Traffic Signal Control (TSC) is a crucial component in the modern intelligent transportation systems. Typically, the TSC can be formulated as a bilevel optimization problem, which is comprised of the signal timing and the traffic assignment modules. The problem is challenging that the existing approaches usually endure a huge computational cost. As a result, many TSC approaches focus on relatively simple and small transportation networks, which do not satisfy the practical situations. To address above issues, this paper proposes an evolvable TSC (EvoTSC) system, which adopts nature-inspired techniques to realize the global optimization of the TSC in large-scale urban transportation networks. Particularly, it involves two evolutionary computation components. The first component is an Adaptive Differential Evolution (ADE) to optimize the signal timing. Meanwhile, the traffic assignment process is included in the solution evaluation of the ADE to react to the traffic flow dynamics. The second component is an off-line Niching Ant Colony Optimization (NACO), which aims to provide the traffic assignment with sets of multiple promising routes beforehand. This way, the EvoTSC system avoids repeatedly building candidate routes for the traffic assignment, which can greatly save the computational cost of the ADE to evaluate each solution in a large-scale transportation network. In experiments, we carry out comparisons of different TSC approaches on both synthetic and practical transportation networks. The experimental results validate the effectiveness of the proposed EvoTSC system.

交通信号控制（TSC）是现代智能交通系统中的重要组成部分。通常，TSC可以表述为一个双层优化问题，它由信号时序和业务分配模块组成。问题在于现有方法通常要承受巨大的计算成本。结果，许多TSC方法都集中在相对简单且规模较小的交通网络上，这不能满足实际情况。为了解决上述问题，本文提出了一种可演化的TSC（EvoTSC）系统，该系统采用自然启发技术来实现大规模城市交通网络中TSC的全局优化。特别地，它涉及两个进化计算组件。第一个组件是用于优化信号时序的自适应差分进化（ADE）。同时，交通分配过程包括在ADE的解决方案评估中，以对交通流动态做出反应。第二部分是离线Niching蚁群优化（NACO），其目的是事先为交通分配提供多条有希望的路线集。这样，EvoTSC系统避免了重复建立用于交通分配的候选路线，从而可以大大节省ADE的计算成本，以评估大型交通网络中的每个解决方案。在实验中，我们在合成运输网络和实际运输网络上进行了不同TSC方法的比较。实验结果验证了所提出的EvoTSC系统的有效性。交通分配过程包括在ADE的解决方案评估中，以对交通流动态做出反应。第二部分是离线Niching蚁群优化（NACO），其目的是事先为交通分配提供多条有希望的路线集。这样，EvoTSC系统避免为交通分配重复建立候选路线，从而可以大大节省ADE的计算成本，以评估大型交通网络中的每个解决方案。在实验中，我们在合成运输网络和实际运输网络上进行了不同TSC方法的比较。实验结果验证了所提出的EvoTSC系统的有效性。交通分配过程包括在ADE的解决方案评估中，以对交通流动态做出反应。第二部分是离线Niching蚁群优化（NACO），其目的是事先为交通分配提供多条有希望的路线。这样，EvoTSC系统避免为交通分配重复建立候选路线，从而可以大大节省ADE的计算成本，以评估大型交通网络中的每个解决方案。在实验中，我们在合成运输网络和实际运输网络上进行了不同TSC方法的比较。实验结果验证了所提出的EvoTSC系统的有效性。第二部分是离线Niching蚁群优化（NACO），其目的是事先为交通分配提供多条有希望的路线。这样，EvoTSC系统避免为交通分配重复建立候选路线，从而可以大大节省ADE的计算成本，以评估大型交通网络中的每个解决方案。在实验中，我们在合成运输网络和实际运输网络上进行了不同TSC方法的比较。实验结果验证了所提出的EvoTSC系统的有效性。第二部分是离线Niching蚁群优化（NACO），其目的是事先为交通分配提供多条有希望的路线。这样，EvoTSC系统避免了重复建立用于交通分配的候选路线，从而可以大大节省ADE的计算成本，以评估大型交通网络中的每个解决方案。在实验中，我们在合成运输网络和实际运输网络上进行了不同TSC方法的比较。实验结果验证了所提出的EvoTSC系统的有效性。这样可以大大节省ADE评估大型运输网络中每个解决方案所需的计算成本。在实验中，我们在合成运输网络和实际运输网络上进行了不同TSC方法的比较。实验结果验证了所提出的EvoTSC系统的有效性。这样可以大大节省ADE评估大型运输网络中每个解决方案所需的计算成本。在实验中，我们在合成运输网络和实际运输网络上进行了不同TSC方法的比较。实验结果验证了所提出的EvoTSC系统的有效性。