Odporny system sterowania ruchem drogowym bazujący na optymalizacji wielokryterialnej

pol Artykuł w języku polskim DOI: 10.14313/PAR_238/11

wyślij Dobrosław Cieślewicz Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Elektryczny

Pobierz Artykuł

Streszczenie

Model matematyczny jest uproszczonym odwzorowaniem pewnych zjawisk, które uwzględnia jedynie cechy istotne. W dzisiejszych czasach coraz większym problemem stają się przeciążone infrastruktury drogowe, szczególnie w większych ośrodkach miejskich. Problem ten można w pewnym stopniu zredukować, stosując zaawansowane algorytmy sterowania. W niniejszym artykule podjęto próbę sterowania przepływem ruchu drogowego w skali makroskopowej. W tym celu użyto adaptacji dyskretnego, nieliniowego modelu matematycznego. Przy wykorzystaniu środowiska programistycznego MATLAB opracowano i zoptymalizowano układ sterowania niewielką siecią komunikacyjną. Następnie, zakładając przykładowy scenariusz, przeprowadzono dla tej sieci badania symulacyjne.

Słowa kluczowe

model matematyczny, optymalizacja wielokryterialna, ruch drogowy, sterowanie dyskretne, symulacja

Fault Tolerant Traffic Control System Based on Multiobjective Optimization

Abstract

The mathematical model is a simplified representation of certain phenomena, which takes into account only the essential features. Nowadays, congested road infrastructures are becoming a growing problem, especially in larger urban centres. This problem can be somewhat reduced by using advanced control algorithms. This article attempts to control the traffic flow on a macroscopic scale. For this purpose, a discrete, nonlinear mathematical model was adopted. Using the MATLAB programming environment, a control system for a small communication network was developed and optimised. Then, assuming a sample scenario, simulation studies were conducted for this network.

Keywords

discrete control, mathematical model, multiobjective optimisation, simulation, traffic flow

Bibliografia

  1. Krawiec S., Celiński I., Alternatywny rozwój systemów obszarowego sterowania ruchem drogowym. „Prace Naukowe Politechniki Warszawskiej. Transport”, Z. 73, 2010, 45–60.
  2. Marczak M., Kozłowski R., Budowa inteligentnych systemów transportowych jako szansa dla zrównoważonego rozwoju regionów. „Ekonomia i Zarządzanie”, Nr 2, 2014, 34–42, DOI: 10.12846/j.em.2014.02.03.
  3. Oskarbski J., Kuprewicz G., Priorytety dla transportu zbiorowego z wykorzystaniem systemu sterowania ruchem. „Logistyka”, Nr 3, 2014, 4878–4887.
  4. Gaca S., Suchorzewski W., Tracz M., Inżynieria ruchu drogowego. Teoria i praktyka, Wydawnictwa Komunikacji i Łączności WKŁ, Warszawa 2011.
  5. Abrahamowicz E., Orłowski P., Model matematyczny przepływu ruchu ulicznego w skali makroskopowej, „Pomiary Automatyka Robotyka”, R. 21, Nr 3/2017, 5–10, DOI: 10.14313/PAR_225/5.
  6. Kotsialos A., Papageorgiou M., Diakaki C., Pavlis Y., Middelham F., Traffic flow modeling of large-scale motorway networks using the macroscopic modeling tool METANET. „IEEE Transactions on intelligent transportation systems”, Vol. 3, No. 4, 2002, 282–292, DOI: 10.1109/TITS.2002.806804.
  7. Filipowicz B., Kwiecień J., Algorytmy stadne w problemach optymalizacji. „Pomiary Automatyka Robotyka”, R. 15, Nr 12, 2011, 152–157.
  8. Topolska K., Topolski M., Błachut B., Haber M., Piekarz A., Zastosowanie fuzji klasyfikatorów rozmytych i genetycznych w zadaniu sterowania sygnalizacją świetlną. „Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka”, Vol. 2, 2012, 30–33.
  9. Mathworks: Genetic Algorithm. Global Optimization Toolbox, 2020, [www.mathworks.com/help/gads/ga.html].
  10. Horn J., Nafpliotis N., Goldberg D. E., A niched Pareto genetic algorithm for multiobjective optimization. „Proceedings of the First IEEE Conference on Evolutionary Computation. IEEE World Congress on Computational Intelligence”, Orlando, FL, Vol. 1, 1994, 82–87, DOI: 10.1109/ICEC.1994.350037.
  11. Hao W., Ma C., Moghimi B., Fan Y., Gao Z., Robust Optimization of Signal Control Parameters for Unsaturated Intersection Based on Tabu Search-Artificial Bee Colony Algorithm. „IEEE Access”, Vol. 6, 2018, 32015–32022, DOI: 10.1109/ACCESS.2018.2845673.
  12. Zhou Z., De Schutter B., Lin S., Xi Y., Two-Level Hierarchical Model-Based Predictive Control for Large-Scale Urban Traffic Networks. „IEEE Transactions on Control Systems Technology”, Vol. 25, No. 2, 2017, 496–508, DOI: 10.1109/TCST.2016.2572169.
  13. Tettamanti T., Luspay T., Kulcsár B., Péni T., Varga I., Robust Control for Urban Road Traffic Networks. „IEEE Transactions on Intelligent Transportation Systems”, Vol. 15, No. 1, 2014, 385–398, DOI: 10.1109/TITS.2013.2281666.
  14. Chen K., Zhao J., Knoop V.L., Gao X., Robust Signal Control of Exit Lanes for Left-Turn Intersections With the Consideration of Traffic Fluctuation, „IEEE Access”, Vol. 8, 2020, 42071–42081, DOI: 10.1109/ACCESS.2020.2977134.
  15. Kang K., Chang G., A robust model for optimal time-of-day speed control at highway work zones. „IEEE Transactions on Intelligent Transportation Systems”, Vol. 7, No. 1, 2006, 115–123, DOI: 10.1109/TITS.2006.869605.
  16. Orłowski P., Hybrid, discrete-time distributed parameter mathematical model for road traffic with control, [in:] 16th International Conference on Control, Automation, Robotics and Vision (ICARCV). IEEE, 2020.
  17. Gajda J., Sroka R., Stencel M., Żegleń T., Pomiary parametrów ruchu drogowego. „Pomiary Automatyka Kontrola”, Vol. 48, Nr 5–6/2002, 5–9.