کنترل ترافیک یک چهارراه راهنمایی رانندگی با استفاده از الگوریتم‌های یادگیری تقویتی (یادگیری-Q، سارسا و مسیرهای شایستگی)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، دانشکده برق و مهندسی پزشکی، دانشگاه صنعتی سجاد، مشهد، ایران

2 مربی، دانشکده برق و مهندسی پزشکی، دانشگاه صنعتی سجاد، مشهد، ایران

چکیده

یکیازمهمتریناهدافپژوهشدرحوزهحملو نقل،بهینهکردنجریان­های ترافیک است. امروزه با افزایش وسایل نقلیه به طور پیوسته،محدودیت در منابعارائهشدهتوسطزیرساخت­هایفعلیو ماهیت غیرخطی، پویا و تصادفی بودن جریان ترافیک، استفاده از روش‌های هوشمند در کنترل ترافیک به خصوص روش‌های حل مساله یادگیری تقویتی حائز اهمیت است. روش یادگیری تقویتی علاوه بر سادگی و نداشتن پیچیدگی محاسباتی، در عمل بی نیاز به مدل ریاضی محیط می‌باشد و خاصیت تطبیق پذیری با شرایط محیط و مقاوم بودن در برابر تغییرات محیطی را دارد. در این مقاله کنترل ترافیک یک تقاطع با سه روش از زیر روش‌های حل مساله یادگیری تقویتی (یادگیری-Q، سارسا و مسیرهای شایستگی) انجام شده است. نتایج شبیه‌سازی حاکی از آن است که مسیرهای شایستگی یک روش کنترلی بروزتر و بهینه‌تر نسبت به دو روش یادگیری-Q و سارسا که پیشتر در مقالات کنترل ترافیک مورد استفاده قرار گرفته است، می‌باشد.
 

کلیدواژه‌ها


Chu, T., Qu, S., & Wang, J. (2016). "Large-scale traffic grid signal control with regional Reinforcement Learning". In American Control Conference (ACC), pp. 815-820.

 

-Dusparic, I., Monteil, J., & Cahill, V. (2016), "Towards autonomic urban traffic control with collaborative multi-policy reinforcement learning". In Intelligent Transportation Systems (ITSC), IEEE 19th International Conference on, pp. 2065-2070.

 

-Prabuchandran, K. J., AN, H. K., & Bhatnagar, S. (2014), "Multi-agent reinforcement learning for traffic signal control. In Intelligent Transportation Systems (ITSC)", IEEE 17th International Conference on, pp. 2529-2534.

 

-Wu, L., Zhang, X., & Shi, Z. (2010). "An intelligent fuzzy control for crossroads traffic light". In Intelligent systems (GCIS), second WRI global congress on, Vol. 3, pp. 28-32.

 

-Odeh, S. M. (2015), "Hybrid algorithm: fuzzy logic-genetic algorithm on traffic light intelligent system". In Fuzzy Systems
(FUZZ-IEEE), 2015 IEEE International Conference on, pp.1-7.

 

-Abhishek, K., & Misra, B. B. (2016), “Hybrid Genetic Algorithm and time delay neural network model for Forecasting Traffic flow”. In Engineering and Technology (ICETECH), IEEE International Conference on,
pp. 178-183.

-Chang-sheng, Z., Jian-bo, L., Wen-yi, F., & Xu-gang, M. (2010), “Intelligent dispatch for public traffic vehicles based on improved Genetic –Algorithm”. In Future Computer and Communication (ICFCC), 2nd International Conference on, Vol. 3, pp. V3-372.

 

-Kim, S. (1994), "Application of Petri Networks and Fuzzy Logic to Advanced Traffic Management Systems".          
Ph.D Thesis, Polytechnic University,
USA, 139 P.

 

-Qiao, J., Yang, N., & Gao, J. (2011),
"Two-stage fuzzy logic controller for signalized intersection". IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 41(1), pp.178-184.

 

-Liu, Z. (2007), "A survey of intelligence methods in urban traffic signal control". IJCSNS International Journal of Computer Science and Network Security, 7(7), pp.105-112.

 

-Park, B., Messer, C. and Urbanik II, T. (2000), "Enhanced genetic algorithm for signal-timing   optimization of oversaturated intersections” Transportation Research Record: Journal of the Transportation Research Board, (1727), pp.32-41.

 

-Xu Dongling, et al. (1992), "A Fuzzy Controller of Traffic Systems and Its Neural Network Implementation". Information and Control, 21(2): pp. 74-78.

 

-Tian, Y., Li, Z., Zhou, D., Song, J., & Xiao, D. (2008), "Interactive signal control for over-saturated arterial intersections using fuzzy logic". In Intelligent Transportation Systems,. ITSC. 11th International IEEE Conference on, pp. 1067-1072.

 

-Sutton RS, Barto AG.(1998), "Reinforcement learning: An introduction". Cambridge: MIT press.