智慧城市和智慧交通概念的提出和发展,给城市的智能交通控制带来了更高的要求。提高城市交通运输枢纽的通行效率和智能化水平成为了推进智慧交通的重点之一。因此,交通信号灯配时优化问题（Traffic Signal Timing Optimization,TSTO）得到了越来越多研究人员的关注。传统的信号灯配时方案一般仅具备解决交通流冲突的能力,并不能找到最优方案以提高交叉路口的通行效率。随着城市的发展,过饱和交通流量等特殊场景的出现频率日益趋高,区域性信号灯组联合调控的实际需求也愈加强烈,这些均给传统的信号灯配时方法带来更大的挑战。因此,科学合理的信号灯配时方案,不仅需要能够解决交通流冲突,而且需要能够减轻交通枢纽的通行压力,提高交叉路口的通行效率。近年来,进化计算方法,尤其是粒子群优化算法（Particle Swarm Optimization,PSO）在优化领域展现出良好的性能。面对过饱和交通流和区域信号灯联合调控等复杂场景,传统PSO仍然面临全局搜索能力不足,容易落入局部最优的问题。鉴于此,本文提出了一种提高PSO优化效率的多榜样学习策略,旨在使种群的粒子向其他更多榜样个体学习,增强算法搜索全局最优的能力,进而提出了多榜样学习粒子群优化算法（Multi-Exemplar Learning Particle Swarm Optimization,MEL-PSO）。同时,本文将高效的MEL-PSO应用于过饱和交通流信号灯配时优化和多交叉路口信号灯配时优化。在过饱和交通流信号灯配时优化方面,本文提出了一种知识嵌入辅助的解生成策略,该策略旨在提取道路交通流量的分布特征作为预知识,用以辅助生成更有探索全局最优解潜力的初始种群。在多交叉路口信号灯配时优化方面,本文将信号灯组的相位差和绿波带的交通控制机制应用于多路口信号灯联合调控的需求场景。在城市主干道的多个连续交叉路口之间设置合理的信号灯相位差,有助于减少交通流通过连续交叉路口时的交通延迟,提高主干道所在的多个交叉路口的通行效率。本文在上述两个复杂的交通信号灯配时优化场景中,均使用真实的交叉路口模型对所提出的算法进行性能测试,同时应用了微观交通仿真技术进行了交通仿真实验,使用多个交通指标对实验结果进行综合评估,使得到的配时方案更具实用性。实验结果表明,在不同饱和度交通流和多路口信号灯联合调控等复杂交通场景下,MEL-PSO算法的性能要优于传统的信号灯配时方法和现有的一些基于进化计算的配时优化算法。