系统科学导论期末作业

基于云模型的交通信号自学习控制方法

主要内容介绍云模型介绍基于云模型的交通信号自学习控制方法云模型云和云滴设U是一个用精确数值表示的定量论域,C是U上的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现，x对C的确定度

μ∈[0,1]是有稳定倾向的随机数:μ:U→[0,1]，存在任意x∈U，x→μ(x)，则x在论域U上的分布称为云,每一个x称为一个云滴。云模型云从自然语言中的基本语言值切入，研究定性概念的量化方法，具有直观性和普遍性。定性概念转换成一个个的定量值，更形象地说，转换成论域空间中一个个的点。这是个离散的转换过程，具有偶然性。每一个特定的点的选取是个随机事件，可以用概率分布函数描述描述。云滴的确定度反映了模糊性，这个值自身也是个随机值，也可以用概率分布函数描述。在论域空间中，大量云滴构成的云，可伸缩、无边沿、远观有形、近视无边，与自然现象中的云有着相似之处。云模型数字特征期望Ex：云滴在论域空间分布的期望。通俗地说，就是最能够代表定性概念的点，或者说是这个概念量化的最典型样本。熵En：定性概念的不确定性度量，由概念的随机性和模糊性共同决定。一方面熵是定性概念随机性的度量，反映了能代表这个定性概念的云滴的离散程度；另一方面又是定性概念亦此亦彼性的度量，反映了论域空间中可被概念接受的云滴的取值范围。因此熵必然反映了随机性和模糊性之间的关联性。超熵He：是熵的不确定性的度量，即熵的熵。反映了云的离散程度，它的大小间接地反映了云的厚度。由熵的随机性和模糊性共同决定。

云发生器正向云发生器逆向云发生器基于云模型的交通信号自

学习控制方法研究思路

本文根据信号控制规则集和车辆到达信息采取符合控制策略的控制行为改变当前信号状态。信号控制的关键规则采用二维正态半云描述，利用二维前件云发生器生成针对不同交通状态的控制策略。云模型中的主要参数通过Q-学习算法进行优化，以总停车延迟作为目标函数经过迭代产生针对不同交通量的云模型最优控制方案。仿真结果表明,基于云模型信号控制方法的控制效果优于定时控制和感应控制。信号控制规则集中有控制规则5条:(1)如果当前绿灯相位的绿灯累计时间小于基础绿灯时间,则延长当前绿灯相位绿灯时间1s;(2)如果当前绿灯相位的绿灯累计时间大于最大绿灯时间,则转换至下一相位为绿灯;(3)如果当前绿灯相位的到达车辆数为零,则转换至下一相位为绿灯;(4)如果当前绿灯相位有车辆到达,且数量不小于下一相位到达车辆数,则延长当前绿灯相位的绿灯时间一个绿灯延长时间;(5)如果当前绿灯相位有车辆到达,且下一相位到达车辆数明显多于当前相位到达车辆数,则转换至下一相位为绿灯;否则延长当前绿灯相位的绿灯时间一个绿灯延长时间.规则(5)由云模型来定义,设当前绿灯相位所控制的车道的到达车辆数为Nc,下一相位所控制的车道的到达车辆数为Nn,则规则(5)可以表示为：Nc>0，Nn>Nc;如果Nn

明显多于Nc,则转换至下一相位为绿灯;如果Nn

不是明显多于Nc,延长当前绿灯相位的绿灯时间一个绿灯延长时间.Nn明显多于Nc的云模型表示步骤:(1)已知数字特征为(Ex,Enx,Hex,Ey,Eny,Hey)的二维半云,令x=Nn/Nc,y=Nn-Nc;(2)令E’nx~N(Enx,H2ex),E’ny~N(Eny,H2ey)(3)利用二维前件云发生器,产生二维确定