基于遺傳算法的智能交通系統的設計

張丹

摘 要：隨著我國經濟的不斷發展，人們的生活水平在不斷提高，城市中的車輛也越來越多，需要建立高效、安全的智能交通系統，保證城市交通順暢，較少交通事故的發生，提高我國交通系統的運輸效率，同時也能夠促進我國經濟水平的增長。本文主要探討遺傳算法在智能交通系統設計中的應用。

關鍵詞：遺傳算法；智能交通系統；安全系統

中圖分類號：U495 文獻標識碼：A 文章編號：1004-7344（2018）32-0307-01

最近幾年，我國經濟在迅速發展，人們對交通的需求也越來越大。在人們生活水平提高的同時，人們的出行次數、出行的距離也在日漸增多，在各個城市中，交通系統的建設與管理并不是很完善，經常會出現交通擁堵、交通事故頻發、馬路環境不好等現象。發展智能交通系統，提高對交通系統的管理，使構建安全交通環境的有效途徑，為人們選擇合適的出行路線，能夠有效降低交通擁堵、交通事故發生的概率。

1 智能交通系統概述

智能交通系統（Intelligent Traffic System，簡稱ITS），這是一個集先進的信息技術、傳感器技術、圖像分析技術、計算機網絡、人工智能等為一體的系統，它能夠對交通系統進行一個統一有效的管理，是一個具有實時性、準確性和高效性的系統。智能交通系統能夠提高城市交通運輸的效率和安全性[1]。

2 遺傳算法概述

遺傳算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。遺傳算法遵循了一個生物界的進化規律，即優勝劣汰、適者生存。遺傳算法最主要的特點就是能夠對結構對象進行直接操作，不受到求導和函數的連續性的限制；能夠在全局中尋找到最優的方式；能夠根據概率化來自動調整合適的方向。正是因為遺傳算法具有這些特點，它被廣泛應用于信號處理、機器學習以及自適應控制等領域[2]。

遺傳算法在計算機科學中具有重要的作用，換個方式說，遺傳算法是計算機科學人工智能領域中解決最優化問題的啟蒙算法，這種算法主要用于解決最優化問題和搜索問題，進化算法也是受到了遺傳算法的影響而發展起來的。但是，如果遺傳算法在選擇適應度函數的時候選擇不正確，有可能會出現局部最優的情況，不能夠達到全局最優[3]。

遺傳算法的基本運算過程：

（1）初始化：設置相關數據，最大化代數為T，系統隨機生成的M個個體稱之為初始群體P（0）；

（2）個體評價：計算群體中個體的適應度；

（3）選擇運算：將選擇運算應用于群體中（所謂選擇，就是將種群中生命力比較頑強的個體變成新的種群，適應度高的個體會在下一代中產生一個或多個子孫）；

（4）交叉運算：選擇運算可以選擇出優秀的個體，但是卻不能創造出新的染色體。交叉運算就是模擬生物凈化的繁殖過程，產生出更優秀的品種；

（5）變異運算：模擬生物在生長繁殖過程中因為環境等各種因素發生基因突變的過程，這種突變是隨機的。（若只有選擇和交叉運算而沒有編譯運算，那就不能在初始群體以外的空間進行搜索，具有局限性，達不到全局搜索的目的，為了能夠在更大的空間進行搜索，變異運算是十分重要的。

3 遺傳算法在智能交通系統中的設計

基于遺傳算法的智能交通系統的設計終極目標是能做到在最大程度上有效利用且整合多種資源（如信息、人員及設備情況、物資調動情況、工作方式等），讓城市交通的管理決策者可以實時調整、合理調度交通流，以保證城市交通道路網沒有超飽和交通流的出現；并且，還能夠及時妥善處理突發事件引起的交通堵塞，使交通情況快速恢復正常，為救援人員提供實時信息以及決策支持。

例如在智能安全交通系統中[4]，用戶的輸入輸出界面為GIS，主要任務有事故基本信息情況的錄入，應急預案發布，交通、事故信息的發布等；通過與GIS平臺的交互，還可以做到相關文件歸檔，以及數據庫的日常更新與維護。交通事故發生后，系統被激活，隨后通過GIS界面輸入本次事故的基本信息（事故類型、時間、地點、人員傷亡情況、車輛受損情況等）。下一步，系統將會生成一套最優的解決方案，這一過程由處理方案生成模塊完成，處理方案生成模塊包含有兩個子模塊，分別為決策支持子模塊和最優路徑生成子模塊。依照使用者輸入系統的信息，從專家系統中的知識庫判斷交通事故的等級情況，在查詢當時資源庫中各部門現有資源情況后，選擇最合適的參與調度的相關部門，同時生成動態的最優路徑，對交通擁堵情況進行疏解。

例如遺傳算法在公交車車輛調度的智能交通系統中的設計[5]。在城市的公共交通運輸中，其管理可以分成三個階段，分別是計劃階段、調度階段和控制階段，其中，調度階段是最重要的環節，公交車車輛調度實際上也是尋找最優的問題。使用遺傳算法對公交車調度階段的智能交通系統進行設計。第一，選取編碼，全程車（0），快車（1），區間車（2），種群隨機產生，其染色體長度即為發車的次數。第二，構建目標函數，目標函數的構建要考慮到車輛的配置、運行時間、運行效率以及資源利用等方面，將最小費用作為目標函數。

即：F（M）=f（N）+f（T）

F（N）=X·N

（F（M）為最小費用；f（N）是與車輛有關的函數，包括折舊、維修，單車費用為X，車輛數為N；f（T）是與乘客流量有關的函數）。

4 結束語

本文介紹了遺傳算法以及智能交通系統的設計思路，本系統可以插入到現已成熟的智能交通管理系統平臺上，和其他子系統同時使用，可以非常有效的減少交通堵塞，防止再生事故發生，對于改善交通環境，提高交通質量有著重大的社會意義與經濟價值。

參考文獻

[1]張 偉，肖日東，鄧 晶.基于遺傳算法的動態模糊神經網絡城市快速路入口匝道控制[J].公路交通科技，2017，34（2）：129～134.

[2]孫曉娟.基于遺傳算法和模糊控制的智能交通控制系統的設計[J].西部大開發旬刊，2011（6）：89.

[3]譚強強.基于遺傳算法的區域交通網絡最短路徑算法研究[D].廣東工業大學，2012.

[4]張 穎.基于遺傳算法的城市交通安全系統的設計[J].電子測試，2016（7）：26～28.

[5]梁劍波.基于遺傳算法的公交智能排班方法研究[D].蘭州理工大學，2010.

收稿日期：2018-9-19

作者簡介：張 丹（1987-），女，湖南人，講師，碩士研究生，研究方向為eda課程，FPGA，Verilog語言。