基于多智能体的交通信号控制与路径诱导的协同

在总结已有交通信号控制与路径诱导协同模型的基础上,分析了路段行程时间函数与信号控制策略对协同模型求解唯一性与收敛性的影响;设计了交通信号控制与路径诱导协同研究的多智能体模拟系统。该系统由交叉口控制智能体、路径诱导智能体、信息处理智能体组成,具有较大的灵活性与可扩展性。该模拟系统中路径诱导策略是用户最优策略,交通流动力学由元胞传输模型描述,信号配时由基于元胞的交通控制模型优化。模拟结果表明,实施交通信号控制与路径诱导协同后,路网总行程时间最多可减少41.4%。     

基于多智能体的城市道路交通控制系统及其协调优化

在分析多智能体特性的基础上,提出了基于多智能体的城市道路交通控制系统,并采用遗传再励学习和博弈论方法进行优化控制和区域协调,最后通过仿真分析说明了算法的有效性。     

基于多智能体的城市道路交通控制

在分析多智能体特性的基础上，提出了基于多智能体的城市道路交通控制系统，并采用遗传再励学习和博弈论方法进行优化控制和区域协调，最后通过仿真分析说明了算法的有效性。     

基于强化学习的多路口可变车道协同控制方法

为了解决传统的可变导向车道控制方法无法适应多路口场景下的复杂交通流的问题,提出基于多智能体强化学习的多路口可变导向车道协同控制方法来缓解多路口的交通拥堵状况. 该方法对多智能体强化学习 (QMIX)算法进行改进,针对可变导向车道场景下的全局奖励分配问题,将全局奖励分解为基本奖励与绩效奖励,提高了拥堵场景下对车道转向变化的决策准确性. 引入优先级经验回放算法,以提升经验回放池中转移序列的利用效率,加速算法收敛. 实验结果表明,本研究所提出的多路口可变导向车道协同控制方法在排队长度、延误时间和等待时间等指标上的表现优于其他控制方法,能够有效协调可变导向车道的策略切换,提高多路口下路网的通行能力.     

基于多智能体遗传算法的多机器人混合式编队控制

提出了一种基于多智能体遗传算法的多机器人混合式编队控制方法,将多智能体系统与传统遗传算法相结合,形成了一种新的在线优化算法(多智能体遗传算法),应用到多机器人编队控制中。同时将领航跟随法与人工势场法相结合,能更有效地保持队形的稳定性、增强抗干扰能力。采用该方法进行仿真实验,并与传统机器人编队控制方法相比较,实验结果验证了所提方法的可行性和有效性。     

城市交通信号免疫自适应控制

针对城市交通流具有较强的时变特性,传统控制方法控制效果不佳的问题,借鉴免疫系统自学习、自适应原理,提出一种城市交通信号免疫自适应控制方法,该方法采用免疫网络记忆控制过程中获得的控制经验,采用克隆选择算法进行绿信时间的全局优化,通过采用知识引导下的在线学习模式,实现了快速在线自适应控制.仿真结果表明该方法可以获得较好交通信号实时控制效果.     

基于Q学习的异构多智能体系统最优一致性

对有领导者的异构离散多智能体系统的最优一致性问题,提出了一种无模型的基于非策略强化学习的控制协议设计方法。由于异构多智能体系统的状态矩阵不同,其局部邻居误差的动态表达式比较复杂。与现有的多智能体系统分布式控制方案相比,所提算法减少了计算的复杂性。首先,建立由增广变量构造的多智能体系统全局邻居误差动态表达式。其次,通过二次型形式的值函数得到耦合贝尔曼方程和Hamilton?Jacobi?Bellman（HJB）方程。再次,求解耦合HJB方程的最优解,得到多智能体最优一致性的纳什均衡解,并给出纳什均衡证明。从次,基于无模型的非策略Q学习算法,求解多智能体最优一致性的纳什均衡解。最后,利用批判神经网络结构,结合梯度下降法实现了所提出的算法,并通过仿真实例验证了算法的有效性。     

基于Q-学习的进化博弈决策模型

基于Q-强化学习算法,建立了进化博弈中代理人的决策模型.考虑到强化学习算法不需要建立环境模型,可用于不完全、不确定信息问题,将Q-强化学习算法引入到进化博弈中,研究了进化博弈中两种Q-学习决策模型:单代理人Q-学习决策模型和多代理人Q-学习决策模型,并针对不同结构的进化博弈选择不同的决策模型和算法进行了讨论.仿真算例的结果说明基于Q-学习的决策模型能指导代理人学习、选择最优策略.     

基于Q学习的电网运行断面动态生成方法

电网运行断面是电力系统运行控制的重要手段.面对当前繁多的电网运行断面智能生成方法,如何合理的选择已成为电网运行断面在线生成算法领域研究的重要内容.在此背景下,提出一种基于Q学习的电网运行断面动态生成方法.该方法的主要特征在于训练得到Q学习智能体,根据电网运行特征动态选择电网运行断面生成方法,以便充分利用不同生成方法在不同场景下的算法优势.最后,基于某电网数据构造的算例表明,动态生成方法能够通过优化选择不同场景下的生成算法,提升生成结果的准确率.对于应用样本集,该方法提高准确率近5.2％.     

基于Q学习的电网运行断面动态生成方法

电网运行断面是电力系统运行控制的重要手段.面对当前繁多的电网运行断面智能生成方法,如何合理的选择已成为电网运行断面在线生成算法领域研究的重要内容.在此背景下,提出一种基于Q学习的电网运行断面动态生成方法.该方法的主要特征在于训练得到Q学习智能体,根据电网运行特征动态选择电网运行断面生成方法,以便充分利用不同生成方法在不同场景下的算法优势.最后,基于某电网数据构造的算例表明,动态生成方法能够通过优化选择不同场景下的生成算法,提升生成结果的准确率.对于应用样本集,该方法提高准确率近5.2％.     

交通拥堵下基于实时交通信息的路径选择模型

针对路段行程时间的估算在交通路径诱导系统中的应用,提出了一种在交通拥堵下基于实时交通信息的路径选择模型.根据目前城市交通的状况,以城市交通系统的基本设施为基础,分析了影响路段行程时间的各种因素和路段行程时间的组成.利用设置在路段上的车辆自动检测装置来搜集实时交通信息,通过行程时间的计算、动态算法的构造和路网模型的建立来对交通路径进行动态规划.实验结果表明,该模型解决了实际交通系统中的时间最短路径问题,具有一定的实用价值.     

基于Mixed logit模型的拥挤收费下交通方式分担率预测

分析了传统非集计模型存在的缺陷,提出利用mixed logit模型研究拥挤收费下交通方式分担率变化的思路。结合实际居民出行数据建立了基于mixed logit的交通方式选择模型,利用SAS软件进行蒙特卡罗模拟计算,标定了模型并进行了仿真分析。经验证,所建模型具有较高的命中率和可用性。加入拥挤收费影响因素进行敏感性分析,可得出不同拥挤收费费率下的交通方式分担率。应用该模型能为拥挤收费下的出行行为分析和交通影响研究以及其他交通需求管理政策的评价提供了方法。     

交通流诱导与控制协同的双目标优化模型及准最优求解算法

提出了一种基于消散拥堵和系统总出行时间最小的双目标诱导控制协同优化模型,算法引入饱和度的概念,采用小步距微量调整信号配时、试算优化的方法,适当加载或卸载交通量,优化交叉口信号配时,使交通流在不断反馈与不断调整过程中达到最优。采用VISSIM建立模拟路网进行了协同算法试验,并对协同实施效果进行了评价,结果表明:在进行3次协同后拥堵基本消散,经过第4、5次协同能实现系统总行程时间尽可能小。     

诱导条件下交通信号控制方法的研究

针对城市道路交通拥堵问题,本文提出了一种基于诱导条件下的交通信号控制方法,该方法根据城市道路交通状况调节信号机的绿信比,采用在诱导路径的诱导方向进行线协调控制,并借助微观仿真软件VISSIM进行仿真验证,仿真结果表明,在延长交通拥堵路段的绿灯配时的同时,增加了诱导路段的绿灯时间,且有效缓解了交通拥堵状况。该研究为交通诱导系统中的信号调节方案提供了理论支持,具有广泛的实用性。     

基于组件式GIS的交通诱导和拥堵预警系统开发

提出了基于组件式GIS开发交通诱导和拥堵预警系统的设计思想与实现方法,采用面向对象的可视化编程技术VC,将地图控件MapX嵌入其中,实现了电子地图的常规功能、交通信息维护、路径诱导及拥堵预警等功能.为验证系统性能,以重庆市渝中半岛电子地图为例进行仿真实验,结果表明,该方法可以高效地开发地理信息系统,系统的各项功能可得以比较好地实现,对城市交通管理起到辅助决策的作用.     

交通流诱导与控制协同优化模型的遗传算法求解

以路段和交叉口的加权拥挤程度最小为目标,建立诱导和控制的协同优化交通流分配模型,并提出基于遗传算法的求解。采用动态滚动式计算模型算法得出的均衡流量调整为诱导信息的发布提供定量依据,能够将诱导和控制协同起来均衡路网流量,避开拥挤。小路网试验结果表明:该模型算法实时、有效,便于实施。     

基于因子分析与聚类分析的交通事件自动检测算法融合

针对目前通常只利用一种交通事件自动检测算法进行事件检测导致的效果不佳问题,在对单个交通事件自动检测算法产生漏警和误警的原因进行分析的基础上,设计了一套与之相对应的交通条件在线评价指标,并以因子分析与聚类分析为手段提出了一种基于多个交通事件自动检测基本算法的决策级融合方法。运用某特大城市快速路感应线圈实测数据进行验证的结果表明,在交通事件自动检测基本算法的误警率为0.5%左右、检测率为63.5%～66.1%的条件下,所提出方法的检测率和误警率分别达到了90.6%和0.0981%,明显优于对比方法的检测效果。     

Real-time routing control design for traffic networks with multi-route choices

This work considers those road networks in which there are multi-route choices for bifurcation-destination(or origin-destination) pairs, and designs a real-time variable message sign(VMS)-based routing control strategy in the model predictive control(MPC) framework. The VMS route recommendation provided by the traffic management authority is directly considered as the control variable, and the routing control model is established, in which a multi-dimensional control vector is introduced to describe the influence of route recommendations on flow distribution. In the MPC framework, a system optimum routing strategy with the constraints regarding drivers' acceptability with recommended routes is designed, which can not only meet the traffic management authority's control requirement but also improve drivers' satisfaction with the route guidance system. The simulation carried out shows that the proposed routing control can effectively mitigate traffic congestion, reduces followers' time delay, and improves drivers' satisfaction with routing control in road networks.     

有限理性视野下拥挤收费对交通流逐日演化规律影响

为了解决拥挤收费政策在不同理性程度群体构成的交通流中的实施效果问题,在逐日路径演化模型的基础上引入拥挤收费政策,建立新的模型以研究拥挤收费条件下出行者逐日路径选择行为.并以一个由2条路径构成的路网为例,探讨了有限理性视野下拥挤收费政策对网络交通流逐日动态演化过程的影响.通过数值实验,分析了拥挤收费条件下网络交通流的演化特征,发现拥挤收费对网络交通流演化的最终状态以及系统平均走行时间有一定的影响;出行者的时间价值、理性程度会影响拥挤收费政策的实施效果.