汽车保有量的迅猛增长造成城市交通供需关系的失衡,由此导致的交通拥堵范围日益扩大,已逐步发展成为区域性的拥堵问题。实践证明,新建交通基础设施或实行政策调控等措施都无法真正从根本上解决区域交通拥堵,因此寻求更加合理有效的交通信号控制策略成为研究区域交通拥堵的必然趋势。论文以“基于迭代学习控制的城市交通子区边界控制方法研究”为主题,首先对大规模路网进行了子区划分,并针对实际交通情况研究了在考虑随机扰动以及交通流非线性特性时迭代学习控制方法在城市交通子区边界控制中的应用,同时给出了严格的收敛性分析证明。论文的主要工作如下:1.针对大规模异构城市路网的边界控制研究,需将其根据交通流特性划分为不同的交通控制子区。首先对研究路网中的交通流数据进行采集,并利用Whitson模型及交通流数据计算相邻信号交叉口之间的关联度值;然后基于快速全局K-means谱聚类算法对关联度值进行聚类,将属于同一聚类的交叉口划分为同一子区,并根据约束条件对已聚类交叉口形成的子区进行边界调整得到最终的划分结果;最后,经仿真验证划分后得到的子区存在宏观基本图特性证明了该子区划分方法的有效性。2.针对现有边界控制策略大都未考虑实际交通系统中的各种扰动与不确定性因素对控制作用性能影响的问题,提出了一种考虑扰动的交通子区迭代学习边界控制方法。首先建立含扰动项的车辆平衡方程,根据VISSIM仿真结果绘制受控子区在不同程度扰动下的宏观基本图,计算出对应的最优累计车辆数作为期望输出;其次,针对扰动设计了开闭环PD型迭代学习控制律进行边界控制以增强系统的鲁棒性,并给出了在输入量受限时迭代学习算法的收敛性分析;最后通过仿真实验验证了该方法能有效抑制干扰对路网性能的影响。3.考虑到实际城市交通流具有较强的非线性,采用线性的交通流模型无法准确地描述交通流的非线性动态特性,因此本文在现有关于非线性交通流研究的基础上,根据控制子区的宏观交通流流入流出关系进一步构建了宏观交通流非线性模型,提出了考虑交通流非线性特性的交通子区迭代学习边界控制方法,并基于Lipschitz条件以及偏导的定义对迭代学习控制算法的收敛性进行了分析,最后通过MATLAB与VISSIM联合仿真平台进行对比仿真实验,验证了迭代学习控制对复杂的非线性交通流控制的有效性。