© 2013年。出版社：Elsevier B.V.由美国应用科学研究所负责选择和/或同行评审可在www.sciencedirect.com在线获取ScienceDirectAASRI Procedia 4（2013）206 - 2112013年AASRI智能系统与控制交通控制系统中的软计算方法Shailendra Tahilyania，Manuj Darbarib，Praveen Kumar Shuklaca电子通信工程系，Babu Banarasi Das大学，勒克瑙stahil.ec @ gmail.comb计算机科学工程系，Babu Banarasi Das大学，勒克瑙，电子邮件：manuj_darbari@acm.orgc信息技术系，Babu Banarasi Das北印度理工学院，勒克瑙，Email:praveenshuklaniec@yahoo.co.in摘要通过下一代人工智能技术处理城市交通拥堵是一个重要的研究领域。各种模型和方法已经开发出使用软计算技术来解决这个问题。主要的软计算方法为这一目的是模糊方法，神经网络和遗传算法，Petri网和更多。此外，多智能体系统在这种方法中是高度适用的。本文是一个努力重新审视这种方法在发展现代交通控制系统。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。由美国应用科学研究所负责选择和/或同行评审关键词：模糊逻辑，多智能体系统，城市交通控制系统。1. 介绍为了解决城市交通中交叉口的拥堵问题，人们开发了许多城市交通控制系统。所开发的系统的主要要求是，信号必须不允许对交通的模糊运动，并且必须是透明的，即如何/何时改变信号的表示。另外两个需要处理的方面是对控制系统中的信号指示顺序做出决定，以使系统得到很好的优化，以及开发用于信号生成的控制逻辑。* 通讯作者。电话：+ 91-9889622022 ;传真：+91-522-391-1068。电子邮件地址：www.example.comstahil.ec @ gmail.com2212-6716 © 2013作者由Elsevier B. V.在CC BY-NC-ND许可下开放获取。美国应用科学研究所负责的选择和/或同行评审doi：10.1016/j.aasri.2013.10.032Shailendra Tahilyani等人/ AASRI Procedia 4（2013）206207本文共分为六个部分。第二节回顾了模糊技术在交通控制系统开发中的应用。在第3节中修订了各种基于模拟的方法，在第4节中讨论了不同的认知/学习方法。第5节包括其他方法。2. 基于模糊技术交通信号控制系统在控制城市交通拥挤方面效果不佳。在文献[1]中提出了一种基于模型的具有三个控制层次的多智能体模糊系统.为了控制交叉口的交通，使用的参数是交通强度、来自附近的关于交叉口的建议和一个知识库，该知识库给出关于任何特定时间的数据的信息。流量观测器用于将数据传送到数据管理组件，决策层根据数据管理组件做出决策。预测模块可以使用两阶段模糊聚类算法来预测大多数交叉口对特定交叉口的影响，如[2]在文献[3]中，提出了一种基于第二类模糊逻辑的多智能体集成结构，它具有分布式的特点，可以用来减少城市地区的交通拥堵。使用了PARAMICS模拟器城市交通的动态性造成了城市交通的严重拥堵。文献[4]提出了一种基于多智能体的信号控制系统，其目的是减少拥挤。城市交通是难以控制的，因为它的动态性质与车辆类型，速度，长度，流量等，提出了一种自适应模糊算法，它是集成的多代理方法，如[5]所示。在文献[6]中提出了一种使用几何模糊系统的多智能体系统。GFMAS有效地处理动态性，并优于其他流量控制算法，如GLIDE和HMS。在[7]中设计了基于模糊神经网络的交通控制系统，其中使用了协调系统。每个连接和协调都被视为代理。采用粒子群算法对排队长度进行优化。为了解决城市交通中的拥堵问题，在[8]中开发了一个交叉口智能体（AI）硬件平台。因此，多智能体协调算法的开发。3. 基于模拟的方法计算机交通模拟可以用来理解交通流和制定交通控制策略。在[9]中，设计了具有微观视觉的交通仿真，其遵循多智能体系统的概念。整个概念在MS C++中实现。在[10]中提出了一种基于多代理的仿真方法。这种方法使用Object-Z和状态图形式语言.过去的历史真实世界数据和动态模拟数据可以用来预测交通。在此基础上，在[11]中提出了一个在线仿真框架，该框架集成了真实的交通数据和多智能体方法。为了控制模拟车辆，可以使用反应剂。使用微观交通模拟器，在[12]中开发了一种方法，其中车辆由具有不同行为设置的驾驶代理控制。在[13]中，开发了一种基于多智能体的仿真工具，其中包括一些因素，例如个人的机会主义行为导致违反规范和个人对关键情况的预期。一种名为HUTSIG的方法源自[14]中的微观交通模拟器HUTSIM。它是基于模糊推理，使用多代理和模拟真实的交通数据。208Shailendra Tahilyani等人/ AASRI Procedia 4（2013）206排队模型可用于模拟交通代理，如旅行者和交通信号，如[15]中提出的。通过利用信号相位转换时间，可以使交通信号控制有效。在文献[16]中，在Java平台上使用Repast S设计了一个基于多Agent的仿真模型。它用于提高交叉口的系统容量。模拟驾驶员的行为是困难的，因为它的不确定性。在[17]中提出了一种名为DRACULA的仿真模型，该模型将推理能力与基于多代理的方法相结合，以模拟驾驶员4. 认知/学习方法为了最小化排队乘客的等待时间，协调相邻交叉口的信号。在[18]中，使用RMM（递归建模方法）进行多代理协调。为了更新知识库并为其他代理选择正确的模型，使用贝叶斯学习。为了适应不断变化的网络条件，在[19]中设计了城市交通控制系统。提出了一种融合多智能体技术的方法。将强化学习用于交通信号控制网络的协调。预先定时的控制器不能适应交通流的动态变化。代理需要直接通信来学习系统行为。代理可以使用机器学习算法来学习[20]中提出的流量控制策略。文献[21]提出了一种基于强化学习的多智能体交通处理方法，以适应交通流的动态性。在[22]中，交通信号控制问题是通过设计一个分层的多智能体系统来解决的，其中实现了多阶段在线学习过程。Agent学习是基于强化学习、学习率和权重调整以及模糊关系更新的。在[24]中提出了一种分散策略，其中各个代理负责每个交叉点。传感器被放置在每个交叉口收集信息，决策受到其他代理的意见的影响。城市地区要求交通信号控制器根据交通状况进行调整。在[25]中，提出了一种基于Q学习的方法，其中控制器代理使用平均队列长度作为估计参数。结果表明，更好的性能相比，固定时间控制器。在[26]中提出了一种支持相邻交叉口之间的协调和支持Q学习的方法。该方法给出了多交叉口环境下的最优控制策略，并降低了平均延误时间。一个分布式的控制方法来控制交通，其中每个路口的本地代理作为交通信号控制器。在此基础上提出了两个模型[27]。在第一个模型中，智能体使用多级在线学习过程更新知识，并相应地做出决策。第二种模型使用扰动随机逼近定理与模糊神经网络。PARAMICS仿真程序验证了模型的有效性。在线强化学习可以被多个智能体用于计算绿灯时间。在[28]中，每个交叉口都使用传感器，根据历史交通模式和相邻交叉口代理的信息计算绿灯时间。所提出的方法减少了平均时延。在[29]中，绿灯区（GLD）车辆交通模拟器被用于添加强化学习，如相邻代理控制器之间的合作。这导致最短的时间，降低事故率，并保持最低油耗的阈值速度。Shailendra Tahilyani等人/ AASRI Procedia 4（2013）2062095. 其他方法为了解决拥塞问题，需要控制策略之间的协调。在[30]中提出了一种称为智能交通控制系统（ITCS）的方法。它是基于协调代理，帮助管理当前的交通流量。在任何事件发生时，每个受影响的代理相互作用，以采取最佳控制措施。城市交通控制（UTC）系统可以有效地使用自主智能代理。在[31]中，设计了UTC系统，它具有信号和授权代理，使其能够适应实时交通状况。为了提高网络的整体性能，需要获得关于整个网络的全局信息。为此，如[32]中所示，指定与分散的交通灯控制代理通信的更高级别的代理。交通管理机构须因应当时的交通情况，采取最佳的管制措施。为此，他们需要预测这些控制措施的可能结果。在[33]中提出了一种基于多代理的仿真方法，该方法允许对交通状况进行在线实时评估。为了解决运输系统中的干扰，在[34]中提出了基于多代理的调节过程。它还使用进化算法来优化这个调节过程。802.11p是用于车辆环境（WAVE）的无线接入的标准，其允许汽车和其他路边系统之间的通信。在[35]中提出了一种基于代理的模拟器，可以模拟汽车之间的通信。在[36]中，提出了一种基于多代理的城市交通管理系统。它由以下类型的代理：段，交叉口，部分和中央决策代理共享信息的群体决策，使一个有效的交通管理系统。根据交通环境的要求，可以使用移动代理技术。[37]示出了如何根据所需的业务条件重新配置这些移动代理。在[38]中，多智能体技术与遗传算法一起用于改善城市交通控制系统。它涉及到交通路口配时方案的优化。在[39]中提出了一种分层多代理架构，其中每个代理负责任何一项任务，例如数据收集，数据预处理和决策。提出了一种基于策略的管理模型，以开发智能算法来协调代理之间的关系。这项措施旨在缩短轮候车龙的平均人数、平均轮候时间及行车时间。6. 结论和未来范围模糊逻辑，多智能体系统，各种学习/认知的方法被用来开发现代交通控制系统，以处理交通拥挤的溢出。本文回顾了在这方面开发的方法。在未来，作者将有兴趣对城市交通控制系统的发展，利用卫星和全球定位系统。引用[1] 陈文，自适应多智能体模糊控制系统，第十四届国际计算机科学大会，2009年，第30-34页，2009年10月[2] 张文，等.城市交通流的自适应210Shailendra Tahilyani等人/ AASRI Procedia 4（2013）206基于两阶段模糊聚类的多智能体协同控制，IEEE第69届车辆技术会议，VTC Spring，2009年，第1-5页，2009年4月。[3] 刘志华，交通信号控制系统之研究，国立交通大学机械工程研究所硕士论文，2009。[4] Sabetghadam B，Shabaninia F，Vaziri M和Vadhava S，[5] 许培礼、刘宏宏，交通网路流量控制之多代理系统与自适应模糊演算法，IEEE国际系统、人与控制论会议，ISIC 2007，第3300-3304页，2007年10月。[6] 郭国平、李国平，交通信号控制系统之研究，国立交通大学硕士论文。号113，第714- 727页，2010年9月[7] 赵军，唐栋，耿新，贾磊，城市主干道交通协调控制系统，人工智能与计算智能，第6320卷，第275-283页。2010年。[8] 吴强，兰荣，罗旭，基于交叉口智能体的交通控制模型，信息工程与计算机科学国际会议（ICIECS），第1-5页，2009年12月。[9] 李英，马松，李伟，王宏，基于多智能体系统的微观城市交通仿真，第四届信息、通信与信号处理国际会议，第一卷。第3页。1835-1839年。[10] 王文，城市交通系统的多智能体建模与仿真，北京交通大学学报，2001，第4卷，第2499- 2504页[11] 陈文，一种基于交通流数据的多智能体系统，第34届国际交通科学会议论文集，2001年1月。[12] 陈志华，交通系统之动态模拟，交通管理与控制，国立成功大学交通管理研究所硕士论文，2001年。[13] 陈文，交通仿真系统之研究，国立成功大学交通工程研究所硕士论文，2008年12月。[14] 李志华，基于多智能体的交通信号模糊控制，交通研究，2003，第11卷，第389 -403页。[15] 陈文辉，城市道路交通控制系统的仿真研究，交通管理学报，2000年第1期，第10 - 18页，2012。[16] Kang L，Zhao Z，Lin B and Jin L，基于VII的城市交叉口相位转换交通控制系统，计算机应用与系统建模国际会议（ICCASM），2010年10月13日，第137-141页，2010年10月。[17] 刘思成，驾驶员第387[18] 曲宏，张伟，徐旭，基于RMM和贝叶斯学习的城市交通多智能体系统，2000年美国控制会议论文集，2000年4月，第2782-2783页，2000年[19] 杨志生，陈晓，唐义生，孙太平，城市交通网络的智能协同控制，2005年机器学习与控制论国际会议论文集，2005年10月3日，第1482- 1486页，2005年8月。[20] 王志华，基于学习型智能体的城市交通控制，北京交通大学学报，2007年，第916-921页，2007。[21] Jiong S，Zhao J，WenJun Z，Implementing traffic signal optimal control by multiagentreinforcement learning，International Conference on Computer Science and Network Technology，2014，pp 2578- 2582，December 2011.Shailendra Tahilyani等人/ AASRI Procedia 4（2013）206211[22] 蔡文忠，交通信号控制系统之研究，国立成功大学交通工程研究所硕士论文，民国96年。[23] Jansuz W，Tobias W和Otthein H，基于代理的随机模拟中的机器学习：运输物流中的推理理论和评估，计算机和数学与应用，第64卷，第12期，第3685- 3665页，2012年12月。[24] 陈文，交通管理与智能交通系统，交通管理与智能交通系统，2001[25] 王晓云，基于多智能体Q-学习的交通信号灯控制，第14届IEEE智能交通系统国际会议（ITSC），2011年。第1580- 1585页，2011年10月。[26] Li CQ.严晓丽，林芳燕，张海龙，基于协同q学习算法的多交叉口交通信号智能控制，第七届国际自然计算会议（ICNC），第1卷，第185-188页，2011年7月。[27] 李文生，交通信号控制之神经网路，国立成功大学交通工程研究所硕士论文，2006年9月。[28] 刘晓波，交通信号控制系统，交通管理，2001，第14期，第177-188页，2010年9月。[29] Khamis MA和Gomaa WEA，城市交通灯控制的增强型多智能体多目标强化学习，第1卷，第586-591页，2012年12月。[30] Dahal K，Almejali K和Hossain MA，决策支持系统，2012年，出版中[31] 刘文，智能交通系统在城市道路交叉口控制中的应用，交通管理与控制，硕士论文，2001。[32]Macedo，Soares M，Rocteo I和Rossetti RJF，基于咨询的交通控制方法，第七届伊比利亚信息系统和技术会议（CISTI），第1-6页，2012年6月。[33] Findler NV和Elder GD，在有限资源的分布式动态环境中的多智能体协调与合作，人工智能工程，第9卷，第3期，第229-238页，[34] 王文，城市交通网络决策支持系统，北京交通大学学报，2003年2月。[35] Burguillo-Rial JC，Costa-Montenegro E，Gil-Castineira FJ，Rodriguez-Hernandez PS，Performanceanalysis of IEEE 802.11p in urban environments using a multi-agent model ， IEEE 19th InternationalSymposium on Personal，Indoor and Mobile Radio Communications，2008.PIMRC 2008.，第1-6页，2008年12月。[36] 张春青，赵玉生，基于多智能体系统的城市交通管理研究，机器学习与控制论国际会议，2007。第1卷，第25-29页，2007年8月。[37] 陈春，李志，基于多智能体的分层网络化城市交通信号控制系统，第九届IEEE网络、传感与控制国际会议（ICNSC），第28-33页，2012年4月。[38] 刘宏，刘智，多智能体智能交通信号控制城市主干道公交优先，IEEE国际交通、机械和电气工程会议（THEME），2011年，第677-680页，2011年12月。[39] Guerrero-Ibanez A，Contreras Castillo J，Mistrostro R，Marti AB，Munoz AR，A policy-basedmulti-agent management approach for intelligent traffic-light control，IEEE Intelligent VehiclesSymposium（IV），2010，pp 694-699，June 2010.
我的内容管理
展开
