💻 computer science

Population State-Aware Cooperative Adaptive Differential Evolution for Multi-Objective Arterial Traffic Signal Coordination

Cet article propose un algorithme d'évolution différentielle adaptative coopérative sensible à l'état de la population (PSAC-DE) doté d'un contrôleur d'état unifié pour résoudre un modèle de coordination des signaux de trafic artériel à quatre objectifs, démontrant des améliorations significatives du délai, des arrêts, de la largeur de bande de l'onde verte et des émissions de carbone par rapport aux optimiseurs courants dans des scénarios simulés à Hangzhou.

Auteurs originaux : Bing Bai, Chengzhi Wang, Zhimeng Li, Xiaozheng Li

Publié 2026-07-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Bing Bai, Chengzhi Wang, Zhimeng Li, Xiaozheng Li

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une rue de ville très fréquentée avec six feux de signalisation alignés. En ce moment, ces feux travaillent souvent l'un contre l'autre : vous avez un feu vert, vous avancez un peu, puis vous tombez sur un feu rouge, ce qui vous force à vous arrêter, redémarrer, puis vous arrêter à nouveau. Ce schéma d'« arrêt-redémarrage » gaspille du temps, brûle du carburant supplémentaire et crée beaucoup d'émissions de carbone.

Ce document présente une nouvelle façon plus intelligente de contrôler ces feux de signalisation à l'aide d'un algorithme informatique appelé PSAC-DE. Considérez cela comme un chef d'orchestre de trafic hautement intelligent qui ne se contente pas de suivre un programme fixe, mais qui apprend et s'adapte en temps réel pour maintenir la fluidité du trafic.

Voici une décomposition de son fonctionnement, en utilisant des analogies simples :

1. Le Problème : Le « Fixe » contre le « Chaotique »

Les feux de signalisation traditionnels sont comme un métronome : ils battent à la même vitesse, peu importe la situation. Si le trafic est léger, ils accordent quand même un feu vert prolongé. Si le trafic est dense, ils peuvent ne pas accorder assez de temps, provoquant ainsi un engorgement.
Les algorithmes informatiques standards qui tentent de corriger cela sont comme des joueurs d'échecs novices. Ils sont bons pour déplacer les pièces, mais ils se retrouvent souvent coincés dans les mêmes schémas, font des erreurs lorsque le plateau devient complexe, et peinent à équilibrer différents objectifs (comme faire avancer les voitures rapidement et empêcher la pollution de l'air).

2. La Solution : L'« Équipe Intelligente » (PSAC-DE)

Les auteurs ont créé un nouvel algorithme appelé Population State-Aware Cooperative Adaptive Differential Evolution (PSAC-DE). C'est un nom barbare, alors décomposons-le en trois idées simples :

L'« Équipe » (Population) : Au lieu d'un seul ordinateur essayant de résoudre l'énigme, imaginez une équipe de 100 planificateurs de trafic différents travaillant simultanément.
La « Conscience de l'État » (Le Coach) : C'est la grande innovation du document. Habituellement, ces équipes travaillent de manière isolée. Dans ce nouveau système, il y a un coach central (appelé Unified State Controller) qui surveille toute l'équipe.
- Au début du jeu : Le coach voit que l'équipe explore de nouvelles idées et lui dit d'être audacieuse et d'essayer des stratégies très différentes.
- Plus tard dans le jeu : Le coach voit que l'équipe est proche d'une solution et lui dit de se concentrer, de peaufiner et de polir les meilleures idées.
- La Magie : Le coach vérifie constamment l'« humeur » de l'équipe (sont-ils bloqués ? sont-ils confus ?) et ajuste instantanément les règles pour tout le monde afin de les faire progresser.
La « Coopération » (Cooperative Adaptive) : Les membres de l'équipe ne travaillent pas seuls. Ils partagent leurs meilleures astuces. Si un planificateur trouve une excellente façon de synchroniser un feu, le coach aide à diffuser cette astuce auprès des autres qui sont en difficulté.

3. L'Objectif : Équilibrer quatre désirs contradictoires

L'algorithme tente de résoudre un puzzle très difficile avec quatre objectifs qui s'opposent souvent :

Moins d'attente : Minimiser le temps pendant lequel les voitures attendent aux feux rouges.
Moins d'arrêts : Minimiser le nombre de fois où les voitures doivent freiner et accélérer.
Onde Verte : Maximiser l'« onde verte » (la durée pendant laquelle vous pouvez conduire sans rencontrer de feu rouge).
Air plus pur : Minimiser les émissions de carbone.

Analogie : Imaginez essayer de cuisiner un gâteau qui est à la fois sucré, faible en calories, bon marché et rapide à préparer. Généralement, rendre un gâteau sucré le rend calorique ; le rendre bon marché le rend plus long à préparer. L'algorithme trouve le « point idéal » où vous obtenez un excellent gâteau sans trop sacrifier l'un ou l'autre de ces aspects.

4. Les Résultats : Un test en conditions réelles

Les chercheurs ont testé ce système sur une route réelle de six intersections à Hangzhou, en Chine, sous trois conditions de trafic différentes :

Trafic intense (Sur-saturé) : Quand la route est encombrée.
Trafic de pointe : Quand la circulation est dense mais fluide.
Trafic aléatoire : Quand le trafic est imprévisible.

Ils ont comparé leur « Équipe Intelligente » à sept autres méthodes populaires de contrôle du trafic. Les résultats sont clairs :

L'« Équipe Intelligente » a gagné dans presque toutes les catégories.
Les retards ont chuté de 25 % : Les voitures ont passé beaucoup moins de temps à attendre.
Les arrêts ont chuté de 45 % : Les voitures se sont arrêtées moins souvent, permettant une conduite plus fluide.
L'onde verte s'est étendue de 133 % : L'onde verte (la capacité de traverser sans s'arrêter) a plus que doublé.
Les émissions ont chuté de 27 % : Parce que les voitures n'étaient pas en train de tourner au ralenti ou d'accélérer, la route a produit nettement moins de pollution.

5. La Décision Finale : Choisir le vainqueur

Puisque l'algorithme produit de nombreuses bonnes solutions (un « front de Pareto »), les chercheurs ont utilisé un outil mathématique appelé EW-TOPSIS pour choisir le meilleur plan à installer. Considérez cela comme un juge goûtant tous les gâteaux préparés par l'équipe et choisissant celui qui offre le parfait équilibre entre goût, santé et coût.

Résumé

En bref, ce document présente un nouveau cerveau informatique auto-correcteur pour les feux de signalisation. Contrairement aux anciens systèmes qui suivent des règles rigides, ce système agit comme un coach dynamique qui surveille le trafic, sent quand l'équipe est bloquée et change instantanément la stratégie pour maintenir les voitures en mouvement, minimiser les arrêts et purifier l'air. Il s'est avéré nettement supérieur aux méthodes existantes dans un cadre urbel réel.

Résumé Technique : Évolution Différentielle Adaptative Coopérative Sensible à l'État de la Population pour la Coordination Multi-Objectifs de la Signalisation de Trafic sur Artères

1. Énoncé du Problème

L'urbanisation rapide et l'augmentation des volumes de véhicules ont entraîné une congestion sévère des artères, caractérisée par de longs délais de trajet, des arrêts fréquents et des émissions de carbone élevées. Le contrôle conventionnel de la signalisation à temps fixe manque d'adaptabilité pour gérer les flux de trafic dynamiques, particulièrement lors des heures de pointe ou des augmentations stochastiques. Bien que des algorithmes métaheuristiques comme l'Évolution Différentielle (DE) aient été appliqués à l'optimisation de la signalisation de trafic, les variantes standards de la DE souffrent de plusieurs limitations critiques dans ce domaine :

Sensibilité aux Paramètres : La performance dépend fortement de l'ajustement manuel des hyperparamètres (facteur d'échelle $F$ et taux de croisement $CR$).
Convergence Prématurée : Un manque d'équilibre entre l'exploration globale et l'exploitation locale conduit souvent à une stagnation dans des espaces de solutions complexes, de haute dimension et strictement contraints.
Adaptation Isolée : Les variantes existantes de la DE adaptative déconnectent généralement l'adaptation des paramètres, la sélection de la stratégie de mutation et la gestion de la population, manquant ainsi d'un mécanisme unifié pour répondre aux états évolutifs en temps réel.
Limitations du Modèle : Les modèles d'optimisation de trafic actuels échouent souvent à traiter simultanément des objectifs multidimensionnels tels que le débit, l'efficacité opérationnelle, l'économie de carburant et l'atténuation des émissions.

2. Méthodologie

2.1 Modèle d'Optimisation

L'étude formule un problème d'optimisation multi-objectif de haute dimension et contraint pour un corridor artériel de six intersections. Le vecteur de décision comprend le temps de cycle commun au système, les temps de vert effectifs pour chaque phase à chaque intersection, et les décalages de phase relatifs. Le modèle minimise quatre objectifs conflictuels :

Délai Moyen des Véhicules : Calculé à l'aide d'un modèle complet de Webster–Akçelik.
Fréquence d'Arrêt des Véhicules : Dérivée de la théorie des ondes de trafic.
Déficit de Bande Passante de l'Onde Verte : L'écart entre la bande passante réelle et la bande passante maximale théorique, calculé via une méthode de cartographie géométrique spatio-temporelle pour éviter les opérations modulo complexes.
Émissions de CO₂ du Réseau : Estimées à l'aide d'un modèle de régression macro-niveau calibré avec des données empiriques, liant les émissions au délai et aux métriques d'arrêt.

Les contraintes incluent les limites physiques sur les longueurs de cycle, les bornes de temps de vert, et les degrés de saturation (maintenus $\leq 0,95$ ).

2.2 Algorithme Proposé : PSAC-DE

Le document présente l'Évolution Différentielle Adaptative Coopérative Sensible à l'État de la Population (PSAC-DE). L'innovation centrale est un Contrôleur d'État Unifié (USC) qui intègre quatre modules adaptatifs dans un système de co-évolution en boucle fermée basé sur une variable de « l'état de la population » ( $\sigma$ ).

Sensibilité à l'État de la Population : Un indicateur d'état unifié ( $\sigma$ ) est calculé en fusionnant l'Hypervolume normalisé (convergence) et les métriques de diversité de la population. Cet indicateur partitionne le processus évolutif en trois états : Exploration, Transition, et Exploitation. Un mécanisme d'hystérésis et un filtre de moyenne mobile assurent des transitions d'état stables.
Apprentissage de Stratégie Basé sur l'UCB : Un ensemble de six stratégies de mutation est géré par un mécanisme de Borne Supérieure de Confiance (UCB) ; le pool de stratégies est dynamiquement restreint selon l'état évolutif actuel (par exemple, les stratégies orientées vers l'exploration sont prioritaires durant la phase initiale).
Adaptation de Paramètre Basée sur SHADE : Les paramètres de contrôle ( $F$ et $CR$) sont échantillonnés à partir d'une mémoire d'historique de succès (SHADE) mais sont soumis à un tronquage dépendant de l'état. Des décalages de biais sont appliqués au processus de mise à jour de la mémoire pour faire dériver les paramètres vers des tailles de pas plus grandes lors de l'exploration et vers un réglage plus fin lors de l'exploitation.
Planification Dynamique de Sous-populations : La population est dynamiquement partitionnée en trois sous-populations (Exploration, Équilibrée, Exploitation) avec des ratios changeant selon l'état $\sigma$ . Le transfert de connaissances s'opère entre les sous-populations via le partage d'élites et une mémoire d'historique partagée pour éviter l'isolement.
Gestion des Contraintes : Un mécanisme de réparation hiérarchique (équilibre du cycle, troncature des bornes, réparation de la saturation) et une fonction de pénalité garantissent que les solutions infaisables sont traitées rigoureusement, les solutions faisables dominant toujours les solutions infaisables.

2.3 Cadre de Décision

Pour sélectionner une solution déployable à partir du front de Pareto, l'étude utilise la méthode EW-TOPSIS (Entropie de Poids-TOPSIS). Cette méthode de post-traitement des objectifs calcule les poids basés sur l'entropie de l'information et sélectionne la solution présentant le coefficient de proximité maximal par rapport à la ligne de base positive idéale.

3. Contributions Clés

Cadre de Contrôle Coopératif Sensible à l'État (SACC) : Contra-irement aux DE adaptatives existantes qui ajustent les modules indépendamment, ce cadre étabète une représentation unifiée de l'état de la population pour coordonner simultanément les stratégies de mutation, l'adaptation des paramètres et la planification des sous-populations.
Algorithme PSAC-DE : Un nouvel algorithme intégrant l'apprentissage de stratégie UCB, l'adaptation de paramètre SHADE, et la planification dynamique de sous-population, tous régulés par des informations d'état partagées pour assurer un comportement de recherche cohérent à travers les phases évolutives.
Modèle d'Artère à Quatre Objectifs : Un modèle d'optimisation complet qui minimise simultanément le délai, les arrêts et les émissions de CO₂, tout en maximisant la bande passante de l'onde verte, répondant aux demandes multidimensionnelles de la gestion moderne du trafic urbain.

4. Résultats Expérimentaux

L'algorithme a été validé sur un corridor artériel de six intersections à Hangzhou, en Chine, sous trois scénarios de trafic : Sursaturé, Pic de saturation, et Fluctuation Stochastique. Les performances ont été comparées à sept algorithmes de référence (NSGA-II, MOEA/D, JADE, SHADE, L-SHADE, MSDE) sur 30 exécutions indépendantes.

Métriques de Performance : PSAC-DE a systématiquement surpassé toutes les références en termes d'Hypervolume (HV), de Distance de Génération Inversée (IGD) et de métriques d'Étalement (Spread) dans tous les scénarios. Par exemple, dans le scénario sursaturé, il a atteint un HV de 0,1272 contre 0,1246 pour le deuxième meilleur (L-SHADE), soit une amélioration de 27,1 % de l'IGD.
Significativité Statistique : Les tests non paramétriques de Wilcoxon et de Friedman ont confirmé que les améliorations de performance étaient statistiquement significatives ( $p < 0,05$ ).
Études d'Ablation : Le retrait du module de Sensibilité à l'État de la Population (SA) a causé la chute de performance la plus importante (réduction de 17,9 % de l'HV), confirmant son rôle de « cerveau moteur central ». Les autres modules (UCB, Sous-population, SHADE) ont également contribué positivement, le module SA étant le plus critique.
Bénéfices Opérationnels : Appliqué au scénario de pic de saturation, le plan de signalisation optimisé (sélectionné via EW-TOPSIS) a démontré des améliorations substantielles par rapport aux schémas pré-établis conventionnels :
- Délai Moyen : Réduit de 25,1 % (de 68,4s à 51,2s).
- Arrêts de Véhicules : Réduits de 44,8 % (de 1,43 à 0,79 arrêt/véhicule).
- Bande Passante de l'Onde Verte : Augmentée de 133 % (ratio de 0,18 à 0,42).
- Émissions de CO₂ : Réduites de 26,6 % (de 145,6 g/s à 106,9 g/s).
- Débit : Augmenté de 3680 à 4015 véh/h.

5. Signification et Revendications

L'article affirme que le PSAC-DE fait progresser le paradigme théorique de l'évolution adaptative en introduisant un cadre rigoureux et unifié de sensibilité à l'état de la population qui résout le « décalage stratégie-paramètre » commun aux variantes de DE existantes.

Pratiquement, l'étude soutient que la méthode proposée offre une solution efficace et prête au déploiement pour la coordination multi-intersections des artères urbaines. Elle parvient à équilibrer une haute efficacité opérationnelle avec des objectifs environnementaux de faible émission de carbone, offrant une stratégie robuste pour atténuer l'engorgement du trafic urbain et réduire les émissions de carbone automobile sans nécessiter d'ajustement manuel extensif des paramètres. Les résultats suggèrent que l'algorithme possède une forte valeur d'ingénierie pour une mise en œuvre réelle dans des réseaux de trafic complexes et contraints.