑燕.粒子群优化算法在交通信号配时中的应用[J].广西师范大学学报（自然科学版），2006，24（4）：255-258. 在信号控制优化问题的求解方法方面，神经网络、遗传算法、模糊控制、增强学习法、多智能体等智能算法引入到交通控制领域，改进了交通系统建模的复杂度和求解难度，大大提高了交通控制技术的智能化水平[50-52]。([47]Yue Liu, Gang-Len Chang. An arterial signal optimization model for intersections experiencing queue spillback and lane blockage [J]. Transportation Research Part C, 2010, 18: 130–144. [48]Aboudolas K, et al. A r