Нейроуправляемая сеть для параметрической оптимизации в задаче управления транспортными потоками
Решение задачи адаптивного управления транспортными потоками за счет изменения активных фаз светофоров. Использование нейронной сети для настройки параметров модели сети дорог. Минимизация разницы между суммарным входным и выходным потоками подсетей.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 30.07.2017 |
| Размер файла | 78,4 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Размещено на http://www.allbest.ru/
Нейроуправляемая сеть для параметрической оптимизации в задаче управления транспортными потоками
Д.Э. Казарян, В.А. Михалев, Е.A. Софронова
Российский университет дружбы народов, Инженерная академия,
Департамент механики и мехатроники
Аннотация
В работе рассматривается задача адаптивного управления транспортными потоками. Управление транспортным потоком достигается за счет изменения активных фаз светофоров. Задачей управления является минимизация разницы между суммарным входным и выходным потоками всех подсетей при наличии изменяющихся параметров сетей дорог. В статье описывается метод, использующий нейронную сеть для настройки параметров модели сети дорог.
Ключевые слова: управление транспортными потоками; искусственные нейронные сети.
Введение
Многочисленные попытки учёных до сих пор не привели к построению качественной математической модели управления потоками транспорта на городских дорогах. Такая модель должна определять функциональную зависимость параметров управления от параметров транспортных потоков. Во всём мире транспортные потоки управляются с помощью светофоров. При наличии достаточно точной математическую модели потоков транспорта, мы сможем определять оптимальную длительность фаз сигналов светофоров для достижения максимальной пропускной способности узла дорожной сети.
Математическая модель дорожного движения в работе строится на основе теории управляемых сетей [1-6]. Такая модель учитывает структуру доступных для движения дорог, изменение сети в соответствии с сигналами светофоров, а также позволяет рассчитывать состояние потоков машин в каждый момент времени. В работах [5], [6] мы дополнили модель введением подсетей, из которых собирается полная сеть.
Главной сложностью стало определение точных значений пропускных способностей маневров и параметров распределения потоков. В работах [7-9] рассматриваются возможные подходы к решению этой проблемы. В работе [10] нами было предложено использовать искусственную нейронную сеть для определения параметров, в данной работе даётся более точное описание её применения.
Математические модели транспортных потоков на основе теории управляемых сетей
Рассмотрим обширную сеть дорог из подсетей. Модели подсетей представляем в виде набора матриц отдельных моделей [1-6]:
. (1)
Для соединения моделей всех подсетей в одну сеть, введем матрицы соединений для каждой подсети
, , ,
где - номер элемента в векторе входных участков для участка , - количество выходных дорог в подсети .
Для каждого участка дорог, модель должна иметь вектора входных и выходных дорог
,
,
где - индекс входной дороги в подсеть , , - количество входных дорог в подсеть, - индекс выходной дороги из подсети , .
Использование соединительных матриц позволяет моделировать динамику потоков на всех подсетях одновременно. На каждом интервале пересчитываем вектор потока в соответствии с соединительными матрицами
, ,
где , , , .
Искусственная нейронная сеть для определения параметров модели
нейронный транспортный поток управление
С течением времени, варьируется направление в котором движется большая часть потока, изменяется дорожная обстановка, неблагоприятные погодных условия принуждают водителеи? снижать скорость, что приводит к значительному изменению пропускных? способностеи? участков дорог и транспортнои? сети в целом, что в свою очередь, приводит к заторам, и заставляет участников дорожного движения искать маршруты для их объезда.
Для того что бы настраивать модель, предварительно нам необходимо на учиться оценивать, на сколько точно она отражает текущие параметры транс портнои? сети.
Мы используем точную модель для синтеза оптимального управления транспортными потоками в сети дорог. С течением времени параметры дорожного движения изменяются, и рано или поздно наступает момент, когда применяемое управление, которое в момент подачи прогнозировалось как наилучшее, становится неоптимальным. В этом случае, мы используем ИНС для уточнения изменившихся параметров сети дорог, и синтезируем новое управление, которое оптимально для текущего состояния сети.
Схематически этот процесс представлен на рис.1.
Рис. 1. Структура управления транспортными потоками с ИНС [Structure of ANN application]
Выводы
В статье описывается применение подхода основанного на нейронной сети, для управления городскими транспортными потоками. Управление осуществляется посредством решения задачи оптимального управления на математической модели, в основе которой лежит теория управляемых сетей. ИНС встроена в контур управления и применяется для настройки параметров модели, при появлении расхождения между выходными значениями, получаемыми от модели и реальных участках сети дорог.
Работа выполнена по гранту РФФИ №16-08-00639-а «Исследование и разработка методов синтеза идентификационного управления транспортными потоками в сетях городских дорог».
Литература
1. A.I. Diveev, “Controlled networks and their applications”, Computational Mathematics and Mathematical Physics, vol. 48, № 8, pp. 1428 - 1442, 2008.
2. G.H.A. Alnovani, A.I. Diveev, K.A Pupkov, and E.A. Sofronova, “Control Synthesis for Traffic Simulation in the Urban Road Network”. Proc. of the 18th IFAC World Congress, Milano, Italy August 28 - September 2, 2011, pp.2196 - 2201.
3. A.I. Diveev and E.A. Sofronova, “Synthesis of Intelligent Control of Traffic Flows in Urban Roads Based on the Logical Network Operator Method”, Proceedings of European Control Conference (ECC-2013) July 17-19, 2013, Zьrich, Switzerland, pp. 3512-3517.
4. A. Diveev, E. Sofronova, V. Mikhalev 2016 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2016 - Conference Proceedings 7844705, pp. 3051-3056.
5. Tu, YL, WJ Zhang, X Liu, W Li, C-L Chai, Ralph Deters et al., 2008. A disaster response management system based on control systems technology, Int. J. of Critical Infrastructures, 4(3), pp. 274-285
6. JW Wang, WH Ip, WJ Zhang. An integrated road construction and resource planning approach to the evacuation of victims from single source to multiple destinations. Intelligent Transportation Systems, IEEE Transactions on 11 (2), pp. 277-289
7. Францев С.М., Савенков А.В. Натуральные исследования интенсивности транспортного потока на базе направленного микрофона типа “бегущая волна” // Инженерный вестник Дона, 2016, №4 URL: ivdon.ru/ru/magazine/archive/n4y2016/3813.
8. Францев С.М., Савенков А.В. Исследование шумовых харакетристик транспортного потока на безе направленного микрофона типа “бегущая волна” // Инженерный вестник Дона, 2015, №2 (часть 2) URL: ivdon.ru/ru/magazine/archive/n2p2y2015/2956.
9. Ширшиков А.С., Павлова Ю.А., Чульмяков И.Ф. Применение систем глобального позиционирования при управлении дорожным движением // Инженерный вестник Дона, 2016, №4 (часть 4) URL: ivdon.ru/ru/magazine/archive/n4y2016/3857.
10. Д.Э. Казарян, В.А. Михалев, Е.A. Софронова Нейросетевой подход к управлению потоками транспорта // Вестник Российского университета дружбы народов. Серия: Инженерные исследования. 2017. Принята в печать 22 Ноября 2016
References
1. A.I. Diveev, “Controlled networks and their applications”, Computational Mathematics and Mathematical Physics, vol. 48, № 8, pp. 1428. 1442, 2008.
2. G.H.A. Alnovani, A.I. Diveev, K.A Pupkov, and E.A. Sofronova, “Control Synthesis for Traffic Simulation in the Urban Road Network”. Proc. of the 18th IFAC World Congress, Milano, Italy August 28 - September 2, 2011, pp.2196. 2201.
3. A.I. Diveev and E.A. Sofronova, “Synthesis of Intelligent Control of Traffic Flows in Urban Roads Based on the Logical Network Operator Method”, Proceedings of European Control Conference (ECC-2013) July 17-19, 2013, Zьrich, Switzerland, pp. 3512-3517.
4. A. Diveev, E. Sofronova, V. Mikhalev 2016 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2016 - Conference Proceedings 7844705, pp. 3051-3056.
5. Tu, YL, WJ Zhang, X Liu, W Li, C-L Chai, Ralph Deters et al., 2008. A disaster response management system based on control systems technology, Int. J. of Critical Infrastructures, 4(3), pp. 274-285
6. JW Wang, WH Ip, WJ Zhang. An integrated road construction and resource planning approach to the evacuation of victims from single source to multiple destinations. Intelligent Transportation Systems, IEEE Transactions on 11 (2), pp. 277-289
7. Frantsev S.M., Savenkov A.V. Inz?enernyj vestnik Dona (Rus), 2016, №4. URL: ivdon.ru/ru/magazine/archive/n4y2016/3813.
8. Frantsev S.M., Savenkov A.V. Inz?enernyj vestnik Dona (Rus), 2015, №2. (part 2) URL: ivdon.ru/ru/magazine/archive/n2p2y2015/2956.
9. Shirshikov A.S., Pavlova U.A., Chulmyakov I.F. Inz?enernyj vestnik Dona (Rus), 2016, №4 (part 4). URL: ivdon.ru/ru/magazine/archive/n4y2016/3857.
10. Kazaryan, D.E., Mikhalev, V.A., Sofronova E.A. (2017) Artificial neural network approach to traffic flow control. RUDN Journal of Engineering Researches. Submitted for print on 22 November 2016
Размещено на Allbest.ru
...Подобные документы
Модель и задачи искусственного нейрона. Проектирование двуслойной нейронной сети прямого распространения с обратным распространением ошибки, способной подбирать коэффициенты ПИД-регулятора, для управления движения робота. Комплект “LEGO Mindstorms NXT.
отчет по практике [797,8 K], добавлен 13.04.2015Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Представление системы управления конфликтными потоками как системы массового обслуживания с переменной структурой. Вероятностные свойства процесса управления. Построение имитационной модели системы массового обслуживания, математический аппарат.
дипломная работа [1,4 M], добавлен 27.01.2016Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Формирование подсетей для сети с IP-адресом. Объединение 60 станций в составную сеть. Использование протокола ARP для определения MAC-адреса по IP-адресу. IP-маршрутизация в операционной системе Windows IP-адреса отдельных сетей составной сети.
курсовая работа [64,6 K], добавлен 16.01.2011Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Выявление закономерностей и свойств, применимых в искусственной нейронной сети. Построение графиков и диаграмм, определяющих степень удаленности между объектами. Моделирование, тестирование и отладка программной модели, использующей клеточный автомат.
дипломная работа [4,1 M], добавлен 25.02.2015Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Нейронные сети и оценка возможности их применения к распознаванию подвижных объектов. Обучение нейронной сети распознаванию вращающегося трехмерного объекта. Задача управления огнем самолета по самолету. Оценка экономической эффективности программы.
дипломная работа [2,4 M], добавлен 07.02.2013Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Переваги та недоліки потоків в програмуванні в Delphi. Перемикання між процесами і потоками, реалізація багатопотокового додатку. Дочірній процес та сповіщення про зміну у файловій системі. Механізм перезапуску потоку при зміні обстежуваної теки.
реферат [56,5 K], добавлен 19.06.2010Обоснование необходимости организации VPN-сети главного управления МЧС РФ по Астраханской области. Выбор коммутатора, SHDSL-модема, голосового шлюза. Настройка оборудования для работы. Расчёт годового экономического эффекта за счет внедрения VPN-сети.
курсовая работа [8,5 M], добавлен 22.08.2013Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Сеть доступа как система средств связи между местной станцией и терминалом пользователя с замещением части или всей распределительной сети, типы и функциональные особенности, сферы практического применения. Операционные системы управления сети доступа.
реферат [2,1 M], добавлен 14.02.2012Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013Системи обробки даних: класифікація обчислювальних комплексів і систем за потоками команд і потоками даних. Метод відображення алгоритму в ярусно-паралельній формі. Компонентно-ієрархічний підхід до розробки ПООСІК. Вибір елементної бази для синтезу.
лекция [4,1 M], добавлен 20.03.2011Изучение и реализация системы, использующей возможности Microsoft Azure для распределенного обучения нейронной сети. Рассмотрение функционирования распределенных вычислений. Выбор задачи для исследования; тестирование данного программного ресурса.
дипломная работа [2,0 M], добавлен 20.07.2015Основа пользовательского интерфейса. Возможности пакетов java.awt.geom, java.awt, классов java.awt.Graphics и java.awt.Graphics2D. Основные графические примитивы и работа с потоками. Листинг программы и составление композиции аффинных преобразований.
методичка [525,3 K], добавлен 30.06.2009Преимущества и недостатки нейронных сетей с радиальными базисными функциями (РБФ). Функции newrbe и newrb для построения РБФ общего вида и автоматической настройки весов и смещений. Пример построения нейронной сети с РБФ в математической среде Matlab.
лабораторная работа [238,7 K], добавлен 05.10.2010
