基于遗传算法的智能交通系统的设计

张丹

摘 要：随着我国经济的不断发展，人们的生活水平在不断提高，城市中的车辆也越来越多，需要建立高效、安全的智能交通系统，保证城市交通順畅，较少交通事故的发生，提高我国交通系统的运输效率，同时也能够促进我国经济水平的增长。本文主要探讨遗传算法在智能交通系统设计中的应用。

关键词：遗传算法；智能交通系统；安全系统

中图分类号：U495 文献标识码：A 文章编号：1004-7344（2018）32-0307-01

最近几年，我国经济在迅速发展，人们对交通的需求也越来越大。在人们生活水平提高的同时，人们的出行次数、出行的距离也在日渐增多，在各个城市中，交通系统的建设与管理并不是很完善，经常会出现交通拥堵、交通事故频发、马路环境不好等现象。发展智能交通系统，提高对交通系统的管理，使构建安全交通环境的有效途径，为人们选择合适的出行路线，能够有效降低交通拥堵、交通事故发生的概率。

1 智能交通系统概述

智能交通系统（Intelligent Traffic System，简称ITS），这是一个集先进的信息技术、传感器技术、图像分析技术、计算机网络、人工智能等为一体的系统，它能够对交通系统进行一个统一有效的管理，是一个具有实时性、准确性和高效性的系统。智能交通系统能够提高城市交通运输的效率和安全性[1]。

2 遗传算法概述

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法遵循了一个生物界的进化规律，即优胜劣汰、适者生存。遗传算法最主要的特点就是能够对结构对象进行直接操作，不受到求导和函数的连续性的限制；能够在全局中寻找到最优的方式；能够根据概率化来自动调整合适的方向。正是因为遗传算法具有这些特点，它被广泛应用于信号处理、机器学习以及自适应控制等领域[2]。

遗传算法在计算机科学中具有重要的作用，换个方式说，遗传算法是计算机科学人工智能领域中解决最优化问题的启蒙算法，这种算法主要用于解决最优化问题和搜索问题，进化算法也是受到了遗传算法的影响而发展起来的。但是，如果遗传算法在选择适应度函数的时候选择不正确，有可能会出现局部最优的情况，不能够达到全局最优[3]。

遗传算法的基本运算过程：

（1）初始化：设置相关数据，最大化代数为T，系统随机生成的M个个体称之为初始群体P（0）；

（2）个体评价：计算群体中个体的适应度；

（3）选择运算：将选择运算应用于群体中（所谓选择，就是将种群中生命力比较顽强的个体变成新的种群，适应度高的个体会在下一代中产生一个或多个子孙）；

（4）交叉运算：选择运算可以选择出优秀的个体，但是却不能创造出新的染色体。交叉运算就是模拟生物净化的繁殖过程，产生出更优秀的品种；

（5）变异运算：模拟生物在生长繁殖过程中因为环境等各种因素发生基因突变的过程，这种突变是随机的。（若只有选择和交叉运算而没有编译运算，那就不能在初始群体以外的空间进行搜索，具有局限性，达不到全局搜索的目的，为了能够在更大的空间进行搜索，变异运算是十分重要的。

3 遗传算法在智能交通系统中的设计

基于遗传算法的智能交通系统的设计终极目标是能做到在最大程度上有效利用且整合多种资源（如信息、人员及设备情况、物资调动情况、工作方式等），让城市交通的管理决策者可以实时调整、合理调度交通流，以保证城市交通道路网没有超饱和交通流的出现；并且，还能够及时妥善处理突发事件引起的交通堵塞，使交通情况快速恢复正常，为救援人员提供实时信息以及决策支持。

例如在智能安全交通系统中[4]，用户的输入输出界面为GIS，主要任务有事故基本信息情况的录入，应急预案发布，交通、事故信息的发布等；通过与GIS平台的交互，还可以做到相关文件归档，以及数据库的日常更新与维护。交通事故发生后，系统被激活，随后通过GIS界面输入本次事故的基本信息（事故类型、时间、地点、人员伤亡情况、车辆受损情况等）。下一步，系统将会生成一套最优的解决方案，这一过程由处理方案生成模块完成，处理方案生成模块包含有两个子模块，分别为决策支持子模块和最优路径生成子模块。依照使用者输入系统的信息，从专家系统中的知识库判断交通事故的等级情况，在查询当时资源库中各部门现有资源情况后，选择最合适的参与调度的相关部门，同时生成动态的最优路径，对交通拥堵情况进行疏解。

例如遗传算法在公交车车辆调度的智能交通系统中的设计[5]。在城市的公共交通运输中，其管理可以分成三个阶段，分别是计划阶段、调度阶段和控制阶段，其中，调度阶段是最重要的环节，公交车车辆调度实际上也是寻找最优的问题。使用遗传算法对公交车调度阶段的智能交通系统进行设计。第一，选取编码，全程车（0），快车（1），区间车（2），种群随机产生，其染色体长度即为发车的次数。第二，构建目标函数，目标函数的构建要考虑到车辆的配置、运行时间、运行效率以及资源利用等方面，将最小费用作为目标函数。

即：F（M）=f（N）+f（T）

F（N）=X·N

（F（M）为最小费用；f（N）是与车辆有关的函数，包括折旧、维修，单车费用为X，车辆数为N；f（T）是与乘客流量有关的函数）。

4 结束语

本文介绍了遗传算法以及智能交通系统的设计思路，本系统可以插入到现已成熟的智能交通管理系统平台上，和其他子系统同时使用，可以非常有效的减少交通堵塞，防止再生事故发生，对于改善交通环境，提高交通质量有着重大的社会意义与经济价值。

参考文献

[1]张 伟，肖日东，邓 晶.基于遗传算法的动态模糊神经网络城市快速路入口匝道控制[J].公路交通科技，2017，34（2）：129～134.

[2]孙晓娟.基于遗传算法和模糊控制的智能交通控制系统的设计[J].西部大开发旬刊，2011（6）：89.

[3]谭强强.基于遗传算法的区域交通网络最短路径算法研究[D].广东工业大学，2012.

[4]张 颖.基于遗传算法的城市交通安全系统的设计[J].电子测试，2016（7）：26～28.

[5]梁剑波.基于遗传算法的公交智能排班方法研究[D].兰州理工大学，2010.

收稿日期：2018-9-19

作者简介：张 丹（1987-），女，湖南人，讲师，硕士研究生，研究方向为eda课程，FPGA，Verilog语言。