💻 computer science

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

Dit artikel stelt een Population State-Aware Cooperative Adaptive Differential Evolution (PSAC-DE) algoritme voor met een unificerende staatcontroller om een vier-doelstellingen arterieel verkeerssignaalcoördinatiemodel op te lossen, waarbij significante verbeteringen in vertraging, stops, groenegolfbreedte en koolstofemissies worden aangetoond ten opzichte van mainstream optimalisaties in gesimuleerde Hangzhou-scenario's.

Oorspronkelijke auteurs: Bing Bai, Chengzhi Wang, Zhimeng Li, Xiaozheng Li

Gepubliceerd 2026-07-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bing Bai, Chengzhi Wang, Zhimeng Li, Xiaozheng Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een drukke stadsstraat voor met zes verkeerslichten op een rij. Op dit moment werken deze lichten vaak tegen elkaar in: je krijgt een groen licht, rijdt een stukje, en komt dan direct weer een rood licht tegen, waardoor je gedwongen wordt te stoppen, op te trekken en weer te stoppen. Dit "stop-en-ga"-patroon verspilt tijd, verbruikt extra brandstof en creëert veel CO2-emissies.

Dit artikel introduceert een nieuwe, slimmere manier om deze verkeerslichten te besturen met behulp van een computeralgoritme genaamd PSAC-DE. Zie dit als een zeer intelligente verkeersdirigent die niet simpelweg een vast schema volgt, maar in realtime leert en zich aanpast om de verkeersdoorstroming soepel te houden.

Hier is een uitsplitsing van hoe het werkt, met behulp van eenvoudige analogieën:

1. Het Probleem: Het "Vaste" versus het "Chaotische"

Traditionele verkeerslichten zijn als een metronoom: ze tikken met dezelfde snelheid, ongeacht wat er gebeurt. Als het verkeer licht is, geven ze je nog steeds een lang groen licht. Als het verkeer zwaar is, geven ze je misschien niet genoeg tijd, wat zorgt voor een opstopping.
Standaard computeralgoritmen die proberen dit op te lossen, zijn als beginnende schakers. Ze zijn goed in het verplaatsen van stukken, maar ze raken vaak gestrand in dezelfde patronen, maken fouten wanneer het bord ingewikkelder wordt, en worstelen met het balanceren van verschillende doelen (zoals auto's snel laten rijden en hen voorkomen dat ze de lucht vervuilen).

2. De Oplossing: Het "Slimme Team" (PSAC-DE)

De auteurs hebben een nieuw algoritme ontwikkeld genaamd Population State-Aware Cooperative Adaptive Differential Evolution (PSAC-DE). Dat is een mondvol, dus laten we het in drie eenvoudige ideeën opdelen:

Het "Team" (Populatie): In plaats van één computer die het puzzelstukje probeert op te lossen, stel je je een team van 100 verschillende "verkeersplanners" voor die tegelijkertijd aan het werk zijn.
De "State Awareness" (De Coach): Dit is de grote innovatie van het artikel. Meestal werken deze teams geïsoleerd. In dit nieuwe systeem is er een centrale coach (de Unified State Controller) die het hele team in de gaten houdt.
- In het begin van het spel: De coach ziet dat het team nieuwe ideeën verkent en vertelt hen om gedurfd te zijn en wilde, verschillende strategieën uit te proberen.
- Later in het spel: De coach ziet dat het team dicht bij een oplossing is en vertelt hen om te focussen, te verfijnen en de beste ideeën te polijsten.
- De Magie: De coach controleert constant de "stemming" van het team (zitten ze vast? zijn ze in de war?) en past de regels voor iedereen onmiddellijk aan om de voortgang te waarborgen.
De "Coöperatie" (Cooperative Adaptive): De teamleden werken niet alleen. Ze delen hun beste trucs. Als één planner een geweldige manier vindt om een licht te timen, helpt de coach om die truc te verspreiden naar de anderen die moeite hebben.

3. Het Doel: Het Balanceren van Vier Tegenstrijdige Verlangens

Het algoritme probeert een zeer moeilijke puzzel op te lossen met vier doelen die vaak met elkaar in strijd zijn:

Minder Wachten: Minimaliseer hoe lang auto's bij rode lichten stilstaan.
Minder Stops: Minimaliseer hoe vaak auto's moeten remmen en optrekken.
Groene Golf: Maximaliseer de "groene golf" (de tijd dat je kunt doorrijden zonder een rood licht te raken).
Schonere Lucht: Minimaliseer de CO2-emissies.

Analogie: Stel je voor dat je een taart probeert te bakken die zoet, laag in calorieën, goedkoop en snel te maken is. Meestal maakt het zoet maken de taart calorierijk; het goedkoop maken zorgt ervoor dat het langer duurt. Het algoritme vindt het perfecte "sweet spot" waarbij je een geweldige taart krijgt zonder op één van de fronten te veel concessies te doen.

4. De Resultaten: Een Test in de Praktijk

De onderzoekers hebben dit systeem getest op een echte weg met zes kruispunten in Hangzhou, China, onder drie verschillende verkeersomstandigheden:

Zwaar Verkeer (Oververzadigd): Wanneer de weg verstopt is.
Spitstijd: Wanneer het druk is maar het verkeer nog wel beweegt.
Willekeurig Verkeer: Wanneer het verkeer onvoorspelbaar is.

Ze vergeleken hun "Slimme Team" met zeven andere populaire methoden voor verkeersregeling. De resultaten waren duidelijk:

Het "Slimme Team" won in bijna elke categorie.
Vertragingen daalden met 25%: Auto's brachten veel minder tijd wachtend door.
Stops daalden met 45%: Auto's stopten minder vaak, wat zorgt voor een soepeler rijervaring.
De Groene Golf breidde uit met 133%: De "groene golf" (het vermogen om door te rijden zonder te stoppen) verdubbelde meer dan.
Emissies daalden met 27%: Omdat auto's minder vaak stationair draaiden of optrokken, produceerde de weg aanzienlijk minder vervuiling.

5. De Definitieve Beslissing: De Winnaar Kiezen

Omdat het algoritme veel goede oplossingen produceert (een "Pareto front"), gebruikten de onderzoekers een wiskundig instrument genaamd EW-TOPSIS om het ene beste plan te kiezen om daadwerkelijk te installeren. Denk aan een rechter die alle taarten proeft die het team heeft gemaakt en degene kiest die de perfecte balans is tussen smaak, gezondheid en kosten.

Samenvatting

Kortom, dit artikel presenteert een nieuw, zelfcorrigerend computerbrein voor verkeerslichten. In tegen tegenstelling tot oude systemen die rigide regels volgen, fungeert dit systeem als een dynamische coach die het verkeer observeert, aanvoelt wanneer het team vastloopt, en onmiddellijk de strategie aanpast om auto's in beweging te houden, stops te minimaliseren en de lucht schoner te houden. Het bewees aanzienlijk beter te zijn dan bestaande methoden in een echte stedelijke omgeving.

Technische Samenvatting: Population State-Aware Cooperative Adaptive Differential Evolution voor Multi-Objective Arteriele Verkeerslichtcoördinatie

1. Probleemstelling

Snelle verstedelijking en toenemende voertuigvolumes hebben geleid tot ernstige arteriële congestie, gekenmerkt door lange reistijden, frequente stops en verhoogde koolstofemissies. Conventionele vaste signaalregeling mist het aanpassingsvermogen om dynamische verkeersstromen te verwerken, met name tijdens piekuren of stochastische pieken. Hoewel metaheuristische algoritmen zoals Differential Evolution (DE) zijn toegepast op verkeerssignaaloptimalisatie, lijden standaard DE-varianten onder verschillende kritieke beperkingen in dit domein:

Parametergevoeligheid: Prestaties zijn sterk afhankelijk van handmatig afgestelde hyperparameters (schaalfactor $F$ en crossover-snelheid $CR$).
Voortijdige Convergentie: Een gebrek aan balans tussen globale exploratie en lokale exploitatie leidt vaak tot stagnatie in complexe, hoogdimensionale en strikt begrensde oplassingsruimtes.
Geïsoleerde Adaptatie: Bestaande adaptieve DE-varianten koppelen parameteradaptatie, mutatiestrategie-selectie en populatiebeheer doorgaans los van elkaar, waardoor ze een gecombineerd mechanisme missen om te reageren op real-time evolutionaire staten.
Modelbeperkingen: Huidige verkeersoptimalisatiemodellen slagen er vaak niet in om simultaan meerdere dimensies van doelstellingen aan te pakken, zoals doorstroom, operationele efficiëntie, brandstofverbruik en emissiereductie.

2. Methodologie

2.1 Optimalisatiemodel

De studie formuleert een hoogdimensionaal, begrensd multi-objectief optimalisatieprobleem voor een arteriële corridor van zes kruispunten. De beslissingsvector omvat de gemeenschappelijke cyclusduur van het systeem, de effectieve groentijden voor elke fase bij elk kruispunt en de relatieve fase-offsets. Het model minimaliseert vier conflicterende doelstellingen:

Gemiddelde Voertuigvertraging: Berekend met behulp van een uitgebreid Webster–Akçelik-model.
Frequentie van Voertuigstops: Afgeleid van de verkeersgolftheorie.
Groene Golf Bandbreedte Deficiënt: Het gat tussen de werkelijke en theoretische maximale bandbreedte, berekend via een geometrische spatio-temporele mappingmethode om complexe modulo-operaties te vermijden.
Netwerk CO₂-emissies: Geschat met behulp van een macro-niveau regressiemodel gekalibreerd met empirische gegevens, waarbij emissies worden gekoppeld aan vertragings- en stopmetrieken.

Beperkingen omvatten fysieke limieten op cyclustijden, grenzen voor groentijden en verzadigingsgraden (gehandhaafd $\leq 0,95$ ).

2.2 Voorgesteld Algoritme: PSAC-DE

Het artikel introduceert Population State-Aware Cooperative Adaptive Differential Evolution (PSAC-DE). De kerninnovatie is een Unified State Controller (USC) die vier adaptieve modules integreert in een closed-loop co-evolutionair systeem gebaseerd op een real-time "populatie-staat" variabele ( $\sigma$ ).

Population State Awareness: Een unieke staat-indicator ( $\sigma$ ) wordt berekend door genormaliseerde Hypervolume (convergentie) en populatie-diversiteitsmetrieken te fuseren. Deze indicator verdeelt het evolutionaire proces in drie staten: Exploratie, Transitie en Exploitatie. Een hysteresis-mechanisme en een voortschrijdend gemiddelde filter zorgen voor stabiele staatsovergangen.
UCB-gebaseerd Strategie-leren: Een pool van zes mutatiestrategieën wordt beheerd met behulp van een Upper Confidence Bound (UCB)-mechanisme. De strategiepool wordt dynamisch beperkt op basis van de huidige evolutionaire staat (bijv. worden exploratie-georiënteerde strategieën geprioriteerd in de vroege fase).
SHADE-gebaseerde Parameteradaptatie: Controleparameters ( $F$ en $CR$) worden gesampled uit een success-history geheugen (SHADE), maar zijn onderhevig aan staat-afhankelijke truncatie. Bias-offsets worden toegepast op het geheugenupdateproces om parameters te laten driften naar grotere stapgroottes tijdens exploratie en fijnere afstemming tijdens exploitatie.
Dynamische Subpopulatie Planning: De populatie wordt dynamisch verdeeld in drie subpopulaties (Exploratie, Gebalanceerd, Exploitatie) met ratio's die verschuiven volgens de staat $\sigma$ . Kennisoverdracht vindt plaats tussen subpopulaties via elite-deling en een gedeeld geschiedenismegeheugen om isolatie te voorkomen.
Constraint Handling: Een hiërarchisch herstelmechanisme (cyclusbalans, grenstruncatie, verzadigingsherstel) en een straffunctie zorgen ervoor dat onhaalbare oplossingen strikt worden behandeld, waarbij haalbare oplossingen altijd onhaalbare oplossingen domineren.

2.3 Beslissingskader

Om een inzetbare oplossing uit het Pareto-front te selecteren, gebruikt de studie een Entropy Weight-TOPSIS (EW-TOPSIS) methode. Deze doelpost-verwerkingsbenadering berekent gewichten op basis van informatie-entropie en selecteert de oplossing met de maximale nabijheidscoëfficiënt tot de ideale positieve baseline.

3. Belangrijkste Bijdragen

State-Aware Cooperative Control (SACC) Framework: In tegen tegenstelling tot bestaande adaptieve DE's, vestigt dit framework een uniek populatie-staat-representatie om mutatiestrategieën, parameteradaptatie en subpopulatieplanning simultaan te coördineren.
PSAC-DE Algoritme: Een nieuw algoritme dat UCB-strategie-leren, SHADE-parameteradaptatie en dynamische subpopulatieplanning integreert, die allemaal gereguleerd worden door gedeelde staat-informatie om een consistente zoekgedrag over evolutionaire fasen heen te garanderen.
Vier-doelstellingen Arterieel Model: Een uitgebreid optimalisatiemodel dat simultaan vertraging, stops en koolstofemissies minimaliseert terwijl het de groene golf bandbreedte maximaliseert, wat voldoet aan de meerdimensionale eisen van modern stedelijk verkeersbeheer.

4. Experimentele Resultaten

Het algoritme werd gevalideerd op een arteriële corridor van zes kruispunten in Hangzhou, China, onder drie verkeersscenario's: Oververzadigd, Piekverzadigd en Stochastische Fluctuatie. De prestaties werden vergeleken met zeven baseline-algoritmen (NSGA-II, MOEA/D, JJade, SHADE, L-SHADE, MSDE) over 30 onafhankelijke runs.

Prestatie-metrieken: PSAC-DE presteerde consequent beter dan alle baselines in Hypervolume (HV), Inverted Generational Distance (IGD) en Spread-metrieken over alle scenario's. Zo behaalde het in het oververzadigde scenario een HV van 0,1272 vergeleken met 0,1246 voor de op één na beste (L-SHADE), met een verbetering van 27,1% in IGD.
Statistische Significantie: Niet-parametrische Wilcoxon Signed-Rank en Friedman-testen bevestigden dat de prestatieverbeteringen statistisch significant waren ( $p < 0,05$ ).
Ablatie-studies: Het verwijderen van de Population State Awareness (SA) module veroorzaakte de meest significante prestatiedaling (een reductie van 17,9% in HV), wat bevestigt dat het de "kern drijvende hersenen" is. Andere modules (UCB, Subpopulatie, SHADE) droegen ook positief bij, waarbij de SA-module de meest kritieke was.
Operationele Voordelen: Wanneer toegepast op het piekverzadigde scenario, vertoonde het geoptimaliseerde tijdsplan (geselecteerd via EW-TOPSIS) aanzienlijke verbeteringen ten opzichte van conventionele vaste schema's:
- Gemiddelde Vertraging: Verminderd met 25,1% (van 68,4s naar 51,2s).
- Voertuigstops: Verminderd met 44,8% (van 1,43 naar 0,79 stops/voertuig).
- Groene Golf Bandbreedte: Toegenomen met 133% (ratio van 0,18 naar 0,42).
- CO₂-emissies: Verminderd met 26,6% (van 145,6 g/s naar 106,9 g/s).
- Doorstroom: Toegenomen van 3680 naar 4015 voert./uur.

5. Betekenis en Claims

Het artikel claimt dat PSAC-DE het theoretische paradigma van adaptieve evolutionaire computatie vooruit helpt door een rigoureus, verenigd populatie-staat-bewust framework te introduceren dat de veelvoorkomende "strategie-parameter mismatch" bij bestaande DE-varianten oplost.

In de praktijk stelt de studie dat de voorgestelde methode een efficiënte, inzetbare oplossing biedt voor multi-kruispunt stedelijke arteriële coördinatie. Het slaagt erin een evenwicht te vinden tussen hoge operationele efficiëntie en laag-koolstof milieu-doelstellingen, en biedt een robuuste strategie voor het verzachten van stedelijke verkeersopstoppingen en het verminderen van de CO₂-emissies van auto's zonder dat uitgebreide handmatige parameterafstemming nodig is. De resultaten suggereren dat het algoritme een sterke technische waarde bezit voor real-world implementatie in complexe, begrensde verkeersnetwerken.