Resumen Técnico: Evolución Diferencial Adaptativa Cooperativa Sensible al Estado de la Población para la Coordinación de Semáforos en Arterias con Objetivos Múltiples

1. Planteamiento del Problema

La rápida urbanización y el aumento del volumen de vehículos han provocado una congestión arterial severa, caracterizada por largos retrasos de viaje, paradas frecuentes y elevadas emisiones de carbono. El control de semáforos convencional de tiempo fijo carece de la adaptabilidad necesaria para manejar flujos de tráfico dinámicos, particularmente durante las horas pico o aumentos estocásticos. Aunque se han aplicado algoritmos metaheurísticos como la Evolución Diferencial (DE) para la optimización del tráfico, las variantes estándar de DE sufren varias limitaciones críticas en este dominio:

• Sensibilidad de Parámetros: El rendimiento depende altamente de hiperparámetros ajustados manualmente (factor de escala $F$ y tasa de cruce $CR$).
• Convergencia Prematura: Una falta de equilibrio entre la exploración global y la explotación local a menudo conduce al estancamiento en espacios de soluciones complejos, de alta dimensión y estrictamente restringidos.
• Adaptación Aislada: Las variantes de DE adaptativas existentes suelen desacoplar la adaptación de parámetros, la selección de la estrategia de mutación y la gestión de la población, careciendo de un mecanismo unificado para responder al estado evolutivo en tiempo real.
• Limitaciones del Modelo: Los modelos actuales de optimización de tráfico a menudo no logran abordar simultáneamente objetivos multidimensionales como el rendimiento (throughput), la eficiencia operativa, la economía de combustible y la mitigación de emisiones.

2. Metodología

2.1 Modelo de Optimización

El estudio formula un problema de optimización multiobjetivo con restricciones de alta dimensión para un corredor arterial de seis intersecciones. El vector de decisión incluye el tiempo de ciclo común del sistema, los tiempos de verde efectivo para cada fase en cada intersección y los desfases de fase relativos. El modelo minimiza cuatro objetivos en conflicto:

1. Retraso Promedio de Vehículos: Calculado mediante un modelo integral de Webster–Akçelik.
2. Frecuencia de Paradas de Vehículos: Derivada de la teoría de ondas de tráfico.
3. Déficit de la Banda de Onda Verde: La brecha entre el ancho de banda real y el teórico máximo, calculada mediante un método de mapeo espaciotemporal geométrico para evitar operaciones de módulo complejas.
4. Emisiones de CO₂ de la Red: Estimadas mediante un modelo de regresión de nivel macro calibrado con datos empíricos, vinculando las emisiones con las métricas de retraso y paradas.

Las restricciones incluyen límites físicos en las longitudes de ciclo, límites de tiempo de verde y grados de saturación (mantenidos $\leq 0.95$).

2.2 Algoritmo Propuesto: PSAC-DE

El artículo introduce la Evolución Diferencial Adaptativa Cooperativa Sensible al Estado de la Población (PSAC-DE). La innovación central es un Controlador de Estado Unificado (USC) que integra cuatro módulos adaptativos en un sistema de co-evolución de bucle cerrado basado en una variable de "estado de la población" ($\sigma$) en tiempo real.

• Conciencia del Estado de la Población: Se computa un indicador de estado unificado ($\sigma$) fusionando métricas de Hipervolumen (convergencia) normalizadas y de diversidad de la población. Este indicador particiona el proceso evolutivo en tres estados: Exploración, Transición y Explotación. Un mecanismo de histéresis y un filtro de media móvil aseguran transiciones de estado estables.
• Aprendizaje de Estrategias Basado en UCB: Un conjunto de seis estrategias de mutación es gestionado mediante un mecanismo de Límite de Bandas de Confianza Superior (UCB); el conjunto de estrategias se restringe dinámicamente según el estado evolutivo actual (por ejemplo, se priorizan las estrategias orientadas a la exploración en la fase inicial).
• Adaptación de Parámetros Basada en SHADE: Los parámetros de control ($F$ y $CR$) se muestrean de una memoria de historial de éxito (SHADE), pero están sujetos a una truncación dependiente del estado. Se aplican desplazamientos de sesgo al proceso de actualización de la memoria para derivar los parámetros hacia tamaños de paso más grandes durante la exploración y hacia un ajuste más fino durante la explotación.
• Programación Dinámica de Subpoblaciones: La población se particiona dinámicamente en tres subpoblaciones (Exploración, Equilibrio, Explotación) con proporciones que cambian según el estado $\sigma$. La transferencia de conocimiento ocurre entre subpoblaciones mediante el intercambio de élites y una memoria de historial compartida para evitar el aislamiento.
• Manejo de Restricciones: Un mecanismo de reparación jerárquico (equilibrio de ciclo, truncación de límites, reparación de saturación) y una función de penalización aseguran que las soluciones no factibles se manejen rigurosamente, donde las soluciones factibles siempre dominan a las no factibles.

2.3 Marco de Decisión

Para seleccionar una solución desplegable del frente de Pareto, el estudio emplea un método de Entropía de Peso-TOPSIS (EW-TOPSIS). Este enfoque de post-procesamiento de objetivos calcula los pesos basados en la entropía de la información y selecciona la solución con el coeficiente de cercanía máximo al baseline positivo ideal.

3. Contribuciones Clave

1. Marco de Control Cooperativo Sensible al Estado (SACC): A diferencia de las DE adaptativas existentes que ajustan los módulos de forma independiente, este marco establece una representación unificada del estado de la población para coordinar simultáneamente las estrategias de mutación, la adaptación de parámetros y la programación de subpoblaciones.
2. Algoritmo PSAC-DE: Un nuevo algoritmo que integra el aprendizaje de estrategias UCB, la adaptación de parámetros SHADE y la programación dinámica de subpoblaciones, todos regulados por información de estado compartida para asegurar un comportamiento de búsqueda consistente a través de las fases evolutivas.
3. Modelo de Arteria de Cuatro Objetivos: Un modelo de optimización integral que minimiza simultáneamente el retraso, las paradas y las emisiones de carbono, mientras maximiza el ancho de banda de la onda verde, abordando las demandas multidimensionales de la gestión de tráfico urbano moderna.

4. Resultados Experimentales

El algoritmo fue validado en un corredor arterial de seis intersecciones en Hangzhou, China, bajo tres escenarios de tráfico: Sobresaturado, Pico-saturado y Fluctuación Estocástica. El rendimiento se comparó contra siete algoritmos de referencia (NSGA-II, MOEA/D, JADE, SHADE, L-SHADE, MSDE) a lo largo de 30 ejecuciones independientes.

• Métricas de Rendimiento: PSAC-DE superó consistentemente a todas las bases en las métricas de Hipervolumen (HV), Distancia Generacional Invertida (IGD) y Dispersión (Spread) en todos los escenarios. Por ejemplo, en el escenario sobresaturado, alcanzó un HV de 0.1272 comparado con el 0.1246 del segundo mejor (L-SHADE), con una mejora del 27.1% en IGD.
• Significancia Estadística: Las pruebas de Wilcoxon de rangos con signo y de Friedman confirmaron que las mejoras de rendimiento fueron estadísticamente significativas ($p < 0.05$).
• Estudios de Ablación: Eliminar el módulo de Conciencia del Estado de la Población (SA) causó la caída de rendimiento más significativa (reducción del 17.9% en HV), confirmando su rol como el "cerebro conductor central". Otros módulos (UCB, Subpoblación, SHADE) también contribuyeron positivamente, siendo el módulo SA el más crítico.
• Beneficios Operativos: Al aplicarse al escenario de pico-saturación, el plan de tiempos optimizado (seleccionado vía EW-TOPSIS) demostró mejoras sustanciales sobre los esquemas de tiempo preestablecidos convencionales:
  • Retraso Promedio: Reducido en un 25.1% (de 68.4s a 51.2s).
  • Paradas de Vehículos: Reducido en un 44.8% (de 1.43 a 0.79 paradas/veh).
  • Ancho de Banda de Onda Verde: Incrementado en un 133% (ratio de 0.18 a 0.42).
  • Emisiones de CO₂: Reducido en un 26.6% (de 145.6 g/s a 106.9 g/s).
  • Rendimiento (Throughput): Incrementado de 3680 a 4015 veh/h.

5. Significado y Reivindicaciones

El artículo sostiene que PSAC-DE avanza en el paradigma teórico de la computación evolutiva adaptativa al introducir un marco riguroso y unificado de conciencia del estado de la población que resuelve el "desajuste de estrategia-parámetro" común en las variantes de DE existentes.

Prácticamente, el estudio afirma que el método propuesto ofrece una solución eficiente y lista para el despliegue para la coordinación de arterias urbanas de múltiples intersecciones. Logra equilibrar con éxito una alta eficiencia operativa con objetivos ambientales de bajas emisiones de carbono, ofreciendo una estrategia robusta para mitigar la congestión del tráfico urbano y reducir las emisiones de carbono automotriz sin requerir un ajuste manual extensivo de parámetros. Los resultados sugieren que el algoritmo posee un fuerte valor de ingeniería para su implementación en redes de tráfico complejas y reales.