摘 要 研究一种应用于交通控制的新的群智能混合算法―遗传蚁群算法，将其应用于高速公路多匝道协调控制中，用来控制进入高速公路的车辆数量，优化高速公路中各个匝道PI控制器的参数。文中给出遗传蚁群算法优化的方法步骤以优化入口匝道PI控制器的参数，利用MATLAB仿真。
关键词 高速公路；协调控制；交通流模型；蚁群算法；遗传算法；优化
0 引言
高速公路入口匝道控制作为高速公路智能交通控制中一个重要组成部分，其包括单匝道定时控制、单匝道感应控制和多匝道协调控制，而多匝道协调控制是现阶段高速公路智能交通的研究重点和难点，在实际运用中具有极高的应用价值。
因此必须寻找一种先进的自动寻优算法，遗传-蚁群算法GACO就是众多群智能算法及其混合算法中比较杰出的一个，附带交叉变异因子的群体优化机制使得它更容易找到最优解。本文采用系统逐级分层控制的理念，将高速公路控制系统按高低层次分为两层，即协调控制层和直接控制层，试图消除高速公路交通拥挤和维持主线车流稳定。
1 高速公路交通流有限差分模型
在给定高速公路递阶控制结构基础上，先是建立一套宏观交通流有限差分模型[2]，也就是将高速公路控制系统分为协调层、直接控制层，用这样的两层递阶结构和群智能算法来解决高速公路多匝道协调控制问题。
假设交通流满足LWR宏观交通流模型，采用有限差分方法能够将分布参数系统转换为集中参数系统，采用该方法得到LWR宏观交通流模型车流连续性方程数值近似式：
式中为出口匝道分流系数。
然而，不可忽略的是，公式（1）中有限差分模型可近似LWR模型的前提是其必须要同时满足稳定性和收敛性。由文献[3]中记载可知，当，，和满足CFL条件时， 公式（1）既稳定又收敛，CFL条件给和的选择提出了约束。例如选取km/h，最大的，，则最大的时间步长为30s。
2 基于遗传蚁群混合算法优化的协调匝道控制系统
本文的协调控制层根据实时检测交通状况选择交通流模型和调整模型参数并根据高速公路实时路况信息确定各路段的期望交通流密度；而直接控制层通过PI控制器控制调整匝道调节率，使实际交通流密度跟踪期望密度，第i路段直接控制层确定第i路段第k+1时刻的密度误差和误差变化率是根据协调层提供的第i路段第k时刻的实际密度，设定的第i路段期望密度，以及协调层在第i路段第k+1时刻的交通流模型输出值等多种参数决定的，第i路段直接控制层确定各入口匝道下一时刻调节率，
该由通过算法优化了其各参数的PI控制器取得，使得第i路段的实际密度的轨迹能够严格跟踪期望密度的轨迹。当然，协调层选用的交通流模型输出值是在综合第i路段当前时刻k及其上下游路段的交通信息后作出的。整个道路系统中各入口匝道的调节率不是简单孤立的，而是相互影响关联的。假如道路中路段i的入口匝道调节率发生波动，则相应的路段i的密度、流量都会随之发生变化，从而对数值流量和造成影响，进而又会对路段i-l和路段i+1的流量、密度造成影响，以此类推，会对整个道路其它路段的流量和密度带来波动。
蚁群遗传算法流程为：
（1）（为迭代代数），初始化；给出Q、、和 的值。
（2）将m只蚂蚁至于第一级上，各只蚂蚁的初始搜索点置于当前解空间中。
（4）计算目标函数J，目标函数可选为偏差平方和，即
对应的控制目标是使主线交通密度跟踪期望的密度。
（5）对于函数值J小于给定值的路径按更新方程修改信息素浓度，。
（6）对生成的路径按一定概率实施交叉变异，比较后保留目标函数好的路径。
（7）满足终止条件（达到最大循环数），否则转入步骤 2。
（8）输出目前最好解并结束。
3 仿真研究
解除。
4 结论
遗传算法和蚁群算法虽然在很多领域被广泛研究和应用，但是在高速公路入口匝道PI控制器的参数整定方面研究不多，遗传算法在实际应用中容易发生早熟现象，进化后期搜索效率低下；而蚁群算法具有规避局部最优的能力，能抑制早熟，但是蚁群算法在初期由于搜索信息素相对缺乏，使其搜索效率不高，而遗传算法的交叉变异功能，能提高搜索的快速性、随机性以及全局收敛性。仿真结果也有力的佐证了本文提出的遗传蚁群算法在优化PI控制器参数方面的效率明显要高于单纯的遗传算法或者蚁群算法。因此，将遗传蚁群算法作为一种理想的优化算法来协调高速公路匝道控制，具有现实意义。
参考文献
[2]梁新荣.高速公路智能控制方法研究[D].2005：51-81.
[4]高尚，杨静宇.群智能算法及其应用[M].中国水利水电出版社，2006.
