第一章 緒論
1.4 研究方法與架構
本研究主要研究方法有三，略述如下：
1.4.1 模糊邏輯控制（FLC）
模糊邏輯控制是結合模糊理論與邏輯控制而成。其核心是由有限數量的模糊 邏輯規則所組成。主要是利用推論規則庫將輸入訊息（Inputs）轉換為明確輸出 訊息（Crisp Outputs）做為控制決策依據。其基本架構如圖 1-1 所示：
輸入狀況 Input
模糊化介面 Fuzzification
Interface
模糊推論 Inference
Engine
解模糊化介面 Defuzzification
Interface
輸出決策 Output 知識庫
Knowledge Base (KB)
隸屬函數 Data Base (DB)
邏輯規則 Rule Base (RB)
資料來源：Chiou, Y.C. and Lan, L.W.[2002]
圖 2-1 模糊邏輯控制（FLC）的基本架構
主要名詞解釋如下：
（一） 知識庫（Knowledge Base, KB）
知識庫係指應用領域的控制知識及控制目標，主要由資料庫及規則庫 組成：
（1） 資料庫（Data Base, DB）
提供語意變數所需要的定義，包括變數論域及隸屬函數型式，以方 便進行明確資料之模糊化處理以及提供語意控制規則的運作。
（2） 規則庫（Rule Base, RB）
由 If-then 規則所組成的一組控制規則，用以模仿及描述控制目標 與領域專家的控制策略。
（二） 模糊化 (Fuzzification)
如果輸入變數是明確數值，則為了解其觸動那些規則，又觸動多大的程度，
因此必須利用前述資料庫中的隸屬函數計算其隸屬度，此即模糊化過程。
（三） 模糊推論（Inference）
模糊推論係決定各邏輯規則運算方式。即在現存的邏輯規則下，進行模糊理 論之合成運算方式。
（四） 解模糊化（Defuzzification）
由於同一個輸入狀態，可能同時觸動（Firing）數條規則，而各規則的輸出 結果均一個模糊資料，無法作為實際控制之依據。因此，解模糊化的目的即在將 所有觸動規則的輸出模糊結果，利用特定方法產生出明確的控制動作。
1.4.2 基因模糊邏輯控制（GFLC）
在模糊邏輯控制上加入基因演算法，利用其三個基本運算元（Operator）：複 製（Reproduction）、交配（Crossover）以及突變（Mutation），與其反覆演化的 機制，用來改善模糊邏輯控制主觀設定的問題。以基因演算法找出適用的邏輯規 則與較佳的隸屬函數型態，以建構客觀的知識庫。基因模糊邏輯控制的基本架構 如圖 1-2：
知識庫 Knowledge Base (KB)
輸入狀況 Input
模糊化介面 Fuzzification
Interface
模糊推論 Inference
Engine
解模糊化介面 Defuzzification
Interface
輸出決策 Output 基因演算法
Genetic Algorithms (GA)
隸屬函數 Data Base (DB)
邏輯規則 Rule Base (RB)
圖 1-2 基因模糊邏輯控制（GFLC）的基本架構
1.4.3 流體近似法（Fluid Approximation）
以等候理論（Queueing Theory）中的流體近似法進行系統績效的評估，其基 本概念為時間-累計車輛數圖中，車輛到達曲線（Arrival Curve）與抒解曲線
（Departure Curve）中的面積，即為延誤（Delay）。如下圖 1-3：
資料來源：G. F. Newell［1982］
圖 1-3 流體近似法估算延誤示意圖 Arrival Curve
A(t)
Departure Curve D(t)
Time, t Delay
ri gi
Slope μ Slope λi
Cumulative arrivals
其中：
ri＝第 i 週期的綠燈時間 gi＝第 i 週期的紅燈時間 λi＝第 i 週期的到達率 μ＝綠燈時間的服務率
以流體近似法估算連續路口的延誤方法，是以 G. F. Newell﹝1982﹞有限儲 存空間下連鎖號誌化路口的估算方式。假設幹道上連續兩個連鎖號誌化路口，兩 路口間的儲存空間為有限值；車輛在兩路口的旅行時間為固定值，且號誌週期為 固定。如下圖 1-4：
資料來源：G. F. Newell［1982］
圖 1-4 通過兩號誌化路口的車流 參數定義：
r：紅燈時間 g：綠燈時間
τ：兩號誌間的旅行時間（Trip time）
δ：時差(Offset) D1(t)
Time, t r τ
Cumulative arrivals
A2(t)
D2(t) c
μg
Slope μ
μ：綠燈時的車流率
c：兩號誌間路段儲存空間（最大可容納之車輛數）
μg：綠燈時可通過最大的車輛數 限制式：
1、 0 < δ < r + g （時差小於週期長度）
2、 c > μτ (儲存空間可容納上游抵達的車輛) 3、 g > c/μ （等候的車輛可以在下個週期綠燈消散）
4、 r + τ> c/μ （等候車輛消散前無上游車流抵達）
根據 g 與 r + τ分為兩種情況，再依照時差的大小，可繪出各六種典型圖形。
表 1-1 典型圖代表之參數大小關係 Type I ： c/μ< g< r +τ
0 < c/μ < g < r +τ < g+ r +τ- c/μ < r + g I(f) I(e) I(d) I(c) I(b) I(a) Type II ： c/μ< r +τ<g
0 < c/μ < r +τ < g < g+ r +τ- c/μ < r + g II(f) II(e) II(d) II(c) II(b) II(a)
表 1-2 典型圖
I(a) II(a)
I(b) II(b)
I(c) II(c)
I(d) II(e)
I(f) II(f)
註：I(e)與 II(d)為特例，故不列出 表 1-3 每週期兩路口離去車輛數
D1(t) D2(t) D1(t) D2(t) I(a) c **μg II(a) c **μg
I(b) c c +μ(δ-r-τ) II(b) c c +μ(δ-r-τ) I(c) c c II(c) c +μ(g-δ) **c +μ(g-r-τ) I(d) c +μ(g-δ) c +μ(g-δ) *II(d) c +μ(g-δ) c +μ(g-δ)
*I(e) μg μg II(e) c +μ(g-δ) c +μ(g-δ) I(f) μg μg II(f) μg μg
註： *＝特例 **＝僅第一週期 根據各個分類分別計算一個週期的總延誤(Delay)，列表如下：
表 1-4 各情況之週期通過車輛數與延誤表
通過車輛數 延誤
I(a) **μg N/A
I(b) c +μ(δ-r-τ) r × [c-μ(δ-r-τ)]
I(c) c (δ-τ) × c
I(d) c +μ(g-δ) (δ-τ) × c + (c/μ-g+δ-τ) ×μ(g-δ)
*I(e) μg (δ-τ) μg I(f) μg N/A
II(a) **μg N/A
II(b) c +μ(δ-r-τ) r × [c-μ(δ-r-τ)]
II(c) c +μ(δ-r-τ) r × [c-μ(δ-r-τ)] + (c/μ-τ) × μ(g-δ)
*II(d) c +μ(g-δ) (δ-τ) × c + (c/μ-τ) × μ(g-δ) II(e) c +μ(g-δ) (δ-τ) × c + (c/μ-τ) × μ(g-δ) II(f) μg N/A
註： *＝特例 **＝僅第一週期 N/A＝無法估算
本研究基本架構圖為下圖 1-4：
基因模糊邏輯控制 GFLC
其他交通控制策略 Other Traffic Control Strategy
交通模擬 Traffic Simulation
知識庫 Knowledge Base (KB)
輸入交通狀況 Input Traffic Condition Data 模糊化介面
Fuzzification Interface
模糊推論 Inference
Engine
解模糊化介面 Defuzzification
Interface
輸出決策 Output 基因演算法
Genetic Algorithms (GA)
隸屬函數 Data Base (DB)
邏輯規則 Rule Base (RB)
流體近似法 Fluid Approximation
基因模糊邏輯控制績效 Performance of GFLC 其他交控策略績效
Performance of Other T.C. Strategy
圖 1-4 研究架構