| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外相关研究现状 | 第11-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第二章 交通控制与诱导模型 | 第19-27页 |
| 2.1 智能交通的组成 | 第19-20页 |
| 2.2 交通控制与诱导协作模型 | 第20-22页 |
| 2.2.1 以控制为主的智能交通模型 | 第20页 |
| 2.2.2 以诱导为主的智能交通模型 | 第20-21页 |
| 2.2.3 控制与诱导并行的智能交通模型 | 第21-22页 |
| 2.3 交通控制与诱导闭环负反馈协调模型 | 第22-24页 |
| 2.4 交通控制与诱导常用性能指标 | 第24-26页 |
| 2.4.1 路口的饱和流量 | 第24页 |
| 2.4.2 有效的绿灯时间 | 第24-25页 |
| 2.4.3 相位有效绿灯的起始与终止 | 第25页 |
| 2.4.4 信号相位的通过能力与饱和度 | 第25页 |
| 2.4.5 交叉口总的通过能力 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于改进NSGA-II的单路口优化控制研究 | 第27-53页 |
| 3.1 引言 | 第27页 |
| 3.2 单路口信号灯控制系统建模 | 第27-32页 |
| 3.2.1 单路口优化模型 | 第28-31页 |
| 3.2.2 基于通行量最大且时延最小的单路口模型 | 第31-32页 |
| 3.3 控制系统的优化算法研究 | 第32-48页 |
| 3.3.1 NSGA-II算法 | 第33-34页 |
| 3.3.2 多子种群并行进化的NSGA-II算法 | 第34-36页 |
| 3.3.3 对MPNSGA算法进行测试 | 第36-48页 |
| 3.4 基于MPNSGA算法的交通控制系统多目标优化 | 第48-52页 |
| 3.4.1 基于MPNSGA算法的交通控制仿真优化 | 第48-50页 |
| 3.4.2 MPNSGA算法和遗传算法优化的整体效果对比 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于模糊控制的多路口协调机制研究 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 多路口协调控制系统建模 | 第53-58页 |
| 4.2.1 多路口协调模型 | 第53-57页 |
| 4.2.2 基于路口间饱和度的协调模型 | 第57-58页 |
| 4.3 多路口协调机制的实现 | 第58-61页 |
| 4.3.1 模糊控制 | 第58-59页 |
| 4.3.2 模糊控制器设计 | 第59-61页 |
| 4.4 基于模糊控制的多路口协调控制 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 基于改进蚁群算法的道路诱导机制研究 | 第65-76页 |
| 5.1 引言 | 第65页 |
| 5.2 诱导系统建模 | 第65-69页 |
| 5.2.1 诱导系统模型 | 第66-68页 |
| 5.2.2 基于等效路径最优的诱导系统模型 | 第68-69页 |
| 5.3 诱导系统算法研究 | 第69-73页 |
| 5.3.1 蚁群算法 | 第69-71页 |
| 5.3.2 有偏好的蚁群算法 | 第71-73页 |
| 5.4 基于PAA的诱导系统优化 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76页 |
| 6.2 展望 | 第76-78页 |
| 参考文献 | 第78-81页 |
| 附录1 伪码清单 | 第81-84页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第84-85页 |
| 致谢 | 第85页 |
