Hierarchical multi-agent control of traffic lights based on collective learning

افزایش تراکم ترافیک چالش های مهمی را برای برنامه ریزی و مدیریت شهری در مناطق شهری سراسر جهان ایجاد می کند. یکی از راه های مقابله با این مشکل، استفاده از فن آوری های نوظهور در هوش مصنوعی است. کنترل ترافیک یکی از سنتی ترین و مهم ترین ابزار برای مدیریت ترافیک شهری است. در این تحقیق، یک سیستم کنترل ترافیک را که توسط یک چارچوب مدل سازی چندگانه سلسله مراتبی به صورت غیر متمرکز فعال می شود، پیشنهاد می شود. در چارچوب، شبکه ترافیک به مناطق نمایش داده شده توسط عوامل منطقه تجزیه می شود. هر منطقه متشکل از تقاطعات است که براساس عوامل متقاطع که با استفاده از ارتباطات با عوامل تقاطع همسایه هماهنگ شده است. برای هر تقاطع، مجموعه ای از عوامل حرکت چرخش به صورت جداگانه عمل می کنند و اقدامات بهینه را با توجه به سیاست های کنترل محلی انجام می دهند. با استفاده از یک الگوریتم یادگیری تقویت برای هر عامل حرکت چرخشی، کنترل کننده های تقاطع با توانایی تصمیم گیری در زمان بندی خود در محیط پیچیده و پویا فعال می شوند. علاوه بر این، کنترل نور ترافیک با یک فرایند ترکیب فاز پیشرفته عمل می کند که به صورت پویا ترکیبی از حرکات چرخشی سازگار است. علاوه بر این، عملیات جمعی توسط نمایندگان در یک شبکه جاده ای با تغییر تنظیمات اولویت برای حرکات چرخشی مربوطه بیشتر هماهنگ می شود. مطالعه موردی با استفاده از شبیه سازی ها برای ارزیابی عملکرد سیستم پیشنهادی پیشنهاد شده در مقایسه با سیستم کنترل بهینه شده خودرو انجام شد. نتایج نشان می دهد که سیستم پیشنهادی ترافیک، پس از یک فرایند یادگیری ماشین های جمعی، نه تنها عملکرد های سیگنال محلی را در تقاطع های مختلف بهبود می بخشد، بلکه باعث بهبود عملکرد ترافیک در سطح منطقه ای نیز از طریق هماهنگی حرکات چرخشی خاص می شود.