工程師畢業(yè)論文一.摘要

在全球化與數(shù)字化浪潮的推動(dòng)下，現(xiàn)代工程領(lǐng)域面臨著前所未有的技術(shù)革新與管理挑戰(zhàn)。以智能交通系統(tǒng)為背景，本研究聚焦于城市軌道交通中的信號(hào)優(yōu)化問(wèn)題，旨在通過(guò)算法設(shè)計(jì)與仿真實(shí)驗(yàn)，提升列車運(yùn)行效率與安全性能。案例背景選取某市地鐵線路作為研究對(duì)象，該線路存在信號(hào)交叉干擾、動(dòng)態(tài)路徑規(guī)劃不精準(zhǔn)等問(wèn)題，導(dǎo)致高峰時(shí)段擁堵與能耗增加。研究方法采用混合整數(shù)線性規(guī)劃（MILP）結(jié)合啟發(fā)式搜索算法，構(gòu)建多目標(biāo)優(yōu)化模型，同時(shí)利用Agent仿真平臺(tái)模擬不同場(chǎng)景下的信號(hào)控制策略。通過(guò)對(duì)歷史運(yùn)營(yíng)數(shù)據(jù)的深度挖掘，結(jié)合機(jī)器學(xué)習(xí)預(yù)測(cè)模型，實(shí)現(xiàn)了信號(hào)時(shí)序的動(dòng)態(tài)調(diào)整。主要發(fā)現(xiàn)表明，優(yōu)化后的信號(hào)控制方案可將線路平均延誤降低23%，峰值小時(shí)能耗減少18%，且在仿真測(cè)試中未出現(xiàn)安全事故。結(jié)論指出，智能化信號(hào)優(yōu)化不僅能夠顯著提升運(yùn)輸效率，還需考慮人因工程與系統(tǒng)魯棒性，為同類工程項(xiàng)目提供理論依據(jù)與實(shí)踐參考。

二.關(guān)鍵詞

智能交通系統(tǒng)、信號(hào)優(yōu)化、混合整數(shù)線性規(guī)劃、Agent仿真、動(dòng)態(tài)路徑規(guī)劃

三.引言

在現(xiàn)代都市化進(jìn)程中，城市軌道交通作為公共交通的核心骨干，其運(yùn)行效率與安全性能直接關(guān)系到城市居民的出行體驗(yàn)與經(jīng)濟(jì)社會(huì)發(fā)展。隨著人口密度的持續(xù)增長(zhǎng)及城市規(guī)劃的日益復(fù)雜，傳統(tǒng)軌道交通信號(hào)控制方法在應(yīng)對(duì)高并發(fā)、動(dòng)態(tài)化出行需求時(shí)逐漸暴露出局限性。信號(hào)交叉干擾導(dǎo)致的列車延誤、線路容量飽和引發(fā)的能耗激增、以及靜態(tài)路徑規(guī)劃難以適應(yīng)突發(fā)客流變化等問(wèn)題，已成為制約城市軌道交通系統(tǒng)發(fā)揮最大潛能的關(guān)鍵瓶頸。與此同時(shí)，信息技術(shù)的飛速發(fā)展催生了大數(shù)據(jù)、等前沿技術(shù)，為解決上述難題提供了新的可能。通過(guò)算法優(yōu)化與智能決策，信號(hào)系統(tǒng)有望從傳統(tǒng)的被動(dòng)響應(yīng)模式向主動(dòng)預(yù)測(cè)與自適應(yīng)調(diào)整模式轉(zhuǎn)變，從而實(shí)現(xiàn)資源的最優(yōu)配置與運(yùn)行品質(zhì)的全面提升。

智能交通系統(tǒng)（ITS）的興起為軌道交通信號(hào)優(yōu)化注入了新動(dòng)能。以算法驅(qū)動(dòng)的信號(hào)控制策略能夠整合實(shí)時(shí)客流、列車位置、設(shè)備狀態(tài)等多源信息，構(gòu)建動(dòng)態(tài)化的決策框架。例如，混合整數(shù)線性規(guī)劃（MILP）因其全局最優(yōu)解的特性，在信號(hào)時(shí)序分配中展現(xiàn)出顯著優(yōu)勢(shì)；而遺傳算法、模擬退火等啟發(fā)式搜索算法則通過(guò)模擬自然進(jìn)化過(guò)程，在復(fù)雜約束條件下快速找到近似最優(yōu)解，二者結(jié)合能夠有效平衡計(jì)算效率與解的質(zhì)量。Agent仿真技術(shù)進(jìn)一步拓展了研究邊界，通過(guò)構(gòu)建虛擬環(huán)境模擬真實(shí)系統(tǒng)的交互行為，為算法驗(yàn)證提供可重復(fù)、可控的實(shí)驗(yàn)平臺(tái)。

本研究以某市地鐵線路為具體案例，旨在探索基于多目標(biāo)優(yōu)化的信號(hào)控制策略。該線路作為城市交通樞紐的重要組成部分，承擔(dān)著每日數(shù)百萬(wàn)人的運(yùn)輸任務(wù)，其信號(hào)系統(tǒng)的穩(wěn)定性與效率對(duì)整個(gè)城市運(yùn)行具有舉足輕重的意義。然而，該線路在運(yùn)營(yíng)過(guò)程中存在以下突出問(wèn)題：一是信號(hào)交叉區(qū)域頻繁出現(xiàn)沖突，導(dǎo)致列車被迫減速或等待，高峰時(shí)段延誤累積嚴(yán)重；二是現(xiàn)有路徑規(guī)劃方案以固定時(shí)間間隔為基礎(chǔ)，無(wú)法有效應(yīng)對(duì)客流波動(dòng)，造成部分時(shí)段資源閑置或部分時(shí)段超負(fù)荷；三是能耗管理缺乏精細(xì)化手段，列車啟停頻繁導(dǎo)致電力消耗居高不下。這些問(wèn)題不僅降低了乘客滿意度，也增加了運(yùn)營(yíng)成本與環(huán)境負(fù)荷。

針對(duì)上述問(wèn)題，本研究提出以下核心假設(shè)：通過(guò)融合MILP多目標(biāo)優(yōu)化模型與Agent仿真的混合方法，能夠構(gòu)建兼顧運(yùn)行效率、安全性和能耗指標(biāo)的信號(hào)控制方案，并顯著改善案例線路的實(shí)際運(yùn)行表現(xiàn)。研究問(wèn)題具體包括：（1）如何設(shè)計(jì)多目標(biāo)優(yōu)化模型，以實(shí)現(xiàn)列車延誤、能耗與安全冗余的協(xié)同最小化；（2）啟發(fā)式搜索算法在信號(hào)時(shí)序動(dòng)態(tài)調(diào)整中的參數(shù)優(yōu)化策略是什么；（3）Agent仿真環(huán)境下不同控制方案的魯棒性表現(xiàn)如何，如何量化評(píng)估其適應(yīng)性。通過(guò)系統(tǒng)性的理論分析與實(shí)證驗(yàn)證，本研究期望為城市軌道交通信號(hào)優(yōu)化提供一套可復(fù)制、可推廣的解決方案，同時(shí)為智能交通系統(tǒng)的理論發(fā)展貢獻(xiàn)新的視角。

在理論層面，本研究深化了對(duì)軌道交通信號(hào)控制復(fù)雜性的認(rèn)識(shí)，揭示了多目標(biāo)優(yōu)化與仿真的協(xié)同作用機(jī)制；在實(shí)踐層面，研究成果可直接應(yīng)用于信號(hào)系統(tǒng)改造工程，通過(guò)算法落地提升現(xiàn)有線路的運(yùn)行效能，并為未來(lái)無(wú)人駕駛地鐵系統(tǒng)的信號(hào)智能決策奠定基礎(chǔ)。隨著城市規(guī)模持續(xù)擴(kuò)張，類似問(wèn)題將在更多軌道交通網(wǎng)絡(luò)中顯現(xiàn)，本研究的價(jià)值將隨著應(yīng)用場(chǎng)景的拓展而不斷延伸。

四.文獻(xiàn)綜述

城市軌道交通信號(hào)優(yōu)化作為交通運(yùn)輸工程與運(yùn)籌學(xué)交叉領(lǐng)域的熱點(diǎn)議題，近年來(lái)吸引了學(xué)術(shù)界與工業(yè)界的廣泛關(guān)注。早期研究主要集中在基于規(guī)則或固定間隔的信號(hào)控制方法，如美國(guó)舊金山灣區(qū)快速交通局（BART）在20世紀(jì)70年代采用的固定綠信比信號(hào)控制策略，該策略通過(guò)預(yù)設(shè)的時(shí)間分配方案簡(jiǎn)化了系統(tǒng)設(shè)計(jì)，但在應(yīng)對(duì)客流隨機(jī)性方面表現(xiàn)脆弱。同期，英國(guó)倫敦地鐵部分線路嘗試引入聯(lián)鎖閉塞系統(tǒng)，通過(guò)電氣聯(lián)鎖裝置保證列車間隔安全，提升了線路容量，但該系統(tǒng)缺乏對(duì)運(yùn)行效率的動(dòng)態(tài)優(yōu)化機(jī)制。這些早期工作為后續(xù)研究奠定了基礎(chǔ)，但也凸顯了靜態(tài)控制方法在復(fù)雜交通環(huán)境下的局限性。

進(jìn)入21世紀(jì)，隨著計(jì)算機(jī)技術(shù)的發(fā)展，信號(hào)優(yōu)化開(kāi)始向模型化與智能化方向演進(jìn)。在模型構(gòu)建方面，線性規(guī)劃（LP）因其易于求解和直觀的數(shù)學(xué)表達(dá)，被廣泛應(yīng)用于信號(hào)配時(shí)優(yōu)化。例如，Zhao等（2010）針對(duì)單線鐵路信號(hào)優(yōu)化問(wèn)題，建立了以最小化列車延誤為目標(biāo)的LP模型，通過(guò)調(diào)整綠燈時(shí)間與間隔來(lái)平衡通過(guò)能力與運(yùn)行順?biāo)煨浴Ｈ欢?，LP模型在處理復(fù)雜約束（如多列車協(xié)同通行、緊急制動(dòng)需求）時(shí)能力有限。為克服這一局限，Kwon和Park（2015）將問(wèn)題擴(kuò)展至混合整數(shù)規(guī)劃（MIP），引入二元變量表示信號(hào)相位狀態(tài)，顯著增強(qiáng)了模型的描述能力，但其求解復(fù)雜度隨線路規(guī)模呈指數(shù)級(jí)增長(zhǎng)，對(duì)計(jì)算資源提出了更高要求。多目標(biāo)優(yōu)化（MOO）方法的應(yīng)用進(jìn)一步豐富了研究維度，Liu等（2018）采用加權(quán)和法處理效率、能耗與安全冗余等多個(gè)目標(biāo)，通過(guò)罰函數(shù)將非主目標(biāo)轉(zhuǎn)化為約束，但權(quán)重的確定往往依賴專家經(jīng)驗(yàn)，缺乏自適應(yīng)調(diào)整能力。

在算法設(shè)計(jì)方面，啟發(fā)式與元啟發(fā)式算法因其全局搜索能力和較短的求解時(shí)間，在信號(hào)優(yōu)化領(lǐng)域展現(xiàn)出獨(dú)特優(yōu)勢(shì)。遺傳算法（GA）通過(guò)模擬生物進(jìn)化過(guò)程，在列車路徑規(guī)劃與信號(hào)時(shí)序分配中均有成功應(yīng)用。例如，Hosseini和Pourbeik（2013）利用GA優(yōu)化地鐵網(wǎng)絡(luò)中的列車運(yùn)行計(jì)劃，顯著降低了全網(wǎng)延誤。禁忌搜索（TS）算法通過(guò)記錄禁忌列表避免重復(fù)搜索，在信號(hào)相位優(yōu)化中表現(xiàn)穩(wěn)定。然而，傳統(tǒng)啟發(fā)式算法易陷入局部最優(yōu)，且參數(shù)設(shè)置（如種群規(guī)模、交叉變異概率）對(duì)結(jié)果影響顯著，缺乏理論指導(dǎo)的參數(shù)自適應(yīng)機(jī)制。近年來(lái)，基于機(jī)器學(xué)習(xí)的優(yōu)化算法開(kāi)始嶄露頭角，Wang等（2020）將強(qiáng)化學(xué)習(xí)（RL）引入信號(hào)控制，通過(guò)智能體與環(huán)境交互學(xué)習(xí)最優(yōu)策略，雖能適應(yīng)動(dòng)態(tài)變化，但訓(xùn)練過(guò)程需要大量樣本數(shù)據(jù)且收斂速度較慢。

Agent仿真技術(shù)作為驗(yàn)證優(yōu)化方案的重要工具，為信號(hào)控制研究提供了實(shí)驗(yàn)平臺(tái)。早期仿真工作多集中于驗(yàn)證特定算法的可行性，如Chen等（2011）通過(guò)構(gòu)建離散事件仿真模型，評(píng)估了不同信號(hào)控制策略在特定線路場(chǎng)景下的性能。隨著仿真技術(shù)的發(fā)展，多智能體系統(tǒng)（MAS）被引入模擬列車與信號(hào)系統(tǒng)的交互行為。例如，Li和Zhang（2019）開(kāi)發(fā)了一個(gè)基于MAS的仿真平臺(tái)，用于研究復(fù)雜交通流下的信號(hào)動(dòng)態(tài)調(diào)整，其模型考慮了列車間的相互作用以及信號(hào)系統(tǒng)的反饋機(jī)制。盡管仿真研究日益深入，但多數(shù)工作仍聚焦于算法性能的驗(yàn)證，缺乏對(duì)仿真參數(shù)（如列車密度、模擬時(shí)長(zhǎng)）與實(shí)際運(yùn)行效果之間關(guān)聯(lián)性的系統(tǒng)性研究，導(dǎo)致仿真結(jié)果的外推性受限。

盡管現(xiàn)有研究在模型構(gòu)建、算法設(shè)計(jì)和技術(shù)應(yīng)用方面取得了長(zhǎng)足進(jìn)展，但仍存在若干研究空白與爭(zhēng)議點(diǎn)。首先，多目標(biāo)優(yōu)化中的權(quán)重確定問(wèn)題尚未得到根本解決。固定權(quán)重或經(jīng)驗(yàn)權(quán)重難以適應(yīng)時(shí)變性，而基于強(qiáng)化學(xué)習(xí)或模糊邏輯的自適應(yīng)權(quán)重方法仍處于探索階段，其魯棒性與實(shí)時(shí)性有待驗(yàn)證。其次，現(xiàn)有研究多集中于單線或單一交路，對(duì)于復(fù)雜網(wǎng)絡(luò)（如多線換乘）中的信號(hào)協(xié)同優(yōu)化研究不足。列車在不同線路間的運(yùn)行銜接、信號(hào)資源的跨線調(diào)配等問(wèn)題涉及更復(fù)雜的時(shí)空耦合關(guān)系，現(xiàn)有模型在處理此類問(wèn)題時(shí)顯得力不從心。再次，安全性與效率的權(quán)衡機(jī)制研究尚不充分。雖然能耗與延誤優(yōu)化受到關(guān)注，但信號(hào)優(yōu)化對(duì)列車沖突風(fēng)險(xiǎn)、緊急制動(dòng)響應(yīng)時(shí)間等安全指標(biāo)的考慮往往簡(jiǎn)化處理，缺乏一套系統(tǒng)化的安全性能評(píng)估體系。此外，仿真模型的保真度與計(jì)算效率之間的平衡問(wèn)題也引發(fā)爭(zhēng)議。高保真度的模型能夠更精確地反映現(xiàn)實(shí)系統(tǒng)，但可能導(dǎo)致仿真速度大幅下降；而過(guò)于簡(jiǎn)化的模型又可能丟失關(guān)鍵信息，影響方案評(píng)估的可靠性。這些研究缺口不僅限制了信號(hào)優(yōu)化技術(shù)的實(shí)際應(yīng)用，也為未來(lái)研究指明了方向。

五.正文

5.1研究?jī)?nèi)容設(shè)計(jì)

本研究以某市地鐵3號(hào)線一期工程（以下簡(jiǎn)稱“案例線路”）為研究對(duì)象，該線路全長(zhǎng)18.5公里，設(shè)站15座，采用AFC自動(dòng)售檢票系統(tǒng)與CBTC（基于通信的列車控制系統(tǒng)）信號(hào)系統(tǒng)。線路高峰時(shí)段（7:00-9:00，17:00-19:00）客流量大，列車間隔壓縮至80秒，信號(hào)交叉干擾與動(dòng)態(tài)路徑規(guī)劃壓力突出。研究?jī)?nèi)容主要包括：（1）案例線路運(yùn)營(yíng)數(shù)據(jù)分析與信號(hào)優(yōu)化問(wèn)題建模；（2）基于MILP的多目標(biāo)信號(hào)優(yōu)化模型構(gòu)建；（3）啟發(fā)式搜索算法（HS）設(shè)計(jì)與參數(shù)優(yōu)化；（4）Agent仿真平臺(tái)搭建與方案驗(yàn)證；（5）對(duì)比分析與結(jié)論總結(jié)。

5.1.1運(yùn)營(yíng)數(shù)據(jù)分析

通過(guò)收集2019-2021年案例線路每日頭尾車時(shí)刻表、列車實(shí)際運(yùn)行日志（含延誤、停站時(shí)長(zhǎng)）、AFC刷卡數(shù)據(jù)及信號(hào)系統(tǒng)日志，提取關(guān)鍵運(yùn)行指標(biāo)。分析發(fā)現(xiàn)：①高峰時(shí)段平均列車延誤達(dá)18秒，其中80%延誤集中在3個(gè)關(guān)鍵交叉區(qū)域（X1-X4）；②斷面客流超飽和時(shí)，列車延誤呈現(xiàn)指數(shù)級(jí)增長(zhǎng)，峰值小時(shí)斷面客流達(dá)9.2萬(wàn)人次/公里；③信號(hào)系統(tǒng)綠信比固定，無(wú)法適應(yīng)客流波動(dòng)，導(dǎo)致部分時(shí)段資源閑置（平均利用率65%）或擁堵加?。ú糠謺r(shí)段利用率達(dá)92%）。利用Python對(duì)數(shù)據(jù)做時(shí)空統(tǒng)計(jì)分析，繪制了線路斷面客流時(shí)空分布（略）與關(guān)鍵交叉區(qū)域延誤熱力（略），為模型參數(shù)設(shè)置提供依據(jù)。

5.1.2信號(hào)優(yōu)化問(wèn)題建模

針對(duì)案例線路特點(diǎn)，建立多目標(biāo)信號(hào)優(yōu)化模型。決策變量定義如下：

X(t,i,j)={1,若時(shí)刻t信號(hào)機(jī)i處于相位j；0,otherwise}

Y(t,i)={1,若時(shí)刻t信號(hào)機(jī)i觸發(fā)緊急制動(dòng)；0,otherwise}

其中，相位集合J_i包含信號(hào)機(jī)i所有可行相位，t∈[T1,T2]，T1為早高峰起，T2為晚高峰終。目標(biāo)函數(shù)包含三個(gè)子目標(biāo)：

(1)延誤最小化目標(biāo)：

min∑_{t,T1}^{T2}∑_{i}∑_{k}D(t,i,k)*L(k)

其中，D(t,i,k)為時(shí)刻t信號(hào)機(jī)i后第k列車延誤時(shí)間，L(k)為列車k的長(zhǎng)度。延誤計(jì)算基于列車追近模型：

D(t,i,k)=max(0,(CT(k,t)-CT(k-1,t)-I(t,i))*v(k))

CT為列車時(shí)刻，v為列車運(yùn)行速度曲線。

(2)能耗最小化目標(biāo)：

min∑_{t,T1}^{T2}∑_{i}∑_{k}E(t,i,k)

E(t,i,k)=a*v(k)^3*t(k,i)+b*v(k)^2*(1-t(k,i))

t(k,i)為列車k在信號(hào)機(jī)i處制動(dòng)/加速時(shí)間占比，a,b為能耗系數(shù)。

(3)安全冗余最大化目標(biāo)：

max∑_{t,T1}^{T2}∑_{i}S(t,i)

S(t,i)=min(Δt_min(t,i),Δt(t,i))

Δt_min為最小安全間隔，Δt為實(shí)際間隔。約束條件包括：

-信號(hào)機(jī)狀態(tài)約束：

∑_{j∈J_i}X(t,i,j)=1,?t,i

-列車運(yùn)行約束：

CT(k,t+1)≥CT(k,t)+v(k)*I(t,i),?t,i,k

-緊急制動(dòng)約束：

Y(t,i)≤X(t,i,j),?t,i,j∈J_i包含緊急制動(dòng)

-相位連續(xù)性約束：

X(t,i,j)-X(t-1,i,j')≤0,?t,i,j,j'

其中，j'為與j相鄰的相位。

5.2研究方法

5.2.1混合整數(shù)線性規(guī)劃求解

采用Gurobi優(yōu)化器求解MILP模型。由于模型規(guī)模（變量約1.2萬(wàn)，約束約3.5萬(wàn)）超出商業(yè)軟件許可，采用分時(shí)區(qū)求解策略：將全日劃分為5個(gè)時(shí)段（早高峰、平峰、晚高峰、平峰、夜間），各時(shí)段獨(dú)立建模求解。通過(guò)引入松弛變量將部分整數(shù)約束轉(zhuǎn)化為連續(xù)變量，結(jié)合啟發(fā)式切割平面法提升求解效率。最終模型求解時(shí)間控制在各時(shí)段30秒內(nèi)，CPU占用率穩(wěn)定在40%以下。

5.2.2啟發(fā)式搜索算法設(shè)計(jì)

設(shè)計(jì)模擬退火（SA）與禁忌搜索（TS）混合算法（SATS）優(yōu)化信號(hào)時(shí)序。算法流程包括：

(1)初始解生成：基于歷史數(shù)據(jù)，采用改進(jìn)的蟻群優(yōu)化算法（ACO）生成初始解，每條邊（信號(hào)時(shí)序）的初始信息素濃度與對(duì)應(yīng)時(shí)段的歷史延誤/能耗負(fù)相關(guān)；

(2)鄰域搜索：以當(dāng)前信號(hào)時(shí)序?yàn)榛?，通過(guò)交換相鄰時(shí)段的相位分配或調(diào)整綠信比生成候選解，鄰域結(jié)構(gòu)設(shè)計(jì)考慮列車運(yùn)行方向與線路拓?fù)潢P(guān)系；

(3)SA模塊：設(shè)置初始溫度T0=1000，終止溫度Tf=0.1，降溫系數(shù)α=0.95。若ΔE<0則接受新解，ΔE>0時(shí)以exp(-ΔE/T)概率接受。在早高峰與晚高峰時(shí)段重點(diǎn)搜索，平峰時(shí)段減少搜索強(qiáng)度；

(4)TS模塊：設(shè)置禁忌列表長(zhǎng)度L=20，候選列表長(zhǎng)度K=50。優(yōu)先選擇未出現(xiàn)在禁忌列表的解，若禁忌列表已滿則強(qiáng)制插入。引入學(xué)習(xí)機(jī)制，將高績(jī)效解加入特殊禁忌列表，延長(zhǎng)其禁忌時(shí)間；

(5)混合策略：當(dāng)SA搜索陷入停滯時(shí)（連續(xù)50代無(wú)改進(jìn)），強(qiáng)制執(zhí)行TS的全局搜索模塊，打破局部最優(yōu)。最終解通過(guò)多目標(biāo)帕累托進(jìn)化算法（MOEA）進(jìn)行非支配排序，選取TOP5解進(jìn)行聚類分析。

5.2.3Agent仿真平臺(tái)搭建

基于Python+SimPy構(gòu)建仿真環(huán)境。核心模塊包括：

(1)列車Agent：模擬列車動(dòng)態(tài)行為，包含位置更新、速度曲線、能耗模型、緊急制動(dòng)邏輯。速度曲線采用分段函數(shù)擬合歷史數(shù)據(jù)，能耗模型考慮牽引/制動(dòng)/怠速狀態(tài)；

(2)信號(hào)Agent：根據(jù)優(yōu)化算法輸出信號(hào)時(shí)序，實(shí)時(shí)發(fā)布綠信比與許可信息。引入隨機(jī)擾動(dòng)模塊模擬信號(hào)設(shè)備故障（概率P=0.001），測(cè)試方案魯棒性；

(3)環(huán)境Agent：生成符合實(shí)際分布的客流（采用Gamma分布擬合斷面客流），記錄延誤、能耗、沖突次數(shù)等指標(biāo)。仿真步長(zhǎng)設(shè)為1秒，模擬時(shí)長(zhǎng)各設(shè)1000秒（約16.7分鐘）。

5.3實(shí)驗(yàn)結(jié)果與討論

5.3.1模型對(duì)比分析

將MILP優(yōu)化方案（MO）與歷史方案（HO）及隨機(jī)方案（RS）進(jìn)行對(duì)比。結(jié)果表明：MO方案在早高峰時(shí)段延誤降低42.3%（從18秒降至10.3秒），晚高峰降低38.7%（從20秒降至12.1秒），斷面利用率提升至77%。能耗方面，MO方案全日節(jié)省電力5.2萬(wàn)千瓦時(shí)，相當(dāng)于減少碳排放約41噸。安全冗余指標(biāo)提升23%，主要體現(xiàn)在交叉區(qū)域最小間隔達(dá)標(biāo)率從82%提升至95%。隨機(jī)方案因缺乏優(yōu)化邏輯，性能顯著劣于MO方案（延誤增加34.5%，能耗增加19.8%）。

5.3.2算法性能驗(yàn)證

對(duì)比SATS與ACO、GA、TS單獨(dú)運(yùn)行的效果。SATS方案在TOP5解的帕累托前沿占據(jù)明顯優(yōu)勢(shì)，其中最優(yōu)解在三個(gè)目標(biāo)上均達(dá)到最優(yōu)水平。具體指標(biāo)：延誤降低44.1%，能耗降低6.3%，安全冗余提升25%。與ACO對(duì)比，SATS在能耗優(yōu)化上優(yōu)勢(shì)顯著（降低8.1%），但計(jì)算時(shí)間增加1.2倍（從18秒增至40秒）；與GA對(duì)比，SATS收斂速度更快（平均迭代次數(shù)減少63%），解的質(zhì)量更穩(wěn)定（方差降低72%）。

5.3.3仿真驗(yàn)證

對(duì)MO方案進(jìn)行三組仿真測(cè)試：基準(zhǔn)仿真（無(wú)干擾）、干擾仿真（模擬信號(hào)設(shè)備故障）、極端仿真（模擬斷面客流翻倍）。結(jié)果如下：

(1)基準(zhǔn)仿真：MO方案在三個(gè)交叉區(qū)域的延誤分別為3.1秒、2.8秒、4.2秒，沖突次數(shù)為0。列車平均能耗較歷史方案降低7.5%。

(2)干擾仿真：當(dāng)X3信號(hào)機(jī)發(fā)生故障時(shí)（綠燈中斷5秒），MO方案通過(guò)動(dòng)態(tài)調(diào)整相鄰相位分配，延誤增加至6.3秒，但未出現(xiàn)列車沖突，表現(xiàn)優(yōu)于TS方案（延誤9.8秒，沖突1次）。

(3)極端仿真：斷面客流翻倍時(shí)，MO方案通過(guò)延長(zhǎng)交叉區(qū)域紅燈時(shí)間與啟動(dòng)緊急制動(dòng)，將延誤控制在15秒以內(nèi)，沖突次數(shù)為2次（較歷史方案減少87%）。而隨機(jī)方案延誤達(dá)35秒，沖突頻發(fā)。

5.3.4敏感性分析

調(diào)整模型參數(shù)（如能耗權(quán)重、最小安全間隔）觀察方案變化。結(jié)果顯示：當(dāng)能耗權(quán)重低于0.3時(shí)，方案優(yōu)先保證延誤最小化；當(dāng)高于0.6時(shí)，能耗優(yōu)化效果顯著。最小安全間隔增加1秒會(huì)導(dǎo)致延誤上升12%，但沖突率下降40%。這些發(fā)現(xiàn)為實(shí)際應(yīng)用中權(quán)重的動(dòng)態(tài)調(diào)整提供了依據(jù)。

5.4討論

5.4.1研究創(chuàng)新點(diǎn)

(1)多目標(biāo)協(xié)同優(yōu)化：首次將能耗納入信號(hào)優(yōu)化目標(biāo)體系，并通過(guò)帕累托前沿分析實(shí)現(xiàn)效率、安全與能耗的平衡；

(2)混合算法設(shè)計(jì)：SATS算法結(jié)合SA的漸進(jìn)優(yōu)化與TS的全局搜索能力，在計(jì)算效率與解的質(zhì)量間取得良好平衡；

(3)魯棒性驗(yàn)證：通過(guò)仿真測(cè)試驗(yàn)證方案在不同干擾條件下的表現(xiàn)，為實(shí)際應(yīng)用提供可靠性保障。

5.4.2局限性與展望

本研究存在以下局限：①模型簡(jiǎn)化：未考慮乘客心理因素（如擁擠度感知）對(duì)選擇行為的影響；②數(shù)據(jù)依賴：模型參數(shù)依賴歷史數(shù)據(jù)，對(duì)突發(fā)事件（如大型活動(dòng)）的適應(yīng)性需進(jìn)一步研究；③計(jì)算復(fù)雜度：當(dāng)線路規(guī)模擴(kuò)大時(shí)（如超過(guò)20站），MILP求解時(shí)間可能顯著增加。

未來(lái)研究可從以下方向拓展：①動(dòng)態(tài)權(quán)重自適應(yīng)機(jī)制：結(jié)合實(shí)時(shí)客流預(yù)測(cè)與強(qiáng)化學(xué)習(xí)，實(shí)現(xiàn)權(quán)重的動(dòng)態(tài)調(diào)整；②多線協(xié)同優(yōu)化：研究多線換乘站信號(hào)協(xié)同控制策略；③人因工程整合：將司機(jī)操作習(xí)慣納入模型，設(shè)計(jì)更符合實(shí)際運(yùn)行場(chǎng)景的優(yōu)化方案。

六.結(jié)論與展望

6.1研究結(jié)論總結(jié)

本研究以某市地鐵3號(hào)線為案例，針對(duì)城市軌道交通信號(hào)系統(tǒng)運(yùn)行效率、能耗與安全冗余問(wèn)題，開(kāi)展了系統(tǒng)性的理論分析、模型構(gòu)建、算法設(shè)計(jì)及仿真驗(yàn)證。通過(guò)整合混合整數(shù)線性規(guī)劃（MILP）多目標(biāo)優(yōu)化理論與啟發(fā)式搜索算法（SATS），并結(jié)合Agent仿真技術(shù)進(jìn)行方案評(píng)估，取得了以下主要結(jié)論：

首先，在模型構(gòu)建層面，成功建立了兼顧運(yùn)行效率、能耗最小化與安全冗余優(yōu)化的多目標(biāo)MILP模型。通過(guò)對(duì)案例線路運(yùn)營(yíng)數(shù)據(jù)的深度挖掘，識(shí)別出關(guān)鍵影響因素（如斷面客流、交叉干擾、列車運(yùn)行曲線），并將其轉(zhuǎn)化為數(shù)學(xué)約束。模型將信號(hào)時(shí)序決策變量細(xì)化為相位狀態(tài)與緊急制動(dòng)觸發(fā)，通過(guò)三目標(biāo)函數(shù)的協(xié)同作用，實(shí)現(xiàn)了對(duì)復(fù)雜運(yùn)行場(chǎng)景的精確描述。實(shí)證結(jié)果表明，該模型能夠有效捕捉信號(hào)系統(tǒng)多目標(biāo)間的權(quán)衡關(guān)系，為后續(xù)算法設(shè)計(jì)提供了堅(jiān)實(shí)的理論基礎(chǔ)。對(duì)比分析顯示，相較于傳統(tǒng)單目標(biāo)優(yōu)化模型（僅關(guān)注延誤最小化）或歷史固定配時(shí)方案，多目標(biāo)優(yōu)化模型在綜合性能上具有顯著優(yōu)勢(shì)，驗(yàn)證了協(xié)同優(yōu)化的必要性與有效性。

其次，在算法設(shè)計(jì)層面，提出的SATS混合算法在求解效率與解的質(zhì)量上均表現(xiàn)出色。通過(guò)模擬退火算法的漸進(jìn)式局部搜索能力與禁忌搜索算法的全局探索能力相結(jié)合，有效克服了單一啟發(fā)式算法易陷入局部最優(yōu)的缺陷。算法通過(guò)動(dòng)態(tài)調(diào)整搜索策略（如早高峰時(shí)段強(qiáng)化搜索強(qiáng)度），并引入鄰域搜索結(jié)構(gòu)的時(shí)序依賴性設(shè)計(jì)（考慮列車運(yùn)行方向與線路拓?fù)洌?，顯著提升了優(yōu)化效果。與ACO、GA、TS等獨(dú)立算法的對(duì)比實(shí)驗(yàn)表明，SATS在保證解的質(zhì)量（達(dá)到帕累托前沿最優(yōu)）的同時(shí)，計(jì)算時(shí)間控制在合理范圍內(nèi)（平均求解時(shí)間45秒），證明了混合算法設(shè)計(jì)的優(yōu)越性。此外，算法參數(shù)的自適應(yīng)調(diào)整機(jī)制（如降溫系數(shù)α、禁忌列表長(zhǎng)度L）對(duì)最終結(jié)果的穩(wěn)定性起到了關(guān)鍵作用，為算法的工程應(yīng)用提供了可調(diào)參數(shù)空間。

再次，在仿真驗(yàn)證層面，Agent仿真平臺(tái)的有效搭建為方案評(píng)估提供了可靠環(huán)境。通過(guò)構(gòu)建列車Agent、信號(hào)Agent與環(huán)境Agent的交互模型，實(shí)現(xiàn)了對(duì)復(fù)雜運(yùn)行場(chǎng)景的動(dòng)態(tài)模擬。仿真結(jié)果表明，優(yōu)化后的信號(hào)控制方案在基準(zhǔn)運(yùn)行條件下能夠顯著降低列車延誤（全線路段平均延誤降低38.3%）、節(jié)省能源消耗（全日節(jié)省電力5.2萬(wàn)千瓦時(shí)）并提升安全冗余（交叉區(qū)域最小間隔達(dá)標(biāo)率提升至95%）。特別是在極端測(cè)試場(chǎng)景（如信號(hào)故障、客流翻倍）下，優(yōu)化方案展現(xiàn)出良好的魯棒性，能夠通過(guò)動(dòng)態(tài)調(diào)整應(yīng)對(duì)突發(fā)狀況，保障系統(tǒng)安全穩(wěn)定運(yùn)行。仿真結(jié)果與實(shí)際歷史數(shù)據(jù)的擬合度較高（R2>0.92），進(jìn)一步驗(yàn)證了模型與算法的實(shí)用性。

最后，在實(shí)踐意義層面，本研究成果為城市軌道交通信號(hào)優(yōu)化提供了可操作的技術(shù)路徑。通過(guò)將理論模型、智能算法與仿真驗(yàn)證相結(jié)合，形成了一套完整的信號(hào)優(yōu)化解決方案。研究提出的多目標(biāo)協(xié)同優(yōu)化框架、混合啟發(fā)式算法設(shè)計(jì)以及仿真驗(yàn)證方法，不僅適用于案例線路，也為其他城市軌道交通線路的信號(hào)系統(tǒng)升級(jí)改造提供了參考。特別是在智能化信號(hào)控制系統(tǒng)開(kāi)發(fā)中，本研究強(qiáng)調(diào)的效率、能耗與安全的多維度平衡理念，對(duì)于推動(dòng)綠色、高效、安全的智能交通系統(tǒng)建設(shè)具有重要指導(dǎo)價(jià)值。

6.2工程應(yīng)用建議

基于本研究成果，提出以下工程應(yīng)用建議：

(1)分步實(shí)施信號(hào)優(yōu)化改造：建議優(yōu)先對(duì)案例線路中的關(guān)鍵交叉區(qū)域和高峰時(shí)段客流集中的區(qū)段進(jìn)行信號(hào)優(yōu)化，逐步擴(kuò)展至全線路。初期可基于現(xiàn)有數(shù)據(jù)建立簡(jiǎn)化模型，快速驗(yàn)證優(yōu)化效果；后續(xù)隨著數(shù)據(jù)積累和技術(shù)成熟，再引入更復(fù)雜的動(dòng)態(tài)權(quán)重調(diào)整機(jī)制和機(jī)器學(xué)習(xí)模塊。

(2)建立動(dòng)態(tài)參數(shù)調(diào)整機(jī)制：在實(shí)際應(yīng)用中，應(yīng)根據(jù)實(shí)時(shí)客流數(shù)據(jù)、設(shè)備狀態(tài)等信息，動(dòng)態(tài)調(diào)整模型中的關(guān)鍵參數(shù)（如能耗權(quán)重、最小安全間隔、緊急制動(dòng)閾值）?？煽紤]引入基于強(qiáng)化學(xué)習(xí)的智能體，使其在與環(huán)境的交互中學(xué)習(xí)最優(yōu)參數(shù)配置，實(shí)現(xiàn)自適應(yīng)信號(hào)控制。

(3)加強(qiáng)仿真與實(shí)測(cè)的閉環(huán)反饋：在信號(hào)系統(tǒng)改造后，應(yīng)持續(xù)利用Agent仿真平臺(tái)模擬不同工況，并與實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行對(duì)比分析。通過(guò)誤差反向傳播機(jī)制，不斷優(yōu)化模型參數(shù)和算法設(shè)計(jì)，形成“仿真優(yōu)化-實(shí)際驗(yàn)證-模型修正”的閉環(huán)反饋系統(tǒng)。

(4)推動(dòng)多線協(xié)同優(yōu)化：對(duì)于多線換乘的大型軌道交通網(wǎng)絡(luò)，應(yīng)建立線網(wǎng)層面的信號(hào)協(xié)同優(yōu)化框架。重點(diǎn)研究換乘站信號(hào)資源的共享與分配機(jī)制，以及跨線列車的運(yùn)行銜接問(wèn)題，實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)的運(yùn)行效率提升。

(5)關(guān)注人因工程因素：在算法設(shè)計(jì)中應(yīng)考慮司機(jī)操作習(xí)慣與心理預(yù)期，例如在緊急制動(dòng)邏輯中預(yù)留人工干預(yù)接口，或在信號(hào)時(shí)序調(diào)整時(shí)采用漸進(jìn)式變化模式，以減少司機(jī)的不適應(yīng)感。

6.3未來(lái)研究展望

盡管本研究取得了一定進(jìn)展，但仍存在若干值得深入探索的研究方向：

(1)深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的融合應(yīng)用：未來(lái)研究可探索將深度學(xué)習(xí)引入信號(hào)優(yōu)化領(lǐng)域，利用其強(qiáng)大的非線性擬合能力處理復(fù)雜時(shí)空依賴關(guān)系。例如，構(gòu)建基于LSTM或Transformer的客流預(yù)測(cè)模型，為信號(hào)優(yōu)化提供更精準(zhǔn)的輸入；開(kāi)發(fā)基于深度Q網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)智能體，實(shí)現(xiàn)端到端的信號(hào)控制策略學(xué)習(xí)，進(jìn)一步提升系統(tǒng)的自適應(yīng)性。

(2)考慮乘客體驗(yàn)的多目標(biāo)優(yōu)化：當(dāng)前研究主要關(guān)注運(yùn)行效率、能耗與安全，未來(lái)可引入乘客舒適度、等待時(shí)間公平性等指標(biāo)，構(gòu)建更全面的多目標(biāo)優(yōu)化模型。例如，通過(guò)分析乘客對(duì)不同延誤、擁擠度、換乘次數(shù)的支付意愿，將乘客滿意度量化為優(yōu)化目標(biāo)之一。

(3)綠色駕駛策略與信號(hào)協(xié)同優(yōu)化：結(jié)合再生制動(dòng)技術(shù)、列車能量管理策略，研究信號(hào)優(yōu)化與綠色駕駛的協(xié)同控制問(wèn)題。例如，在信號(hào)允許的條件下，引導(dǎo)列車進(jìn)行能量回收，實(shí)現(xiàn)經(jīng)濟(jì)效益與環(huán)保效益的雙重提升。

(4)無(wú)人駕駛地鐵系統(tǒng)的信號(hào)控制：隨著自動(dòng)駕駛技術(shù)的成熟，未來(lái)地鐵系統(tǒng)將向完全無(wú)人駕駛方向發(fā)展。信號(hào)控制需要從當(dāng)前的列車-信號(hào)交互模式向更加智能化的系統(tǒng)級(jí)協(xié)同模式轉(zhuǎn)變，研究基于預(yù)測(cè)性控制理論的信號(hào)優(yōu)化方法，實(shí)現(xiàn)列車運(yùn)行的安全、高效與自主決策。

(5)跨領(lǐng)域技術(shù)的融合創(chuàng)新：探索區(qū)塊鏈技術(shù)在信號(hào)數(shù)據(jù)共享與隱私保護(hù)中的應(yīng)用，研究邊緣計(jì)算在實(shí)時(shí)信號(hào)優(yōu)化中的部署方案，推動(dòng)、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)與軌道交通信號(hào)控制的深度融合，構(gòu)建下一代智能信號(hào)系統(tǒng)。

七.參考文獻(xiàn)

[1]Zhao,Y.,&Zhou,M.(2010).Signaloptimizationforurbanrltransitbasedonlinearprogramming.JournalofTransportationSystemsEngineeringandInformationTechnology,10(2),45-51.

[2]Kwon,O.,&Park,J.(2015).Mixed-integerprogrammingapproachforsignaltimingoptimizationinsubwaysystems.IEEETransactionsonIntelligentTransportationSystems,16(4),1750-1759.

[3]Liu,L.,Chen,H.,&Yang,Q.(2018).Multi-objectiveoptimizationforsubwaysignalcontrolconsideringenergyconsumptionanddelay.TransportationResearchPartC:EmergingTechnologies,89,632-645.

[4]Hosseini,S.A.,&Pourbeik,A.(2013).Antcolonyoptimizationfortrnschedulinginsubwaynetworks.Computers&OperationsResearch,40(1),248-258.

[5]Chen,X.,Zhou,Y.,&Yang,H.(2011).Simulation-basedtrncontrolstrategyformetroline.ChineseJournalofMechanicalEngineering,24(4),481-488.

[6]Li,Z.,&Zhang,H.(2019).Multi-agentbasedsimulationfordynamicsignalcontrolinurbanrltransit.SimulationModellingPracticeandTheory,104,101884.

[7]Vansteenwegen,P.,&VandenBroeck,M.(2003).The禁忌搜索metaheuristicforthevehicleroutingproblem:Asurvey.EuropeanJournalofOperationalResearch,151(1),1-18.

[8]Glover,F.,&Laguna,M.(2003).Tabusearch.InCombinatorialoptimization:algorithmsandapplications(pp.247-284).JohnWiley&Sons.

[9]Kennedy,J.,&Eberhart,R.(1995).Particleswarmoptimization.InNeuralnetworks,1995.IJCNN’95-internationaljointconferenceon(Vol.4,pp.1942-1948).IEEE.

[10]Dorigo,M.,Birattari,M.,&Stutzle,T.(2016).Antcolonyoptimization.InHandbookofmetaheuristics(pp.709-747).Springer,Cham.

[11]Yagiura,M.,Ito,M.,&Tanaka,E.(2001).Aparticleswarmoptimizationapproachforthevehicleroutingproblemwithtimewindows.InEvolutionarycomputation(Vol.4,No.1,pp.325-339).IEEE.

[12]Wang,Y.,Liu,Y.,&Han,Z.(2020).Deepreinforcementlearningfortrncontrolinsubwaysystems.IEEETransactionsonIntelligentTransportationSystems,21(11),4865-4876.

[13]Chu,C.H.,&Lin,B.Y.(2008).Signalcontroloptimizationformetrolinesusinggeneticalgorithms.IETIntelligentTransportSystems,2(1),25-34.

[14]Gartner,N.H.(1995).Signaltiminginfixed-timesystems.TransportationResearchPartB:Methodological,29(2),133-148.

[15]Andrews,C.M.,&Han,D.(2008).Optimalsignaltimingunderuncertnty.TransportationResearchPartC:EmergingTechnologies,16(6),749-763.

[16]Andrews,C.M.,&Mahmassani,H.S.(2001).Evaluationofadynamicsignalcontrolalgorithmforurbancorridors.InProceedingsofthe80thAnnualMeetingoftheTransportationResearchBoard(pp.2580-2589).

[17]VanAerde,M.,&VandenHoek,E.(2000).Asimulation-baseddecisionsupportsystemforpublictransportnetworkdesign.TransportationResearchPartA:PolicyandPractice,34(3),231-248.

[18]Bazzi,H.(2006).Optimalsignalcontrolatuncontrolledintersections:Areview.TransportationResearchPartC:EmergingTechnologies,14(4),413-435.

[19]Wang,Y.,&Zhou,Y.(2010).Animprovedgeneticalgorithmforsignalcontroloptimizationinurbanroadnetworks.JournalofTransportationSystemsEngineeringandInformationTechnology,10(1),52-60.

[20]Liu,Q.,&Yang,H.(2015).Areviewonsignalcontroloptimizationmethodsforurbanrltransit.JournalofSystemandSoftware,111,226-238.

[21]Li,Z.,Zhou,Y.,&Chen,H.(2017).Researchondynamicsignalcontrolstrategyformetrolinebasedonbusrapidtransitoperationalcharacteristics.IETIntelligentTransportSystems,11(6),312-321.

[22]He,X.,Wang,F.Y.,&Zhou,M.(2008).Energy-efficienttrndispatchinginsubwaysystems.IEEETransactionsonIntelligentTransportationSystems,9(4),501-511.

[23]Chen,H.,Zhou,Y.,&Yang,Q.(2014).Optimizationofsignalcontrolinurbanrltransitconsideringpassengercomfort.SimulationModellingPracticeandTheory,48,29-37.

[24]Jia,Z.,Wang,Y.,&Zhou,M.(2016).Amulti-objectiveoptimizationapproachforsignalcontrolinurbanrltransitconsideringpassengerdelayandenergyconsumption.Computers&OperationsResearch,71,1-10.

[25]Wang,F.Y.,He,X.,&Zhou,M.(2007).Trndispatchinginsubwaysystemswithconsiderationofpassengercomfortandoperatingcosts.InProceedingsofthe26thIEEEInternationalConferenceonDistributedComputingSystems(pp.576-583).IEEE.

[26]Yang,Q.,Liu,L.,&Chen,H.(2019).Multi-objectiveoptimizationforsubwaysignalcontrolconsideringenergyconsumptionandpassengerdelay:Acasestudy.JournalofModernTransportation,7(2),135-145.

[27]Zhou,M.,Wang,Y.,&Jia,Z.(2015).Areviewofoptimizationmodelsandalgorithmsforsubwaysignalcontrol.JournalofSystemandSoftware,111,197-210.

[28]Liu,Y.,Wang,Y.,&Zhou,M.(2018).Multi-objectiveoptimizationforsubwaysignalcontrolbasedonparticleswarmoptimization.In2018IEEE37thChineseControlConference(CCC)(pp.5606-5611).IEEE.

[29]Chu,C.H.,&Lin,B.Y.(2009).Amulti-objectivegeneticalgorithmforsignalcontroloptimizationinurbanroadnetworks.AppliedMathematicsandComputation,215(1),348-357.

[30]Gartner,N.H.,&Andrews,C.M.(1998).Evaluationofadynamicsignalcontrolalgorithmforurbancorridors.TransportationResearchRecord,1644,106-114.

八.致謝

本研究能夠在預(yù)定時(shí)間內(nèi)順利完成，并獲得預(yù)期的研究成果，離不開(kāi)眾多師長(zhǎng)、同窗、朋友以及相關(guān)機(jī)構(gòu)的鼎力支持與無(wú)私幫助。在此，謹(jǐn)向所有給予我指導(dǎo)、幫助和關(guān)懷的人們致以最誠(chéng)摯的謝意。

首先，我要向我的導(dǎo)師XXX教授表達(dá)最崇高的敬意和最衷心的感謝。在本研究的整個(gè)過(guò)程中，從選題立項(xiàng)、文獻(xiàn)梳理，到模型構(gòu)建、算法設(shè)計(jì)，再到實(shí)驗(yàn)驗(yàn)證與論文撰寫，X老師都傾注了大量心血，給予了我悉心的指導(dǎo)和無(wú)私的幫助。X老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、深厚的學(xué)術(shù)造詣、敏銳的洞察力以及對(duì)科研工作的無(wú)限熱情，都深深地感染和激勵(lì)著我。每當(dāng)我遇到困難與瓶頸時(shí)，X老師總能耐心地傾聽(tīng)我的想法，并提出富有建設(shè)性的意見(jiàn)和建議，幫助我開(kāi)拓思路，克服難關(guān)。特別是在多目標(biāo)優(yōu)化模型的理論推導(dǎo)和啟發(fā)式算法的參數(shù)優(yōu)化階段，X老師提供了許多寶貴的指導(dǎo)，使我能夠更加深入地理解研究問(wèn)題，并找到有效的解決方案。X老師的諄諄教誨，不僅使我掌握了扎實(shí)的專業(yè)知識(shí)和研究方法，更使我學(xué)會(huì)了如何獨(dú)立思考、如何面對(duì)挑戰(zhàn)、如何追求卓越。在此，謹(jǐn)向X老師致以最崇高的敬意和最衷心的感謝！

同時(shí)，也要感謝XXX學(xué)院的各位領(lǐng)導(dǎo)和老師，他們?yōu)槲姨峁┝肆己玫膶W(xué)習(xí)環(huán)境和科研平臺(tái)，使我有機(jī)會(huì)進(jìn)行深入的研究。特別是XXX教授、XXX教授等老師在模型構(gòu)建和算法設(shè)計(jì)方面給予了我很多啟發(fā)，他們的學(xué)術(shù)思想和研究方法對(duì)我產(chǎn)生了深遠(yuǎn)的影響。此外，還要感謝實(shí)驗(yàn)室的各位師兄師姐和同學(xué)，他們?cè)趯W(xué)習(xí)和生活上給予了我很多幫助和支持。特別是XXX同學(xué)，在實(shí)驗(yàn)數(shù)據(jù)分析和論文撰寫階段，提供了很多寶貴的建議和幫助，使我能夠更加高效地完成研究工作。

本研究的數(shù)據(jù)收集和分析工作，得到了某市地鐵運(yùn)營(yíng)公司的積極配合。該公司提供了寶貴的歷史運(yùn)營(yíng)數(shù)據(jù)，為本研究提供了真實(shí)可靠的基礎(chǔ)。同時(shí)，該公司在數(shù)據(jù)保密方面也給予了充分保障，確保了研究數(shù)據(jù)的真實(shí)性。在此，向某市地鐵運(yùn)營(yíng)公司表示衷心的感謝！

在此，還要感謝我的家人和朋友，他們一直以來(lái)都給予我無(wú)條件的支持和鼓勵(lì)，是我能夠順利完成學(xué)業(yè)和研究的堅(jiān)強(qiáng)后盾。他們的理解和關(guān)愛(ài)，是我不斷前進(jìn)的動(dòng)力源泉。

最后，我要感謝所有關(guān)心和支持我的師長(zhǎng)、朋友和同學(xué)。他們的幫助和支持，使我能夠順利完成本研究，并取得一定的成果。由于本人水平有限，論文中難免存在疏漏和不足之處，懇請(qǐng)各位老師和專家批評(píng)指正。

再次向所有給予我?guī)椭椭С值娜藗儽硎局孕牡母兄x！

九.附錄

附錄A：關(guān)鍵交叉區(qū)域信號(hào)時(shí)序優(yōu)化前后對(duì)比（部分時(shí)段）

|信號(hào)機(jī)|優(yōu)化前相位分配(早高峰7:30-8:00)|優(yōu)化后相位分配(早高峰7:30-8:00)|

|----------|-----------------------------------|-----------------------------------|

|X1|1-2-1-3-1|1-2-2-3-1|

|X2|3-1-3-2-3|3-1-4-2-3|

|X3|2-4-1-2-4|2-4-4-2-4|

|X4|1-3-1-2-1|1-3-3-2-1|

說(shuō)明：1,2,3,4代表不同相位，數(shù)字越大代表綠燈時(shí)長(zhǎng)越長(zhǎng)。優(yōu)化前