Адаптивное управление транспортной инфраструктурой в городской среде с использованием генетического алгоритма вещественного кодирования
Аннотация
Управление городским территориальным комплексом обуславливает необходимость разработки эффективной стратегии эволюционного развития транспортной инфраструктуры. Ключевым элементом подобной инфраструктуры является система светофоров, обеспечивающая регулирование транспортных и пешеходных потоков. Улучшение качества управления в интеллектуальной транспортной системе (ИТС), позволяет не только увеличить пропускную способность уличной дорожной сети, но также оказывает существенное влияние на экономику города, уменьшая издержки всех участников дорожного движения. В результате для участников дорожного движения могут быть сокращены расходы на топливо, повышен уровень их социального комфорта и т. д. В данной работе предлагается новый подход к оптимизации транспортных потоков «умного города», основанный на комбинированном использовании разработанного генетического оптимизационного алгоритма и имитационной модели ИТС. Разработанный оптимизационный алгоритм агрегирован по целевым функционалам с созданной имитационной моделью реального участка уличной дорожного сети г. Москвы со своими перекрестками, пешеходными переходами и др., реализованной в системе AnyLogic. Исследование направлено на создание системы поддержки принятия решений по управлению городской транспортной инфраструктурой, на примере задачи оптимизации длительности фаз регулирующих сигналов светофоров, с целью уменьшения временных затрат на проезд транспортных средств через ключевые узлы городской дорожной сети, оптимизации движения пешеходных потоков и др. Применение предложенного подхода позволяет значительно повысить пропускную способность уличной дорожной сети, уменьшить негативное воздействие автомобильных потоков на окружающую среду за счет оптимизации расхода топлива и сокращения времени ожидания на перекрестках, регулируемых светофорами. Методология исследования включает в себя разработку модифицированного генетического алгоритма, построение имитационной модели транспортных и пешеходных потоков в AnyLogic, проведение ряда оптимизационных экспериментов, демонстрирующих эффективность предложенного подхода в контексте моделирования сложных урбанистических транспортных систем.
Скачивания
Литература
Akopov A.S., Beklaryan L.A. (2024) Traffic improvement in Manhattan road networks with the use of parallel hybrid biobjective genetic algorithm. IEEE Access, vol. 12, pp. 19532–19552. https://doi.org/10.1109/ACCESS.2024.3361399
Akopov A.S., Beklaryan L.A., Thakur M. (2022) Improvement of maneuverability within a multiagent fuzzy transportation system with the use of parallel biobjective real-coded genetic algorithm. IEEE Transactions on Intelligent Transportation Systems, vol. 23, no. 8, pp. 12648–12664. https://doi.org/10.1109/TITS.2021.3115827
Akopov A.S., Beklaryan L.A., Beklaryan A.L. (2021) Simulation-based optimization for autonomous transportation systems using a parallel real-coded genetic algorithm with scalable nonuniform mutation. Cybernetics and Information Technologies, vol. 21, no. 3, pp.127–144. https://doi.org/10.2478/cait-2021-0034
Tong W., Pan Z., Liu K., Yali Y., Xiumin W., Huawei H., Wu D.O. (2020) Multi-agent deep reinforcement learning for urban traffic light control in vehicular networks. IEEE Transactions on Vehicular Technology, vol. 69, no. 8, pp. 8243–8256. https://doi.org/10.1109/TVT.2020.2997896
Aljuboori A.F., Hamza A., Alasady Y. (2019) Novel intelligent traffic light system using PSO and ANN. Journal of Advanced Research in Dynamical and Control Systems, vol. 11, pp. 1528–1539.
Rashid H., Ashrafi M.J.F., Azizi M., Heydarinezhad M.R. (2015) Intelligent traffic light control based on clustering using Vehicular Ad-hoc Networks. Proceedings of the 2015 7th Conference on Information and Knowledge Technology (IKT), Urmia, Iran, pp. 1–6. https://doi.org/10.1109/IKT.2015.7288801
Myasnikov V.V., Agafonov A.A., Yumaganov A.S. (2021) A deterministic predictive traffic signal control model in intelligent transportation and geoinformation systems. Computer Optics, vol. 45, no. 6, pp. 917–925 (in Russian). https://doi.org/10.18287/2412-6179-CO-1031
Veremchuk N.S. (2022) Elements of simulation modeling in issues of traffic optimization. Proceedings in Cybernetics, vol. 4, no. 48, pp. 23–28 (in Russian). https://doi.org/10.34822/1999-7604-2022-4-23-28
Kennedy J., Eberhart R. (1995) Particle swarm optimization. Proceedings of IEEE International Conference on Neural Networks, vol. 4, pp. 1942–1948. https://doi.org/10.1109/ICNN.1995.488968
Shi Y., Eberhart R.C. (1998) A modified particle swarm optimizer. Proceedings of IEEE International Conference on Evolutionary Computation, pp. 69–73. https://doi.org/10.1109/ICEC.1998.699146
Herrera F., Lozano M. (2000) Gradual distributed real-coded genetic algorithms. IEEE Transactions on Evolutionary Computation, vol. 4, no. 1, pp. 43–63. https://doi.org/10.1109/4235.843494
Panchenko T.V. Genetic algorithms. Astrakhan: Astrakhan Tatishchev State University, 2007 (in Russian).
Beklaryan A.L., Beklaryan L.A., Akopov A.S. (2023) Simulation model of an intelligent transport system of a “smart city” with adaptive control of traffic lights based on fuzzy clustering. Business Informatics, vol. 17, no. 3, pp. 70–86. https://doi.org/10.17323/2587-814X.2023.3.70.86
Akopov A.S., Beklaryan L.A. (2022) Simulation of rates of traffic accidents involving unmanned ground vehicles within a transportation system for the “smart city”. Business Informatics, vol. 16, no. 4, pp. 19–35. https://doi.org/10.17323/2587-814X.2022.4.19.35
Zaripov E., Petrunev E. (2023) Development of a neural network for modeling the behavior of the educational process. Artificial Societies, vol. 18, no. 1 (in Russian). https://doi.org/10.18254/S207751800024453-7
Melnikov A. (2023) Agent-based modeling of the sleep-wake cycle. Artificial Societies, vol. 18, no. 2 (in Russian). https://doi.org/10.18254/S207751800024523-4
Bakhit P.R., Said D., Radwan L. (2015) Impact of acceleration aggressiveness on fuel consumption using comprehensive power-based fuel consumption model. Civil and Environmental Research, vol. 7, pp. 148–156.
Diaz-Gomez P.A., Hougen D. (2007) Initial population for genetic algorithms: A metric approach. Proceedings of the 2007 International Conference on Genetic and Evolutionary Methods, Las Vegas, Nevada, USA, pp. 43–49.
Jebari K. (2013) Selection methods for genetic algorithms. International Journal of Emerging Sciences, vol. 3, pp. 333–344.
Marsili-Libelli S., Alba P. (2000) Adaptive mutation in genetic algorithms. Soft Computing, vol. 4, pp. 76–80. https://doi.org/10.1007/s005000000042
De Falco I., Cioppa A.D., Tarantino E. (2002) Mutation-based genetic algorithm: Performance evaluation. Applied Soft Computing, vol. 1, pp. 285–299. https://doi.org/10.1016/S1568-4946(02)00021-2
Deb K., Deb D. (2014) Analyzing mutation schemes for real-parameter genetic algorithms. International Journal of Artificial Intelligence and Soft Computing, vol. 4, pp. 1–28. https://doi.org/10.1504/IJAISC.2014.059280
Eremeev A. (2000) Modeling and analysis of genetic algorithm with tournament selection. Lecture Notes in Computer Science, vol. 1829, pp. 84–95 https://doi.org/10.1007/10721187_6
Umbarkar A.J., Sheth P.D. (2015) Crossover operators in genetic algorithms: A review. Journal on Soft Computing, vol. 6, no. 1, pp. 1083–1092. https://doi.org/10.21917/ijsc.2015.0150
Mashohor S., Evans J.R., Arslan T. (2005) Elitist selection schemes for genetic algorithm based printed circuit board inspection system. Proceedings of the 2005 IEEE Congress on Evolutionary Computation, Edinburgh, UK, vol. 2, pp. 974–978. https://doi.org/10.1109/CEC.2005.1554796
