模糊邏輯控制

3.3 基因模糊邏輯控制

3.3.1 模糊邏輯控制

所謂的模糊邏輯控制(Fuzzy Logic Control, FLC)，或稱模糊專家系統（fuzzy expert system）、模糊推論系統（fuzzy inference model）、模糊聯想記憶（fuzzy associative memory），是以推論為核心，利用領域專家的知識與經驗，建構成某種規則所組成的知識庫(knowledge based, KB )，然後根據受控對象的現況推論出對應的控制策略，以便模仿專家決策與控制行為，達到智慧化控制的目的。

從人類語言控制經驗而來的語意資訊(linguistic information)，例如車速快、慢；

車輛到達率高、低。如果是要設計出一個完整的控制系統，單靠語意的規則通常

Knowledge Base(KB)

輸入狀況

輸出決策隸屬函數

Data base(DB)

邏輯規則 Rule base(RB)

35 關係如式(3-24)、(3-25)與(3-26)。

r1 最常用之 SGAs 方法(simple Gas)，(Goldberg, 1989)。因此，針對基因運算法則中

基

最重要的交配與突變法則，本研究採用 max-min-arithmetical 交配方式以及 non-uniform 突變方式。

另外為保留原 SGA 之優點，也納入雙點交配方式（two-point crossover），由母代產生兩子代。因此，每個交配運算法則將由 2 個母代染色體產生 6 個子代染色體，再由此 8 個染色體中挑選適合度最高之 2 個，置回族群中，其他 6 個則予以刪除。

圖3-9 隸屬函數與邏輯規則編解碼方式示意圖

資料來源：Chiou and Huang (2011)

3. GFLC 逐步演化之機制（Stepwise evolution of GFLC）

透過逐步演化過程，進行邏輯規則及隸屬函數選取的方法，與資料探勘中的逐步過程類似，每個階段主要在既有的邏輯規則及其隸屬函數中，自潛在規則集合中選擇可以改善整體績效最佳的邏輯規則及隸屬函數，如此週而復始直到沒有

c^l c^c c^r

r2 r3

Note: gi = 0 ~ 9

g6 ‧ g5 g7 g8

g1 g2 ‧ g3 g4 g9 g10 ‧ g11g12

規則可以改善目前績效為止，因此現有規則庫的組合即為最佳的控制結果。考慮 一具有 n 個狀態變數 x₁, x₂ ,…, x_n及一個控制變數 y 之 FLC，本研究所制定之績效指標為路口總濃度值，控制變數設定為綠燈延長時間。其逐步學習過程如下：

Step 0: 初始化: s=1.

Step 1: 更新現有儲存的邏輯規則庫 Step 2: 求解隸屬函數

Step 2-1: 產生具有 p 個染色體的初始族群，每一個染色體有 12(n+1)個基因，

同時每個基因隨機產生(0, 9)的整數。

Step 2-2: 根據現有儲存的邏輯規則組合，計算所有染色體的適合度值。

Step 2-3: 選擇 Step 2-4: 交配 Step 2-5: 突變

Step 2-6: 測詴停止條件。令 fs 在 s^th演化時期為一最大的適合度，則停止條件則根據突變率是否達到給定的定值 η 而定。若是則跳至步驟 3，並令 s=s+1；否則則跳至步驟 2-3。

Step 3: 測詴停止條件。若 (fs+1 - fs) ≦ε，其中，ε 為一個給定的微小值，則停止並更新儲存的邏輯規則庫，現有儲存邏輯規則之組合即為最佳化的學習結果；否則，回到步驟 1。

3.4 小結

綜合本研究使用方法，首先以得到的車輛流量、格位密度應用在混合格位傳遞模式中上，得到各格位車輛速度；再將參數套入污染排放模式中與排放係數結合計算，得到擴散模式需要的排放源強度；並使用高斯煙陣模式計算出各格位的車輛污染濃度。最後使用基因模糊邏輯控制方法，以上述得到的濃度值作為模式的控制目標，再經由一連串的詴誤學習與循環求解，求得最佳號誌控制結果；進一步可能設定一濃度門檻值，並對此濃度門檻值做號誌調控，使得整體路口濃度符合預期。本研究模式結合與應用如圖 3-10 之架構所示。

圖 3-10 研究方法架構圖污染排放模式

大氣擴散模式適應性號誌

控制模式混合車流格位傳遞模式

流量、密度污染物排放係數

(單位：g/s)

基因模糊邏輯控制高斯煙塊模式

車速、密度

排放源強度

污染濃度限制式、

績效指標

四、模式應用

本研究旨在考量混合車流的交通狀況下，受車輛污染排放濃度影響之號誌控制模式，因此，本章節將透過設計之道路情境進行污染物排放以及擴散之推估，

並針對濃度推估之結果做道路號誌控制應用，進一步與不同模式、不同情境相互比較其結果。

4.1 情境設定

格位傳遞模式運用的基本假設為「單一車道、單一車種、單一出入口及單一速度」，故模式的應用先選定一號誌化交叉路口做為模擬之情境，並針對本研究探討之混合車流狀況做修改。道路環境相關基本參數設定如表 4-1 所示。

表4-1 道路環境參數設定

參數中文解釋數值參數中文解釋數值

T 模擬時間 3600(時階) Lane 車道數 3(lane)

t 時階 2(s) cell 格位數 23

Δ 壅擠指數 0.5 α 小客車當量 0.25

Vf 自由車流速率 50(km/h) ε 最大小客車當量增量 0.2 Q 每格位最大流量 2(pcu/2s) N 每一格位最大可容納車

輛數(以機車為單位) 90(vehs) l 汽機車車型比例 6 ζU 風速標準差 0.7 𝜎_𝜃 風向標準差 1.6 u* 地表摩擦速率 0.136

u ^風速 ^1.5(m/s) ^z’ ^{濃度偵測高度} ^3(m) 本研究設計之道路為十字路口(東向、西向、北向、南向)，每一方向畫分有 23 個格位，編號 1 為車流上游入口格位，編號 11 為路口前格位，編號 12 為路口，編號 23 為下游收車格位；一方向有三車道，設定市區道路速限為 50KPH；

為確保每一格位能在時階(2 秒)內讓車輛順利通過，格位長度的計算為

50÷1800=0.0278(公里)，因此劃定格位長度為 27.8 公尺；且格位寬度為三車道共 10.8 公尺，其車輛間的運行無特定型態，機車與汽車可併行且無內外側車道之分。

偵測車輛污染排放濃度之受體，設計於距離道路水帄距離 0.5 格位長度處、垂直距離 1 格位長度處。其道路格位設計如圖 4-1，受體與路口位置示意如圖 4-2。

而車流量設計為能夠訓練每種交通狀況的情形，其道路南北向之車流為在 3600 個時階內均均勻到達的情況，而道路東西向則有明顯尖離峰情形；東向與西向交通量相同，南向與北向交通量相同。在 1-450 與 3150-3600 時階為南北向車流量明顯大於東西向車流量之狀況，在 451-900 與 2701-3150 階為南北向車流量略大於東西向，在 901-1350 與 2251-2700 時階為東西向略大於南北向車流量之狀況，而在時階 1351-2250 則為東西向車流量明顯大於南北向，其整體道路車流量設計示意如圖 4-3 所示，其四類交通量會在之後的敘述中做詳細分類。

圖4-3 車流量示意圖

4.2 應用結果

本研究應用車輛排放量最小化之基因模糊邏輯控制，得到污染運算之結果。

並與定時號誌、對道路污染濃度做限制之基因模糊邏輯控制兩種模式相比較，根據整體路口之時間污染變化、格位空間污染變化的結果作探討分析。

4.2.1 GFLC 應用

應用基因模糊邏輯控制之模式，本研究以汽車到達率(TFC)、汽車等候長度 (QLC)、機車到達率(TFM)、機車等候長度(QLM)做為狀態變數，總路口排放量最小化為績效指標，是否延長綠燈時間(EGT)做為控制變數，為求得整體路口之污染排放量以及污染擴散濃度的變化結果。且其隸屬函數上下限之訂定，下限均為 0，到達率上限為車道容量，而等候長度上限為格位容納車輛數。本研究應用 GFLC 求得三條規則，其基因收斂世代如圖 4-4 所示。

圖4-4 GFLC之收斂

本研究設定之基因模糊邏輯控制，其交配率為 0.03、成熟率為 0.95、族群數初步設定為 100。在經過 13 代收斂後得到總排放量 11631.43 為最小的結果，為規則 1；規則 2 則經由 9 世代收斂後得到總排放量 11630.73 為最小的結果；規則 3 則經由 3 世代收斂後得到總排放量 11630.73 為最小，三條 GFLC 邏輯規則如圖 4-5 所示。

規則 1 規則 2 規則 3

圖4-5 GFLC邏輯規則