Rising urbanization increased the level of traffic congestion, leading to unreliable trips, energy crises, and environmental impact in cities worldwide. Additionally, expanding existing infrastructures is usuallyinfeasible due to construction cost demand, limited space availability, and environmental concerns.Consequently, the management capabilities of existing infrastructure need to be improved to enhance the traffic network’s ability to utilize its full capacity to address the traffic demands.

This thesis project aims to optimize Traffic Light Scheduling (TLS) using Evolutionary Algorithm (EA)while improving the random initialization of the algorithm by employing Opposition-Based Learning (OBL), focusing on Multi-Objective Optimization (MOO). The proposed algorithm is compared against standard Genetic Algorithm (GA) considering their ability to optimize four objectives: Traffic Efficiency Score (TES), Frequency of Stops (FOS), Vehicle Emission (VE), and Fuel Consumption (FC). The methodsare assessed on synthetic traffic scenarios of J.nk.ping city, particularly around Kärnan, produced by micro-simulator Simulator of Urban Mobility (SUMO).

The findings indicate that the proposed algorithm outperformed Genetic Algorithm (GA), though the performance was statistically insignificant. Additionally, both algorithms are prone to early convergence. As a result, the proposed algorithm is enhanced with diversity-based re-initialization to overcome early convergence problems. The enhanced version, Diversity and Opposition-Based Learning Non-dominate Sorting Genetic Algorithm II (DOBLNSGA-II), performance contrasted against Genetic Algorithm (GA) and Opposition-Based Learning Non-dominated Sorting Genetic Algorithm II (OBLNSGA-II). The finding shows that Diversity and Opposition-Based Learning Non-dominate Sorting Genetic Algorithm II (DOBLNSGA-II) outperformed both algorithms across all objectives. Moreover, this performance is proved to be statistically considerable. The Diversity and Opposition-Based Learning Non-dominate Sorting Genetic Algorithm II (DOBLNSGA-II) algorithm is a promising approach for optimizing Traffic Light Scheduling (TLS), particularly in addressing the issue of premature convergence and improving the efficiency of the initial population.

Ökande urbanisering har lett till ökad trafikstockning, vilket resulterar i opålitliga resor, energikriser och miljöpåverkan i städer världen över. Dessutom är det ofta omöjligt att utöka befintlig infrastruktur på grund av höga byggkostnader, begränsad tillgänglig plats och miljöhänsyn. Därför måste förvaltningskapaciteten hos befintlig infrastruktur förbättras för att öka trafiknätets förmåga att utnyttja sin fulla kapacitet och möta trafikbehoven.

Detta examensarbete syftar till att optimera trafikljusschemaläggning (TLS) med hjälp av evolutionär algoritm (EA), samtidigt som algoritmens slumpmässiga initialisering förbättras genom att använda Oppositionsbaserat lärande (OBL), med fokus på multiobjektivoptimering (MOO). Den föreslagna algoritmen jämförs med standard genetisk algoritm (GA) och bedöms utifrån dess förmåga att optimera fyra mål: Trafikeffektivitetspoäng (TES), antal stopp (FOS), fordonsutsläpp (VE) och bränsleförbrukning (FC). Metoderna utvärderas på syntetiska trafiksituationer från Jönköpings stad, särskilt runt Kärnan, som genererats av mikrosimulatorn Simulator of Urban Mobility (SUMO).

Resultaten visar att den föreslagna algoritmen presterade bättre än den genetiska algoritmen (GA), även om prestandan inte var statistiskt signifikant. Dessutom tenderar båda algoritmerna att drabbas av tidig konvergens. Som en lösning förbättrades den föreslagna algoritmen med diversitetsbaserad återinitialisering för att övervinna problemen med tidig konvergens. Den förbättrade versionen, Diversity and Opposition-Based Learning Non-dominated Sorting Genetic Algorithm II (DOBLNSGA-II), jämfördes med både genetisk algoritm (GA) och Oppositionsbaserat lärande icke-dominerande sorteringsgenetisk algoritm II (OBLNSGA-II). Resultaten visar att Diversity and Opposition-Based Learning Non-dominated Sorting Genetic Algorithm II (DOBLNSGA-II) presterade bättre än båda algoritmerna för samtliga mål. Dessutom visade sig denna prestanda vara statistiskt betydande. Algoritmen Diversity and Opposition-Based Learning Non-dominated Sorting Genetic Algorithm II (DOBLNSGA-II) är ett lovande tillvägagångssätt för att optimera trafikljusschemaläggning (TLS), särskilt för att hantera problemet med för tidig konvergens och förbättra effektiviteten hos den initiala populationen.