ترجمه مقاله کنترل چراغ ترافیک(راهنمایی) در محیط­های غیرثابت براساسیادگیری-Qچند عاملی

ترجمه مقاله کنترل چراغ ترافیک(راهنمایی) در محیط­های غیرثابت براساسیادگیری-Qچند عاملی - کنترل ترافیک در خصوص استفاده ازروش­های محاسباتی در جهان واقعی مساله چالش برانگیزی است توسعه مکانیزم­های کارآمد برای کنترل چراغ ترافیک لازم است،زیرا تعدادوسایل نقلیه در شبکه مناطق شهری به سرعت در حال افزایش است هدف ازکنترل سیگنال افزایش ظرفیت تقاطع،کاهش تاخیر،ودر همان زمان، تضمین ایمنی بازیگران ترافیک است علاوه بر این، می­توان مصرف سوخت و کاهش تولی

---

کنترل چراغ ترافیک(راهنمایی) در محیط­های غیرثابت براساسیادگیری-Qچند عاملی

چکیده - در بسیاری ازمناطق شهری که در آنجاتراکم ترافیک دارای الگویاوج نیست،روش­های زمان­ بندی چراغ­های معمولی باعث کنترل موثری نمی­شود. یک روش جایگزین این است که یادگیری نحوه تنظیم چراغ بر اساس وضعیت ترافیک توسط کنترلرهای سیگنال ترافیکی میسر شود. با این حال، اینامر باعث ایجاد یک محیط غیرثابت کلاسیک می­شود زیرا هر کنترلر تغییرات ناشی ازدیگرکنترلرها را تطبیق می­دهد. دریادگیریچند عاملی، اینکار به احتمال زیاد ناکارآمد بوده ودارای پیچیدگی­های محاسباتیاست، یعنی باافزایشتعداد عامل­ها (کنترلرها)، بازده کاهش می­یابد. در این مقاله، یک شبکهترافیکی نسبتا بزرگرا بصورت سیستمچند عاملیمدل­سازی می­کنیم و از تکنیک­های یادگیری تقویتی چند عاملی استفاده می­کنیم.بطور خاص،یادگیری-Qبه کار گرفته شده است، که در آن طول متوسط صف​​درلینک­های نزدیک شونده به منظور برآوردحالت­ها استفاده می­شود. یک بیانپارامتری از فضایعمل، این روش را قابل توسعه به انواع مختلفی از تقاطع­ها کرده است. نتایج شبیه ­سازی نشان می­دهد کهیادگیری-Qپیشنهادی عملکرد بهتری نسبت به روش زمان ثابت تحت نیازهای ترافیکی متفاوت دارد.

Traffic Light Control in Non-stationary Environments based on Multi Agent Q-learning Monireh Abdoos , Nasser Mozayani and Ana L. C. Bazzan Abstract—In many urban areas where traffic congestion does not have the peak pattern, conventional traffic signal timing methods does not result in an efficient control. One alternativeis to let traffic signal controllers learn how to adjust the lights based on the traffic situation. However this creates a classical non-stationary environment since each controller is adapting to the changes caused by other controllers. In multi-agent learning this is likely to be inefficient and computationally challenging,i.e., the efficiency decreases with the increase in the number of agents (controllers). In this paper, we model a relatively large traffic network as a multi-agent system and use techniques from multi-agent reinforcement learning. In particular, Q-learning is employed, where the average queue length in approaching links is used to estimate states. A parametric representation ofthe action space has made the method extendable to different types of intersection. The simulation results demonstrate that the proposed Q-learning outperformed the fixed time method under different traffic demands.

1. مقدمه

کنترلسیگنالیکی ازحوزه­های مورد نظر درکل تحقیق است که تحتعنوان سیستم­هایحمل و نقل هوشمند (ITS) شناخته می­شود. می­توان ITSرا توسط برخی از تکنیک­هاپیاده­سازی کرد. در این مقاله حاضر، ازسیستم­های چندعاملیو یادگیری ماشینبرای توسعهیک مکانیزم کنترلنورترافیک استفاده می­کنیم.

قیمت فقط35,000 تومانپرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : جعفر علایی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :sidonline.ir

مشخصات فایل

فرمت : docx

تعداد صفحات : 10

قیمت : 35,000 تومان

حجم فایل : 522 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل