EvoSignal：以LLM演化模块化交通信号控制程序

有效的交通信号控制 (TSC) 需要能够响应不断变化的交通需求和网络条件的策略，同时满足不同的控制目标。然而，适应现有策略往往需要重复的手动设计和调整，使得很难系统地探索针对目标网络的更好的控制规则。大型语言模型 (LLM) 可以自动化此过程，但直接使用它们来选择信号相位会使决策规则嵌入黑盒模型中，并会产生重复的推理成本和延迟。本文将 TSC 表述为模块化程序设计问题，并提出了 EvoSignal，这是一种使用流量知识和性能反馈的 LLM 引导的进化框架。模块化表示将流量特征提取、本地相位优先级和可选的基于网络的优先级调整分开。 EvoSignal 从几种既定策略出发，通过拥塞和信号操作的反馈来改进程序，保留具有不同性能权衡的策略。生成的程序无需在线运行 LLM推断。在两个真实道路网络上的五个场景的模拟实验表明，相对于每个场景中 20 个传统的、基于强化学习和基于 LLM 的基线实现的最短等待时间，所选的默认 EvoSignal 程序将等待时间减少了 16.8--49.2%。优先考虑行程时间和队列长度的程序在搜索场景中的所有三个指标上均优于所有 20 个基线，并且在不改变地转移到其他四个场景时，在每个指标上仍保持前三名。这些发现支持可检查控制程序的自动化设计，这些程序可在评估的道路网络和交通需求之间传输。代码可在 https://github.com/georgewanglz2019/EvoSignal。 获取