In der Dissertation wird ein neues Verfahren fuer Versatzzeitoptimierung fuer signalisierte staedtische Strassennetze beschrieben. Das Verfahren ist faehig, die Versatzzeiten sowohl fuer ungesaettigte als auch fuer gesaettigte Verkehrszustaende zu optimieren und quasi-optimale Resultate zu finden. Die Strategie wurde prototypisch in ein C++ Programm umgesetzt, das aus drei Moduln besteht. (1) die Eingabeeinheit; (2) das Optimierungsmodul, das zwei Loesungsansaetze auf der Grundlage genetischer Algorithmen (GA) nutzt; und (3) ein Verkehrsanalysemodul, das als die Zielfunktion fuer den GA-basierten Optimierer dient. Das Analysemodul, das auf dem Cell Transmission Model basiert, modelliert die raeumliche sowie die zeitliche Bildung von Warteschlangen und kann deren Aufbau, Ausbreitung und Rueckgang voraussagen. Die hohe Berechnungsgeschwindigkeit des Modells erlaubt auch bei wiederholten Simulationslaeufen die Online-Anwendung. Es dient auch als Wirkungsmodell fuer die Zielfunktion des Optimierers und wird mit bekannten kontinuierlichen Warteschlangenmodellen und den mit dem Simulationsmodell AIMSUN erzielten Ergebnissen verglichen. Anhand von drei Anwendungsbeispielen wird das entwickelte Verfahren bewertet. Diese Anwendungsbeispiele sind ein Streckenzug mit drei signalisierten Knotenpunkten, ein kleines realistisches Strassennetz mit sechs signalisierten Knotenpunkten und ein verhaeltnismaessig grosses Rasternetz mit zwoelf signalisierten Knotenpunkten. English abstract: A new offset optimization method for signalized urban road networks is described in this dissertation. The method is capable of optimizing offsets in both undersaturated and oversaturated conditions and of finding quasi optimal results. The method is converted prototypically in a C++ program, which consists of three modules: (1) the input module; (2) the optimization module consisting of a genetic algorithm (GA) based optimizer; and (3) a traffic analysis module that serves as the fitness function for the GA-based optimizer. The analysis module is based on Cell Transmission Model; models spatial as well as temporal formation; and is able to predict build-up, propagation and dissipation of queues. Furthermore, its calculation time for repeated simulation runs of module permits online application. The analysis module also serves as the fitness function for the signal timing optimizer and is validated against well-known queuing models and AIMSUN, a state of the art microscopic traffic simulation. The GA-based optimization module consists of two search algorithms that generate timing parameters (offsets) for the analysis module and then optimize these parameters. The first algorithm performs a simultaneous search over all offsets by the process of variation of reproduction – crossover – mutation of the entire chromosome. The second routine varies a group of offset values and therefore only a part of the chromosome until the best solution is found. In the next step, the offsets of the next group of intersections are optimized. A method is developed for the determination of the search order, since the order of treating the intersection and searching the offset has great influence on the optimization results. AIMSUN is used as the unbiased estimator for comparing the developed method against well-know control software TRANSYT-7F, the full enumeration of the offset variables and a manual method based on engineering practice called dominance method. The comparison is carried out for three case studies to benchmark the performance capabilities of the developed method against existing ones. These case studies are a two-way street with 3 intersections; a small realistic network with 6 intersections; and a relatively large grid network with 12 intersections. The results obtained from comparing the first two case studies show that both PGA and SGA can find the optimal solution as well as the full enumeration, whereas the SGA could reduce the CPU-time significantly. For these two case studies, PGA and SGA are superior to both the dominance method and TRANSYT-7F. However, for the relatively large network case study, only SGA including the developed search determination can find a quasi optimal result and is still superior to both TRANSYT-7F (10% relative difference of AIMSUN delay) and dominance method (8 % relative difference of AIMSUN delay). (Author/publisher)
Samenvatting