【正文】 MSE=mse(E)plot(T,E)。 if Fitness Global_Best_Fitness Global_Best_Fitness = Fitness。mq1=sum(u1)/q。S=[ mq1 mq2 mdq1 mdq2]39。p2=p(2,:)。p2=p(2,:)。%維數(shù)Generation = 10。我衷心地感謝李全老師給予我的莫大的幫助和指導(dǎo)，使我順利地完成了畢業(yè)設(shè)計，給我四年的大學(xué)學(xué)習(xí)提交了一份滿意的答卷。最后并通過運用Matlab對樣本數(shù)據(jù)進行仿真，其結(jié)果表明預(yù)測值與期望值之間的誤差比較小，在允許的范圍內(nèi)，預(yù)測結(jié)果比較精確。第5章 城市快速路小時交通量預(yù)測的仿真 神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測城市的交通流量具有隨機性，不確定性，復(fù)雜性等特征，這些特征都是由不同的因素所影響下而產(chǎn)生的，這些因素又可以分為偶發(fā)性和時發(fā)性。在我們確定編碼策略之后，就可以將神經(jīng)網(wǎng)絡(luò)的權(quán)值映射成粒子的維數(shù)的形式，并根據(jù)（）（）式進行尋優(yōu)過程，在這個過程中，可以將神經(jīng)網(wǎng)絡(luò)的最小均方誤差作為訓(xùn)練準則[15]。本章主要對粒子群優(yōu)化算法做了詳細和系統(tǒng)的概述，內(nèi)容上包含了，算法的基本原理、算法的基本數(shù)學(xué)描述、算法的基本參數(shù)設(shè)置、算法的流程順序、當(dāng)前算法的優(yōu)點與局限性、算法的改進和及其和其它智能算法的比較，還有當(dāng)前本算法的現(xiàn)代發(fā)展?fàn)顩r和應(yīng)用領(lǐng)域等方面內(nèi)容。相同點：（1）都屬于仿生物算法。其它關(guān)于粒子群優(yōu)化算法改進還有很多，其中就有：混沌粒子群優(yōu)化算法、自適應(yīng)變異算子的引入、協(xié)同粒子群優(yōu)化算法等。（2）粒子群優(yōu)化算法實施的過程很依賴與其采用的參數(shù)取值，解決不同的問題需要設(shè)定不同的參數(shù)，如果能對參數(shù)能有系統(tǒng)的認識，那么就會對不同的問題或不同的領(lǐng)域的參數(shù)設(shè)置提供很大的選擇幫助。c1和 c2代表了粒子受到社會和個體經(jīng)驗的影響程度的高低，一般設(shè)為給兩者相同的權(quán)重c1= c2=2。上面我們已經(jīng)介紹過群優(yōu)化算法本身最大的一個優(yōu)點就是不需要調(diào)節(jié)太多的參數(shù)，但是,算法中這幾個重要的參數(shù)卻直接影響著算法的性能與收斂性的好壞與效果。它的應(yīng)用領(lǐng)域范圍現(xiàn)在已經(jīng)很廣泛，同時也在領(lǐng)域取得了大量的研究成果和成功的例子[11]。當(dāng)在綜合應(yīng)用多種預(yù)測模型城市道路進行交通流預(yù)測時，首先需要確定這些模型的參數(shù)，要根據(jù)各個方面的需要和經(jīng)驗來確定模型的各個待定參數(shù),完整交通流預(yù)測模型的結(jié)構(gòu)?，F(xiàn)代交通流理論的發(fā)展與道路交通運輸業(yè)的發(fā)展和技術(shù)有著必然的聯(lián)系，兩者相互相成，互相促進發(fā)展。由于各個城市地貌、經(jīng)濟發(fā)展情況、城市分布等都有所不同，那么快速路的道路架構(gòu)就形成了不同的類型和不同的特點。日本的ITS的發(fā)展也是通過全民的協(xié)調(diào)體制來推動的。人們在不斷地探索交通流量預(yù)測模型的歷程中，在最近發(fā)現(xiàn)并提出了一種基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的新型的交通量預(yù)測模型。下面主要通過美國這些國家為代表，介紹國外ITS目前的規(guī)劃和發(fā)展?fàn)顩r。第2章 城市快速路與交通流量預(yù)測城市快速路建設(shè)有分隔帶，具有四條或以上的車道，通常都是采用立體交叉的方式控制車輛出入。如果交通流的預(yù)測的時長邊長，那么相應(yīng)的交通量預(yù)測的精度將越低；同理，如果交通量預(yù)測的步長越短，則交通量預(yù)測的周期就會變大，預(yù)測的難度就會增大。但是，在另一種情況下，它的預(yù)測效果可能會比較差，無法滿足需求。與遺傳算法相比之下，PSO的優(yōu)勢和特點在于原理簡單并且算法的實現(xiàn)很容易，要求設(shè)置的參數(shù)少。粒子找到上述的兩個極值后，就會此為基礎(chǔ)依照（）、（）式來更新自己的速度和當(dāng)前位置： （） （）在公式中, c1和c2被我們叫做學(xué)習(xí)因子或加速常數(shù)；rand()是在（0，1）之間的隨機數(shù)；和分別是粒子i在第k次迭代中在第d維中的速度和位置；為粒子在在第d維的個體極值的位置；是粒子群體在第d維中的全局極值的位置。限定粒子最大飛行速率，是為了讓粒子不飛離問題搜索空間的范圍。這是因為粒子群優(yōu)化算法相對原理簡單，計算速度快和占用率少，對電腦的內(nèi)存和CPU速度需求的要求都不高，又不需要目標函數(shù)的梯度信息，只是依靠函數(shù)值就可以了。慣性權(quán)重是用來控制算法的開發(fā)和探測能力。（4）在收斂性方面的研究，遺傳算法已經(jīng)比較成熟，反觀粒子群優(yōu)化算法在這方面的研究還比較薄弱有待進一步發(fā)展。（2）粒子群優(yōu)化算法的生物學(xué)基礎(chǔ)。它的編碼方式可以用數(shù)學(xué)式表示為： （）式中，i代表粒子數(shù)，i=1，2，…，M。如果其搜索到的結(jié)果比gbest要更好，則用這個結(jié)果代替pbest并相應(yīng)更新其對應(yīng)的位置，flag=0，t=t+1，如果t大于，轉(zhuǎn)到第六步，否則轉(zhuǎn)到第三步；如果flag小于，t=t+1，如果t大于，轉(zhuǎn)到執(zhí)行第六步，否則轉(zhuǎn)到執(zhí)行第三步。 578 229 581 409 541 671 551 641 487 601 427 467 407 627 568。我覺得這其中最大的功勞不是我的，而是我的指導(dǎo)老師李全副教授。fitness=。 507 568 561 468 641 546 741 426 460 406 460 527 480 517 625]。traingd39。w2={2,1}。net = train(net,p,t)。 Fitness = fb(2,1)。hold onplot(T,Y)。grid on。 for m = 1:Dimension if abs(Velocity(j, m)) Max_Velocity Velocity(j, m) = sign(Velocity(j, m))*Max_Velocity*rand(1)。u3=abs(p3)。 Local_Best_Particle(i,:) = k。%各微粒的初始適應(yīng)值for i = 1:Number_Particle k = Swarm(i,:)。plot(T,p1)。%最大位置Disturb = 5。感謝班導(dǎo)師、教育過我的老師以及母校全體默默辛勤耕耘的老師們，你們教給了我們專業(yè)的知識和做人的道理將會一生受用。如果不解決城市的交通問題，毫無疑問這些因素會制約城市的經(jīng)濟發(fā)展。本章根據(jù)城市快速路交通流的眾多特點，綜合分析各種因素造成的影響，采用PSOBP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型對城市快速路的交通流量進行預(yù)測。特別是當(dāng)其應(yīng)用于非線性分類問題和復(fù)雜的函數(shù)逼近問題的時候，這方面的缺點就很明顯。正是基于人腦神經(jīng)網(wǎng)絡(luò)種種優(yōu)秀的特點，科學(xué)家們才能不斷地去研究、探討和完善人工神經(jīng)網(wǎng)絡(luò)的基本的科學(xué)理論。（4）都有記憶性，所有粒子都保存。經(jīng)過這些年的研究，進化算法各個分支之間互相借鑒，不斷融合，它們之間的差別也不斷在減小。即是說，早熟收斂不一定能保證算法收斂到全局的最小點。（7）適應(yīng)度函數(shù)。（1）粒子的數(shù)目。例如，現(xiàn)在如果存在一個鳥群，它們在某個區(qū)域隨機地尋找所需要的食物，但是這個區(qū)域卻只有那么一塊食物，那么，想找到那塊食物的最簡單的辦法就是尋找當(dāng)前距離食物最近的那個鳥的周圍區(qū)域[11]。交通流的預(yù)測方法可以劃分為兩個類型：第一個類型是通過數(shù)學(xué)或物理方法作為理論為基礎(chǔ)的傳統(tǒng)的預(yù)測模型；另一個類型則是通過現(xiàn)代科學(xué)技術(shù)和方法作為主要理論研究基礎(chǔ)的預(yù)測模型，這個類型的模型不注重嚴格意義上的數(shù)學(xué)推導(dǎo)和物理意義，反而更加重視對真實的交通流現(xiàn)象的擬合的效果[9]。交通流理論發(fā)展歷程通?？梢詣澐譃槿齻€階段：（1）交通流理論的創(chuàng)始階段，概率論和數(shù)理統(tǒng)計的方法并靠建立數(shù)學(xué)模型的應(yīng)用用來描述交通流量和速度之間的關(guān)系是當(dāng)時最具代表性的。高架道路車流的總體特點是：車流密度高；行車的間距較小，造成了車速較低；發(fā)生交通擁堵和事故的路段多；受地面交通體系的影響，以致造成部分匝道的運行交通流呈現(xiàn)不穩(wěn)定，偶爾會出現(xiàn)斷流情況，交通狀態(tài)變化不穩(wěn)定和頻繁。日本的現(xiàn)在ITS應(yīng)用主要這些方面：交通信息提供、電子收費、公共交通、車輛管理、交通控制管理、交通監(jiān)控等。本文下面分章節(jié)主要系統(tǒng)地討論現(xiàn)代智能交通系統(tǒng)的發(fā)展概況，現(xiàn)代城市快速路與交通交通流預(yù)測模型，粒子群優(yōu)化算法的起源與其原理等，粒子群優(yōu)化算法與神經(jīng)網(wǎng)絡(luò)結(jié)合的原理和應(yīng)用，以及PSOBP神經(jīng)網(wǎng)絡(luò)的交通預(yù)測模型的實驗仿真等等內(nèi)容。我國最早主要通過引進和消化國外一些智能交通技術(shù)產(chǎn)品，并依據(jù)此為基礎(chǔ)和根據(jù)我國現(xiàn)代基本國情的需要進行研發(fā)適合的智能交通技術(shù)。立足于現(xiàn)代的經(jīng)濟與科技水平和城市日益劇增的人口，市民對城市實時的交通信息的要求越來越高，希望出門前就能了解到當(dāng)前道路的交通狀況，從而選擇最佳的路線和出行方式。研究城市道路交通流量特性的方法是：選擇在某個路段觀察該路段的交通流特性在時間和空間上的變化規(guī)律，當(dāng)測到的流量超過規(guī)定的水平時，我們就認為該路段發(fā)生了交通擁堵。綜合目前的研究結(jié)果來看，暫時還沒出現(xiàn)有一種交通流的預(yù)測方法能比其它預(yù)測方法預(yù)測具有絕對的優(yōu)勢，而完全可以替代另一種。PSO是屬于一種模仿生物進化過程的進化計算技術(shù)，是埃伯哈特博士和肯尼迪博士于20世紀90年代基于對鳥群的捕食的研究而提出來的新型算法理論。每個粒子由下面的信息為依據(jù)改變自己的當(dāng)前位置：（1）粒子當(dāng)前所處在的位置；（2）當(dāng)前的粒子的飛行速度的大小；（3）粒子自己當(dāng)前最好位置與當(dāng)前位置的距離；（4）群體最好位置與當(dāng)粒子的前位置之間的距離。（3）粒子的范圍。第五步：根據(jù)方程（）和方程（）進行計算結(jié)果，并根據(jù)其來更新粒子的速度和位置。在標準的PSO算法中有三個很重要的權(quán)重因子，它們是：慣性權(quán)重w；、加速常數(shù)c1；、加速常數(shù)c2。粒子群優(yōu)化算法與遺傳算法也有很多不同的方面：（1）粒子群優(yōu)化算法具有良好的記憶性；而對遺傳算法，以前的知識隨種群的改變而被破壞。 粒子群優(yōu)化算法相對于其他算法的優(yōu)勢在于它比較簡單，容易實現(xiàn)，不需要調(diào)節(jié)很多的參數(shù)，更不不需要梯度信息。編碼的方式通常可以分為兩種，一是向量編碼策略，二是矩陣