【正文】 pauseclcplot(T,p2)。grid on。 end %位置更新 Swarm(j, m) = Swarm(j, m)+Velocity(j, m)。fb=W*S。mdq1=sum(u3)/q。 Y=sim(net,p)。 Local_Best_Fitness(i) = fitness。w1={1,1}。 %計(jì)算適應(yīng)度 u1=abs(p1)。},39。grid on。 578 229 581 409 541 671 551 641 487 601 427 467 407 627 568。%初始化Swarm = Max_Swarm*(rand(Number_Particle, Dimension))。%加速系數(shù)b2=。感謝一直支持和幫助我的朋友和同學(xué)們，是你們的關(guān)心與支持使我不斷鼓起勇氣走出困境。參考文獻(xiàn)[1] 李輝等 粒子群優(yōu)化算法在FIR數(shù)字濾波器設(shè)計(jì)中的應(yīng)用 電子學(xué)報(bào) [2] 侯志榮、呂振肅 IIR數(shù)字濾波器設(shè)計(jì)的粒子群優(yōu)化算法 電路與系統(tǒng)學(xué)報(bào) [3] 呂振肅、侯志榮 自適應(yīng)變異的粒子群優(yōu)化算法 電子學(xué)報(bào) 2004年3月第3期[4] 李寧等 帶變異算子的粒子群優(yōu)化算法 計(jì)算機(jī)工程與應(yīng)用 [5] 王凌 智能優(yōu)化算法及其應(yīng)用[M] 清華大學(xué)出版社 2001[6] 孫林軍 智能PID控制研究 浙江工業(yè)大學(xué)碩士學(xué)位論文 2005[7] Astrom K J，and Hagglund tuning of simple reguIators with specificationson phase and amplitude 1984[8] 董斌 城市快速路交通流時(shí)變特性研究[D] 長(zhǎng)春：吉林大學(xué) 2006[9] 陳盛 城市道路交通流速度流量實(shí)用關(guān)系模型研究[D] 東南大學(xué) 2004[10] 楊兆升 基礎(chǔ)交通信息融合技術(shù)及其應(yīng)用[M] 北京：中國(guó)鐵道出版社 2005：143[11] 田雨波 混合神經(jīng)網(wǎng)絡(luò)技術(shù)[M] 北京：科學(xué)出版社 [12] 高尚，楊靜宇 群智能算法及其應(yīng)用 北京：中國(guó)水利出版社 [13] 雷開(kāi)友 粒子群算法及其應(yīng)用研究[D] 西南大學(xué)博士論文 [14] 葉嫣，呂智林 基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)短時(shí)交通流量預(yù)測(cè)[J] 計(jì)算機(jī)工程與設(shè)計(jì) [15] 孟非、潘朋朋 基于混沌PSOBP混合算法的神經(jīng)網(wǎng)絡(luò)[J] 計(jì)算機(jī)仿真 致 謝經(jīng)過(guò)這幾個(gè)月的堅(jiān)持不懈和不斷完善，我的畢業(yè)設(shè)計(jì)終于完成了。但是，如何去控制城市交通這些麻煩，怎么去提高城市道路的發(fā)展水平呢？人們?cè)诓粩嗵剿髦邪l(fā)現(xiàn)，解決這些問(wèn)題并不是一味的去建設(shè)和設(shè)計(jì)交通道路和設(shè)施就可以的了，還需要智能交通系統(tǒng)的幫忙。訓(xùn)練樣本為p=[500 400 475 472 545 676 345 476 535 476 135 278 135 478 449。過(guò)少的隱層節(jié)點(diǎn)數(shù)造成容錯(cuò)性差、未經(jīng)學(xué)習(xí)樣本的識(shí)別能力低，而過(guò)多就會(huì)導(dǎo)致學(xué)習(xí)時(shí)間變得過(guò)長(zhǎng)，所以隱層節(jié)點(diǎn)數(shù)是否選擇恰當(dāng)非常關(guān)鍵[14]。第五步，如果flag大于，就采用BP算法在周圍開(kāi)始進(jìn)行局部的搜索。因此，科學(xué)家們將粒子群優(yōu)化算法和BP算法融合在一起，使其能夠相互作用相互補(bǔ)充各自的不足，充分利用粒子優(yōu)化算法的全局搜索特性和BP算法的局部搜索能力，充分發(fā)揮兩個(gè)算法各自的優(yōu)勢(shì)。 231結(jié)構(gòu)的兩層前饋神經(jīng)網(wǎng)絡(luò)模型當(dāng)我們?cè)谶x擇向量編碼策略時(shí)，需要將每個(gè)粒子都編碼成一個(gè)向量。目前神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)涉及到了很多領(lǐng)域，幫助解決了許多方面的難題，其中最廣泛被應(yīng)用到的是向前神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)。綜合現(xiàn)代粒子群優(yōu)化算法研究理論發(fā)展情況和進(jìn)化算法領(lǐng)域的發(fā)展趨勢(shì)的分析，目前主要有以下幾個(gè)研究方向：（1）粒子群優(yōu)化算法的相關(guān)進(jìn)一步改進(jìn)。（5）都能對(duì)個(gè)體適應(yīng)度信息進(jìn)行搜索，不會(huì)受到函數(shù)約束條件的限制。（3）粒子群優(yōu)化算法相對(duì)于遺傳算法更是沒(méi)有交叉和變異操作這類型的操作，它的原理更加簡(jiǎn)單，參數(shù)也更少，更加容易于實(shí)現(xiàn)。為更清楚地認(rèn)識(shí)粒子群優(yōu)化算法和遺傳算法，以下是兩者簡(jiǎn)單的對(duì)比。慣性權(quán)重w的作用是保持粒子的運(yùn)動(dòng)慣性，使其具有探測(cè)能力和開(kāi)發(fā)能力。因而，對(duì)算法的早熟收斂性展開(kāi)系統(tǒng)的研究和分析能為算法的進(jìn)一步發(fā)展提供堅(jiān)實(shí)基礎(chǔ)?？茖W(xué)家對(duì)粒子群優(yōu)化算法的研究，發(fā)現(xiàn)其具有這些主要優(yōu)點(diǎn)：（1）算法的原理簡(jiǎn)單并容易實(shí)現(xiàn)；（2）需要調(diào)整的參數(shù)在算法中很少；（3）通常使用的群體是比較小規(guī)模的簡(jiǎn)單問(wèn)題；（4）在算法中需要我們進(jìn)行計(jì)算和評(píng)估的函數(shù)次數(shù)較少，比較簡(jiǎn)單；（5）算法的收斂速度通常比其他算法快。粒子群優(yōu)化算法通常把目標(biāo)函數(shù)作為算法的適應(yīng)度函數(shù)。（4）粒子飛行的最大速率。一般的實(shí)驗(yàn)需要的取值在20到40之間。粒子的個(gè)體極值為，粒子種群的全局極值為。在這里看，雖然鳥(niǎo)是追蹤它周圍有限的同伴，但是總體呈現(xiàn)的結(jié)果卻像是整個(gè)鳥(niǎo)群好像被一個(gè)無(wú)形中心所控制著。PSO算法系統(tǒng)初始化為隨機(jī)的一組解，并依靠迭代的方式來(lái)進(jìn)行求解最優(yōu)值，但是與遺傳算法不同，PSO沒(méi)有交叉和變異這種特別的搜索方式，PSO算法的粒子在解的空間中依照尋找最優(yōu)的粒子的方式進(jìn)行搜索[13]。第一類方法包括時(shí)間序列模型、指數(shù)平滑模型等這些常用的數(shù)學(xué)物理方法；第二類方法則包括了非參數(shù)回歸模型、多維分形的方法、狀態(tài)空間重構(gòu)模型和神經(jīng)網(wǎng)絡(luò)(Neural Network)和其他相關(guān)的復(fù)合預(yù)測(cè)模型等。由于每一種方法和模型因?yàn)樽约旱慕Y(jié)構(gòu)和組成等特征而決定了其擁有的特點(diǎn)，當(dāng)在某種特殊條件下，其對(duì)交通流預(yù)測(cè)往往狐疑取得很好的效果，能達(dá)到我們預(yù)期的預(yù)測(cè)精度。（2）理論的快速發(fā)展的階段，在此階段交通流理論獲得高速發(fā)展，產(chǎn)生了許多個(gè)理論分支并其學(xué)術(shù)上涌現(xiàn)出一批具有代表性的人物。時(shí)長(zhǎng)表示交通量預(yù)測(cè)的時(shí)間的提前量，比如時(shí)長(zhǎng)為20分鐘則是交通量預(yù)測(cè)當(dāng)前時(shí)刻開(kāi)始到接下來(lái)的20分鐘之間的交通量的狀態(tài)；步長(zhǎng)則表示交通量預(yù)測(cè)預(yù)測(cè)的時(shí)間周期，比如步長(zhǎng)為10分鐘則是每10分鐘產(chǎn)生一個(gè)交通量的預(yù)測(cè)值。具體體現(xiàn)在：在高架道路的局部路段，特別是在車道減少的路段，在有比較大的轉(zhuǎn)彎的路段，和高架與高架連接的路段，在這些區(qū)域，交通高峰時(shí)段有非常大的可能性會(huì)發(fā)生交通擁堵更甚會(huì)導(dǎo)致交通癱瘓；高架路和其下匝道相交的地面道路互相作用和影響，在某些下匝道的地方也正是高架路的交通瓶頸區(qū)域，有比較大的幾率會(huì)造成交通擁堵；早上和晚上高峰期的交通流方向性比較明顯，比較容易出現(xiàn)某段時(shí)間某一方向的的車流會(huì)堵塞，而另一方向則順暢的的情況。本章講述了論文選題的時(shí)代背景，分析了現(xiàn)代國(guó)內(nèi)和國(guó)外智能交通的發(fā)展現(xiàn)狀，舉例說(shuō)明了交通量預(yù)測(cè)在智能交通系統(tǒng)中重要作用和對(duì)社會(huì)交通事業(yè)發(fā)展的重要意義和作用，是一種有效地解決現(xiàn)代交通問(wèn)題的重要途徑和一種對(duì)社會(huì)經(jīng)濟(jì)的推動(dòng)力。歐盟地區(qū)是世界較為發(fā)達(dá)的地區(qū)，但是交通方面的難題也給歐盟帶來(lái)了不少麻煩。 國(guó)外ITS發(fā)展?fàn)顩r國(guó)外發(fā)展概況，國(guó)外許多經(jīng)濟(jì)發(fā)達(dá)的國(guó)家和地區(qū)都非常重視ITS系統(tǒng)的發(fā)展和規(guī)劃，就目前而言，全球上已形成了以美國(guó)、日本和歐盟為主的三個(gè)大力研究和開(kāi)發(fā)智能交通系統(tǒng)的陣營(yíng)。關(guān)鍵詞：PSO算法；BP神經(jīng)網(wǎng)絡(luò)；交通量預(yù)測(cè)；城市快速路；智能交通系統(tǒng)AbstractMain purpose of this article is hour traffic volume of urban expressway intelligent forecast, because of urban expressway traffic flow with uncertainty and nonlinear characteristics, so for the urban expressway traffic flow forecast need to build forecast model methods are studied. People in constant exploration in the course of a traffic flow prediction model, the recently discovered and put forward a kind of BP neural network based on particle swarm optimization of the new model of the traffic volume forecast. This prediction model is the basis of the BP neural network, by using particle swarm optimization algorithm for the network weights and thresholds are optimized, in order to improve the accuracy of neural network to traffic flow prediction and accuracy. Through research and data analysis, the particle swarm BP neural network prediction model in the prediction of traffic flow in the application has a good effect is also more accurate. In this paper, the following chapters mainly discuss systematically the development of modern intelligent transportation system, the modern urban expressway traffic flow prediction model and traffic,