本發(fā)明涉及入口匝道交通流pi控制器技術(shù)領(lǐng)域，尤其是基于方勢阱模型的量子行為粒子群優(yōu)化方法。

背景技術(shù)：

交通瓶頸是交通擁堵的主要誘因之一。為了減小交通瓶頸的負(fù)面影響，在已有交通設(shè)施的基礎(chǔ)上提高道路系統(tǒng)的通行效率，緩解城市交通擁堵，對交通瓶頸處流量控制的研究是非常必要的。目前，交通流量的動態(tài)預(yù)測與控制模型在智能交通誘導(dǎo)的研究和應(yīng)用方面扮演著重要的角色，也成為智能交通理論研究的熱點問題之一。如何在現(xiàn)有交通設(shè)施基礎(chǔ)上對交通流量做出科學(xué)合理的預(yù)測和控制，對于改善道路交通狀況具有重要意義。

反饋控制中的pi控制器因其結(jié)構(gòu)簡單、穩(wěn)定性好、工作可靠、調(diào)整方便而成為工程控制的主要方法之一。pi控制器的性能取決于參數(shù)kp和ki取值是否合理，目前，pi控制器參數(shù)主要靠人工調(diào)整，這種方法不僅費時，而且無法保證獲得最佳的性能。隨著計算機技術(shù)的發(fā)展，計算智能為解決入口匝道交通流的控制問題提供了更有效的方法，可以根據(jù)不同的交通條件對入口匝道交通流pi控制器的控制策略選擇最優(yōu)的控制參數(shù)。其中，蟻群算法、粒子群算法、神經(jīng)網(wǎng)絡(luò)算法、元胞自動機算法、遺傳算法等都已被用于入口匝道交通流pi控制器的參數(shù)優(yōu)化。雖然計算智能方法在入口匝道交通流pi控制器模型上取得了一定的成果，但仍然存在以下問題：第一，由于粒子群算法、蟻群算法、遺傳算法存在早期收斂的問題，致使求解精度不高；第二，由于路段交通流量具有實時變化性和非線性，現(xiàn)有模型對實時信息的反應(yīng)不夠迅速，對交通流量的控制實用性較弱。

因此，對于上述問題有必要提出一種軌道交通用環(huán)保信號線纜。

技術(shù)實現(xiàn)要素：

針對目前已有量子行為粒子群優(yōu)化算法(簡稱qpso)中勢阱模型選擇單一、對已有信息獨立隨機進行加工、算法容易陷入局部最優(yōu)、尋優(yōu)能力不強等問題，本發(fā)明公開的基于方勢阱模型的二元相關(guān)性qpso算法，為避免算法早熟收斂，提高算法的尋優(yōu)性能，增強路段使用率，提高交通流pi控制系統(tǒng)的時效性提供一種重要思路。

為實現(xiàn)上述的目的，本發(fā)明基于方勢阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法(簡稱bc-qspso)所采用的技術(shù)方案是：

基于方勢阱模型的量子行為粒子群優(yōu)化方法，其特征在于：建立了原qpso算法中r1與r2的相關(guān)性描述，具體描述方法為二元正態(tài)copula函數(shù)聯(lián)合三種特殊的copula，根據(jù)copula函數(shù)的定義和sklar定理，可以得到二元因子r1，r2的相關(guān)性描述公式：

h(r1,r2)＝cρ(r1,r2)＝φρ(φ^-1(r1),φ^-1(r2))

其中，h為二元相關(guān)因子r1,r2的聯(lián)合分布函數(shù)，c為二元正態(tài)copula函數(shù)，ρ為指定相關(guān)系數(shù)，線性相關(guān)系數(shù)ρ是度量變量間相關(guān)性強弱的指標(biāo)，可以反映出二元相關(guān)因子r1,r2的線性相關(guān)特性，在qpso模型中，r1,r2間的相關(guān)程度體現(xiàn)了粒子在選擇勢阱中心時對自身信念pbest和共享信念gbest持有度之間的關(guān)系，為平衡利用算法的已有信息提供了有效的途徑，

基于方勢阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法中r1,r2的相關(guān)特性可以采用二元正態(tài)copula函數(shù)與以上這三種copula聯(lián)合在一起共同描述：

原有qpso算法采用的是delta勢阱，采用方勢阱模型，下面都是粒子在方勢阱模型中隨機位置構(gòu)建過程的描述，方勢阱的狀態(tài)函數(shù)可以通過解析的方式獲得，利用蒙特卡洛方法將粒子在方勢阱中運動的波函數(shù)坍縮到經(jīng)典狀態(tài)，通過求解和變換可以得到粒子在方勢阱中位置的隨機方程為

沿用平均最好位置c，令z＝c-x，為了保證并加快qpso算法的收斂速度，本發(fā)明采用概率控制勢阱特征長度的方式并考慮到時間的變化，bc-qspso算法中粒子在一維有限深對稱方勢阱中的進化公式為

對于粒子i，將公式中的吸引子p點寫成pi＝(pi,1,pi,2,pi,n)的形式，在每一維上都以pi,j為中心建立一個一維有限深對稱方勢阱，對于給定的pi,j，粒子i第j維的坐標(biāo)基本進化方程為：

于是，bc-qspso模型中粒子在d維空間完整的進化公式如下：

優(yōu)選地，使用bc-qspso對函數(shù)進行優(yōu)化的具體流程如下：

(1)設(shè)置參數(shù)。包括個體認(rèn)知加速系數(shù)c1，群體認(rèn)知加速系數(shù)c2，收縮-擴張因子α、種群規(guī)模n、最大允許迭代次數(shù)或者是適應(yīng)度的誤差精度；

(2)種群初始化。在求解空間中初始化粒子群中的每一個粒子的初始位置，即隨機產(chǎn)生粒子當(dāng)前xi(0)，并初始化個體最好位置pi(0)＝xi(0)，

(3)根據(jù)公式

計算粒子群的平均最好位置。對于粒子群中的每一個粒子i(1≤i≤n)，執(zhí)行步驟4～8。

(4)計算粒子i的當(dāng)前位置xi(t)所對應(yīng)的適應(yīng)值，更新粒子的個體最好位置，即將xi(t)的適應(yīng)值與前一次迭代pi(t-1)的適應(yīng)值進行比較，如果xi(t)的適應(yīng)值優(yōu)于pi(t-1)的適應(yīng)值，即f[xi(t)]＜f[pi(t-1)]，則執(zhí)行pi(t)＝xi(t)操作；否則，執(zhí)行pi(t)＝pi(t-1)操作。

(5)對于粒子i，將pi(t)的適應(yīng)值與全局最好位置pg(t-1)的適應(yīng)值進行比較，如果優(yōu)于pg(t-1)的適應(yīng)值，即f[pi(t)]＜f[pg(t-1)]，則執(zhí)行pg(t)＝pi(t)的操作；否則執(zhí)行pg(t)＝pg(t-1)。

(6)對計算粒子i的每一維分量，根據(jù)公式

計算得到勢阱中心點；

(7)根據(jù)公式

計算粒子的新位置，

(8)判斷算法終止條件,直到滿足停止準(zhǔn)則或達(dá)到給定的最大迭代數(shù)；如果不滿足，則t＝t+1，重復(fù)step2～step8；否則算法結(jié)束。

優(yōu)選地，其中bc-qspso優(yōu)化的入口匝道pi控制器系統(tǒng)中的變量包括誤差值：ei(k)＝σdi(k)-σi(k)；誤差變化量：δei(k)＝ei(k)-ei(k-1)；pi控制器輸出：δri(k)＝kpδei(k)+kiei(k)；入口匝道調(diào)解率：ri(k)＝ri(k-1)+δri(k)，其主要目標(biāo)是通過控制入口匝道的調(diào)節(jié)率ri(k)，使得主路交通密度維持在臨界密度σc的負(fù)鄰域，即σdi(k)＝σc-ε，其中ε為一適當(dāng)?shù)男≌龜?shù)，從而避免交通擁堵的發(fā)生，可以使用實際交通流密度σi(k)與期望交通流密度σdi(k)差的平方和來作為系統(tǒng)的目標(biāo)函數(shù)：

在使用bc-qspso算法來優(yōu)化pi控制器的kp、ki參數(shù)值過程中，群體中每一個粒子對應(yīng)一組kp、ki參數(shù)值，該組參數(shù)值產(chǎn)生的實際交通流密度σi(k)與期望交通流密度σdi(k)偏差的平方和越大，則對應(yīng)的入口匝道的調(diào)節(jié)率ri(k)值應(yīng)越小，dwc-qpso算法對應(yīng)的適應(yīng)值也應(yīng)越小，選擇實際交通流密度σi(k)與期望交通流密度σdi(k)偏差平方和j的倒數(shù)來作為bc-qspso算法的適應(yīng)度函數(shù)：

由于采用上述技術(shù)方案，本發(fā)明有益效果：本發(fā)明使用bc-qspso算法優(yōu)化入口匝道ip控制器參數(shù)后，實際車流密度可以很好的跟蹤期望車流密度，σi(k)與σdi(k)之間的誤差很小。通過對入口匝道調(diào)節(jié)率的控制可以在保證主路交通通暢的情況下最大限度的提高主路使用率。在時效性方面，bc-qspso算法具有較快的收斂速度，能夠快速的搜索到kp和ki的最優(yōu)值，在避免繁瑣復(fù)雜的人工參與的基礎(chǔ)上具有高速的反應(yīng)速度，綜上所述，基于bc-qspso算法的入口匝道交通流pi控制器能夠根據(jù)上流路段的交通量，實時動態(tài)的調(diào)整入口匝道處的交通流，該模型具有良好的自適應(yīng)性和穩(wěn)定性。

附圖說明

圖1是本發(fā)明的原理圖；

圖2是本發(fā)明的流程圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明的實施例進行詳細(xì)說明，但是本發(fā)明可以由權(quán)利要求限定和覆蓋的多種不同方式實施。

如圖1并結(jié)合圖2所示，針對原qpso算法中已有信息獨立隨機加工方式的問題，新算法采用copula函數(shù)來刻畫二元相關(guān)因子r1，r2的相關(guān)性。，建立了原qpso算法中r1與r2的相關(guān)性描述。具體描述方法為二元正態(tài)copula函數(shù)聯(lián)合三種特殊的copula根據(jù)copula函數(shù)的定義和sklar定理，可以得到二元因子r1，r2的相關(guān)性描述公式：

h(r1,r2)＝cρ(r1,r2)＝φρ(φ^-1(r1),φ^-1(r2))

其中，h為二元相關(guān)因子r1,r2的聯(lián)合分布函數(shù)，c為二元正態(tài)copula函數(shù)，ρ為指定相關(guān)系數(shù)。線性相關(guān)系數(shù)ρ是度量變量間相關(guān)性強弱的指標(biāo)，可以反映出二元相關(guān)因子r1,r2的線性相關(guān)特性。在qpso模型中，r1,r2間的相關(guān)程度體現(xiàn)了粒子在選擇勢阱中心時對自身信念pbest和共享信念gbest持有度之間的關(guān)系，為平衡利用算法的已有信息提供了有效的途徑。

由于二元正態(tài)copula函數(shù)中，相關(guān)系數(shù)ρ的取值范圍為(-1,1)且ρ≠0，無法描述隨機變量之間存在的完全正相關(guān)、完全負(fù)相關(guān)和獨立關(guān)系，因此單獨使用二元正態(tài)copula無法完整描述qpso算法中r1,r2的相關(guān)特性。如果將fréchet-hoeffding下界w(u,v)＝max(u+v-1,0)，fréchet-hoeffding上界m(u,v)＝min(u,v)以及乘積copula這三種copula函數(shù)均視為兩個[0,1]均勻分布隨機變量x,y的聯(lián)合分布函數(shù)，則這三種特殊的copula函數(shù)依次對應(yīng)著三種特殊的相關(guān)關(guān)系：完全負(fù)線性相關(guān)y＝1-x，完全正線性相關(guān)y＝x和相互獨立。因此，基于方勢阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法中r1,r2的相關(guān)特性可以采用二元正態(tài)copula函數(shù)與以上這三種copula聯(lián)合在一起共同描述：

原有qpso算法采用的是delta勢阱，本發(fā)明采用方勢阱模型。下面都是粒子在方勢阱模型中隨機位置構(gòu)建過程的描述，方勢阱的狀態(tài)函數(shù)可以通過解析的方式獲得。為簡單起見，在構(gòu)建基于方勢阱模型的二元相關(guān)性量子行為粒子群優(yōu)化算法時，我們只考慮能量最小的束縛態(tài)(基態(tài))。本發(fā)明利用蒙特卡洛方法將粒子在方勢阱中運動的波函數(shù)坍縮到經(jīng)典狀態(tài)，通過求解和變換可以得到粒子在方勢阱中位置的隨機方程為

沿用平均最好位置c，令z＝c-x，為了保證并加快qpso算法的收斂速度，本發(fā)明采用概率控制勢阱特征長度的方式并考慮到時間的變化，bc-qspso算法中粒子在一維有限深對稱方勢阱中的進化公式為

對于粒子i，將公式中的吸引子p點寫成pi＝(pi,1,pi,2,pi,n)的形式，在每一維上都以pi,j為中心建立一個一維有限深對稱方勢阱，對于給定的pi,j，粒子i第j維的坐標(biāo)基本進化方程為：

于是，bc-qspso模型中粒子在d維空間完整的進化公式如下：

新算法共有兩個創(chuàng)新性：1、采用二元正態(tài)copula函數(shù)描述了粒子在選擇勢阱中心時對自身經(jīng)驗信息和群體共享信息持有度的相關(guān)性；2，選擇方勢阱建立模型，方形勢阱中心對粒子的引力分布相對平均，錯誤的梯度信息不會被過度利用，粒子容易跳出局部最優(yōu)，因此在處理此類函數(shù)時具有最好的優(yōu)化性能。

算法步驟：

使用bc-qspso對函數(shù)進行優(yōu)化的具體流程如下：

step1：設(shè)置參數(shù)。包括個體認(rèn)知加速系數(shù)c1，群體認(rèn)知加速系數(shù)c2，收縮-擴張因子α、種群規(guī)模n、最大允許迭代次數(shù)或者是適應(yīng)度的誤差精度；

step2：種群初始化。在求解空間中初始化粒子群中的每一個粒子的初始位置，即隨機產(chǎn)生粒子當(dāng)前xi(0)，并初始化個體最好位置pi(0)＝xi(0)。

step3：根據(jù)公式

計算粒子群的平均最好位置。對于粒子群中的每一個粒子i(1≤i≤n)，執(zhí)行步驟4～8。

step4：計算粒子i的當(dāng)前位置xi(t)所對應(yīng)的適應(yīng)值，更新粒子的個體最好位置，即將xi(t)的適應(yīng)值與前一次迭代pi(t-1)的適應(yīng)值進行比較，如果xi(t)的適應(yīng)值優(yōu)于pi(t-1)的適應(yīng)值，即f[xi(t)]＜f[pi(t-1)]，則執(zhí)行pi(t)＝xi(t)操作；否則，執(zhí)行pi(t)＝pi(t-1)操作。

step5：對于粒子i，將pi(t)的適應(yīng)值與全局最好位置pg(t-1)的適應(yīng)值進行比較，如果優(yōu)于pg(t-1)的適應(yīng)值，即f[pi(t)]＜f[pg(t-1)]，則執(zhí)行pg(t)＝pi(t)的操作；否則執(zhí)行pg(t)＝pg(t-1)。

step6：對計算粒子i的每一維分量，根據(jù)公式

計算得到勢阱中心點。

step7：根據(jù)公式

計算粒子的新位置。

step8：判斷算法終止條件,直到滿足停止準(zhǔn)則或達(dá)到給定的最大迭代數(shù)；如果不滿足，則t＝t+1，重復(fù)step2～step8；否則算法結(jié)束。

使用bc-qspso優(yōu)化入口匝道交通流pi控制器參數(shù)的原理圖如圖1所示。入口匝道pi控制器系統(tǒng)中的變量包括誤差值：ei(k)＝σdi(k)-σi(k)；誤差變化量：δei(k)＝ei(k)-ei(k-1)；pi控制器輸出：δri(k)＝kpδei(k)+kiei(k)；入口匝道調(diào)解率：ri(k)＝ri(k-1)+δri(k)。其主要目標(biāo)是通過控制入口匝道的調(diào)節(jié)率ri(k)，使得主路交通密度維持在臨界密度σc的負(fù)鄰域，即σdi(k)＝σc-ε，其中ε為一適當(dāng)?shù)男≌龜?shù)，從而避免交通擁堵的發(fā)生。因此可以使用實際交通流密度σi(k)與期望交通流密度σdi(k)差的平方和來作為系統(tǒng)的目標(biāo)函數(shù)：

在使用bc-qspso算法來優(yōu)化pi控制器的kp、ki參數(shù)值過程中，群體中每一個粒子對應(yīng)一組kp、ki參數(shù)值，該組參數(shù)值產(chǎn)生的實際交通流密度σi(k)與期望交通流密度σdi(k)偏差的平方和越大，則對應(yīng)的入口匝道的調(diào)節(jié)率ri(k)值應(yīng)越小，dwc-qpso算法對應(yīng)的適應(yīng)值也應(yīng)越小。因此我們選擇實際交通流密度σi(k)與期望交通流密度σdi(k)偏差平方和j的倒數(shù)來作為bc-qspso算法的適應(yīng)度函數(shù)：

使用bc-qspso算法對入口匝道pi控制器參數(shù)進行優(yōu)化的流程如圖2所示，使用bc-qspso算法優(yōu)化入口匝道ip控制器參數(shù)后，實際車流密度可以很好的跟蹤期望車流密度，σi(k)與σdi(k)之間的誤差很小。通過對入口匝道調(diào)節(jié)率的控制可以在保證主路交通通暢的情況下最大限度的提高主路使用率。在時效性方面，bc-qspso算法具有較快的收斂速度，能夠快速的搜索到kp和ki的最優(yōu)值，在避免繁瑣復(fù)雜的人工參與的基礎(chǔ)上具有高速的反應(yīng)速度。綜上所述，基于bc-qspso算法的入口匝道交通流pi控制器能夠根據(jù)上流路段的交通量，實時動態(tài)的調(diào)整入口匝道處的交通流，該模型具有良好的自適應(yīng)性和穩(wěn)定性。

以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。