改进狼群算法的交通子区迭代学习边界控制方法

针对基于固定增益迭代学习的交通子区边界控制方法收敛速度慢、迭代次数过多及控制精度差的问题.提出了一种迭代学习结合改进狼群算法的交通子区边界控制方案.该方案首先根据宏观基本图理论建立交通子区路网的车辆平衡方程,设计出系统的迭代学习控制律.其次分析了迭代学习控制对宏观基本图的影响,引入自适应步长的狼群算法,该算法以上一批次的宏观基本图为模型,离线对迭代学习控制器的比例和微分增益系数进行寻优,再将最优结果代入下一控制周期迭代学习控制中,进而改善收敛速度与精度.最后,对该方案的收敛性提供了数学证明,而仿真实验结果也表明该算法相较于具有固定增益的迭代学习控制器,收敛速度得到提升,对系统期望轨迹也具有较好的跟踪精度,具有较强的可行性与有效性.