遗传神经网络在智能交通控制中的应用研究

遗传神经网络在智能交通中的应用研究彭岳军摘要：智能控制技术在智能交通系统中的应用研究已经非常丰富，然而对于智能控制技术在交通控制评价方面的研究还很少，交通控制效果评价作为交通控制的重要组成部分，如何应用具有的鲁棒性灵活性及适应性的智能控制技术对智能交通控制系统的控制效果做出快速、准确的评价，成为目前研究的新方向。本文针对遗传算法和神经网络各自应用时的优缺点，将二者进行取长补短的融合，并对二者组合方式进行探讨。在此基础上，建立基于遗传神经网络的单点交通控制评价方法。并用遗传神经网络对单交叉路口交通控制进行研究。关键词：遗传算法BP神经网络智能交通单点交通控制1引言城市交通问题层出不穷，公众对交通服务水平的要求也越来越高。智能交通系统ITS作为解决交通问题的重要途径之一，越来越受到人们的关注，而交通控制作为ITS中重要领域，对其的研究也成为交通工程师的研究重点之一。智能控制技术（包括模糊推理、神经网络、遗传算法等）在控制灵活性、鲁棒性及适应性等诸多方面都优于传统的控制技术，而且它能根据具体的运行环境灵活并且实时地调整其控制策略，从而在各种条件下均能达到良好的控制效果。这是交通控制所依据的控制目标，如：安全性、舒适性，行程时间最少、运行的正点性等这些不能用精确数据或语言来表达的目标所需要的。所以，交通研究者着重研究将先进的智能控制技术应用于交通控制中去。而智能控制技术在交通控制中的应用可以总结为两个方面，一个是对控制目标的优化，即利用先进的智能算法实现交通控制参数（周期时长、绿信比，相位差等）的优化；另一方面就是从控制效果评价方面进行应用，例如应用模糊综合评判的方法对区域控制效果进行评价，从而在宏观层面上对交通控制进行引导[1]。本文研究旨在新时代条件下，利用新涌现的智能控制技术来解决城市交通问题以弥补传统控制方法不适应交通流规律的不足，以达到交通控制系统的优化以及控制效果评价的快速、准确，使其更能适应复杂多变的交通环境。本论文的研究意义在于，一是将遗传神经网络技术应用于交通控制中，由于遗传算法与神经网络技术的多重优点，充分吸收两者的长处，弥补各自的不足，既具有良好的学习特性，也具备快速优化特性。更能适合交通的实时、复杂变化的要求。二是智能交通控制系统在对单个交叉口或者单个子区进行交通控制时，通过对区域层交通控制效果的评价，可以实时的将交通控制状况反馈到子区或单个交叉口，从而在宏观方面对交通控制进行引导，达到整个控制系统的最优。2相关理论遗传算法与BP神经网络是智能控制技术中两种比较常见的方法，由于它们具有良好的非线性，鲁棒性被很多智能控制系统使用。但是在使用过程中也发现了这两种方法在一定条件下的局限性，本文对已有的遗传神经网络方法进行分析，从而得到本文所要应用的方法。2.1遗传算法遗传算法(GeneticAlgorithms，简记为GA)是一种新发展起来的优化算法，它是由达尔文的生物进化论为启发而得来的，近年来，由于其算法的一些优良特性，所以在函数寻优方面得到了广泛的应用，收到一定的效果。2.1.1遗传算法原理遗传算法（GeneticAlgorithms，简记为GA）是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。其原理是[2]：在遗传算法中，将n维决策向量12[,,...]TnXxxx用n个记号iX(i=1,2,…,n)所组成的符号串X来表示X=12...nXXX=12[,,...]TnXxxx(2.1)把每一个Xi看作一个遗传基因，它的所有可能取值称为等位基因，这样，X就可看作是由n个遗传基因所组成的一个染色体。一般情况下，染色体的长度n是固定的，但对一些问题n也可以是变化的。根据不同的情况，等位基因可以是一组整数。也可以是某一范围内的实数值，或者是纯粹的一个记号。最简单的等位基因是由0和1这两个整数组成的，相应的染色体就可表示为一个二进制符号串。这种编码所形成的排列形式X是个体的基因型，与它对应的X值是个体的表现型。通常个体的表现型和其基因型是一一对应的，但有时也允许基因型和表现型是多对—的关系。染色体X也称为个体X，对于每一个个体X，要按照一定的规则确定出其适应度，个体的适应度与其对应的个体表现则X的目标函数值相关联，X越接近于目标函数的最优点，其适应度越大；反之，其适应度越小。遗传算法中，决策变量X组成了问题的解空间。对问题最优解的搜索是通过对染色体X的搜索过程来进行的。从而由所有的染色体X就组成了问题的搜索空间。生物的进化是以集团为主体的，与此相对应，遗传算法的运用对象是由M个个体所组成的集合，称为群体。与生物一代一代的自然进化过程相类似，遗传算法的运算过程也是一个反复迭代过程，第t代群体记做P(t)，经过一代遗传和进化后，得到第t+1代群体，它们也是由多个个体组成的集合，记做P(t+1)。这个群体不断地经过遗传和进化操作，并且每次都按照优胜劣汰的规则将适应度较高的个体更多地遗传到下一代，这样最终在群体中将会得到一个优良的个体X，它所对应的表现型X将达到或接近于问题的最优解X*。生物的进化过程主要是通过染色体之间的交叉和染色体的变异来完成的。与此相对应，遗传算法中最优解的搜索过程也模仿生物的这个过程，使用所谓的遗传算子（geneticoperators）作用于群体P(t)，进行下述遗传操作，从而得到新一代群体P(t+1)。选择(selection)：根据各个个体的适应度，按照—定的规则或方法，从第t代群体P(t)中选择出一些优良的个体遗传到下一代群体P(t+1)。交叉(crossover)：将群体P(t)内的各个个体随机搭配成对，对每一对个体，以某个概率(称为交叉概率，crossoverrate)交换它们之间的部分染色体。变异(mutation)：对群体P(t)中的每一个个体，以某一概率(称为变异概率，mutationrate)改变某一个或某一些基因值为其他等位基因。2.1.2遗传算法运算过程遗传算法的运算过程如图2.1所示[2]。图2.1遗传算法流程图其主要运算过程如下：步骤一：参数初始化。确定种群数目，遗传代数等，确定染色体编码方式，并对染色体进行编码。步骤二：确定适应度函数，并进行计算，即为图2.1中个体评价的过程。步骤三：选择运算。选择运算实质就是一个染色体复制的过程，确定复制的规则有很多种，例如随机法、轮盘赌法等。步骤四：交叉运算。交叉运算的步骤一般有两步，首先将选择后的染色体随机进行匹配，然后再进行交叉运算。我们在进行交叉运算的时候会按照一定的交叉率进行交叉。步骤五：变异运算。按照一定的变异率进行种群变异。步骤六：终止条件判断。判断是否达到最大遗传代数，如果没有达到则转到步骤二，若已经达到则适应度最大的函数即为最优结果。2.1.3遗传算法特点为解决运筹学问题中的优化问题，人们提出了很多优化计算方法，其中包括：单纯形法、梯度法、动态规划法等。这些算法各有优缺点，也各有各自的适用范围。遗传算法与其他算法相比具有自身的一些特点。(1)遗传算法以决策变量的编码作为运算对象[3]此种方法更突显出其优越性，对于一些无数值概念或难以用数值来表示的概念来说，用编码的优化方式更容易解决问题。这比传统的优化方法中直接利用决策变量实际值本身来优化更容易进行优化计算。(2)遗传算法直接以目标函数值作为搜索信息这种方法比传统方法中有时取导数作为辅助信息的要更加简单、方便，同时遗传算法将搜索的范围缩小在一个适应度函数较高的范围空间内，从而提高了搜索的效率。(3)遗传算法同时适用多个搜索点的搜索信息遗传算法从由多个个体所组成的一群个体开始搜索，这比传统算法中从一个起始点开始的优化搜索又进一步提高了搜索的速率。(4)遗传算法使用概率搜索技术遗传算法采用选择、交叉、变异的运算方法进行一种概率式搜索，这样就增加了搜索的灵活性。2.2BP神经网络本节主要介绍神经网络（尤其是BP神经网络）的原理及应用过程，并从中发掘其优缺点。神经网络控制方法是一种基于不依赖于模型的控制方法，它比较适合于那些不具有确定性或高度非线性的控制对象，具有很强的学习和适应能力，因而神经网络是智能控制技术的一个重要分支。2.2.1BP神经网络原理在神经网络中，我们将网络学习采用误差反向传播算法的神经网络称之为BP神经网络，其实质上就是一个多层感知机网络。如图2.1所示的BP神经网络结构中，第一层是输入层，最后一层是输出层，中间各层是隐层。设最后一层为M层，那么第m层（m=1,2,···,M）的神经元个数为mn，输入到第m层的第i个神经元的连接权系数为()mij(i=1,2,···mn,；j=1,2,···,mn)。该网络的输入输出变换关系为：1()()()()0mnmmmmiijjijsx()()()1()1mimmiisxfse1,2,...,min11,2,...,mjn1,2,...,mM图2.2BP神经网络结构图2.2.2BP神经网络的特点BP神经网络的主要优点：(1)由于BP神经网络具有良好的非线性描述能力以及良好的适应性与学习能力，所以通过训练BP神经网络可以逼近任何非线性关系。(2)BP神经网络能够具有大量信息的并行处理和合成能力。(3)BP神经网络进行并行分布式处理时具有的容错能力，可以用于非结构化过程。BP神经网络的主要缺点[4]：(1)收敛速度慢(2)局部极值(3)难以确定隐层和隐结点的个数BP神经网络由于具有良好的逼近非线性映射的能力，因而它可以应用于信息处理、图像识别、系统控制等领域。对于控制方面的应用，其很好的逼近性对于智能控制非常重要。而收敛速度慢成为限制BP神经网络应用的重要缺点，这一点很难满足具有适应功能的实时控制的要求。3遗传神经网络结合方式前面提到的遗传算法与神经网络算法在实际中被应用的例子已经很多，人们在应用的过程中也逐步发现两种算法各自的一些优缺点，在前面已经做出了总结。所以人们就考虑是否可以利用两种算法进行“取长补短”，以达到人们对算法快速性，鲁棒性，精确性等的需要。遗传神经网络的提出就是人们对算法进行“取长补短”努力所得出的一种改进算法。目前，遗传算法在神经网络中应用方式主要可以从两个方面进行分类，一种是从遗传算法优化神经网络结构方面进行分类，另外一种就是从遗传算法与神经网络应用的先后顺序上进行分类。从遗传算法优化神经网络结构方面分类：(1)神经网络的结构已经确定，只优化网络连接的权值和阈值；(2)只优化神经网络拓扑结构，权值与阈值的优化由传统算法完成；(3)同时优化网络拓扑结构、连接权值和阈值。从遗传算法与神经网络应用先后顺序方面分类[5]：先BP神经网络再遗传算法：先用BP训练一个预先选定结构的人工神经网络，直到平均误差不再有意义的减少时为止，然后在此基础上用遗传算法进行若干代的优化。重复进行这样的搜索，直到误差范围达到满意的要求或者发现搜索不收敛为止。这种组合方法的基本思想是先用BP神经网络确定使误差函数取极小值的参数组合在参数空间的位置，再利用遗传算法去掉可能的局部极小。先遗传算法后BP神经网络：先用遗传算法反复优化描述神经网络模型的参数组合，直到适应度函数的平均误差不再有意义的增加为止。在此基础上再用BP神经网络算法对它们进行优化。这种组合方法的基本思想是先用遗传算法粗选神经网络模型，再用BP算法精细优化。这种组合方法的优点是通用性好，既可像前一组合方法那样用来优选指定结构下的部分参数，也可用来优选其他的参数（如神经网络的结构、学习率）甚至还可以用来优选它们的组合。3.1遗传神经网络的基本思想上面我们按照已有的遗传神经网络的分类初步介绍了几种算法的基本思想，受到交通系统特性的要求，本文所要利用的遗传神经网络算法需要算法具有良好的非线性、时效性、鲁棒性等特点。下面就具体介绍一下本文所需要使用的遗传神经网络算法的基本思想。由于BP神经网络结构中各层的权值和阈值都是通过不停的训练确定的。也就是说，对于神经网络训练的目的就是确定隐层的权值与阈值。这一系列的训练过程会对网络的学习速度和效率产生影响。交通控制中人们对实效性的要求非常高，所以我们在