💻 computer science

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

本文提出了一种具有统一状态控制器的群体状态感知协同自适应差分进化（PSAC-DE）算法，用于解决四目标动脉交通信号协调模型，并在杭州模拟场景中证明了与主流优化算法相比，该算法在延迟、停车次数、绿波带宽和碳排放方面具有显著改进。

原作者： Bing Bai, Chengzhi Wang, Zhimeng Li, Xiaozheng Li

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Bing Bai, Chengzhi Wang, Zhimeng Li, Xiaozheng Li

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下一条繁忙的城市街道，上面排列着六个交通灯。现在，这些灯经常互相掣肘：你刚变绿灯，开了一段路，接着又遇到红灯，迫使你停车、起步、再停车。这种“走走停停”的模式浪费了时间，消耗了额外的燃料，并产生了大量的碳排放。

本论文介绍了一种更智能的交通灯控制方法，使用的是一种名为 PSAC-DE 的计算机算法。你可以把它想象成一个高度智能的交通指挥家，它不仅仅是遵循固定的时间表，而是能够实时学习并适应，以保持交通顺畅流动。

以下是其工作原理的详细分解，使用了简单的类比：

1. 问题所在：“固定式” vs. “混乱式”

传统的交通灯就像是一个节拍器：无论情况如何，它们都以同样的速度滴答作响。如果交通量很小，它们仍然会给一个很长的绿灯；如果交通量很大，它们可能无法提供足够的时间，从而导致拥堵。
试图解决这一问题的标准计算机算法则像是新手棋手。他们擅长移动棋子，但往往会陷入同样的模式，在局面变得复杂时会犯错，并且难以平衡不同的目标（例如，既要让汽车行驶快速，又要减少它们产生的污染）。

2. 解决方案：“智能团队” (PSAC-DE)

作者创建了一种名为 群体状态感知协作自适应差分进化算法 (PSAC-DE) 的新算法。这个名字很长，让我们将其拆解为三个简单的概念：

“团队”（群体/Population）： 想象不是由一台计算机在尝试解开谜题，而是由 100 个不同的“交通规划师”同时工作。
“状态感知”（教练/State Awareness）： 这是本文的核心创新。通常，这些团队是在孤立状态下工作的。而在这种新系统中，有一个中央教练（称为统一状态控制器）在观察整个团队。
- 在游戏早期： 教练看到团队正在探索新想法，于是告诉他们要大胆，尝试各种大胆且不同的策略。
- 在游戏后期： 教练看到团队接近了解决方案，于是告诉他们要专注、精炼并完善最好的想法。
- 神奇之处： 教练不断检查团队的“情绪”（他们是卡住了？还是感到困惑？），并即时调整每个人的规则，以保持前进的动力。
“协作”（协作自适应/Cooperative Adaptive）： 团队成员并不只是单独工作。他们会分享彼此的最佳技巧。如果一名规划师找到了一个控制灯光时间的绝佳方法，教练会帮助将这个技巧传播给其他遇到困难的成员。

3. 目标：平衡四个相互冲突的愿望

该算法试图解决一个非常困难的谜题，其中包含四个经常相互竞争的目标：

减少等待： 最大程度减少车辆在红灯前停留的时间。
减少停车： 最大程度减少车辆刹车和加速的次数。
绿波效应： 最大化“绿波”（即你可以无需停车连续行驶的时间长度）。
更清洁的空气： 最大程度减少碳排放。

类比： 想象你要烤一个既甜美、又低热量、既便宜又制作快速的蛋糕。通常，让蛋糕变甜会让它热量升高；让它变便宜会让制作过程变长。该算法寻找的是那个完美的“甜蜜点”，让你在不牺牲太多任何一项指标的前提下，得到一个完美的蛋糕。

4. 结果：实地测试

研究人员在中国杭州的一个包含六个交叉口的道路上，针对三种不同的交通状况测试了该系统：

重度交通（过饱和）： 当道路拥堵时。
高峰交通： 当交通繁忙但仍在流动时。
随机交通： 当交通情况难以预测时。

他们将他们的“智能团队”与七种流行的其他交通控制方法进行了对比。结果非常明确：

“智能团队”胜出了： 在几乎所有类别中都表现优异。
延迟降低了 25%： 车辆等待的时间大大减少。
停车次数减少了 45%： 车辆停车的频率降低，意味着驾驶更加顺畅。
绿波效应扩大了 133%： “绿波”（即无需停车即可通过的能力）提高了一倍多。
排放量下降了 27%： 因为车辆不再频繁怠速或加速，道路产生的污染显著减少。

5. 最终决策：挑选赢家

由于算法会产生许多优秀的解（即“帕累托前沿”），研究人员使用了一种名为 EW-TOPSIS 的数学工具来挑选出实际安装的最佳方案。你可以把这想象成一位评委在品尝所有团队制作的蛋糕，并选出那个在口味、健康和成本之间达到完美平衡的蛋糕。

总结

简而言之，这篇论文展示了一个全新的、具有自我修正能力的交通灯“计算机大脑”。不同于遵循僵化规则的旧系统，该系统就像一个动态教练，观察交通状况，感知团队是否陷入困境，并立即改变策略，以保持车辆流动、减少停车次数并净化空气。事实证明，在真实的城市环境中，它比现有方法要出色得多。

技术摘要：面向多目标干道交通信号协调的群体状态感知协同自适应差分进化算法

1. 问题陈述

快速城市化和车辆流量的增加导致了严重的干道拥堵，其特征是长旅行延迟、频繁停车以及碳排放升高。传统的定时信号控制缺乏应对动态交通流（特别是高峰时段或随机激增）的适应能力。虽然元启发式算法（如差分进化算法 DE）已被应用于交通信号优化，但标准的 DE 变体在这一领域面临若干关键局限性：

参数敏感性： 性能高度依赖于手动调优的超参数（缩放因子 $F$ 和交叉概率 $CR$）。
早熟收敛： 全局探索与局部开发之间缺乏平衡，导致在复杂、高维且约束严苛的解空间中容易陷入停滞。
孤立的自适应性： 现有的自适应 DE 变体通常将参数自适应、变异策略选择和种群管理解耦，缺乏一种能够响应实时进化状态的统一机制。
模型局限性： 当前的交通优化模型往往无法同时兼顾多维目标，如吞吐量、运行效率、燃油经济性和排放缓解。

2. 研究方法

2.1 优化模型

本研究针对一个六交叉口干道构建了一个高维、受约束的多目标优化问题。决策向量包括系统的公共周期时间、每个交叉口各相位下的有效绿灯时间以及相对相位偏移。该模型最小化四个冲突的目标：

平均车辆延迟： 使用综合的 Webster–Akçelik 模型进行计算。
车辆停车频率： 基于交通波理论推导。
绿波带宽缺失值： 实际带宽与理论最大带宽之间的差距，通过几何时空映射法计算，以避免复杂的模运算。
网络 CO₂ 排放量： 使用经过经验数据校准的宏观回归模型进行估算，将排放量与延迟和停车指标挂钩。

约束条件包括周期长度的物理限制、绿灯时间边界以及饱和度（保持 $\leq 0.95$ ）。

2.2 提出的算法：PSAC-DE

本文引入了群体状态感知协同自适应差分进化算法 (PSAC-DE)。其核心创新在于一个统一状态控制器 (USC)，该控制器基于实时“群体状态”变量 ( $\sigma$ )，将四个自适应模块集成到一个闭环协同进化系统中。

群体状态感知： 通过融合归一化的超体积 (Hypervolume, 收敛性) 和种群多样性指标，计算出一个统一的状态指示器 ( $\sigma$ )。该指标将进化过程划分为三个阶段：探索 (Exploration)、过渡 (Transition) 和 开发 (Exploitation)。滞后机制和移动平均滤波器确保了状态转换的稳定性。
基于 UCB 的策略学习： 使用上置信界 (UCB) 机制管理包含六种变异策略的策略池。策略池根据当前进化状态进行动态限制（例如，在早期阶段优先考虑面向探索的策略）。
基于 SHADE 的参数自适应： 控制参数 ( $F$ 和 $CR$) 从成功历史记忆 (SHADE) 中采样，但受到状态相关截断的约束。在更新记忆过程中应用偏差偏移，使参数在探索阶段向较大的步长漂移，在开发阶段向精细调节方向漂移。
动态子群体调度： 将种群动态划分为三个子群体（探索型、平衡型、开发型），其比例根据状态 $\sigma$ 进行偏移。通过精英共享和共享历史记忆实现子群体间的知识传递，以防止孤立。
约束处理： 采用层次化修复机制（周期平衡、边界截断、饱和度修复）和惩罚函数，确保严格处理不可行解，且可行解始终优于不可行解。

2.3 决策框架

为了从帕累托前沿 (Pareto front) 中选择可部署的解，本研究采用了熵权-TOPSIS (EW-TOPSIS) 方法。这种目标后处理方法根据信息熵计算权重，并选择与理想正基准最接近的解（最大化接近系数）。

3. 主要贡献

状态感知协同控制 (SACC) 框架： 与现有的独立调整模块的自适应 DE 不同，该框架建立了一个统一的群体状态表示，能够同时协调变异策略、参数自适应和子群体调度。
PSAC-DE 算法： 一种集成了 UCB 策略学习、SHADE 参数自适应和动态子群体调度的创新算法，所有模块均由共享状态信息进行调节，以确保在整个进化阶段保持一致的搜索行为。
四目标干道模型： 一个综合优化模型，在最大化绿波带宽的同时，同步最小化延迟、停车次数和二氧化碳排放，满足现代城市交通管理的多维需求。

4. 实验结果

该算法在杭州的一个六交叉口干道上进行了验证，涵盖三种交通场景：过饱和 (Over-saturated)、高峰饱和 (Peak-saturated) 和 随机波动 (Stochastic Fluctuation)。其性能与七种基准算法（NSGA-II, MOEA/D, JADE, SHADE, L-SHADE, MSDE）在 30 次独立运行中进行了对比。

性能指标： 在所有场景下，PSAC-DE 在超体积 (HV)、反向生成距离 (IGD) 和分布度 (Spread) 指标上均一致优于所有基准算法。例如，在过饱和场景下，其 HV 值为 0.1272，而排名第二的 L-SHADE 为 0.1246，其 IGD 提升了 27.1%。
统计显著性： 非参数 Wilcoxon 符号秩检验和 Friedman 检验确认，性能提升具有统计学意义 ( $p < 0.05$ )。
消融实验： 移除群体状态感知 (SA) 模块导致性能下降最为显著（HV 降低了 17.9%），证实了其作为“核心驱动大脑”的作用。其他模块（UCB、子群体、SHADE）也产生了积极贡献，其中 SA 模块最为关键。
运行效益： 当应用于高峰饱和场景时，通过 EW-TOPSIS 选择的优化配时方案较传统定时方案表现出显著改进：
- 平均延迟： 减少了 25.1%（从 68.4s 降至 51.2s）。
- 车辆停车次数： 减少了 44.8%（从 1.43 降至 0.79 次/车）。
- 绿波带宽： 增加了 133%（比例从 0.18 升至 0.42）。
- CO₂ 排放量： 减少了 26.6%（从 145.6 g/s 降至 106.9 g/s）。
- 吞吐量： 从 3680 增加到 4015 veh/h。

5. 重要性与主张

本文声称，通过引入严谨的统一群体状态感知框架，PSAC-DE 解决了现有 DE 变体中常见的“策略-参数不匹配”问题，从而推进了自适应进化计算的理论范式。

在实践层面，研究断言所提方法为多交叉口城市干道协调提供了一种高效、可部署的解决方案。它成功地在高效运行与低碳环境目标之间取得了平衡，为缓解城市交通拥堵和减少汽车碳排放提供了鲁棒的策略，且无需大量的手动参数调优。结果表明，该算法对于在复杂的受限交通网络中进行实际工程应用具有很强的价值。