城市交通日益拥堵,引发了污染、不安全以及通勤时间延长等一系列问题,给社会经济带来不利影响。由于土地使用限制和环境限制,持续增加基础设施建设已不能作为解决城市交通拥堵问题的方法,而是需要通过一系列的交通控制措施,最优利用现有的基础设施。本文将十字路口的交通灯作为控制器件,优化红绿灯的转换时间可以使得城市区域内所有车辆的总通行时间达到最少。对于一个城市区域内的交通,反馈控制问题的复杂性要求对其基于不同的抽象级别分层地进行求解。本文提出,基于模型的局部反馈控制器使用详细的交通模型,在低层以较快的时间尺度选择每一个十字路口的交通灯的转换时间,从而优化这一区域内的交通流,而边界控制在高层使用更加聚合的交通数据,以较慢的时间尺度来确定进入这一区域的车流速度,从而避免该区域拥堵。基于模型的交通反应式策略已经被提出了很长时间。最初,这些策略使用的模型是一些简单的交通流预测模型,其主要是基于感应线圈检测器测量的交通数据,而感应线圈检测器通常位于十字路口车辆停止线上游40米处。从那时起,基于详细的交通流动态预测模型,许多方法相继被提出,并采用各种数值求解算法,包括混合整数线性规划、遗传算法和粒子群算法。然而,由于其集中式的结构,随着被控十字路口数量的增加,优化问题的计算量变得过大,从而无法在线求解。不同于集中式的体系结构,本文在低层控制设计中采用的多智能体或分布式控制结构,此控制结构只需要一个智能体来解决一个子网络的优化问题,这使得实时性成为可能。需要指出的是,许多现有的关于交通信号灯分层控制的方案是基于三个控制变量的概念:周期、红绿比和偏移量,而红绿比通常在低层上进行优化。在本研究中,交通灯的转换时间被视为控制变量,并且高层控制器只在该区域的交通接近拥挤时才起作用,从而使得低层控制器拥有更大的优化自由度。为了在低层设计基于模型的局部反馈控制器,本文首先引入了城市元胞传输模型,该模型从控制的角度并针对城市交通网络对传统元胞传输模型进行了扩展。这一模型不仅可描述传统元胞传输模型中的元胞动态,且可明确地对交通流在汇合和分散位置处的动态行为,以及队列流出现象(通过修改发送函数)进行建模。通过对所提出模型和微观仿真器SUMO的预测进行比较,验证了模型的正确性。城市元胞传输模型简单直观,易于理解和实现。它涵盖了产生车辆延迟的所有主要原因,并能够以秒精度预测车辆到达受控十字路口停止线的时间。城市元胞传输模型随之被用于合成在低层的局部模型预测控制器和协调模型预测控制器。在局部模型预测控制器和协调模型预测控制器的设计中,一个局部控制智能体只控制一个十字路口,只选择该受控十字路口交通灯的转换时间。局部模型预测控制器和协调模型预测控制器都采用基于仿真的优化方法,只是在协调模型预测控制器中相邻控制智能体之间被允许进行通信,但在局部模型控制器的设计中不允许通信。在这些控制策略的C++仿真实验中,一个局部控制智能体在每个决策时间至多评估9个方案,每个方案的预测时间为160秒,这一计算可以在5秒内完成。这一结果表明,城市元胞传输模型计算足够快,能够合成模型预测控制器,该控制器能够为一个十字路口确定交通灯在数分钟预测时域中的转换时间。通过在线地测量连接着十字路口的道路上的局部信息,局部模型预测控制器可估计城市元胞传输模型仿真运行的初始状态,并评估不同方案的性能。这些方案使用相同的初始状态,不同的方案中交通灯在预测时域中的转换时间不同。局部模型预测控制器将会选择最优方案,以达到最短平均预测延迟。在局部模型预测控制的计算中,使用十字路口上行路的平均流速这一离线信息来预测即将到来的车流。通过对一个简单的4*4曼哈顿网络的仿真,将所提出的局部模型预测控制器的引起的车辆延迟与经过高效调节的定时控制和最大压力控制比较。结果表明,所提出的局部模型预测控制在多种交通条件下,能够极大地减少车辆延迟。协调模型预测控制器通过允许相邻的控制智能体之间进行信息交换来提高预测的精度,其中所交换的信息包括计划的交通灯转换时间和计划的车流。与局部模型预测控制相比,来自相邻十字路口的平均车流速这一离线信息在协调模型预测中被额外的在线信息所替换,这一在线信息可以给出相邻十字路口计划何时发送车辆到受控十字路口。为了取得更好的协调,对之前的计划作出改变将会产生代价,该代价将被加入到代价函数中。对一个4*4网络的仿真表明,与局部模型预测控制相比,所提出的协调模型预测控制进一步减少了车辆的延迟。值得注意的是,系统性能现在依赖于相邻智能体之间的通信,但对于建模的不确定性具有更高的鲁班性。在通信失败的情况下,局部模型预测控制器可以作为协调模型预测控制器的备用。从被证明了稳定性的最大压力控制受到启发,无论何时当一个十字路口的下游队列变得过长时,局部李雅普诺夫函数值将被预测,其被定义为与该十字路口相连道路上队列长度平方的和,并作为最优方案选择时附加的约束条件。只有那些减少该十字路口局部李雅普诺夫函数值的方案才能作为候选方案。仿真表明,这一稳定准则进一步提高了控制器的性能。尤其是它极大地减少了堆积在受控交通区域边界的队列长度。在分层框架下,这一特性将会提高高层边界控制的性能,因为边界控制通过减少进入一个区域内的车流来避免这一区域拥堵,从而在这一区域外产生更多临时队列。由于协调模型预测控制,在一个区域边界由边界控制所附加的汽车延时将更少,因此将更容易被车辆在区域内穿行时更高的速度所抵消。本文最后给出了分层控制框架,详细说明了如何协同设计低层控制器和高层边界控制器。详细地分析该分层框架和相应的仿真实验将在未来完成。一个有趣但困难的问题是,如何严格证明协调模型预测控制的稳定性。解决这一问题可能需要对已有的算法进行修改,这将有助于分布式控制理论的发展。目前,这一问题也正处于研究中。