动态交通网络的控制一直是城市交通问题的一个重点和难点,当城市中的车辆数目成爆炸式增长时,给城市的交通问题和环境问题带来了巨大影响,并且汽车尾气的排放也加剧了全球温室效应。交通拥堵一直是大城市交通网络面临的严重问题。如何控制交通信号是解决这个问题的有效策略之一,通过动态调整交通网络上的每个结点的信号计划可以缓解这个问题。国内外有很多研究人员致力于信号调整的优化算法研究。本文主要从事交通网络中信号的优化控制,以达到减少车辆延时和停车次数的目的,使得其所需油耗减少,从而减少其尾气排放。在减少城市交通拥塞问题的同时,减少车辆对环境的影响,针对交通信号网络优化问题,本文提出采用扩展的元细胞传输模型,并引入串行粒子群算法进行该问题的求解,本文主要的工作内容如下:(1)针对动态交通网络的建模问题,采用扩展的元细胞传输模型(CTM,Cell Transmission Model)进行建模。对基本的CTM模型中的会合模型和分叉模型进行了扩展,并建立了十字路模型,以适应现代城市动态交通网络的需求。并描述了如何将红绿灯时间引入到CTM模型中,为进行具体的交通信号控制提供了控制模型。最后在通用的AIMSUN和CTMSIM实验平台,进行扩展CTM模型的有效性评估。实验表明,扩展CTM对动态交通网络的建模是有效并且可行的。(2)针对动态交通网络中信号控制的优化问题,提出了采用串行粒子群算法(TSCOPSA)进行该求解。对经过建模后的动态交通网络模型,进一步采用与基本粒子群算法处理方式所不同的串行处理方法。对信号优化问题的适应度函数——车辆的延时进行定义,并对交通信号的设置和车辆延时的影响进行分析。通过实际场景的模拟实验结果表明,TSCOPSA算法与SGA相比在延时、油耗和算法性能上分别有着3.96%、0.42%和10.13%的平均改进率;同时在三个指标上最高能达到7.25%、1.03%、和18.2%。并且TSCOPSA算法与PPSO相比在延时、油耗和算法性能上分别有着3.17%、0.22%和2.03%的平均改进率;同时在三个指标上最高能达到5.45%、0.85%、和6.06%。