Resumo Técnico: Evolução Diferencial Adaptativa Cooperativa Sensível ao Estado da População para Coordenação de Tráfego em Artérias com Múltiplos Objetivos

1. Definição do Problema

A rápida urbanização e o aumento dos volumes de veículos levaram a um congestionamento severo em artérias, caracterizado por longos atrasos de viagem, paradas frequentes e elevação das emissões de carbono. O controle de sinalização convencional de tempo fixo carece de adaptabilidade para lidar com fluxos de tráfego dinâmicos, particularmente durante períodos de pico ou surtos estocásticos. Embora algoritmos metaheurísticos como a Evolução Diferencial (DE) tenham sido aplicados à otimização de sinais de trânsito, as variantes padrão de DE sofrem de várias limitações críticas neste domínio:

• Sensibilidade de Parâmetros: O desempenho é altamente dependente de hiperparâmetros ajustados manualmente (fator de escala $F$ e taxa de cruzamento $CR$).
• Convergência Prematura: A falta de equilíbrio entre exploração global e explotação local frequentemente leva à estagnação em espaços de solução complexos, de alta dimensão e fortemente restritos.
• Adaptação Isolada: As variantes de DE adaptativas existentes tipicamente desacoplam a adaptação de parâmetros, a seleção de estratégia de mutação e o gerenciamento de população, carecendo de um mecanismo unificado para responder ao estado evolutivo em tempo real.
• Limitações do Modelo: Os modelos atuais de otimização de tráfego frequentemente falham em abordar simultaneamente objetivos multidimensionais, como vazão (throughput), eficiência operacional, economia de combustível e mitigação de emissões.

2. Metodologia

2.1 Modelo de Otimização

O estudo formula um problema de otimização de múltiplos objetivos, de alta dimensão e restrito, para um corredor arterial de seis interseções. O vetor de decisão inclui o tempo de ciclo comum do sistema, os tempos de verde efetivo para cada fase em cada interseção e os deslocamentos (offsets) de fase relativos. O modelo minimiza quatro objetivos conflitantes:

1. Atraso Médio do Veículo: Calculado utilizando um modelo abrangente de Webster–Akçelik.
2. Frequência de Paradas de Veículos: Derivada da teoria de ondas de tráfego.
3. Déficit de Largura de Banda da Onda Verde: A lacuna entre a largura de banda real e a teórica máxima, calculada via um método de mapeamento espaço-temporal geométrico para evitar operações de módulo complexas.
4. Emissões de CO₂ na Rede: Estimadas usando um modelo de regressão de nível macro calibrado com dados empíricos, vinculando emissões a métricas de atraso e paradas.

As restrições incluem limites físicos nos tempos de ciclo, limites de tempo de verde e graus de saturação (mantidos $\leq 0,95$).

2.2 Algoritmo Proposto: PSAC-DE

O artigo introduz a Evolução Diferencial Adaptativa Cooperativa Sensível ao Estado da População (PSAC-DE). A inovação central é um Controlador de Estado Unificado (USC) que integra quatro módulos adaptativos em um sistema de coevolução de malha fechada baseado em uma variável de "estado da população" ($\sigma$) em tempo real.

• Sensibilidade ao Estado da População: Um indicador de estado unificado ($\sigma$) é computado fundindo métricas de Hipervolume (convergência) normalizadas e de diversidade populacional. Este indicador particiona o processo evolutivo em três estados: Exploração, Transição e Explotação. Um mecanismo de histerese e um filtro de média móvel garantem transições de estado estáveis.
• Aprendizado de Estratégia Baseado em UCB: Um conjunto de seis estratégias de mutação é gerenciado por um mecanismo de Limite de Confiança Superior (UCB); o conjunto de estratégias é dinamicamente restrito com base no estado evolutivo atual (por exemplo, estratégias orientadas à exploração são priorizadas na fase inicial).
• Adaptação de Parâmetros Baseada em SHADE: Os parâmetros de controle ($F$ e $CR$) são amostrados de uma memória de histórico de sucesso (SHADE), mas estão sujeitos a uma truncagem dependente do estado. Desvios (bias) são aplicados ao processo de atualização da memória para derivar os parâmetros em direção a tamanhos de passo maiores durante a exploração e ajustes mais finos durante a explotação.
• Escalonamento Dinâmico de Subpopulações: A população é dinamicamente particionada em três subpopulações (Exploração, Equilibrada, Explotação) com proporções que mudam de acordo com o estado $\sigma$. A transferência de conhecimento ocorre entre as subpopulações via compartilhamento de elites e uma memória de histórico compartilhada para evitar isolamento.
• Tratamento de Restrições: Um mecanismo de reparo hierárquico (equilíbrio de ciclo, truncamento de fronteira, reparo de saturação) e uma função de penalidade garantem que soluções inviáveis sejam tratadas rigorosamente, com soluções viáveis sempre dominando as inviáveis.

2.3 Estrutura de Decisão

Para selecionar uma solução implantável da fronteira de Pareto, o estudo utiliza o método Entropia de Peso-TOPSIS (EW-TOPSIS). Esta abordagem de pós-processamento de objetivos calcula pesos baseados na entropia de informação e seleciona a solução com o maior coeficiente de proximidade em relação à linha de base positiva ideal.

3. Principais Contribuições

1. Estrutura de Controle Cooperativo Sensível ao Estado (SACC): Ao contrário das DEs adaptativas existentes que ajustam módulos independentemente, esta estrutura estabelece uma representação unificada de estado populacional para coordenar simultaneamente estratégias de mutação, adaptação de parâmetros e escalonamento de subpopulações.
2. Algoritmo PSAC-DE: Um novo algoritmo que integra aprendizado de estratégia UCB, adaptação de parâmetros SHADE e escalonamento dinâmico de subpopulações, todos regulados por informações de estado compartilhadas para garantir um comportamento de busca consistente através das fases evolutivas.
3. Modelo de Artéria de Quatro Objetivos: Um modelo de otimização abrangente que minimiza simultaneamente atraso, paradas e emissões de carbono, enquanto maximiza a largura de banda da onda verde, atendendo às demandas multidimensionais da gestão de tráfego urbano moderna.

4. Resultados Experimentais

O algoritmo foi validado em um corredor arterial de seis interseçõesções em Hangzhou, China, sob três cenários de tráfego: Supersaturado, Pico-saturado e Flutuação Estocástica. O desempenho foi comparado contra sete algoritmos de base (NSGA-II, MOEA/D, JADE, SHADE, L-SHADE, MSDE) ao longo de 30 execuções independentes.

• Métricas de Desempenho: O PSAC-DE superou consistentemente todos os algoritmos de base em métricas de Hipervolume (HV), Distância Generacional Invertida (IGD) e Dispersão (Spread) em todos os cenários. Por exemplo, no cenário supersaturado, alcançou um HV de 0,1272 comparado a 0,1246 para o segundo melhor (L-SHADE), com uma melhoria de 27,1% no IGD.
• Significância Estatística: Testes de Wilcoxon Signed-Rank e Friedman não paramétricos confirmaram que as melhorias de desempenho foram estatisticamente significativas ($p < 0,05$).
• Estudos de Ablação: A remoção do módulo de Sensibilidade ao Estado da População (SA) causou a queda de desempenho mais significativa (redução de 17,9% no HV), confirmando seu papel como o "cérebro motor central". Outros módulos (UCB, Subpopulação, SHADE) também contribuíram positivamente, sendo o módulo SA o mais crítico.
• Benefícios Operacionais: Quando aplicado ao cenário de pico-saturação, o plano de tempo otimizado (selecionado via EW-TOPSIS) demonstrou melhorias substanciais em relação aos esquemas pré-programados convencionais:
  • Atraso Médio: Reduzido em 25,1% (de 68,4s para 51,2s).
  • Paradas de Veículos: Reduzido em 44,8% (de 1,43 para 0,79 paradas/veículo).
  • Largura de Banda da Onda Verde: Aumentada em 133% (razão de 0,18 para 0,42).
  • Emissões de CO₂: Reduzido em 26,6% (de 145,6 g/s para 106,9 g/s).
  • Vazão (Throughput): Aumentou de 3680 para 4015 veh/h.

5. Significância e Alegações

O artigo afirma que o PSAC-DE avança o paradigma teórico da computação evolutiva adaptativa ao introduzir uma estrutura rigorosa de sensibilidade ao estado populacional unificado que resolve o "desajuste de estratégia-parâmetro" comum nas variantes de DE existentes.

Praticamente, o estudo assegura que o método proposto oferece uma solução eficiente e pronta para implantação para a coordenação de artérias urbanas com múltiplas interseções. Ele equilibra com sucesso a alta eficiência operacional com os objetivos ambientais de baixa emissão de carbono, oferecendo uma estratégia robusta para mitigar o congestionamento do tráfego urbano e reduzir as emissões de carbono automotivo sem exigir ajustes manuais extensos de parâmetros. Os resultados sugerem que o algoritmo possui forte valor de engenharia para implementação no mundo real em redes de tráfego complexas e restritas.