技術要約：多目的幹線道路交通信号調整のための集団状態認識型協調適応型差分進化法

1. 問題提起

急速な都市化と車両量の増加は、長い走行遅延、頻繁な停止、および炭素排出量の増加を特徴とする深刻な幹線道路の混雑を引き起こしている。従来の固定時間信号制御は、特にピーク時や確率的な急増が発生する際に、動的な交通流に対処するための適応性に欠けている。差分進化（Differential Evolution: DE）のようなメタヒューリスティック・アルゴリズムが交通信号の最適化に適用されてきたが、標準的なDEのバリアントは、この領域においていくつかの決定的な限界を抱えている。

• パラメータ感度: パフォーマンスが、手動で調整されたハイパーパラメータ（スケーリング因子 $F$ および交叉率 $CR$）に強く依存する。
• 早期収束: 全域的な探索（exploration）と局所的な活用（exploitation）のバランスが欠如しているため、複雑で高次元かつ制約の厳しい解空間において停滞が生じやすい。
• 孤立した適応: 既存の適応型DEは、パラメータ適応、変異戦略の選択、および集団管理を切り離しており、リアルタイムの進化状態に反応するための統一されたメカニメントを欠いている。
• モデルの限界: 現在の交通最適化モデルは、スループット、運用効率、燃料経済性、および排出量削減といった多次元的な目的を同時に扱うことができない場合が多い。

2. 手法

2.1 最適化モデル

本研究では、6つの交差点からなる幹線道路における高次元かつ制約付きの多目的最適化問題を定式化している。決定ベクトルには、システム共通のサイクルタイム、各交差点の各フェーズにおける実効グリーン時間、および相対的なフェーズオフセットが含まれる。モデルは以下の4つの相反する目的を最小化する：

1. 平均車両遅延: 包括的なWebster–Akçelikモデルを用いて算出。
2. 車両停止頻度: 交通波理論から導出。
3. グリーンウェーブ帯域幅の欠損: 理論上の最大帯域幅と実際の帯域幅の差。複雑なモジュロ演算を避けるため、幾何学的な時空間マッピング手法を用いて算出。
4. ネットワークCO₂排出量: 遅延および停止指標と排出量を結びつける、実証データによって較正されたマクロレベルの回帰モデルを用いて推定。

制約条件には、サイクル長、グリーン時間の境界、および飽和度（0.95以下に維持）の物理的制限が含まれる。

2.2 提案アルゴリズム: PSAC-DE

本論文では、**集団状態認識型協調適応型差分進化法（Population State-Aware Cooperative Adaptive Differential Evolution: PSAC-DE）を導入している。核心となる革新技術は、リアルタイムの「集団状態」変数（$\sigma$）に基づく閉ループ共進化システムを通じて、4つの適応モジュールを統合する統一状態コントローラ（Unified State Controller: USC）**である。

• 集団状態の認識: 統合された状態インジケータ（$\sigma$）は、正規化されたハイパーボリューム（収束性）と集団の多様性指標を融合させることで算出される。このインジケータは、進化プロセスを探索（Exploration）、遷移（Transition）、**活用（Exploitation）**の3つの状態に分割する。ヒステリシス機構と移動平均フィルタにより、安定した状態遷移を保証する。
• UCBに基づく戦略学習: 6つの変異戦略のプールが、上方信頼限界（Upper Confidence Bound: UCB）メカニズムを用いて管理される（例：初期段階では探索指向の戦略が優先される）。
• SHADEに基づくパラメータ適応: 制御パラメータ（$F$ および $CR$）は、成功履歴メモリ（SHADE）からサンプリングされるが、**状態依存型の切り捨て（truncation）**を受ける。探索時にはステップサイズを大きくする方向へ、活用時には微調整を行う方向へと、メモリ更新プロセスにバイアスオフセットが適用される。
• 動的なサブ集団スケジューリング: 集団は、状態 $\sigma$ に従って変化する比率に基づき、3つのサブ集団（探索、バランス、活用）に動的に分割される。集団間の孤立を防ぐため、エリート共有と共有履歴メモリを介した知識転送が行われる。
• 制約処理: 階層的な修復メカニズム（サイクルバランス、境界切り捨て、飽和修復）およびペナルティ関数を用い、実行不可能な解が厳格に処理されることを保証し、実行可能な解が常に実行不可能な解よりも優位となるようにする。

2.3 意思決定フレームワーク

パレートフロントから展開可能な解を選択するために、本研究では**エントロピー重み付けTOPSIS（EW-TOPSIS）**法を採用している。この目的後処理アプローチは、情報エントロピーに基づいて重みを計算し、理想的な正のベースラインに対する最大接近係数を持つ解を選択する。

3. 主な貢献

1. 状態認識型協調制御（SACC）フレームワーク: 既存の適応型DEが各モジュールを独立して調整するのに対し、本フレームワークは統一された集団状態表現を確立し、変異戦略、パラメータ適応、およびサブ集団スケジューリングを同時に調整する。
2. PSAC-DE アルゴリズム: UCB戦略学習、SHADEパラメータ適応、および動的サブ集団スケジューリングを統合し、これらすべてを共有された状態情報によって制御することで、進化フェーズ全体にわたって一貫した探索行動を保証する新しいアルゴリズム。
3. 4目的幹線道路モデル: 遅延、停止、および炭素排出量を最小化すると同時に、グリーンウェーブ帯域幅を最大化する包括的な最適化モデルを提供し、現代の都市交通管理における多次元的な要求に対応する。

4. 実験結果

アルゴリズムは、中国・杭州の6交差点の幹線道路において、過飽和（Over-saturated）、ピーク飽和（Peak-saturated）、**確率的変動（Stochastic Fluctuation）**の3つの交通シナリオの下で検証された。性能は、30回の独立した試行にわたり、7つのベースラインアルゴリズム（NSGA-II, MOEA/D, JADE, SHADE, L-SHADE, MSDE）と比較された。

• 性能指標: PSAC-DEは、すべてのシナリオにおいて、ハイパーボリューム（HV）、逆世代距離（IGD）、およびスプレッド（Spread）の指標で一貫してベースラインを上回った。例えば、過飽和シナリオにおいて、PSAC-DEは0.1272のHVを達成し、これは2番目に優れたL-SHADEの0.1246と比較して、IGDにおいて27.1%の改善を示した。
• 統計的有意性: 非パラメトリックなウィルコクソンの符号付順位検定およびフリードマン検定により、性能の向上は統計的に有意であることが確認された（$p < 0.05$）。
• アブレーション研究: 集団状態認識（SA）モジュールを除去すると、HVが17.9%減少するという最も顕著な性能低下が見られ、SAモジュールが「中核となる駆動脳」としての役割を果たしていることが確認された。他のモジュール（UCB、サブ集団、SHADE）も同様にプラスの寄与を示したが、SAモジュールが最も重要であった。
• 運用のメリット: ピーク飽和シナリオに適用した場合、最適化されたタイミング計画（EW-TOPSISにより選択）は、従来の定時制御スキームに対して大幅な改善を示した：
  • 平均遅延: 25.1% 減少（68.4秒から51.2秒へ）。
  • 車両停止: 44.8% 減少（1.43から0.79回/台へ）。
  • グリーンウェーブ帯域幅: 133% 増加（比率が0.18から0.42へ）。
  • CO₂排出量: 26.6% 減少（145.6 g/sから106.9 g/sへ）。
  • スループット: 3680 から 4015 veh/h へ増加。

5. 意義と主張

本論文は、既存のDEバリアントに共通する「戦略とパラメータのミスマッチ」を解決する、厳密で統一された集団状態認識フレームワークを導入することにより、PSAC-DEが適応型進化計算の理論的パラダイムを進展させたと主張している。

実用面において、本研究は提案手法が、多交差点の都市幹線道路の調整に適用可能な、展開準備の整った効率的なソリューションを提供することを断言している。本手法は、高い運用効率と低炭素な環境目標をうまく両立させ、広範な手動パラメータ調整を必要とせずに、都市の交通渋滞緩和と自動車の炭素排出量削減のための堅牢な戦略を提供する。結果は、このアルゴリズムが複雑で制約のある交通ネットワークにおける実社会の実装に向けた強いエンジニアリング価値を有していることを示唆している。