【优化求解】基于matlab遗传算法求解红绿灯管理优化问题【含Matlab源码 262期】

一、遗传算法

遗传算法是经过选择、复制和变异过程后发现最优解的一种方法,由生物领域的遗传演化衍生而来。遗传算法模拟自然进化论这一特点使其能够一代接一代进行复制而同时去除不合适解。在遗传算法里,最适合解或最优解会在整个过程结束后保存下来。

(1)染色体种群
需要对范围内的染色体或解构成的种群进行判断。在交通流控制方面,染色体是指交通灯系统里的绿灯时间。种群范围设为大于0,因为绿灯时间不可能小于0。种群里的染色体个数也需要确定,因为解的数量决定了优化速度以及所求解的准确度。如果种群里生成的解过多,那么找到最适合的最优解所需时间就更长。但如果解的个数过少或偏小,遗传算法可能会无法找到最适合的优化解。所以,必须仔细选出适当数目的染色体,因为交通流控制既要求速度也要求准确性。在交通流控制方面,染色体的个数设为50,指的是遗传算法会在种群里生成50 个解,且从中找到最适合的解。

需要对种群的初始范围进行仔细筛选。如果得当,遗传算法就能够选出最佳兴趣点。种群的初始范围也就是遗传算法开始时首批生成的种群的染色体范围。范围恰当的话将会为遗传算法找到所需或最佳染色体节约大量时间。如果范围太小,将影响染色体的多样性,以致遗传算法在操作过程中会遗漏掉的最佳点而陷入局部最佳。所以找到合适的初始范围对交通流控制很重要,本文选用范围为0-80。

(2)染色体生成与复制
另一个重要方面是遗传算法需要进行的迭代次数。这是遗传算法的停止规则之一,当遗传算法运算所需的迭代次数确定好遗传算法就会停止操作。对于交通流控制,遗传算法的迭代次数是100 次。这个次数是在认真考虑了迭代次数对遗传算法有关的影响之后得出的。如果迭代次数太多,遗传算法可能要执行较长的计算时间后才能停止下来。另一方面,如果迭代次数太少,遗传算法的效率可能不如预期的好,因为遗传算法无法从种群中找到最佳染色体。

交叉部分是指复制所需的选择过程完成后来自父代或染色体的信息部分。在复制过程中,染色体都是成对选出来构成下一代染色体的父代。交叉部分决定了会有多少个父辈转移到其子代来生成新的染色体。在交通流控制方面,交叉部分设为0.8。这说明一对父代A和B将会生成2 个后代。后代的产生是根据父代的价值或信息而来的。所以一个后代将遗传父代A的0.8 和B的0.2 部分;另一个后代将遗传父代A的0.2 及B的0.8 部分,结果如公式(1):

其中,X和Y是继承的新生代。

(3)适应度函数
适应度函数是指让遗传算法从种群里筛选合适染色体所用到的规则或公式。种群里的每条染色体均将接受适应度函数测试,然后对应地都生成一个适应度值。本文适应度函数其实是一组简单的规则或法则。交通的适应度函数将从某个具体时刻的所有3 个相态里取出队列长度方面的数据,然后与所有染色体进行测试,通过直接核实各相态排队的车辆来达到对绿灯时间的优化。

适应度极限是遗传算法的另一个停止规则。其实就是适应度函数要达到的一个目标。适应度极限是适应度函数所求的结果,因此一旦最佳适应度值达到极限,遗传算法将会停止运算而输出最合适的染色体。在交通流控制方面,适应度极限设为0 且一旦染色体符合适应度函数,并生成一个为0或更小的适应度值,那么遗传算法将视该染色体为最合适的优化解。

二、部分源代码

clear all;
close all;
clc;

%%问题表述

FitnessFunction=@(C,g,x,c) TDi(C,g,x,c);     % 适应度功能

nLights=4;                                   %红绿灯数量
nIntersections=1;                            % 交叉点数（静态为 1 个交叉点）

VarSize=[1 nIntersections*nLights];          % 基于交叉点数的决定染色体基因

greenMin= 10;                                % 绿灯的下限
greenMax= 60;                                % 绿灯的上限
Cyclemin=60;                                 % CYCLE 的下限
Cyclemax=180 ;
RoadcapacityNSWE=[20,20,20,20];              % 道路容量分别
CarsNSWE=[20,20,11,17];
RoadCongestion1NSWE=RoadcapacityNSWE-CarsNSWE;              % 根据空闲道路空间的拥堵
RoadCongestionNSWE=RoadCongestion1NSWE./RoadcapacityNSWE;   %  体积/容量比
carpass=5;
%%遗传算法参数

MaxIt=25;                                  %最大迭代次数

nPop=400;                                     %人口规模

pc=0.5;                                      %交叉百分比
nc=2*round(pc*nPop/2);                       % 后代数量（父母）

pm=0.02;                                      % 突变百分比
nm=round(pm*nPop);                           %突变体数量
mu=0.1;                                      % 突变率
 
pinv=0.2;
ninv=round(pinv*nPop);

beta=8;                                      % 选择压力
   
%% 初始化

% 个人结构
empty_individual.GreenNSWE=[];
empty_individual.TotalDelay=[];

% 人口结构
pop=repmat(empty_individual,nPop,1);

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
 

三、运行结果

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社，2013.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社，2013.
[5]方清城.MATLAB R2016a神经网络设计与应用28个案例分析[M].清华大学出版社，2018.
[6]王雪梅,李晓峰.基于遗传算法城市交叉路口交通流量优化控制[J].微型电脑应用. 2015,31(12)

文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。

原文链接：qq912100926.blog.csdn.net/article/details/123998920