Моделирование и оптимизация характеристик интеллектуальной транспортной системы «умного города» с использованием гибридных эволюционных алгоритмов
Аннотация
Современные города сталкиваются с растущей транспортной нагрузкой, что требует внедрения интеллектуальных систем управления дорожным движением. Одним из ключевых направлений является адаптивное светофорное регулирование, способное подстраиваться под изменяющиеся условия транспортного потока. Однако существующие методы оптимизации параметров светофорных циклов обладают рядом ограничений, таких как высокая вычислительная сложность, риск преждевременной сходимости алгоритмов и сложность учета динамики трафика. В данной работе предлагается подход к оптимизации характеристик интеллектуальной транспортной системы с использованием гибридных эволюционных алгоритмов. Разработанные методы комбинируют принципы генетических алгоритмов и алгоритма роя частиц, что позволяет достичь баланса между глобальным и локальным поиском оптимальных параметров. В исследовании рассматриваются шесть различных схем гибридизации, включая модифицированные версии базовых алгоритмов, а также их сочетание с методами кластеризации HDBSCAN для адаптивной настройки частоты оптимизации. Для проверки эффективности предложенных алгоритмов разработана имитационная модель в среде AnyLogic, воспроизводящая условия реального городского трафика. Численные эксперименты, проведенные на локальном участке улично-дорожной сети г. Москвы, показали, что гибридный алгоритм SlipToBest демонстрирует наилучшие результаты по сокращению среднего времени проезда и снижению потерь топлива, а алгоритм Alternating обеспечивает высокую устойчивость решений. Результаты работы подтверждают целесообразность использования гибридных эволюционных методов в задачах управления транспортными потоками. Предложенные алгоритмы позволяют не только повысить эффективность светофорного регулирования, но и создать основу для дальнейшего развития адаптивных систем управления городским движением.
Скачивания
Литература
Zaripov E.A., Melnikov A.M., Akopov A.S. (2024) Simulation modeling and optimization of traffic flows in local sections of the street-road network using AnyLogic. Information Technologies, vol. 30, no. 4, pp. 183–189. https://doi.org/10.17587/it.30.183-189.
Akopov A.S., Zaripov Е.A., Melnikov A.M. (2024) Adaptive control of transportation infrastructure in an urban environment using a real-coded genetic algorithm. Business Informatics, vol. 18, no. 2, pp. 48–66. https://doi.org/10.17323/2587-814X.2024.2.48.66
Eberhart R., Kennedy J. (1995) Particle swarm optimization. Proceedings of the IEEE International Conference on Neural Networks, Perth, Australia, pp. 1942–1948.
Holland J.H. (1992) Adaptation in natural and artificial systems, MIT Press.
Clerc M., Kennedy J. (2002) The particle swarm – explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, vol. 6, no. 1, pp. 58–73.
Shi Y., Eberhart R. (1998) A modified particle swarm optimizer. Proceedings of the IEEE International Conference on Evolutionary Computation, IEEE, pp. 69–73.
Bäck T., Fogel D.B., Michalewicz Z. (2000) Evolutionary computation 1: Basic algorithms and operators, CRC Press.
Wahde M. (2008) Biologically inspired optimization methods: An introduction, WIT Press.
Coello C.A.C., Lamont G.B., Van Veldhuizen D.A. (2007) Evolutionary algorithms for solving multi-objective problems, Springer.
Yoshida H., Kawata K., Fukuyama Y., Takayama S., Nakanishi Y. (2000) A particle swarm optimization for reactive power and voltage control considering voltage security assessment // IEEE Transactions on Power Systems, vol. 15, no. 4, pp. 1232–1239. https://doi.org/10.1109/59.898095
Zhang Y., Wang S., Ji G. (2015) A comprehensive survey on particle swarm optimization algorithm and its applications. Mathematical Problems in Engineering, pp. 1–38.
Ali M.Z., Pant M. (2009) Improving the performance of particle swarm optimization using differential evolution. Proceedings of the IEEE Congress on Evolutionary Computation, pp. 105–112.
Poli R., Kennedy J., Blackwell T. (2007) Particle swarm optimization. Swarm Intelligence, vol. 1, no. 1, pp. 33–57.
Engelbrecht A.P. (2007) Computational intelligence: An introduction. 2nd Edition, Wiley.
Goldberg D.E. (1989) Genetic algorithms in search, optimization, and machine learning, Addison-Wesley.
Michalewicz Z. (1996) Genetic algorithms + Data structures = Evolution programs, Springer.
Haupt R.L., Haupt S.E. (2004) Practical genetic algorithms, 2nd Edition, Wiley.
Tsai P.W., Chiu S.W., Pan J.S., Liao B.Y. (2010) Enhancing particle swarm optimization with multicriterion for engineering optimization. Expert Systems with Applications.
Ong Y.S., Lim M.H., Zhu N., Wong K.W. (2006) Classification of adaptive memetic algorithms: A comparative study. IEEE Transactions on Systems, Man, and Cybernetics, Part B.
Zhou A., Qu B.Y., Li H., Zhao S., Suganthan P.N., Zhang Q. (2011) Multiobjective evolutionary algorithms: A survey of the state of the art. Swarm and Evolutionary Computation.
Bot D.M., Peeters J., Liesenborgs J., Aerts J. (2023) FLASC: A flare-sensitive clustering algorithm: extending HDBSCAN* for detecting branches in clusters. arXiv:2311.15887. https://doi.org/10.48550/arXiv.2311.15887
Anfyorov M.A. (2019) Genetic clustering algorithm. Russian Technological Journal, vol. 7, no. 6, pp. 134–150 (in Russian). https://doi.org/10.32362/2500-316X-2019-7-6-134-150
Beklaryan A.L., Beklaryan L.A., Akopov A.S. (2023) Simulation model of an intelligent transportation system for the 'smart city' with adaptive control of traffic lights based on fuzzy clustering. Business Informatics, vol. 17, no. 3, pp. 70–86. https://doi.org/10.17323/2587-814X.2023.3.70.86
