CN110164147A - 一种基于改进遗传算法的智能交通信号灯调控方法 - Google Patents

Abstract

本发明涉及无线传感网领域，尤其涉及一种基于改进遗传算法的智能交通信号灯调控方法，其特征在于：其步骤为用MATLAB模拟十字路口环境，将车辆视为节点，随机生成N个节点，以普通节点被簇首节点覆盖的覆盖率更高为目标，设置适应度函数；利用改进的遗传算法，在十字路口环境下选择最优簇首；依照普通节点选择其通信范围内最近的簇首节点并加入的原则进行分簇，普通节点将其信息传递给相应簇首；簇首整合车辆信息并发送给交通信号灯，交通信号灯根据车辆信息进行调控。本发明将遗传算法进行改进达到更好的分簇效果，并且将分簇的思想引入交通信号灯***中，使交通信号灯能够随道路交通情况被实时调控。

Description

一种基于改进遗传算法的智能交通信号灯调控方法

技术领域

本发明涉及无线传感网领域，尤其涉及一种基于改进遗传算法的智能交通信号灯调控方法。

背景技术

目前，交通事故已成为全球公共交通安全问题，获得邻近车辆的实时信息，包括车速、行驶方向、位置等，能有效避免交通事故的发生，车联网的发展对减少交通事故起到一定的作用；随着汽车和公路的日益智能化，越来越多的汽车和路边基础设施装备了通信设备，整个车联网以及针对车联网相关的应用发展已经成为必然趋势；因无线传感网络(wireless sensor network，WSN)具有部署方便、成本低、结构灵活和抗毁性强等优点，在车联网领域具有广泛的应用；分簇算法将网络划分为一个个的簇，每个簇中包含一个簇首和若干个簇成员，成员节点通过车辆与车辆(Vehicle to Vehicle，V2V)间的信息传递将感知信息发送给簇首节点，簇首节点对数据尽心同和后发送给基站；遗传算法是一种基于自然选择原理和自然遗传机制的寻优算法，将遗传算法引入分簇中，使分簇更加快速且精确；

现有的技术在选择簇首时未充分考虑簇首剩余能量的问题，且并未将分簇后簇首收集到的数据传送到交通信号灯***，导致簇首收集到的车辆信息未能得到充分利用。

发明内容

本发明的目的是为了提供一种基于改进遗传算法的智能交通信号灯调控方法，将遗传算法进行改进达到更好的分簇效果，并且将分簇的思想引入交通信号灯***中，使交通信号灯能够随道路交通情况被实时调控。

为解决以上技术问题，本发明的技术方案为：一种基于改进遗传算法的智能交通信号灯调控方法，其特征在于，包括如下步骤：

步骤1：建立十字路口环境模型并设置种群参数；

步骤2：定义适应度函数；

步骤3：基于改进的遗传算法并根据适应度函数选取最优簇首节点；

步骤4：对普通节点进行分簇并将其坐标信息和速度信息传递给相应簇首节点，簇首节点整合并获取车辆信息传递至交通信号灯；

步骤5：交通信号灯根据车辆信息进行调控。

进一步地，所述步骤1：用MATLAB模拟十字路口环境，将车辆视为节点，随机生成N个节点的坐标，并随机生成这些节点的对应速度；给种群规模NP、所有节点个数N、簇首节点个数M、最大迭代次数Gm、簇首收集信息半径的预设常量R₀赋初值；其中，普通节点个数为N-M。

进一步地，所述步骤2：将交通信号灯所在位置设为基站，设置簇首收集信息半径R_c，具体半径公式如下

其中，R₀为预设常量，表示簇首节点的最大通信半径，d_max表示簇首节点距基站的最大距离，d_min表示簇首节点距基站最小距离，d(g_i,BS)表示第i个簇首节点到基站BS的距离，c为控制参数，c∈(0,1)；

将十字路口根据马路中线以及车辆行驶方向划分成八个区域，每个区域内的普通节点只能与相同区域内的簇首节点进行通信；普通节点的有效条件为：普通节点和簇首节点的距离小于等于簇首收集信息半径R_c，即

dist(s_j(x_j,y_j,z_j),g_i(x_i,y_i,z_i))≤R_c

其中，s_j(x_j,y_j,z_j)表示第j个普通节点的坐标，j∈{1,2,…N-M}，g_i(x_i,y_i,z_i)表示第i个簇首节点的坐标，i∈{1,2,…M}，N-M表示普通节点的个数，M表示簇首节点的个数；

用C_t表示t时刻全部的簇首节点覆盖的普通节点的个数，以簇首节点覆盖普通节点的覆盖率更高为目标设置适应度函数，适应度函数具体表示为：

节点的适应度函数fit的值越大，越符合簇首节点的要求。

进一步地，所述步骤3：

步骤3.1：初始化种群

随机生成M个簇首节点的坐标信息和速度信息，M个簇首节点视为一个个体，每个个体包含D＝3*M个数据，此步骤需要执行NP次，最终生成NP组簇首节点数据信息；

步骤3.2：采用十进制编码方式进行编码

建立一个NP*3M的矩阵，每一行代表一组可行解，每一行由左向右为M子组，每子组表示一个簇首节点的数据，由3列构成，由左向右分别表示该簇首节点的横坐标值、纵坐标值和速度值；在遗传算法中，该矩阵的每一行为一条染色体，对应一组可行解；一行中的任意一子组为一基因，包括三列，分别对应一个簇首节点的横坐标值、纵坐标值和速度值；

步骤3.3：交叉操作

选取适应度函数值最大的两条父代染色体，采用Logistic混沌序列确定交叉点的位置，并采用三点交叉方式对确定的交叉项进行交叉，生成子代染色体；

步骤3.4：变异操作

随机选取两个在1～NP之间的整数，这两个整数对应的两条染色体会产生变异的基因；采用Logistic混沌序列确定这两条染色体上变异点的位置，将这两条染色体上变异点位置处对应的横坐标值、纵坐标值和速度值换成新的横坐标值、纵坐标值和速度值；新的横坐标值、纵坐标值和速度值通过步骤3.1中的随机生成的方法产生；

步骤3.5：选取最优簇首节点

计算变异后的两条染色体的适应度函数值，与变异前的染色体即原来染色体的适应度函数值进行比较，如果变异后的染色体的适应度函数值大，则用变异后的染色体替换原来的染色体，如果变异后的染色体适应度函数值小，那么保持原染色体不变；

将经过交叉、变异后的NP条染色体传送至步骤3.3，这样完成一次迭代；NP条染色体需再次经历步骤3.3、3.4和3.5，直到迭代次数达到Gm为止；若经过交叉、变异操作后选出的节点坐标处没有实际分布的节点，将这样的节点称为“虚节点”，将虚节点归位至距其最近且在同一区域的实际节点处，则此时的实际节点坐标即为最优簇首节点的坐标。

进一步地，所述步骤4：最优的簇首节点选取完成后，普通节点加入其通信范围内距离最小且在同一区域的簇首节点，形成M个簇，普通节点将自身的坐标信息和速度信息传输给对应簇首节点，簇首节点收集其簇内节点数据信息，并通过簇内节点的速度信息计算簇内车辆平均速度，通过簇内节点的坐标信息计算簇内普通车辆至簇首车辆的平均距离，获取车辆信息；将车辆信息即簇内车辆平均速度、簇内普通车辆至簇首车辆的平均距离信息传递至交通信号灯。

进一步地，所述步骤5：

输入：簇内车辆平均速度、普通车辆至簇首车辆的平均距离；

输出：信号灯显示时间；

东西方向为绿灯时：

若则东西方向绿灯延长10s，南北方向红灯延长10s；

若则东西方向绿灯延长5s，南北方向红灯延长5s；

若则东西方向绿灯变为黄灯，黄灯2s后变为红灯，南北方向红灯变为黄灯，黄灯2s后变为绿灯；

若则东西方向绿灯变为黄灯，黄灯5s后变为红灯，南北方向红灯变为黄灯，黄灯5s后变为绿灯；

其他情况下绿灯时长不发生变化；

东西方向为红灯时：

若则南北方向绿灯延长10s，东西方向红灯延长10s；

若则东西方向红灯延长5s，南北方向绿灯延长5s；

若则东西方向红灯变为黄灯，黄灯2s后变为绿灯，南北方向绿灯变为黄灯，黄灯2s后变为红灯；

若则东西方向红灯变为黄灯，黄灯5s后变为绿灯，南北方向绿灯变为黄灯，黄灯5s后变为红灯；

其他情况下红灯时长不发生变化；

其中：速表示由西向东的汽车在路口的车速；表示由西向东的汽车驶出路口的车速；表示由南向北的汽车在路口的车速；表示由南向北的汽车驶出路口的车速；empty(NS_IN)表示南北方向无车驾驶；empty(EW_IN)表示东西方向无车驾驶；V_max表示道路的最大通行速度，V_min表示道路的最小通行速度；R_NS_time表示南北方向红灯剩余时间，R_EW_time表示南北方向红灯剩余时间。

本发明具有如下有益效果：

本发明在编码时采用十进制编码方式，提高了交叉和变异的处理速度；在交叉时，采用了Logistic混沌序列确定交叉的位置，采用了三点交叉方式，对原来的解改动较小，可以避免遗传算法在组合优化应用问题中产生的寻优抖振问题；在变异时，本发明没有像传统遗传算法那样对染色体内部的基因顺序进行交换，而是直接生成新的基因，这样染色体的变化更加明显，保证了寻找的最优解跳出了局部最优，向全局最优发展；本发明与改进前的遗传算法相比，改进后的遗传算法具有更快的收敛速度和更高的收敛精度；本发明提出将簇首的信息传递到交通信号灯***，实时调控红绿灯的描述，有利于交通的高效性，促进智能交通的实现。

附图说明

图1为本发明实施例整体流程示意图；

图2为本发明实施例中由MATLAB随机生成的车辆的节点分布图；

图3为本发明实施例中将十字路口根据马路中线以及车辆行驶方向划分成八个区域的示意图；

图4为本发明实施例经过改进遗传算法寻优后生成的簇首节点示意图；

图5为本发明实施例中改进遗传算法和传统遗传算法的最优解值随迭代次数变化的变化趋势比较图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。

请参考图1至图5，本发明为一种基于改进遗传算法的智能交通信号灯调控方法，其步骤包括：

步骤1：建立十字路口环境模型并设置种群参数

用MATLAB模拟十字路口环境，将车辆视为节点，随机生成N个节点的坐标，并随机生成这些节点的对应速度，节点的坐标满足十字路口的坐标约束条件，给出节点模拟分布图，本实施例中的节点模拟分布图参阅图2，速度约束条件为：速度范围为-60km/h≤v≤60km/h，节点方向仅考虑节点是否朝向信号灯运动，如果是速度为正，如果不是速度为负；给种群规模NP、所有节点个数N、簇首节点个数M、最大迭代次数Gm、簇首收集信息半径的预设常量R₀赋初值；其中，所述普通节点个数为N-M；本发明实施例的仿真中，NP＝50，N＝150，M＝20，Gm＝400，R₀＝150米；

步骤2：定义适应度函数

将十字路口中心即交通信号灯所在位置设为基站，由于簇间通信采用多跳传输的机制，所以距离基站近的簇首节点需要转发来自其他簇首节点的数据，会消耗更大能量；为了平衡簇首节点间的能量消耗，以越靠近基站的簇首节点，通信范围越小为原则设置簇首收集信息半径R_c，具体半径公式如下

其中，R₀为预设常量，表示簇首节点的最大通信半径，d_max表示簇首节点距基站的最大距离，d_min表示簇首节点距基站最小距离，d(g_i,BS)表示第i个簇首节点到基站BS的距离，c为控制参数，c∈(0,1)；

由于十字路口环境有一定的特殊性，在不同的车道，汽车的行驶方向不同，将十字路口根据马路中线以及车辆行驶方向划分成八个区域，参与图3，每个区域内的普通节点只能与相同区域内的簇首节点进行通信；普通节点的有效条件为存在普通节点能加入的簇首，即需要满足：簇首节点和普通节点的距离小于等于簇首收集信息半径R_c，普通节点才能加入簇首，当普通节点加入了20个簇首节点中的任一个时，将该普通节点视为有效节点，加入通信网；普通节点和簇首节点的距离小于等于簇首收集信息半径R_c，即

dist(s_j(x_j,y_j,z_j),g_i(x_i,y_i,z_i))≤R_c

其中，s_j(x_j,y_j,z_j)表示第j个普通节点的坐标，j∈{1,2,…130}，g_i(x_i,y_i,z_i)表示第i个簇首节点的坐标，i∈{1,2,…20}；

同一个普通节点可能会同时处于多个簇首节点的通信范围内，用C_t表示t时刻全部的簇首节点覆盖的普通节点的个数，以簇首节点覆盖普通节点的覆盖率更高为目标设置适应度函数，适应度函数具体表示为：

簇首节点选择问题可转化为从N个节点中选取M个节点，本实施中，簇首节点选择问题可转化为从150个节点中选取20个节点，使最后的适应度函数fit的值尽可能大，则此时的一组簇首坐标即为最符合要求的簇首节点位置；

步骤3：基于改进的遗传算法并根据适应度函数选取最优簇首节点；

步骤3.1：初始化种群

随机生成M个簇首节点的坐标信息和速度信息，M个簇首节点视为一个个体，每个个体包含D＝3*M个数据，此步骤需要执行NP次，最终生成NP组簇首节点数据信息；本实施例中随机生成20个节点的坐标信息和速度信息，20个节点视为一个个体，每个个体包含D＝3*M＝60个数据，此步骤需要执行50次，最终生成50组簇首节点数据信息；

步骤3.2：采用十进制编码方式进行编码

对于节点的编码由簇首节点的横、纵坐标和速度组成，建立一个NP*3M(50*60)的矩阵，每一行代表一组可行解，每一行由左向右为M子组，每子组表示一个簇首节点的数据，由3列构成，由左向右分别表示该簇首节点的横坐标值、纵坐标值和速度值；

比如，当簇首节点数量M为2，种群数量NP＝2时，生成的矩阵为

该2*6矩阵表示初始化的两个簇首节点集合的个体信息，第一组信息中2个簇首节点的坐标分别为(485，515)和(503，492)，速度大小分别为60km/h和55km/h；第二组信息中2个簇首节点的坐标分别为(517，488)和(491，504)，速度大小分别为30km/h和40km/h；以此类推，20个簇首节点坐标和速度的50组可行解对应一个50*60的矩阵；

在遗传算法中，该50*60矩阵的每一行为一条染色体，对应一组可行解一行中的任意一子组为一基因，包括三列，分别对应一个簇首节点的横坐标值、纵坐标值和速度值；

步骤3.3：交叉操作

选取适应度函数值最大的两条父代染色体进行交叉，生成子代染色体；利用混沌序列确定交叉点的位置，并采用三点交叉方式对确定的交叉项进行交叉，具体操作如下：假设父代染色体A1、A2进行交叉，取一个(0，1)上的随机数作为初始值，采用Logistic混沌序列x(n+1)＝4x(n)[1-x(n)]迭代一次产生一个(0，1)区间上的混沌值，保存以上混沌值作为产生下一代交叉项的混沌迭代初值，再把这个值乘以60然后取整；假如这个数为34，那么以34、35和36作为交叉点对A1、A2中相应的基因进行三点交叉，得到新的染色体(A′₁,A′₂)，即

由于簇首节点坐标是依次按子组排列的(第一列为横坐标值、第一列为纵坐标值、第一列为速度值)，因此交叉时也应按子组交叉，且要注意顺序，比如如果生成的数为33，那么应该与交换；这种三点交叉对原染色体改动比较小，可以避免遗传算法在组合优化问题应用产生的寻优抖振问题，提高算法收敛精度。

步骤3.4：变异操作

变异是实现群体多样性的一种手段，是跳出局部最优，全局寻优的重要保证；本发明实施例的变异设计如下：首先随机选取两个在1～50之间的整数，这两个整数对应的两条染色体会产生变异的基因；再仿照步骤3.3利用Logistic序列产生一个(0，1)区间上的混沌值，再把这个值乘以60然后取整，确定这两条染色体上变异点的位置，将这两条染色体上变异点位置处对应的横坐标值、纵坐标值和速度值换成新的横坐标值、纵坐标值和速度值，假如这个数为34，那么将两条染色体上34、35、36位置对应的横坐标值、纵坐标值和速度值换成新的横坐标值、纵坐标值和速度值；新的横坐标值、纵坐标值和速度值通过步骤1中的随机生成的方法产生，同样需要满足十字路口边界条件和速度约束条件；

步骤3.5：选取最优簇首节点

计算变异后的两条染色体的适应度函数值，与变异前的染色体即原来染色体的适应度函数值进行比较，如果变异后的染色体的适应度函数值大，则用变异后的染色体替换原来的染色体，如果变异后的染色体适应度函数值小，那么保持原染色体不变；

将经过交叉、变异后的NP条染色体传送至步骤3.3，这样完成一次迭代；NP＝50条染色体需再次经历步骤3.3、3.4和3.5，直到迭代次数达到G_m＝400为止；若经过交叉、变异操作后选出的节点坐标处可能没有实际分布的节点，将这样的节点称为“虚节点”，将虚节点归位至距其最近且在同一区域的实际节点处，则此时的实际节点坐标即为簇首节点坐标；图4示出了本发明实施例经过改进遗传算法寻优后生成的簇首节点示意图；

步骤4：对普通节点进行分簇并将其坐标信息和速度信息传递给相应簇首节点，簇首节点整合并获取车辆信息传递至交通信号灯，具体为：最优的簇首节点选取完成后，普通节点加入其通信范围内距离最小且在同一区域的簇首节点，形成20个簇，普通节点将自身的坐标信息和速度信息传输给对应簇首节点，簇首节点收集其簇内节点数据信息，并通过簇内节点的速度信息计算簇内车辆平均速度，通过簇内节点的坐标信息计算簇内普通车辆至簇首车辆的平均距离，获取车辆信息；将车辆信息用数据帧的形式存储，并通过多跳通信的方式传递至交通信号灯；收录数据的内容，字节编号和字节长度如下表所示：

表1数据格式

设计如下所示数据帧存储以上数据：

MATLAB模拟十字路口环境，随机生成节点时，所有的普通节点和簇首节点被分配唯一的ID，数据帧中的簇首ID在节点生成时即获取；

图5示出了遗传算法改进前后，最优解值随迭代次数变化的变化趋势；虽然每次执行程序前状态随机，但从图中总体趋势可以看出：改进后的遗传算法与原始遗传算法相比，具有收敛速度更快，收敛精度更高等优点；

步骤5：交通信号灯根据车辆信息进行调控

输入：簇内车辆平均速度、普通车辆至簇首车辆的平均距离；

输出：信号灯显示时间；

东西方向为绿灯时：

若则东西方向绿灯延长10s，南北方向红灯延长10s；

若则东西方向绿灯延长5s，南北方向红灯延长5s；

若则东西方向绿灯变为黄灯，黄灯2s后变为红灯，南北方向红灯变为黄灯，黄灯2s后变为绿灯；

若则东西方向绿灯变为黄灯，黄灯5s后变为红灯，南北方向红灯变为黄灯，黄灯5s后变为绿灯；

其他情况下绿灯时长不发生变化；

东西方向为红灯时：

若则南北方向绿灯延长10s，东西方向红灯延长10s；

若则东西方向红灯延长5s，南北方向绿灯延长5s；

若则东西方向红灯变为黄灯，黄灯2s后变为绿灯，南北方向绿灯变为黄灯，黄灯2s后变为红灯；

若则东西方向红灯变为黄灯，黄灯5s后变为绿灯，南北方向绿灯变为黄灯，黄灯5s后变为红灯；

其他情况下红灯时长不发生变化；

其中：速表示由西向东的汽车在路口的车速；表示由西向东的汽车驶出路口的车速；表示由南向北的汽车在路口的车速；表示由南向北的汽车驶出路口的车速；

empty(NS_IN)表示南北方向无车驾驶；empty(EW_IN)表示东西方向无车驾驶；V_max表示道路的最大通行速度，V_min表示道路的最小通行速度；R_NS_time表示南北方向红灯剩余时间，R_EW_time表示南北方向红灯剩余时间。

本实施例的仿真实验中，环境为十字路口区域，为贴近现实的道路车辆情况，设置节点总数N＝150，每个节点的能量均为1J，当整个网络中的死亡节点达到总节点数的30％时，***无法继续工作。

本发明实施例以一个十字路口为背景，道路宽度为50米，在十字路口经过的车辆中随机分布150个节点，每个节点代表一辆车，选取若干辆作为簇首节点，依照普通节点选择其通信范围内最近的簇首节点并加入的原则进行分簇，普通节点将其信息传递给相应簇首，这些簇首接受周围R_c米距离内的普通节点的车辆信息(车速、车辆之间的距离以及车辆的行驶方向)，并将车辆信息通过多跳的方式传送至信号灯，信号灯对于这些数据进行分析和处理，动态地改变红灯、绿灯和黄灯的时间，实现交通信号***的实时调控；在选取簇首节点时，以普通节点被簇首节点覆盖的覆盖率更高为目标，设置适应度函数，然后利用改进的遗传算法，在十字路口环境下选择最优簇首。本发明基于改进遗传算法的进行分簇，与传统遗传算法下的分簇结果相比，大大提高了遗传算法的收敛精度，加快了收敛速度，使算法能够以较大概率收敛到最优解；除此之外，将改进遗传算法下车联网***的能量消耗与传统leach协议下车联网***的能量消耗进行比较，改进遗传算法下的车联网分簇在节能方面具有更大优势。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于改进遗传算法的智能交通信号灯调控方法，其特征在于，包括如下步骤：

步骤1：建立十字路口环境模型并设置种群参数；

步骤2：定义适应度函数；

步骤3：基于改进的遗传算法并根据适应度函数选取最优簇首节点；

步骤4：对普通节点进行分簇并将其坐标信息和速度信息传递给相应簇首节点，簇首节点整合并获取车辆信息传递至交通信号灯；

步骤5：交通信号灯根据车辆信息进行调控。

2.根据权利要求1所述的基于改进遗传算法的智能交通信号灯调控方法，其特征在于，所述步骤1：用MATLAB模拟十字路口环境，将车辆视为节点，随机生成N个节点的坐标，并随机生成这些节点的对应速度；给种群规模NP、所有节点个数N、簇首节点个数M、最大迭代次数Gm、簇首收集信息半径的预设常量R₀赋初值；其中，普通节点个数为N-M。

3.根据权利要求1所述的基于改进遗传算法的智能交通信号灯调控方法，其特征在于，所述步骤2：将交通信号灯所在位置设为基站，设置簇首收集信息半径R_c，具体半径公式如下

其中，R₀为预设常量，表示簇首节点的最大通信半径，d_max表示簇首节点距基站的最大距离，d_min表示簇首节点距基站最小距离，d(g_i,BS)表示第i个簇首节点到基站BS的距离，c为控制参数，c∈(0,1)；

将十字路口根据马路中线以及车辆行驶方向划分成八个区域，每个区域内的普通节点只能与相同区域内的簇首节点进行通信；普通节点的有效条件为：普通节点和簇首节点的距离小于等于簇首收集信息半径R_c，即

dist(s_j(x_j,y_j,z_j),g_i(x_i,y_i,z_i))≤R_c

其中，s_j(x_j,y_j,z_j)表示第j个普通节点的坐标，j∈{1,2,…N-M}，g_i(x_i,y_i,z_i)表示第i个簇首节点的坐标，i∈{1,2,…M}，N-M表示普通节点的个数，M表示簇首节点的个数；

用C_t表示t时刻全部的簇首节点覆盖的普通节点的个数，以簇首节点覆盖普通节点的覆盖率更高为目标设置适应度函数，适应度函数具体表示为：

节点的适应度函数fit的值越大，越符合簇首节点的要求。

4.根据权利要求1所述的基于改进遗传算法的智能交通信号灯调控方法，其特征在于，所述步骤3：

步骤3.1：初始化种群

随机生成M个簇首节点的坐标信息和速度信息，M个簇首节点视为一个个体，每个个体包含D＝3*M个数据，此步骤需要执行NP次，最终生成NP组簇首节点数据信息；

步骤3.2：采用十进制编码方式进行编码

建立一个NP*3M的矩阵，每一行代表一组可行解，每一行由左向右为M子组，每子组表示一个簇首节点的数据，由3列构成，由左向右分别表示该簇首节点的横坐标值、纵坐标值和速度值；在遗传算法中，该矩阵的每一行为一条染色体，对应一组可行解；一行中的任意一子组为一基因，包括三列，分别对应一个簇首节点的横坐标值、纵坐标值和速度值；

步骤3.3：交叉操作

选取适应度函数值最大的两条父代染色体，采用Logistic混沌序列确定交叉点的位置，并采用三点交叉方式对确定的交叉项进行交叉，生成子代染色体；

步骤3.4：变异操作

随机选取两个在1～NP之间的整数，这两个整数对应的两条染色体会产生变异的基因；采用Logistic混沌序列确定这两条染色体上变异点的位置，将这两条染色体上变异点位置处对应的横坐标值、纵坐标值和速度值换成新的横坐标值、纵坐标值和速度值；新的横坐标值、纵坐标值和速度值通过步骤3.1中的随机生成的方法产生；

步骤3.5：选取最优簇首节点

计算变异后的两条染色体的适应度函数值，与变异前的染色体即原来染色体的适应度函数值进行比较，如果变异后的染色体的适应度函数值大，则用变异后的染色体替换原来的染色体，如果变异后的染色体适应度函数值小，那么保持原染色体不变；

将经过交叉、变异后的NP条染色体传送至步骤3.3，这样完成一次迭代；NP条染色体需再次经历步骤3.3、3.4和3.5，直到迭代次数达到Gm为止；若经过交叉、变异操作后选出的节点坐标处没有实际分布的节点，将这样的节点称为“虚节点”，将虚节点归位至距其最近且在同一区域的实际节点处，则此时的实际节点坐标即为最优簇首节点的坐标。

5.根据权利要求1所述的基于改进遗传算法的智能交通信号灯调控方法，其特征在于，所述步骤4：最优的簇首节点选取完成后，普通节点加入其通信范围内距离最小且在同一区域的簇首节点，形成M个簇，普通节点将自身的坐标信息和速度信息传输给对应簇首节点，簇首节点收集其簇内节点数据信息，并通过簇内节点的速度信息计算簇内车辆平均速度，通过簇内节点的坐标信息计算簇内普通车辆至簇首车辆的平均距离，获取车辆信息；将车辆信息即簇内车辆平均速度、簇内普通车辆至簇首车辆的平均距离信息传递至交通信号灯。

6.根据权利要求1所述的基于改进遗传算法的智能交通信号灯调控方法，其特征在于，所述步骤5：

输入：簇内车辆平均速度、普通车辆至簇首车辆的平均距离；

输出：信号灯显示时间；

东西方向为绿灯时：

若则东西方向绿灯延长10s，南北方向红灯延长10s；

若则东西方向绿灯延长5s，南北方向红灯延长5s；

若则东西方向绿灯变为黄灯，黄灯2s后变为红灯，南北方向红灯变为黄灯，黄灯2s后变为绿灯；

若则东西方向绿灯变为黄灯，黄灯5s后变为红灯，南北方向红灯变为黄灯，黄灯5s后变为绿灯；

其他情况下绿灯时长不发生变化；

东西方向为红灯时：

若则南北方向绿灯延长10s，东西方向红灯延长10s；

若则东西方向红灯延长5s，南北方向绿灯延长5s；

若则东西方向红灯变为黄灯，黄灯2s后变为绿灯，南北方向绿灯变为黄灯，黄灯2s后变为红灯；

若则东西方向红灯变为黄灯，黄灯5s后变为绿灯，南北方向绿灯变为黄灯，黄灯5s后变为红灯；

其他情况下红灯时长不发生变化；

其中：速表示由西向东的汽车在路口的车速；表示由西向东的汽车驶出路口的车速；表示由南向北的汽车在路口的车速；表示由南向北的汽车驶出路口的车速；empty(NS_IN)表示南北方向无车驾驶；empty(EW_IN)表示东西方向无车驾驶；V_max表示道路的最大通行速度，V_min表示道路的最小通行速度；R_NS_time表示南北方向红灯剩余时间，R_EW_time表示南北方向红灯剩余时间。