智能交通控制点部署优化

智能交通系统中用于监控城乡网络道路的控制点部署

摘要

发展中国家交通系统和交通流量的持续发展目前面临着道路安全问题，尤其是在城乡公路运输背景下，事故率居高不下。在本研究中，我们提出了一种智能交通系统（ITS）的通信架构，用于在发展中国家的城际交通网络中实现监控。我们引入了两种类型的控制点：中继控制点（RCP）和处理控制点（TrCP）。同时，我们设计了两个多目标模型用于这些控制点的部署，以确保良好覆盖、最小化安装成本，并加强对事故频发区域的关注。为实现这些控制点的最优部署，我们采用了非支配排序遗传算法II（NSGA‐II），以获得非支配解的帕累托前沿。仿真结果表明了我们方案的有效性。

1. 引言

1.1. 背景

在发展中国家，道路网络用于监控交通和用户活动的有效性并不高。其实施通常面临连通性、覆盖范围和网络化方面的难题。这些国家道路基础设施的缺乏是导致众多事故和死亡人数居高不下的原因。例如，Otou指出，2012年喀麦隆有1450人因交通事故死亡（Gokulakrishnan and Ganeshkumar, 2015; Otou-Essono, 2013）。

在发达国家，智能交通系统（ITS）的出现确保了良好的监控交通网络（公路、航空、铁路等）中活动的监测。这一概念在发展中国家实施将非常重要，尤其是在道路网络的背景下。尽管这些国家在开展此类项目时可用的资金有限。

目前，许多研究工作正在开展，旨在建立一个能够通过这些国家的道路网络监控活动的智能系统。在此背景下，汤姆等人（2016）最近提出了一种面向发展中国家的未来可持续的智能交通系统架构。该架构为贫困国家提供了先进的工具和技术（网页应用或短信、全球定位系统或手机、红外传感器、互联网连接、无线网络、LED显示屏、运动传感器和雷达测速仪）（鲁宾等人，2019；优尼斯和布克尔谢，2015）。此外，姆芬乔等人（2018）提出了一种在考虑这些国家财政资源匮乏的情况下，利用现有信息通信技术实施用于监控城乡道路网络的智能交通系统的方法论。他们的方法论基于三大模块：第一个模块用于控制点管理，第二个模块用于干扰的检测与传播，第三个模块用于动态路线规划。

1.2. 贡献

本文的目的是提出一种通信架构，并为各类控制点（中继器和处理）的部署提供最优方案，以最小化部署成本、最大化网络覆盖范围，并优先考虑事故频发区域。实际上，我们所提出的控制点部署方案将根据发展中国家的实际情况，减少城乡道路网络中的监管问题。因此，首先我们提出一种优先考虑事故高发区域的部署方案，然后最小化部署成本并最大化覆盖范围。

我们对部署进行多目标重构。为了性能评估，我们定义了三个控制点部署实例。目前有许多优化方法用于解决多目标优化问题。有时，一些研究涉及超过三个目标函数的问题，例如：动态多目标进化算法（DMOEA）（邹等人，2008）、多目标碰撞体优化（MOCBO）（卡维和马哈维，2019）、综合进化算法（CEA）（Seifollahi-Aghmiuni and Haddad, 2018）、多目标粒子群优化（拉尔瓦尼等人，2013）以及多目标优化非支配排序遗传算法（NSGA‐II）（德布等人，2000）等。

在本研究中，我们采用了多目标遗传算法，特别是NSGA‐II。我们利用其对非支配解的搜索特性以及快速生成帕累托前沿的能力，从而在任何需要为某一目标函数或另一目标函数设定优先级的决策层面促进决策。

1.3. 论文结构

本文的其余部分组织如下：在第2节中，我们介绍了与节点布置相关的研究工作及相关分类体系。在第3节中，我们提出了适用于发展中国家城际道路网络的通信架构。第4节概述了遗传算法（GA），该方法将作为优化手段被采用。在第5节中，我们描述了所采用的系统模型。在第6节中，我们提出了所建议的数学框架以及设计目标。第7节进行了性能评估。第8节对论文进行总结。

2. 相关工作

进入道路运输网络的车辆及其他实体在管理过程中引发的一系列问题被归结为车辆路径问题。埃克西奥卢等人（2009）提出了用于建模车辆路径问题的完整分类法。他们的研究强调了与道路网络管理相关活动中需要考虑的全部参数，其中也包括发展中国家的城际道路网络背景。

此外，科伦特和马什（1993）提出了一种将这些问题归纳到不同轴上的方案，这些轴包括：最短路径问题、运输问题、分配问题、转运问题、车辆路径问题、最优网络设计问题、生成树问题以及网络问题。因此，发展中国家城际交通网络中控制点的最优部署问题自然属于最优网络设计问题的范畴。

通常，道路运输网络中的部署包括一些设备，例如路侧单元（RSUs），这些设备用于车载自组织网络（VANETs）。文献将部署方案分为五类（Elliott等，2019；Xue等，2017；Wang等，2017）。这是根据以下目标确定的：网络连通性、交通覆盖、信息传播、基于密度的方法和基于中心性的方法。网络连通性的目标是制定部署计划，以改善连通性，并减少有限数量路侧单元（RSUs）之间的断连区间。这方面已有许多研究工作。Lochert等人（2008）提出了一种面向特定领域的聚合方案，以最小化总体带宽并节省交通网络中的行驶时间。他们还提出了一种遗传算法（GA），能够识别静态路侧单元的最佳位置，以应对车载自组织网络（VANET）在早期部署阶段高度分割的特性。一组工具使我们能够基于节省行驶时间的以应用为中心的目标函数，优化设备的布置。仿真使用VISSIM仿真器完成。所提出的解决方案已在德国不伦瑞克的部分区域进行了部署和测试。

池等人（2013）提出了一种基于交叉口之间连通性概念的最优RSU分配算法。首先，他们找出能够覆盖所有交叉口的最优RSU候选交叉口，同时最小化路侧单元（RSUs）之间的传输覆盖重叠。他们根据RSU候选交叉口之间的交叉口连通性值反复消除重复的RSU候选点。两个交叉口之间的交叉口连通性基本通过具有相同移动模式且经过这两个交叉口的车辆数量来衡量。因此，两个交叉口之间的高交叉口连通性值意味着在一个交叉口获取的交通信息可以通过这些车辆以较高概率携带并转发到另一个交叉口。因此，利用这一特性，他们移除了与其邻居具有高交叉口连通性的重复RSU。该模型已在韩国首尔钟路区（JungGu）和瑞草区（Seochogu）的真实城市路网地图上进行了验证。就交通覆盖目标而言，所提出的模型旨在最大化与部署在该区域内的路侧单元（RSUs）发生接触的车辆数量。

移动网络中的覆盖问题通常旨在寻找策略以满足大多数实体在通信方面的需求。在Naito et al.(2013)中，作者通过正交频分复用扩展（OFDM）协同传输技术实现对路侧单元（RSUs）的覆盖。由于路侧单元（RSUs）的动态性，Naito et al.(2013)采用多跳机制来扩展路侧单元（RSUs）的传输范围。因此，转发车辆通过同时发送OFDM信号将数据从路侧单元转发出去。在所进行的仿真中，路侧单元（RSUs）之间的间隔是固定的，从而多跳传输的距离也是固定的。结果表明，该方案可以在不进一步退化和不额外消耗无线资源的情况下进行扩展。

Zheng et al.(2009)提出了一种a‐覆盖方法，用于约束车载互联网接入的互连间隙。他们引入了针对移动用户的间歇性覆盖概念，称为a‐覆盖，该方法在提供最坏情况保证的同时，显著减少了实现全覆盖所需的接入点数量。因此，他们给出了验证给定部署是否满足a‐覆盖的算法，以及确定能够提供a‐覆盖的接入点部署的近似算法。

萨尔沃等人（2012）研究了通过为城市场景定义的简单数据传播来扩展RSU覆盖区域的方法。他们还提出了一种基于转发车载单元（OBU）本地信息的转发算法。他们通过案例研究展示了在城市结构中，使用该协议可将RSU覆盖范围扩展至RSU传输区域约20倍的距离，从而保证良好的RSU覆盖，并使未接收到分发数据的车辆比例非常低。

Mehar等人(2015)提出了面向车载网络中延迟敏感应用的优化路侧单元部署（ODEL）。该模型旨在部署路侧单元（RSUs），其主要目标是通过确保良好覆盖范围和服务质量（QoS），以最小化路侧单元与车辆之间的应用延迟。该模型基于两个步骤：第一步是选择可安装路侧单元的可能位置；第二步则采用遗传算法（GA）和Dijkstra算法，在减少路侧单元数量的同时，进一步最小化应用延迟。在SUMO上对某些场景进行的仿真结果表明，部署成本最多可降低23%，而应用延迟最多可减少84%。

对于信息传播目标而言，其目的是提高信息传播性能，例如减少端到端延迟、增加数据包吞吐量或降低数据包丢失率。Salvo等人（2012）还表明，通过定义良好的覆盖范围可以改善信息传播。

Cavalcante等人(2012)将路侧单元（RSUs）部署问题建模为带时间阈值的最大覆盖问题（MCTTP），以优化信息传播。他们使用遗传算法（GA）求解MCTTP，并将其方案与贪心算法进行比较。结果表明，在所有场景中（四个城镇：苏黎世，巴登，巴尔，温特图尔），他们的方法均优于贪心算法，性能提升最高达11个百分点。该方法能够加快求解过程并找到可接受的解决方案。然而，文中并未提供车辆与路侧单元之间通信建模的详细信息。

参考基于密度的方法，目标是以尽可能低的成本部署路侧单元（RSUs），以便在发生事故时向紧急服务发出警报。该方法采用与车辆预期密度成反比的策略。在Barrachina等人(2013)中获得的结果表明，该方法减少了所需RSU的数量以及事故通知时间。他们使用无线技术通过RSU的车对基础设施通信（V2I）向其他车辆和紧急情况共享警告消息。此处考虑的参数包括车辆密度（veh./km²）、RSU数量、模拟城市、模拟区域、碰撞车辆数量、市中心规模、市中心概率、警告消息大小、车辆发送的数据包、警告消息优先级、普通消息优先级、移动性生成器、移动性模型、MAC/PHY、无线电传播模型、最大通信范围、广播风暴抑制机制。实验在西班牙马德里的部分地区进行。仿真使用NS‐2仿真器完成。

基于中心性的方法在Wang等（2017）中被提出，其目标是将社交网络中的中心性概念引入路侧单元（RSUs）的部署中，并用于衡量特定RSU位置候选在部署中的重要性。中心性方法的主要指标包括度中心性和接近中心性（Wang等，2017）。该中心性方法被形式化为一个0-1背包问题。由Wang等（2017）提出的基于中心性的RSU部署算法，其输入参数包括每个RSU位置候选的成本、RSU位置候选数量以及部署预算，输出为一组RSU部署位置。仿真使用C++完成，结果表明，与随机部署方法相比，该方法在覆盖时间比率方面可提高RSU的效率。

表1总结了所提出的部署计划方案。在下一节中，我们将介绍城际道路及其相关通信架构的背景知识。

3. 城际道路网络架构的背景

3.1. 政策和定位

除了各种部署计划外，还有一些政策可确保在城市化和成本方面的良好部署（Barrachina等，2013）。这些政策包括最小成本部署策略、网状部署策略、基于市中心的部署策略、安全部署策略。关于最小成本部署策略，我们注意到控制点（RCPs或TrCPs）的部署与路侧单元（RSUs）一样，必须考虑财务成本。有时负责实施的主管部门不一定都会考虑与技术和实际需求相关的目标（连通性、覆盖范围、信息传播、密度）。因此，大多数情况下（尤其是在大城市中），路侧单元（RSUs）通常部署在高密度且互联网连接良好的区域。其缺点在于会存在未连接区域，导致车辆无法通信。

对于网状部署策略的情况，还有另一种被使用的策略。通过交通网络（城市或城际）部署控制点和路侧单元（RSUs）等设备时，也可以采用网格方式进行部署，该网格可以是均匀的或非均匀的。均匀网格是指在不考虑交通密度和路网拓扑的情况下，将这些设备均匀分布。而对于非均匀网格，则必须考虑其他参数。在智能交通系统（ITS）基础设施的部署中，网格化可被视为一个参数，用于根据网络所提供的服务质量（QoS）来降低部署成本。

此外，Ligo等人(2016)利用车载网状网络为移动用户承载互联网数据流量。本案例使用了在葡萄牙运行的车载网络的真实数据。他们估算了网络吞吐量与互联网流量负载、车辆数量、基础设施数量以及请求发送/允许发送握手协议使用之间的关系。基于市中心的部署策略是指仅在高交通密度区域部署设备。

此外，安全部署是智能交通系统基础设施部署中另一项重要的政策。通常，网络安全涉及实体间通信或这些实体的安全。在Krishnan和Ram(2015)中，作者利用路侧单元（RSUs）在车载自组织网络中高效且可靠地路由数据包。该系统通过车辆携带并转发来自源车辆的消息至附近的路侧单元（RSU）。此外，如有需要，系统还会通过路侧单元（RSU）将这些消息路由至目标车辆。此种情况下的路侧单元部署问题通过整数线性规划模型进行建模。该系统的性能使用NS‐2进行评估。他们的结果表明，与均匀分布部署和热点部署相比，该解决方案具有最佳性能。

那么，在智能交通系统（ITS）中，部署方面会发生什么情况？路侧单元（RSUs）的情况引起了我们的关注，因为其工作与控制点存在某种关联。在发展中国家城乡道路网络监控的背景下，应采用何种部署方案？应利用哪种策略？如第2节所述，控制点的目的是通过城际道路网络转发信息并监控活动。部署方案的选择应考虑实现监控活动的目标，即减少拥堵和交通事故。此处的部署在方案上采用一种混合方法。此外，满意度基于以下方面：

• 网络连通性。所使用的技术必须允许控制点之间最大程度的连通性。
• 交通覆盖。所提出的部署模型可最大化城乡道路网络中的通信覆盖范围。无论车辆通过哪条道路进入城乡道路网络，都应被记录，这一点非常重要。
• 基于密度的方法。交通繁忙的路段必须比其他路段设置更多的控制点。

关于部署策略，鉴于所提出的混合计划，部署应使我们能够最小化部署成本，因为我们处于缺乏财政能力的发展中国家背景下。在城乡道路网络监控的背景下，必须考虑基于市中心的部署策略。在城乡道路网络中，特别是在发展中国家，交通密度并不均匀。因此，控制点的部署不能是均匀的。由于部署方案是混合的，控制点的布局也不能是均匀的。

总之，需要强调的是，对于控制点（即RCPs和TrCPs）的部署模型，我们的方案依赖于一种混合计划，以确保控制点之间具有良好的连通性，最大化控制点之间的通信覆盖范围，并在交通密度较高的区域增加控制点。在发展中国家城际交通网络中事故和死亡人数较多的情况下，有必要将通过该网络的交通密度和死亡人数作为影响控制点部署的因素加以考虑。

3.2. 控制点

图1中可见的图1控制点表示站点，根据其类型，在城乡道路网络中城市之间转发信息并监控活动。其思路是将这些站点设置在城市出口、入口、城市之间的合适位置以及某些特定地点，以期在可视性和对城乡交通网络活动的跟踪方面实现对城乡网络的最大覆盖，并依据该区域的事故发生率进行优化。此外，在图1中，A、B和C点指代我们所研究的城乡道路网络中的城市。根据它们的位置（入口或出口、城市之间），我们将控制点分为两种类型：中继控制点（RCP）和处理控制点（TrCP）。

此外，图2说明了我们定义的在智能城际交通网络监控系统中控制点操作的方法。我们按区域定义了一个自主的控制点管理系统。在每个区域中，定义了一个自主系统，用于监控控制点并与其他控制点管理者进行通信。无论是控制点之间，还是控制点与用户之间的通信，都涉及城际道路网络上的活动变化，例如干扰、需处罚的车辆以及与已发生的违规相关的发送给用户的决定。至于控制点之间的通信，将在以下小节中进行定义。

实际上，本地管理员的理念是通过去中心化系统来确保区域级别的管理。在这些控制点的建模行为方面仍存在许多挑战。为了确保信息安全、系统的容错性，以及随时保证系统的响应能力。

3.2.1. 处理控制点 (TrCP)

在所考虑的系统中，此类控制点如图3所示，用于处理中继器收集的信息控制点（RCPs）。这些信息与车辆在城际交通网络中行驶的行为以及在发展中国家城乡网络中观测到的干扰有关。最后，对于进入城乡道路网络的车辆，其经过的第一个TrCP必须将其注册，并记录其后续应经过的其他TrCP。因此，本研究涉及的控制点部署必须确保对城乡道路网络的覆盖范围。

的一个示例)

3.2.2. 中继控制点（RCP）

区域控制点（RCPs）是安装在处理控制点（TrCPs）之间、最常发生拥堵并由此引发事故的位置上的结构（参见图4）。在我们的方案中，我们通过确保覆盖范围来实现部署，重点关注由用户行为导致事故多发的区域。此外，在后续的研究中，将利用检测技术和传感器来构建这些RCPs。目前重要的是，了解我们如何部署这些控制点，以管控发展中国家城乡道路网络用户所面临的分心和干扰问题。

3.3. 车辆与交叉路口

在城际道路中，有公共交通工具、私人车辆、货运卡车、运木卡车等各类车辆，车辆车队。为了管理城乡道路网络中的控制点，所提出的系统必须能够实现控制点之间的通信，以及控制点与道路使用者所使用终端之间的通信。在发展中国家，智能车辆技术已经得到开发并应用于城市日常交通中。就发展中国家而言，全球定位系统（GPS）是车辆中最常用的技术。

此外，配备GSM、UMTS和LTE无线模块等移动技术的用户手机也被用于提供某些交通服务。

交叉路口根据其所处道路的类型（主干道、类化道路和快速路）以及使用条件进行设计。同时，还需考虑次要道路的性质，以及为其规划的交通和交通流交换特性。从根本上，交叉路口分为两大主要类别：

• 立交桥：相互分离，并在主干道之外进行管理。
• 平面交叉方案：将相关路线之间的所有交通流交换集中在一个平面上。

除了这些大型交叉路口家族外，我们还观察到常见的“半交叉路口”。在控制点的部署方面（这是本文的主要目标），我们将道路网络视为仅由铺装道路组成。在大多数发展中国家，如撒哈拉以南非洲国家，城际道路网络中的交叉路口通常通往小城镇、森林以及工业区。这些实体在设计部署方案时必须予以考虑。在下一节中，我们将介绍提出方案所采用的基础框架。

4. 遗传算法与多目标优化概述

4.1. 遗传算法

遗传算法由霍兰德（1992）提出，其依赖于源自遗传和自然进化机制的技术，即：交叉、变异和解决方案。在图5中给出了遗传算法结构的流程图。以下是遗传算法的主要步骤。

4.1.1. 编码

编码步骤用于表示信息。共有六种编码类型：二进制编码、八进制编码、十六进制、实值、排列（或顺序）编码和树形编码。

4.1.2. 选择

此步骤旨在为交配过程选出最优的个体，从而使后代优于前一代种群。选择方法有多种，其中最著名的是：

1. 轮盘赌选择。根据个体的适应度值选择父代，适应度更高的染色体有更大的机会被选中。个体的适应度越高，被选择的概率就越大（汉考克，1997；杰巴里和马迪亚菲，2013）。
2. 线性排序选择。在这种情况下，首先根据个体的适应度进行排序，然后为其分配一个等级。
3. 指数排序选择。该方法与前述方法相同，但每个个体被选择的概率有所不同（汉考克，1997）。
4. 锦标赛选择。在这种情况下，锦标赛在一组个体之间进行（Little和Agarwal，2005）。
5. 截断选择。这是最简单的方法，根据每个种群中候选解的适应度对其进行排序（汉考克，1997）。最后，仅选择最适应的个体中的一定比例p，并将其繁殖 1/p次。

4.1.3. 交叉或重组

此步骤依赖于一种操作，该操作能够合并两个父代以生成第三个新个体。它通过种群的早期进化显著加速搜索过程，并导致解决方案模式的有效重组。交叉点数量越多，交叉概率越高，交换的参数、信息段就越多；而交叉点数量越少，交叉概率越大，则会带来更多的多样性。遗传算法（Kora和Yadlapalli，2017；Kora和Kalva，2015）中主要的交叉算子类型有：

1. 变异。该操作使算法能够在解空间中生成原始的解决方案（Sivanandam和Deepa，2007）。
2. 评估。正是在此步骤中，使用目标函数来检查个体是否优化了目标函数。
3. 替换。这是所有遗传算法循环的最后阶段。除了个体应为最优外，还必须反映最初在现实中提出的相关问题（Sivanandam和Deepa，2007）。

4.2. 多目标优化

多目标优化方案是解决具有多个目标函数问题的情况。它们分为三类：聚合函数、基于种群的方法和基于帕累托的方法（Coello和Lamont，2004）。

4.2.1. 聚合函数

聚合函数的目标是通过一个等效的目标函数将多目标问题转化为单目标问题。它有多种类型，但最著名的是加权平均，它将所有目标函数合并为如公式(1)中给出的形式。

$$
\text{minimize} \sum_{i=1}^{n} w_i f_i(x) \quad \text{where} \quad w_i \geq 0 \quad \text{and} \quad \sum_{i=1}^{n} w_i = 1 \tag{1}
$$

其中 $ w_i \geq 0 $ 是权重系数，其值根据所关联的目标函数的重要性来确定。

4.2.2. 基于种群的方法

该方法使用子种群来独立优化每个目标。在此，由于种群的存在，搜索得以多样化，并且在选择过程中未直接考虑帕累托的概念。此类方法中最著名的是向量评估遗传算法（VEGA）。VEGA的特点在于其选择方式：每一代针对每个目标从初始种群中生成一个子种群。对于k个目标，将生成k个子种群，每个包含 $ p/k $ 个体，其中p是初始种群中的个体数量。然后将这些子种群合并，形成一个新的种群，并在其上应用遗传算子。

4.2.3. 基于帕累托的方法

目标是使用Golberg（1989）的帕累托支配来解决Schaffer（1985）提出的问题。其思想是利用最优性概念，在不比较不同准则值的情况下满足所有准则。设E为一组可能的多目标解决方案。若点x不被E中任何点所支配，则该点为帕累托最优。x属于非支配解集合。该方法分为两种：

1. 非精英方法。这些方法不会保留随时间推移找到的“帕累托最优”个体，难以维持帕累托边界上的多样性。最终，解向帕累托边界的收敛通常较慢（Rabiee等，2012）。非精英方法包括：非支配排序遗传算法（NSGA）、多目标遗传算法（MOGA）和小生境帕累托遗传算法（NPGA）。
2. 精英方法。该方法中使用的算法通过引入外部种群或存档来保存帕累托最优个体，偏好非支配解，并在帕累托边界上高效分布解，从而解决了非精英方法中存在的不足。精英算法包括：强度帕累托进化算法（SPEA）、帕累托存档进化策略（PAES）和非支配排序遗传算法II（NSGA‐II）。

4.3. 混合方法

一些近期的研究试图通过将遗传算法与其他优化方法结合，或通过添加某些数值方法对其进行改进，以提升遗传算法获得的结果。在他们的研究中Nguyen等（2019）提出了一种有限元法、克里金代理模型和多目标遗传算法（MOGA）相结合的混合方法，用于上肢辅助装置中柔性肘关节的计算优化。此外，LeChau等（2019）提出了一种新的上肢辅助装置柔顺平面弹簧的多目标优化设计，采用响应面法（RSM）‐有限元法（FEM）与多目标遗传算法（MOGA）相结合的混合方法。此外，Quresh等（2019）应用一种多目标优化方法——广义微分进化（GDE3），对控制算法中的线性二次调节器（LQR）进行调参，以应对环境干扰。并将GDE3的结果与非支配排序遗传算法（NSGA‐II）以及传统调参方法进行了比较。该比较表明，GDE3优于其他方法。

在关于遗传算法的综述结束时可以看出，它是一种利用进化理论在已知搜索空间中获取解决方案的优化方法。许多作者已在他们的研究中使用了该算法的不同变体，还有一些人将遗传算法与其他优化方法相结合以获得最佳结果。根据文献综述，我们采用多目标遗传算法，特别是NSGA‐II。我们利用其非支配解的搜索特性以及快速生成帕累托前沿的能力，从而有助于在任何决策平台上对某一目标函数优先于另一目标函数做出决策。该方案被用作基础方案。在未来工作中，我们将与其他优化方法（单一或组合）进行对比研究，以观察所获得的结果是否能改进本研究所取得的结果。

5. 系统模型

5.1. 假设

在本研究中，我们将城乡道路网络视为铺装道路的网络。在此背景下，如果车辆通过任意交叉路口进入该网络时均能被TrCP记录，则认为该城乡道路网络实现了覆盖。实际上，由于发展中国家缺乏基础设施和财政资源来实现全覆盖，因此我们提出的模型应能帮助它们最大化覆盖范围。我们假设，在某个TrCP的可接受位置上只能安装一个TrCP，即 $ n_1 = 1 $。我们假设在某个RCP的可接受位置上，我们只能设置一个TrCP，即 $ n_3 = 1 $。

此外，将控制点部署问题转化为图论问题是非常有益的。实际上，TrCP和RCP是在城乡道路网络中的固定位置进行安装的。因此，通过在这些允许位置上进行优化，可以更方便地最小化安装成本并最大化网络覆盖范围。我们将TrCP、RCP以及其他连接到城乡道路网络的交叉口的允许位置视为其所构成图的顶点。在我们的建模中，假设TrCP可以位于相关城市的入口或出口处，或者位于城市之间常见的大型交叉口处。这些交叉路口连接主要高速公路与其它活动区域（农业、畜牧业、工业）或其他（较小的）城市。

5.2. 词汇表

RCP的情况与TrCPs有一些不同。需要注意的是，在这种情况下，RCPs安装在TrCPs之间，我们的目标是优化其部署。定义Q为RCP可接受位置的集合，P为RCP候选数量。设：

• E 表示该图中顶点的集合。
• S 为安装TrCP的允许位置集合，$ c_{i,j} $ 表示在位置j的TrCP部署成本。$ x_{i,j} $ 为变量，用于指示是否在位置j部署TrCP。
• N 为TrCP候选数量。
• $ n_1 $ 和 $ n_2 $ 表示限制TrCP数量的阈值。
• $ b_{u,v} $ 表示在位置v部署RCP相关的成本。

此外，决策变量用于决定是否在位置RCPu处开启v is $ y_{u,v} $。$ Hcard(Q) $ 表示所有RCP可接受位置的事故数量数组。最后，$ p \leq 1 $ 是限制RCP数量的阈值。因此，我们将其总结于表2和表3中。

表2 用于建模TrCP优化问题的符号

表3 建模RCP优化问题所用的符号

6. 优化问题和设计目标的表述

6.1. 多目标推导

在发展中国家城乡道路网络中部署控制点，以实现对该网络中各项活动的有效跟踪。我们的目标是优化中继和处理控制点的部署方案。这些部署应尽可能减少所需部署的控制点数量，以确保城乡道路网络在通信方面的最大覆盖范围和连通性，同时考虑网络中具有高交通密度的区域。另一方面，我们的问题是在给定区域的道路沿线布置一组控制点，以最大化网络能力并最小化部署成本。在此类部署中的其他优先考虑因素是选择事故频发区域附近的RCP位置。

在此部署方案中，存在多种类型的控制点，且根据其需要安装的区域不同，价格也会有所差异。实际上，同类控制点之间的差异主要体现在其基本特性上。例如，根据覆盖半径、扇区性与全向性特征以及构成该控制点的基础设施的不同，其价格也会不同。处理控制点（TrCPs）和区域控制点（RCPs）的部署问题的求解必须依据既定目标来确定。事实上，我们面对的是一个多目标问题，第一个问题（TrCPs解决方案）的结果将用于定义第二个问题（RCPs）求解所需的输入参数。

6.2. TrCP建模

此处的优化工作基于选择用于部署TrCP的交叉路口。因此，我们考虑F₁作为表示TrCP部署成本的目标函数，见公式(2)。该函数与另一个目标函数Z₁相关联，其建模见公式(3)，该函数用于最大化城乡道路网络的覆盖范围。实际上，Z₁确保无论选择何种位置，所有通过道路网络的车辆都将至少被一个TrCP观测并记录。

$$
F_1 = \sum_{i \in N} \sum_{j \in S} c_{i,j} \cdot x_{i,j} \tag{2}
$$

$$
Z_1 = \sum_{i \in N} \sum_{j \in S} \sum_{k,l \in E} m_{k,j} \cdot m_{j,l} \cdot x_{i,j} \tag{3}
$$

其中，$ m_{i,j} $ 是一个布尔变量，如果存在一条从i到j的边，则其值为1，否则为0。

相关约束C₁和C₂见公式(4)和公式(5)。

$$
C1: \sum_{i \in N} x_{i,j} \leq n_1, \quad \forall j \in S \tag{4}
$$

$$
C2: \sum_{i \in N} \sum_{j \in S} x_{i,j} \leq n_2 \tag{5}
$$

其中，$ x_{i,j} \in {0, 1}, \forall i \in N, \forall j \in S $。

因此，我们将其定义为公式(6)中的多目标优化问题。

$$
\begin{cases}
\text{Minimize } F_1 \
\text{Maximize } Z_1 \
\text{subject to } C1 \text{ and } C2
\end{cases} \tag{6}
$$

6.3. RCPs建模

RCPs的部署方式应使部署成本最小化，并优先考虑事故数量较多的区域。在此情况下，我们还引入满意度约束，以优先选择在给定区域或路段内事故数量较多的RCP。RCP部署的目标函数F₂由公式(7)中的模型表述。此外，公式(8)中给出的目标函数Z₂允许我们优先选择在特定路段周围事故发生较多的RCP，而公式(9)中给出的目标函数Z₃可确保无论选择何种位置，所有通过道路网络的车辆都将被至少一个RCP检测并记录。

$$
F_2 = \sum_{u \in P} \sum_{v \in Q} b_{u,v} \cdot y_{u,v} \tag{7}
$$

$$
Z_2 = \sum_{u \in P} \sum_{v \in Q} \sum_{k,l \in E} m_{k,v} \cdot m_{v,l} \cdot a_{u,v} \cdot y_{u,v} \tag{8}
$$

$$
Z_3 = \sum_{u \in P} \sum_{v \in Q} \sum_{k,l \in S} m_{k,v} \cdot m_{v,l} \cdot y_{u,v} \tag{9}
$$

其中：
- $ m_{u,v} $ 是一个布尔变量，如果存在一条从u到v的边，则其值为1，否则为0；
- $ m_{i,j}; i,j = k,l,v $ 是一个布尔变量，如果存在一条从i到j的路径，则其值为1，否则为0；
- $ a_{u,v} $ 表示在一条从u到v的现有边上记录的事故数量）；该值可推广为事故数量的函数。

相关约束C₃, C₄和C₅见公式(10)–(12)。约束C₃要求两个TrCP之间至少有一个RCP。

$$
C3: \sum_{u \in P} \sum_{v \in Q} m_{k,v} m_{v,l} y_{u,v} \geq \min\left(1,\sum_{u \in P} x_{u,k}\sum_{u \in P} x_{u,l}\sum_{v \in Q} m_{k,v} m_{v,l}\right), \quad \forall k,l \in S \tag{10}
$$

$$
C4: \sum_{u \in P} y_{u,v} \leq n_3, \quad \forall v \in Q \tag{11}
$$

$$
C5: \sum_{u \in P} \sum_{v \in Q} y_{u,v} \leq n_4, \quad \forall y_{u,v} \in {0,1}, \forall u \in P, \forall v \in Q \tag{12}
$$

因此，我们将此问题表述为公式(13)

$$
\begin{cases}
\text{Minimize } F_2 \
\text{Maximize } Z_2 \text{ and } Z_3 \
\text{subject to } C3, C4 \text{ and } C5
\end{cases} \tag{13}
$$

除了前一节中提到的约束条件外，通过网络部署基础设施的问题是一个NP难问题。例如，Gilbert和Malewicz证明了部署问题是NP难问题（Gilbert and Malewicz, 2004）。在传感器部署优化的研究中，恩乔亚等人（2016）以及阿里等人（2016）和哈米杜切等人（2019）已经表明，在考虑目标及其邻近区域的情况下部署无线传感器也属于NP难问题。因此，与路侧单元类似，在发展中国家的城乡道路网络中部署控制点同样是一个NP难问题（阿罗拉等人，1995）。如公式（6）和(refeq11)–(13)所表述的多目标优化问题已知属于线性规划问题，这些问题在文献中被称为NP难。因此，解决道路运输网络构建问题可以通过精确算法或元启发式算法实现（Eksioglu等，2009；Toro等，2016）。

6.4. 设计目标与方案

正如我们在前一节中所示，确定TrCP和RCP数量以最小化成本的问题可以表述为一个多目标优化问题。在多种多目标评估方法中，我们选择了NSGA‐II。这些方法对应的帕累托前沿将有助于为用户提供良好的指导方向。图6说明了在本研究背景下，提出一组非支配解以实现TrCPs部署的所采用的方法。

事实上，基于帕累托支配概念的解决方案能够将种群收敛到有效解。它在决策过程中提供了重要帮助，但并不允许在多个备选方案中选择其中一个。为了解决所提出的优化问题，我们采用NSGA‐II算法，其步骤如下所示，共分为六个步骤。

1. 编码。我们采用二进制编码，每个个体的大小为M × N（见图7）。N表示TrCP（或RCP）的可能位置数量，M表示TrCP（或RCP）的类型数量。
2. 选择。我们采用轮盘赌选择。
3. 交叉。我们使用N点交叉。此处N= 2。
4. 变异：高斯变异。
5. 种群规模：100。
6. 迭代次数：100。

7. 性能评估

为了评估控制点（TrCPs和RCPs）部署的多目标优化模型，我们根据可接受位置的数量定义了三个场景。实验在Matlab仿真器上进行，包含五个、十个和十五个可接受位置的三种场景。受限于实际中遇到的情况，位置数量被加以限制。发展中国家的背景下。例如，在喀麦隆，作为该国主要道路且最受监控的雅温得‐杜阿拉公路，其部署的雷达不超过十个。这些雷达由宪兵队设置，用于确保浮动车数据的获取。在每种情景中，我们根据特性与性能的不同，研究三种类型的控制点。

• 成本矩阵为 $ c = \text{random}(1575); \text{NbrTypCapt}, \text{Nbrpos} $。
• 邻接矩阵已针对每个场景进行设置。
• 事故矩阵为 $ = \text{random}(025); \text{Nbrpos}, \text{Nbrpos} $，并进行了类似 $ a_{i,j}=a_{j,i} $ 的修改。 $ = \text{NbrTypCapt} $ 是控制点类型数量， $ \text{Nbrpos} $ 表示给定场景下合格控制点的数量。

如图8–10所示，获得的曲线表示在定义的场景下TrCPs部署的帕累托前沿。在x轴上，我们表示设施成本，在y轴上表示覆盖范围。距离x轴较近的非支配解在安装成本上提供了更多的覆盖范围。然而，距离y轴较近的解决方案则更倾向于降低安装成本，而非覆盖范围。

如图11–13所示，为各定义场景中RCP部署的帕累托前沿。此处我们有三个目标函数。关于非支配解的决策依据轴来确定。

• 覆盖范围与事故：靠近z轴的解决方案更有利于覆盖范围，但靠近y轴的解决方案更有利于事故频发区域
• 覆盖范围与安装成本：靠近x轴的解决方案更有利于覆盖范围，但靠近y轴的解决方案更有利于降低安装成本
• 事故与安装成本：靠近x轴的解决方案更有利于事故频发区域，而靠近z轴的解决方案更有利于降低安装成本

8. 结论和未来工作

在本研究结束时，可以看出发展中国家正面临一些困难，这些困难阻碍了其像发达国家一样建立智能交通系统。我们提出了处理控制点（TrCP）和中继器（RCP），旨在收集和处理与城乡道路网络活动相关的信息。随后，我们提出了一种基于这些控制点的城乡道路网络监控通信架构。我们定义了一种部署方案，以最小化安装成本、最大化覆盖范围，并重点关注高事故率区域。接着，我们对该部署问题建立了多目标优化模型。NSGA‐II方法使我们能够为三种部署场景确定帕累托前沿，从而得到两类控制点的非支配解，为决策者根据自身优先级选择解决方案提供了机会。在未来工作中，我们计划研究在本场景下的干扰检测与传播，并通过关联若干性能指标，对NSGA‐II方法与其他优化方法进行比较分析。