کنترل هوشمند شبکه ترافیک بر مبنای عامل به کمک تئوری بازیها

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,210

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELECTRICA01_016

تاریخ نمایه سازی: 11 اردیبهشت 1394

چکیده مقاله:

امروزه با روند رو به رشد افزایش خودروها در شبکه های حملو نقل شهری، روشهای کلاسیک در کنترل ترافیک شهری قابل استفاده نبوده و نیازبه روشهای هوشمند افزایش مییابد. سیتمهای چند عامله ابزار مناسبی جهت مدلسازی سیستمهای توزیع شده به شمار میروند که ترافیک شهریرا نیز میتوان به کمک آن مدل کرد. نظریه بازیها یک ابزار ریاضی است که به بررسی نحوهی تصمیمگیری و رفتار عاملها در سیستمهای چند عامله در محیط میپردازد که نتیجه بهدست آمده توسط هر عامل علاوه بر تصمیمات خود عامل،به رفتار و اعمال سایر عاملها نیز بستگی دارد.یادگیری از تجربیات گذشته نیز میتواند تصمیمگیری بهتری را منتج شود. روش یادگیری Q این امکان را برای عاملها فراهم میآورد که بتوانند با استفاده از تجربیات خود خط مشی مناسب را یاد بگیرند.در این مقاله روش ترکیبی برای کنترل ترافیک شهری با مدل سیستمهایچندعامله بر اساس نظریه بازیها و مبتنی بر یادگیری Q فازی ارائه شده است.در این روش عامل با توجه به یادگیری Q فازی و تعامل با عاملهای دیگر از طریق نظریه بازیها اقدام به یافتن بهترین زمانبندی چراغ راهنمایی میکند. شبیه سازی روش ارائه شده با هدف کاهش میزان تأخیر در زمان سفر، موفقیت آن را نشان میدهد

نویسندگان

امیر حقانی

دانشجوی کارشناسی ارشد، موسسه آموزش عالی غیرانتفاعی پیام گلپایگان

ابوالقاسم دائی چیان

دانشکده برق و کامپیوتر، دانشگاه صنعتی اصفهان استادیار، دانشکده برق، موسسه آموزش عالی غیرانتفاعی پیام گلپایگان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • تابع زمان تخیردر تقاطع های با چاغ اهمایی، گزارش شماره ...
  • Weiss.G, Multi-Agent Systems, A Modern Approach to Distributed Artificial Intelligence, ...
  • Van Dyke Parunak, H, A Practitioners Review of Industrial Agent ...
  • A. K. Goel, V. Kummar, S. Sirivasan, Application of Multi-Agent ...
  • Roess, R.P., W.R. Mcshane, and E.S. Prassas, Traffic Engineering, Prentice-Hall, ...
  • Wierig, M, Multi-agent Reinforcmet learning for traffic light control, proc. ...
  • approach , Internationae onference On Intelligent Transportation Systems (ITSC), pp.1 ...
  • Xinhai, X.and Lunhui, X, Traffic Signal Control Agent Interaction Model ...
  • Li Ying, MAS and its application of forecast and ITS, ...
  • Dai, Y. D. Zhao and J.Yi, A comparative study of ...
  • K. Wen, S. Qu and Y. Zhang, A stochastic adaptive ...
  • PrashanthL.A and S. Bhatnagar, Reinforcemet learning with function approximation for ...
  • Watkins.C. and P. Dayan, Q-learning, Machine learning, Vol. 8, pp. ...
  • Bonarini, A.and Lazaric, A.and monrone, F.and Restelli, M, Reinforcemet distribution ...
  • نمایش کامل مراجع