Роевой алгоритм транспортного потока

Обложка

Цитировать

Полный текст

Аннотация

Решается задача моделирования маршрутов автопилотируемых транспортных средств в транспортном потоке, при котором отсутствуют их столкновения. Предлагается новый роевой алгоритм, основанный на микроскопической модели транспортного потока, обеспечивающий движение агентов без столкновений. Рассматривается изменение в процессе работы алгоритма нескольких критериев оптимальности, таких как: средняя скорость агентов, пропускная способность, количество перестроений. Оцениваются границы эффективных значений гиперпараметров алгоритма. При определенных параметрах плотности и коэффициентах отталкивания/притяжения в транспортном потоке наблюдаются свободный поток и улучшение значений критериев оптимизации.

Об авторах

Ольга Павловна Бобровская

Сургутский государственный университет; Сургутский филиал Научно-исследовательского института системных исследований РАН

Автор, ответственный за переписку.
Email: o-bobrovskaya@mail.ru

инженер; ассистент

Россия, Сургут; Сургут

Тарас Владимирович Гавриленко

Сургутский государственный университет; Сургутский филиал Научно-исследовательского института системных исследований РАН

Email: taras.gavrilenko@gmail.com

кандидат технических наук, доцент кафедры автоматизированных систем обработки информации и управления; заместитель директора

Россия, Сургут; Сургут

Валерий Алексеевич Галкин

Сургутский государственный университет; Сургутский филиал Научно-исследовательского института системных исследований РАН

Email: val-gal@yandex.ru

доктор физико-математических наук, профессор кафедры прикладной математики; директор

Россия, Сургут; Сургут

Список литературы

  1. Кузнецов А.В. Краткий обзор многоагентных моделей // Управление большими системами: сборник трудов. 2018. № 71. С. 6–44.
  2. Кравченко П.С., Омарова Г.А. Микроскопические математические модели транспортных потоков. Аналитический обзор // Проблемы информатики. 2014. № 1 (22). С. 24–31.
  3. Четверушкин Б.Н. и др. Макрои микроскопические модели для описания движения автотранспорта на многополосных магистралях // Труды МФТИ. 2010. № 4.
  4. Ma Z. at al. Performance assessment and exhaustive listing of 500+ nature-inspired metaheuristic algorithms // Swarm and Evolutionary Computation. 2023. V. 77. P. 101248.
  5. Himani K., Girdhar A. Swarm Intelligence and Flocking Behavior // IJCA Proceedings on International Conference on Advancements in Engineering and Technology (ICAET 2015). 2015. V. 10. P. 9–12.
  6. Кулиев Э.В. и др. Адаптивный алгоритм стаи серых волков для решения задач проектирования // Известия ЮФУ. Технические науки. 2017. № 7 (192). С. 28–38.
  7. Дюличева Ю.Ю. Алгоритмы роевого интеллекта и их применение для анализа образовательных данных // Открытое образование. 2019. № 23 (5). С. 33–43.
  8. Алалван А.Р.Д., Лихута В. И., Кислов Л. С. Некоторые аспекты использования алгоритма кукушки в обучении и управлении роботами // Наука. Информатизация. Технологии. Образование: Материалы XII международной научно-практической конференции. 2019. С. 402–408.
  9. Лебедев Б.К., Лебедев О.Б., Лебедева Е.М. Распределение ресурсов на основе гибридных моделей роевого интеллекта // Научно-технический вестник информационных технологий, механики и оптики. 2017. № 17(6). С. 1063–1073.
  10. Carmelo J. A. at al. A novel search algorithm based on fish school behavior // 2008 IEEE International Conference on Systems, Man and Cybernetics. 2008. P. 2646-2651.
  11. Частикова В.А., Дружинина М.А., Кекало А.С. Исследование эффективности алгоритма поиска косяком рыб в задаче глобальной оптимизации // Современные проблемы науки и образования. 2014. № 4.
  12. Chen J., Cai H., Wang W. A new metaheuristic algorithm: car tracking optimization algorithm // Soft Comput. 2018. V. 22. P. 3857–3878.
  13. Savsani P., Savsani V. Passing vehicle search (PVS): A novel metaheuristic algorithm // Applied Mathematical Modelling. 2016. V. 40. No 5–6. P. 3951–3978.
  14. Zhong Y., Lin J., Wang L., Zhang H. Discrete comprehensive learning particle swarm optimization algorithm with Metropolis acceptance criterion for traveling salesman problem // Swarm and Evolutionary Computation. 2018. V. 42. P. 77–88.
  15. Мартынова Ю.А., Мартынов Я.А. Формализация задачи организации маршрутных сетей городского пассажирского транспорта // Интернет-журнал «НАУКОВЕДЕНИЕ». 2014. № 6.
  16. Santwana P., Anjali M. P., Kedar H. Traffic Management Using Swarm Intelligence and Route Selection Using Android Application // International Journal of Engineering and Innovative Technology (IJEIT). 2015. V. 5. No 6. P. 59–63.
  17. Teodorović D. Swarm intelligence systems for transportation engineering: Principles and applications // Transportation Research Part C. 2008. V. 16. No 6. P. 651–667.
  18. Walker P., Saman A. A., Chakraborty N., Lewis M., Sycara K. Human Control of Robot Swarms with Dynamic Leaders // IEEE International Conference on Intelligent Robots and Systems. 2014. P. 1108–1113.
  19. Virágh C. at al. Flocking algorithm for autonomous flying robots // Bioinspiration & Biomimetics. 2014. V. 9. No. 2. P. 025012.
  20. Altshuler Y. Recent Developments in the Theory and Applicability of Swarm Search // Entropy. 2023. V. 25. No 5. P. 710.
  21. Operators and functioning of FSS // Fish School Search (FSSAlgorithm): сайт – URL: https://fbln.me/fss/operators/operators/ (дата обращения: 21.04.2023).
  22. Бобровская О.П., Гавриленко Т.В., Галкин В.А. Модель транспортного потока, основанная на взаимодействии частиц с потенциалом действия // Вестник КРАУНЦ. Физ.-мат. науки. 2022. Т. 40. № 3. C. 72–87.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».