algorytmy genetyczne, adaptacyjne systemy sterowania, sterowanie ruchem

optymalizacja sygnalizacji świetlnej

Halina KWAŚNICKA, Michał STANEK*

ADAPTACYJNY SYSTEM SYGNALIZACJI ŚWIETLNEJ

OPARTY NA ALGORYTMIE GENETYCZNYM

Obecnie znaczenia nabiera odpowiednie przygotowanie oraz zarządzanie drogami, co wymaga

coraz bardziej wyrafinowanych narzędzi i metod. Mowa tutaj o drogowych systemach
informacyjnych, jak również o systemach sterowania sygnalizacją świetlną. Przyszłość stanowią
rozwiązania adaptacyjne, potrafiące automatycznie dostosować się do aktualnie panujących
warunków drogowych. W wielu krajach systemy takie stają się coraz bardziej popularne, niestety,
Polska pozostaje na tym polu daleko w tyle. W pracy przedstawiona jest idea adaptacyjnego systemu
sterującego długością oraz kolejnością faz świetlnych w obrębie jednego skrzyżowania.
Zaproponowane rozwiązanie opiera się na algorytmie genetycznym. Omówiono proces symulacji
oraz optymalizacji ruchu wraz z przedstawieniem funkcji celu. Przedstawiono otrzymane wyniki oraz
możliwości rozszerzenia metody.

1. WSTĘP

Samochody stały się w ostatnim półwieczu najbardziej popularnym środkiem

transportu, ale ciągły wzrost ich liczby wymaga zastosowania systemów zarządzania
ruchem. Zadaniem tych systemów jest minimalizacja strat czasu poruszających się
pojazdów. Dokonuje się tego poprzez manipulowanie planami sygnalizacyjnymi na
skrzyżowaniach [12]. Plany te mogą być ustawione na stałe w sterowniku sygnalizacji
lub też zmieniać się w zależności od panujących aktualnie warunków ruchu – systemy
adaptacyjne [10]. Stałe plany ustawia się na podstawie danych historycznych
dotyczących ruchu w obrębie danego skrzyżowania a optymalne wartości parametrów
dostarczane są często przez gotowe systemy, np. TRANSYT [12]. Podejście takie nie
sprawdza się jednak, kiedy dość często zmienia się charakterystyka ruchu w obrębie
danego skrzyżowania. Rozwiązaniem pośrednim jest wprowadzenie kilku planów
sygnalizacyjnych dostosowanych do warunków ruchu w różnych porach dnia. Dużo
lepsze rezultaty uzyskuje się stosując sterowanie adaptacyjne [3], dostosowujące się

* Politechnika Wrocławska, Instytut Informatyki Stosowanej, 50-370 Wrocław, Wyb. Wyspiańskiego

27, e-mail: halina.kwasnicka@pwr.wroc.pl, michal.stanek@student.pwr.wroc.pl
do aktualnych warunków panujących w obrębie danego skrzyżowania. Długości
poszczególnych faz (splity), ich kolejność, jak i sama długość cyklu pracy sygnalizacji
świetlnej mogą być wówczas zmieniane w czasie pracy sterownika [12] .

2. OCENA PLANÓW SYGNALIZACJI

Aby móc porównać ze sobą dwa plany sygnalizacji należy dysponować

mechanizmem umożliwiającym ocenę ich wpływu na warunki ruchu. Zagadnienie to
nie jest jednak trywialne i nie da się go rozwiązać stosując jedynie aparat
matematyczny, dlatego stosuje się metody symulacyjne.
Mikrosymulacja ruchu pozwala modelować i badać zachowanie pojedynczych
pojazdów. Zaprojektowany przez autorów symulator ruchu opiera się na koncepcji
automatów komórkowych, których modele są obecnie dokładnie przebadane pod
kątem ich użyteczności oraz wierności otrzymywanych wyników z pomiarami
rzeczywistymi [4]. Jądro systemu stanowią reguły zaproponowane przez Nagela oraz
Schreckenberga [1, 2, 6, 8]:
1. Jeżeli (vi < vMax) to vi = vi + 1, gdzie vi oznacza ilość komórek o jakie zostanie
przesunięty pojazd i w kolejnym kroku automatu
2. Jeżeli (vi > 0), to z prawdopodobieństwem R, vi = max(vi – 1, 0)
3. Jeżeli (vi * t > di) to v i= d, gdzie d to odległość (liczba komórek) do najbliższego
pojazdu
4. xi = xi + vi , gdzie xi to komórka automatu komórkowego, w której znajduje się pojazd

Niestety, model komórkowy ma pewne bardzo istotne ograniczenia, np. możliwość

symulacji tylko jednego typu pojazdów, brak informacji dotyczących poszczególnych
tras przejazdu. W celu ich uniknięcia zaproponowany został rozszerzony model ruchu,
w którym wydzielone zostały pewne charakterystyczne elementy, takie jak kierowca,
pojazd oraz sieć drogowa. Umożliwiło to ominięcie ograniczeń podstawowego
modelu komórkowego oraz wpływ na wiele dodatkowych czynników, między innymi
symulację różnych typów pojazdów, poprzez zróżnicowanie ich długości,
maksymalnych prędkości oraz przyspieszeń. Wprowadzenie różnych typów
kierowców umożliwia dalszy wpływ na charakterystykę jazdy poprzez rozszerzenie
bazowego zestawu reguł o reguły dotyczące preferowanej odległości do pojazdu
poprzedzającego, stosowania się do ograniczeń prędkości, minimalnej bezpiecznej
odległości przy wykonywaniu manewrów np. zmiana pasa [7].
Ważnymi elementami systemu są generatory oraz detektory ruchu. Te pierwsze
pozwalają na uzyskanie żądanych natężeń ruchu na odcinkach wjazdowych do
badanej sieci drogowej. Detektory umożliwiają natomiast uzyskanie informacji na
temat ruchu każdego pojazdu przez nie przejeżdżającego. Do analizowanych danych
należą m.in. czas, jaki pojazd przebywał w badanym odcinku, jego minimalna, średnia
oraz maksymalna prędkość, czas postoju i pokonany dystans.
 3. ADAPTACYJNA ZMIANA PLANU SYGNALIZACJI

Jak wspomniano we wstępie, adaptacyjne systemy sterowania ruchem to takie,

które w trakcie zmieniających się warunków ruchu modyfikują czynniki sterujące
ruchem, tak aby go zoptymalizować. Zwykle sprowadza się to do modyfikacji planów
sygnalizacyjnych w obrębie pewnego, lub pewnej grupy skrzyżowań [10], rzadziej do
systemów informacji drogowej, znaków świetlnych itp. [11]. W najprostszych
systemach adaptacyjnych zgłoszenie pojazdu, bądź pewnej grupy pojazdów, po
osiągnięciu pewnej długości kolejki na wlocie podporządkowanym o dużo mniejszym
natężeniu ruchu, powoduje uruchomienie światła zielonego dla tego wlotu [12].
Zaproponowany system adaptacyjny (rys. 1.) umożliwia optymalizację przejazdu
przez sieć skrzyżowań, jednakże w niniejszej pracy skupiamy się na pierwszej fazie
badań, której celem jest optymalizacja przejazdu przez jedno skrzyżowanie.

Start

Detekcja parametrów ruchu przejeżdżających

pojazdów

Czy modyfikować Nie

ustawienie sterownika Czekaj Δt

Tak

Ustawienie parametrów symulatora

Przeprowadzenie procesu optymalizacji

Zaktualizowanie ustawień sterownika

oświetlenia

Rys. 1. Schemat optymalizacji adaptacyjnej

Fig. 1. Adaptive optimization schema

W procesie tym, w pierwszej kolejności należy dokonać detekcji parametrów ruchu

pojazdów w obrębie optymalizowanego skrzyżowania, to jest liczba oraz prędkość
pojazdów dojeżdżających do każdego wlotu skrzyżowania. Następnie podejmowana
jest decyzja, czy należy modyfikować aktualne ustawienia. Robione jest to na
podstawie różnicy aktualnych wartości z wartościami dla których nastąpiła ostatnia
optymalizacja i jeżeli nie przekracza ona pewnego z góry ustalonego progu możemy
zakładać, że optymalizacja nie jest konieczna. W kolejnym kroku ustawić należy
parametry symulatora (natężenia oraz prędkości dojazdowe pojazdów na każdym
wlocie), który służy do późniejszej oceny proponowanych rozwiązań. Następnie
dokonywany jest proces optymalizacji (rozdz. 4.). Po zaktualizowaniu sterownika
należy odczekać pewien kwant czasu Δt, przez który ponownie mierzone są parametry
ruchu. Należy zadbać, aby plan sygnalizacji uwzględniał minimalne oraz maksymalne
dozwolone długości faz świetlnych w obrębie danego skrzyżowania.

4. PROCES OPTYMALIZACJI

Algorytm genetyczny jest metodą optymalizacji wzorowaną na ewolucji

biologicznej, ewoluująca populacja stara się maksymalizować swoje przystosowanie
do środowiska, w którym funkcjonuje. Populacja w algorytmach genetycznych składa
się z osobników, które są potencjalnymi rozwiązaniami danego problemu, natomiast
funkcja przystosowania jest miarą jakości poszczególnych rozwiązań. .
Pierwszym krokiem działania algorytmu genetycznego jest stworzenie
początkowej populacji o zadanej liczności N, a następnie ocena każdego osobnika
w populacji. Jeżeli nie jest spełnione kryterium stopu, dokonuje się wyboru rodziców
wśród najlepszych osobników (selekcja). Nowe pokolenie (o tej samej liczności)
tworzone jest na bazie najlepszych osobników z pokolenia poprzedniego poprzez
zastosowanie operatorów genetycznych (krzyżowanie oraz mutacja). Proces jest
powtarzany aż do spełnienia kryterium zatrzymania (zadana liczba pokoleń Np, jakość
znalezionego rozwiązania, itp.) [9].
W proponowanym rozwiązaniu algorytm genetyczny służy do optymalizacji
ustawień sygnalizacji świetlnej w obrębie jednego skrzyżowania.

4.1 BUDOWA CHROMOSOMU ORAZ OPERATORY

Osobnik reprezentuje konfigurację sygnalizacji świetlnej jednego skrzyżowania,

czyli długości poszczególnych faz oraz ich kolejność. Pojedynczy osobnik stanowi
jedno potencjalne rozwiązanie. Zakodowana postać rozwiązania nazywa się
chromosomem i składa się z dwóch części, pierwsza odpowiedzialna za kodowanie
kolejności faz sygnalizacji świetlnej, druga za długość każdej fazy (rys. 2.). Przy
założeniu, że łączna liczba faz wynosi NF, długość całego chromosomu jest równa
2NF.

Rys. 2. Budowa chromosomu

Fig. 2.Chromosome structure

Do zakodowania kolejności faz świetlnych wykorzystano reprezentację

porządkową [5]. W reprezentacji tej wartość fi przyjmuje wartości z zakresu
f i ∈ [1, ( NF + 1) − i ] , gdzie i=1,...,NF. Druga część chromosomu, reprezentująca
długości poszczególnych faz świetlnych, kodowana jest za pomocą liczb naturalnych.
Wartości zapisane w kolejnych komórkach odpowiadają liczbie sekund, na jakie
zostanie zapalone światło zielone dla danej fazy. Oczywiście wartości te spełniają
zależność ti ∈ [Tmin , Tmax ] , gdzie przez Tmin oraz Tmax oznaczamy odpowiednio
minimalną oraz maksymalną długość trwania światła zielonego. Długość cyklu jest
sumą długości faz świetlnych ti, zaś split każdej fazy stanowi stosunek jej długości do
czasu trwania cyklu.
Sposób kodowania osobnika umożliwia wykorzystanie klasycznych operatorów
genetycznych. Działanie operatora krzyżowania polega na wylosowaniu dwóch
punktów z których pierwszy p1 ∈ [1, NF], drugi p2 ∈ [NF+1, 2NF]. Jeżeli dwóch
rodziców oznaczymy przez R1 oraz R2, to chromosomy nowych osobników D1 oraz D2
(dzieci) budowane są według następującego schematu. Fragmenty chromosomu D1
powstają jako połączenie chromosomu R1 od początku do p1 oraz od NF+1 do p2, luki
wypełniane są odpowiadającymi fragmentami z R2. Analogicznie powstaje
chromosom D2 (zamieniana jest kolejność rodziców). Operator krzyżowania
stosowany jest z prawdopodobieństwem PK.
Po zastosowaniu operatora krzyżowania, z pewnym prawdopodobieństwem PM
każdy element nowego chromosomu podlega mutacji. Jeżeli mutowana jest wartość fi ,
to nowy element losowany jest z przedziału określonego wzorem (1). Jeżeli mutacji
podlega ti, to do obecnej wartości losowo dodawana jest liczba z przedziału [-Tz, Tz],
gdzie przez Tz, określona jest maksymalna zmiana parametru ti. Taka postać operatora
mutacji może doprowadzić do stworzenia niepoprawnego rozwiązania, w którym
czasy poszczególnych faz są zbyt małe lub zbyt długie. Osobnik taki jest naprawiany
zgodnie z zasadą, że jeżeli ti < Tmin to ti = Tmin oraz jeżeli ti > Tmax, to ti = Tmax.

4.2 FUNKCJA CELU I METODA SELEKCJI

Każdy osobnik w danym pokoleniu jest oceniany pod kątem stopnia jego
dopasowania za pomocą funkcji celu, określonej wzorem (1).

2
⎛N ⎞ ND ⎛ ⎛ ⎞⎞
Q( S ) = ⎜ v ⎟ ⋅ ∑ ⎜ Pr t (i ) ⋅ N v (i ) ⋅ ⎜ v(i ) + 1 ⎟ ⎟ (1)
⎜N ⎟ i =1 ⎜ ⎜ s (i ) ⎟⎠ ⎟⎠
⎝ vp ⎠ ⎝ ⎝

gdzie: ND – liczba detektorów w badanej sieci, NV(i) – liczba zarejestrowanych

pojazdów przez detektor i, Prt(i) – priorytet danego detektora, v(i ) – średnia
z średnich prędkość przejazdu pojazdów przez skrzyżowanie, zarejestrowanych przez
detektor i, s (i ) – średni czas postoju pojazdów na badanym skrzyżowaniu
zarejestrowanych przez detektor i, NV – całkowita liczba zarejestrowanych pojazdów
zarejestrowana przez detektory, NVP – maksymalna liczba pojazdów, jakie mogłyby
wjechać w dany obszar symulacji, gdyby któryś z wjazdów nie był przepełniony,
S oznacza osobnika, czyli konfigurację skrzyżowania.
Do znalezienia wartości funkcji Q przy danym ustawieniu sygnalizacji świetlnej
S wykorzystywany jest symulator. Ze względu na to iż proces ruchu jest procesem
losowym, dana konfiguracja może zostać różnie oceniona w kilku następujących po
sobie symulacjach. Aby zminimalizować błąd oceny sam proces oceny danego
ustawienia przeprowadzany jest kilkukrotnie (Ns razy) po czym tworzona jest wartość
średnia Qavr.
Na rys. 3. przedstawiony jest średni błąd kwadratowy Qavr w zależności od liczby
symulacji Ns (błąd jest liczony dla 100 osobników). Dla pojedynczej symulacji wynosi
on 6,5% i wraz ze wzrostem liczby symulacji maleje wykładniczo, dla Ns = 20
osiągając wartość 1,5 % (w badaniach stosowano Ns=5).

6 ,5

5 ,5
5
Średni błąd kwadratowy

4 ,5

3 ,5
3

2 ,5
2

1 ,5

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Ilość symulacji dla danego ustawienia (Ns)

Rys. 3. Błąd oceny danego ustawienia w zależności od ilości symulacji

Fig. 3. Error in estimate fitness function depending on simulation number

W procesie selekcji zastosowano metodę rankingową [5], w której osobniki

szeregowane są malejąco według przystosowania Qavr. Następnie spośród
Ps najlepszych z nich tworzone jest nowe pokolenie, przy czym każdy osobnik z tej
grupy ma równe szanse stać się rodzicem. W czasie całego procesu ewolucji
pamiętane jest najlepsze do tej pory znalezione rozwiązanie.

4.3 UZYSKANE WYNIKI

W pracy skupiono się na testowaniu przejazdu wahadłowego z sygnalizacją

świetlną i dwóch typów skrzyżowań. Podczas przejazdu wahadłowego występują dwie
fazy świetlne, co daje długość pojedynczego osobnika równą cztery. Dokonano wielu
procesów optymalizacji, z zastosowaniem różnych ustawień parametrów. Poniżej
przedstawione są dwa przykładowe zestawy:
1. Zestaw: (N = 20, Np = 30, Ns = 5, Pk = 50%, Pm = 20%, Ps = 35%)
2. Zestaw: (N = 20, Np = 30, Ns = 5, Pk = 20%, Pm = 80%, Ps = 35%)

Analizowano zmiany minimalnej, średniej i maksymalnej osiągniętej wartości

funkcji celu w trakcie procesu ewolucji dla parametrów z różnych zestawów. Dobre
efekty daje zestaw 1 – ewolucja powoduje dość stabilny wzrost średniego
przystosowania populacji. Pozostałe zestawy powodują bądź za małą zbieżność
populacji (zbyt duża losowość) bądź też spowalniają proces, prowadząc do
przedwczesnej zbieżności. System znajduje odpowiednie sterowanie ruchem
wahadłowym, optymalizuje czas przejazdu pojazdów.
Badanie przeprowadzone zostało również dla skrzyżowania trójwlotowego typu
T (rys. 4a) z dwiema fazami ruchu (rys. 4b). W konfiguracji tej droga
podporządkowana (pionowa) charakteryzuje się dużo mniejszym natężeniem ruchu
niż droga główna (pozioma). Podobnie jak poprzednio, zaproponowany system radzi
sobie dobrze z postawionym mu zadaniem dla różnych natężeń ruchu.
Eksperymenty wykonano również dla bardziej skomplikowanego skrzyżowania
z czterema wlotami (rys 4c) oraz dwoma pasami dojazdowymi na każdym wlocie.
Optymalizacja dotyczyła ustawień czterech faz sygnalizacji świetlnej – dopuszczalne
kierunki przejazdu podczas każdej fazy przedstawione są na (rys. 4d).

a) b)

c) d)

Rys. 4. Schemat skrzyżowania a) trójwlotowego oraz c) czterowlotowego oraz odpowiadające

im kierunki przejazdu w każdej fazie b) i d)
Fig. 4. Scheme of a) three and b) four inlet junction and according traffic directions
in each phase b) and d)

Przebieg procesu optymalizacji przeprowadzony był z ustawieniami parametrów

zgodnych z zestawem 1. Na rys. 5 przedstawione są zmiany przystosowania
w populacji w trakcie procesu optymalizacji. Podobnie przebiegała ewolucja dla
skrzyżowania czterowlotowego i ruchu wahadłowego.
 3750
3500
3250
3000
2750
2500
Wartość funkcji celu

2250
2000
Min
1750
A vg
1500 Max
1250
1000
750
500
250
0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Pokolenie

Rys. 5. Ewolucja rozwiązania skrzyżowania trójwlotowego

Fig. 5. Evolution of three inlet junction

Zastosowana funkcja celu Q (wzór (1)) dała satysfakcjonujące wyniki. W każdym

z rozwiązań czas światła zielonego dla każdej fazy odpowiadał średniej długości
kolejki ustawiającej się na danym wlocie. Ukierunkowanie funkcji celu na
minimalizację średnich strat czasu oraz maksymalizację średnich prędkości przejazdu
generowało rozwiązania z długim czasem oczekiwania dla wlotów
podporządkowanych, z małym natężeniem pojazdów dojeżdżających. Dla
przypadków, w których natężenia pojazdów dojeżdżających były duże dla wszystkich
wlotów, algorytm znajdował rozwiązania, które starały się nie dopuścić do
przepełnienia kolejki wjazdowej i braku możliwości wjazdu kolejnych pojazdów.
W trakcie procesu ewolucji średnia wartość przystosowania populacji stabilizowała
się już w okolicach piątego pokolenia, dalsza ewolucja generowała rozwiązania tylko
nieznacznie lepsze. Jest to ważne z punktu widzenia możliwości działania systemu
w czasie rzeczywistym.
Przeprowadzono również badania pod kątem wzrostu wydajności związanego
z wprowadzeniem proponowanego systemu adaptacyjnego w stosunku do systemu
stałoczasowego. Dla prezentowanego skrzyżowania trójwlotowego (rys. 4a)
opracowano ręcznie plan sygnalizacji wykorzystując fakt, iż na drodze
podporządkowanej występowało natężenie ruchu równe 1/3 natężenia drogi głównej.
Następnie przebadano system pod kątem krótkotrwałych zmian natężenia ruchu na
drodze podporządkowanej, wynoszących w pierwszym przypadku od 33% do 100%
natężenia występującego na drodze głównej. System adaptacyjny okazał się wówczas
o 12,7% (rys. 6.) wydajniejszy od sygnalizacji stałoczasowej. Przy zmianie natężenia
od 33% do 166% wzrost wydajności wynosił już 18,4%. Natomiast dla
krótkotrwałych okresów czasu, w których na drodze podporządkowanej natężenie
było wyższe od natężenia drogi głównej od 100% do 133%, system adaptacyjny
okazał się wydajniejszy o 28,9%.
 1200
Ocena planu sygnalizacyjnego 1100 Adaptacyjne
1000 Stałoczasowe
900
800
700
600
500
400
300
200
100
0
33,00% 66,00% 100,00% 133,00%

Stosunek natężenia wlotu podporządkowanego do wlotów głównych

Rys. 6. Porównanie zmian wydajności systemu adaptacyjnego i stałoczasowego

przy zmianach natężeń ruchu na drogach dojazdowych
Fig. 6. Changes in efficiency of fixed time system and adaptive system depending on
trafiic intensity changes

5. PODSUMOWANIE

Zaprezentowany w pracy system automatycznego sterowania ustawieniem świateł

na skrzyżowaniach został poddany testom dla pojedynczych skrzyżowań. Jest to
pierwszy etap prac nad adaptacyjnym systemem sterowania ruchem pojazdów dla
sieci dróg. Można stwierdzić, że na pojedynczych skrzyżowaniach zaproponowany
system radzi sobie dobrze, wykazując przy tym krótki czas znajdowania rozwiązań
optymalnych lub bliskich optymalnemu. Uzyskane wyniki pozwalają wnioskować, że
proponowane rozwiązanie wykazuje się cechami umożliwiającymi wykorzystanie go
w adaptacyjnych systemach sterowania ruchem w czasie rzeczywistym.
Planowany jest dalszy rozwój systemu, aby ten główny cel mógł być zrealizowany.
Druga faza eksperymentów będzie dotyczyć różnych układów sieci dróg. Obecna
wersja systemu ogranicza się do modelowania całych faz. Uwzględnianie podfaz
będzie kolejnym etapem rozwoju i badań systemu.

LITERATURA

[1] Delight E., Provido B., Ramires M. A., Tabares W. C., Saldaña P. R., Computer Simulations of
Traffic on Road Intersections, not published
[2] Esser J., Schreckenberg M., Microscopic Simulation of urban traffic based on cellular automata,
International Journal of Modern Physics C, Vol. 8, No. 5 (1997) 1025-1036
[3] Liu, H. L., Oh, J.-S., and Recker, W. (2002). Adaptive signal control system with on-line
performance measure. In 81st Annual Meeting of the Transportation Research Board.
[4] Miaoqing F., Foong W. W., Investigate Traffic Flow Using Cellular Automata, An USC3001
 report 2003/2004
[5] Michalewicz Z, “Algorytmy genetyczne + struktury danych = programy ewolucyjne", Warszawa
Wydawnictwa Naukowo-Techniczne, 2003.
[6] Nagel K., Schreckenberg M., Traffic jam dynamics in stochastic cellular automata, 95ATS089.
1997
[7] Nagel K., Wolf D. E., Wagner P., Simon P. M., Two-lane traffic rules for cellular automata: A
systematic approach, Phys. Rev. E, Vol 58 No. 2, (Aug. 1998)
[8] Nagel K., Simon P. M., Simpliffied cellular automaton model for city traffic, Phys. Rev. E. 58,
1286 (1997)
[9] Rechenberg, I. (1989). Evolution strategy: Nature’s way of optimization. In Bergmann, editor,
Methods and Applications, Possibilities and Limitations, pages 106–126. Lecture notes in
Engineering.
[10] Tavladakis K. and Voulgaris, N. C. (1999). Development of an autonomous adaptive traffic
control system. In ESIT ’99 - The European Symposium on Intelligent Techniques.
[11] Ten-T expert group on ITS for road traffic management (2002). Deployment of intelligent
transport systems on the trans-european road network. Technical Report, European Commision.
[12] Komar Z., Cz. Wolek, “Inżynieria ruchu drogowego. Wybrane zagadnienia.”, Wydawnictwo
Politechniki Wrocławskiej 1994

ADAPTIVE TRAFFIC LIGTS SYSTEM BASED ON

GENETIC ALGORITHM

With the growth of modern cities and the reliance of many of their populations on personal
automobiles for the primary mode of transport, we need to use batter traffic management systems.
There are substantial benefits to be derived from improved traffic flow. In this paper we study the
optimization of traffic lights controllers and present an adaptive approach based on genetic algorithm.
We focus on optimize traffic light plan on one isolated intersection by setting the sequence and green
light time on each phase. We present obtained results and possible improvements.