1.一种基于多目标优化的T型路口通行设计方法，其特征在于：包括以下步骤：S1：通过问卷调查的方式，统计得到不同通行设计方案下，人的等待时间x1和车的等待时间x2；

S2：根据人的等待时间x1，得到估计的期望Ex1、熵En1和超熵He1，并生成以En1为期望，以He1为标准差的正态随机数b'1；

S3：根据正态随机数b'1生成以Ex1为期望值，b'1为标准差的正态随机数b1；

S4：采用和步骤S2‑S3同样的方法，根据车的等待时间x2，得到相应的期望Ex2、熵En2、超熵He2、正态随机数b'2和正态随机数b2；

S5：根据得到的期望Ex1或Ex2、正态随机数b'1或b'2，和正态随机数b1或b2，计算得到确定度Y，(x1,x2,Y)为一个云滴，重复所有步骤直到得到M个云滴为止，M＝3000，Ex1、b'1和b1作为一组使用，Ex2、b'2和b2作为另一组使用；

S6：构建云模型，其输入是人的等待时间x1和车的等待时间x2，输出是确定度Y，利用粒子群算法搜索云模型的最优解，即得到通行设计方法的最优解；

采用粒子群算法搜索最优解的过程如下：

(1)随机初始化种群中各粒子的位置和速度，根据式(6)评价每个粒子的适应度：G＝1‑Y         (6)

其中，G为粒子的适应度，Y为该粒子的确定度；

(2)根据式(7)更新每个粒子的运动速度，根据式(8)更新每个粒子的位置：Vi(t+1)＝ω×Vi(t)+η1×rand×(Pib‑Pi(t))+η2×rand×(Pgb‑Pi(t))      (7)Pi(t+1)＝Pi(t)+Vi(t+1)   (8)其中，Pib表示存储有当前各个粒子的位置和适应度的个体最优集合，Pgb表示存储有适应度值最优个体的位置和适应度值的全局最优集合；Vi(t+1)表示第i个粒子的第t+1次迭代过程的速度值，Vi(t)表示第i个粒子的第t次迭代过程的速度值；ω是一个0～1的系数，表示粒子速度的传递惯性；η1和η2分别用来控制粒子向Pib和Pgb聚集的程度；rand为0～1的随机数；Pi(t+1)代表第i个粒子的第t+1次迭代过程中所处的位置，Pi(t)代表第i个粒子的第t次迭代过程中所处的位置；

对于每个粒子，将其适应度值和它经历过的最好位置作比较，如果较好，则将其作为当前的最好位置，遍历后更新Pgb，直至更新后的Pgb满足终止条件，此时即得到T型路口通行设计的最优解。

2.如权利要求1所述的一种基于多目标优化的T型路口通行设计方法，其特征在于：步骤S4中，通过以下公式计算人的等待时间的期望Ex1、熵En1和超熵He1：

2 2

s＝mean((Ni‑Ex)),i＝1,2,…,n       (4)其中，Ni表示人在第i时刻的等待时间，n为大于等于1的正整数，Ex表示期望，En表示正态随机数。

3.如权利要求2所述的一种基于多目标优化的T型路口通行设计方法，其特征在于：步骤S5中，计算确定度Y的公式如下：其中，j＝1时，x1表示人的等待时间，Ex1表示对应人的等待时间的期望，E′n1表示对应人的等待时间的正态随机数，j＝2时，x2表示车的等待时间，Ex2表示对应车的等待时间的期望，E′n2表示对应车的等待时间的正态随机数，N为大于等于1的正整数。