·438. 智能系统学报 第7卷 为交通控制系统提供最优的信号协调控制方案，没 中的最优解，X则是从第i个个体在第t代之前 有从根本上解决城市道路交通问题. 的所有父代个体、变异个体和试验个体（交叉后个 针对以上问题，在智能优化算法差分进化(df 体)之中选择出的历史最优解.该变异策略中将目 ferential evolution,DE)的基础上进行改进，提出了 标个体的历史最优解X引入变异操作中，用X 一种基于新变异策略的动态自适应差分进化算法 与当前解的差值向量代替原差分向量，引导目标个 (pbest-based adaptive differential evolution,p-ADE), 体向着更优的方向进化，同时利用当前种群全局最 进一步提升了DE算法的求解精度及鲁棒性.将P 优解X加强个体的局部搜索能力，通过随机选择 ADE用于城市于线双向交通信号的协调优化控制， 个体X,保证种群多样性，防止陷入局部最优， 通过优化干线交叉口相位差获得最佳的平均延误. 1.2新参数动态自适应调整策略 实验中将p-ADE与多种群免疫算法(multi--popula- 控制参数大小的设置及调整方法对DE算法的 tion immune algorithm,MLA)[6进行对比，测试结果 性能有重要影响.P-ADE中所涉及的主要控制参数 表明，PADE算法优化结果能够获得更小的干线直 有W,、K、F,:和CRi,,为达到最佳性能采用动态 行交通流平均延误，且具有更强的稳定性. 的参数自适应调整方式，即根据进化代数和种群个 1 基于新变异策略的动态自适应差分 体的优劣差异对每个个体进行动态自适应调整.首 进化算法 先，算法在进化初期增强个体的局部搜索能力和种 群探索能力，而进化后期增强个体的全局搜索能力 差分进化DE是目前最前沿、最具代表性、性能 和种群的开采能力；其次，群体中适应度较差的个 最优的进化算法之一，但仍然存在易陷入局部最优、 体，加大其变异程度，即在变异、交叉过程中引入更 搜索具有一定盲目性、控制参数难以设定等问 多的扰动，加强其向更优搜索方向变化.参数调整具 题911.大量实验结果表明，DE算法的性能高度依 体操作如式(2)~(5)所示： 赖于优化策略（包含变异策略和交叉策略）及相应 W,=Win+（Wnar-Wma）X 参数的选择[91o.现有大多数DE及其改进算法的 变异策略中，通常采用随机的方式从种群中选择个 (2) 体构成差分矢量，对目标个体的搜索方向引入过多 K,t=Kia+(Knma-Ka）义 的随机性干扰信息，导致目标个体可能出现偏离甚 至背离全局最优解搜索方向的情况，使得新产生的 ((oxp(xhn2) -1 2 +×分》 (3) 子代个体的质量大大降低，同时迭代次数的增加也 Ft=fia+(（Fma-Fia）X 降低了算法的收敛速度. 针对这一问题，本文提出了新的DE变异策略 ,(4) DE/rand-to-best/pbest和新的参数自适应调整策略， CR,it=CR,in+(CR,mr-CR,min）× 构成了一种综合改进的差分进化算法PADE,以提 升DE算法的全局优化能力. (5) 1.1新DE变异策略DE/rand-to-best/pbest 式中：f,为第t代种群中第i个个体的适应度值， 进化算法的核心问题在于如何平衡算法的探索 ∫m,和∫m血分别为第t代种群中个体的最大适应度 与开发能力，加强探索能力有助于提高算法的可靠 值和最小适应度值，参数的变化范围为W,∈ 性，而加强开发能力可以提高搜索效率，一般来说二 [0.1,0.9],K∈[0.3,0.9]，F∈[0.3,0.9]和 者之间存在矛盾.为了达到平衡，P-ADE采用随机 CRe[0.1,0.9]8.所有参数的调整同时考虑了 选择的方式选取基向量，以保持种群良好的多样性. 进化代数以及个体适应度值的影响，在自身取值范 在此基础上为提高搜索效率，利用种群最优解个体 围内动态自适应地变化，无需人为干预和任何先验 等优秀个体提供优秀解分布区域的搜索方向性指 知识 导.基于这一思想提出DE变异策略DE/rand-to- best/pbest,具体形式如式(1)所示. 2自适应差分进化在城市干线协调优 V,:=W,Xt+K（Xet,4-X,）+ 化控制中的应用 F.(X.). (1) 2.1城市干线交通协调优化控制模型 式中：X,为随机选择的基向量；Xt是第t代种群 采用基于最小延误的常态交通条件下干线双向绿