期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于MP与MPC相结合的分布式交通信号控制研究 被引量:7
1
作者 李冰 成卫 +1 位作者 晏永廷 徐欢 《交通运输系统工程与信息》 EI CSCD 北大核心 2019年第5期86-93,共8页
依托于最大压(Max Pressure,MP)分布式信号控制特性,结合已建立的实时排队长度预测模型,利用模型预测控制(Model Predictive Control,MPC)进一步对修正后的MP信号控制策略进行滚动反馈优化,提出了MP与MPC相结合的分布式信号控制方法.模... 依托于最大压(Max Pressure,MP)分布式信号控制特性,结合已建立的实时排队长度预测模型,利用模型预测控制(Model Predictive Control,MPC)进一步对修正后的MP信号控制策略进行滚动反馈优化,提出了MP与MPC相结合的分布式信号控制方法.模型验证结果表明:MPC嵌入后,MP优化下的交叉口1与交叉口2延误分别降低了13.47%、15.35%;并且对比了MP绿信比分配权重修正前后对控制输出的影响,优化后瓶颈路段的车道4和车道10的排队溢出次数分别从6次和9次降低为0次,表明修正后MP绿信比权重的信号优化策略更能有效防止排队溢出现象的发生. 展开更多
关键词 城市交通 分布式交通信号控制 最大压 模型预测控制 排队长度 延误
在线阅读 下载PDF
考虑博弈的多智能体强化学习分布式信号控制 被引量:11
2
作者 曲昭伟 潘昭天 +2 位作者 陈永恒 李海涛 王鑫 《交通运输系统工程与信息》 EI CSCD 北大核心 2020年第2期76-82,100,共8页
交通需求的不均衡和波动会增加分布式信号控制优化的难度.由于现有独立动作的多智能体强化学习(IA-MARL)仅基于自身的历史经验做出决策,基于IA-MARL的分布式信号控制难以及时缓解交通需求不均衡和波动的影响.本文融入博弈论的混合策略... 交通需求的不均衡和波动会增加分布式信号控制优化的难度.由于现有独立动作的多智能体强化学习(IA-MARL)仅基于自身的历史经验做出决策,基于IA-MARL的分布式信号控制难以及时缓解交通需求不均衡和波动的影响.本文融入博弈论的混合策略纳什均衡概念,改进IA-MARL的决策过程,提出考虑博弈的多智能体强化学习(G-MARL)框架.在采用带有泊松到达率的道路网络流量不均衡输入的格子网络中,分别对基于IA-MARL和GMARL的分布式控制方法进行数值模拟,获取单位行程时间和单位车均延误曲线.结果显示,与IA-MARL相比,G-MARL在单位行程时间和单位车均延误方面分别改善59.94%和81.45%.证明G-MARL适用于不饱和且交通需求不均衡和波动的分布式信号控制. 展开更多
关键词 智能交通 分布式交通信号控制 多智能体强化学习 不均衡需求下的城市道路网络 博弈论 数值模拟
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部