Современные города сталкиваются с растущей транспортной нагрузкой, что требует внедрения интеллектуальных систем управления дорожным движением. Одним из ключевых направлений является адаптивное светофорное регулирование, способное подстраиваться под изменяющиеся условия транспортного потока. Однако существующие методы оптимизации параметров светофорных циклов обладают рядом ограничений, таких как высокая вычислительная сложность, риск преждевременной сходимости алгоритмов и сложность учета динамики трафика. В данной работе предлагается подход к оптимизации характеристик интеллектуальной транспортной системы с использованием гибридных эволюционных алгоритмов. Разработанные методы комбинируют принципы генетических алгоритмов и алгоритма роя частиц, что позволяет достичь баланса между глобальным и локальным поиском оптимальных параметров. В исследовании рассматриваются шесть различных схем гибридизации, включая модифицированные версии базовых алгоритмов, а также их сочетание с методами кластеризации HDBSCAN для адаптивной настройки частоты оптимизации. Для проверки эффективности предложенных алгоритмов разработана имитационная модель в среде AnyLogic, воспроизводящая условия реального городского трафика. Численные эксперименты, проведенные на локальном участке улично-дорожной сети г. Москвы, показали, что гибридный алгоритм SlipToBest демонстрирует наилучшие результаты по сокращению среднего времени проезда и снижению потерь топлива, а алгоритм Alternating обеспечивает высокую устойчивость решений. Результаты работы подтверждают целесообразность использования гибридных эволюционных методов в задачах управления транспортными потоками. Предложенные алгоритмы позволяют не только повысить эффективность светофорного регулирования, но и создать основу для дальнейшего развития адаптивных систем управления городским движением.