Адаптивное светофорное регулирование на перекрестке на основе нейро-нечеткой системы управления с подкрепляющим обучением

С. Е. Швец; А. Н. Фомин; А.В. Протодьяконов

Адаптивное светофорное регулирование на перекрестке на основе нейро-нечеткой системы управления с подкрепляющим обучением

С. Е. Швец¹, А. Н. Фомин², А.В. Протодьяконов³

научная статья Страницы: 57-63

¹ аспирант Кузбасского государственного технического университета, г. Кемерово
² соискатель Кузбасского государственного технического университета, г. Кемерово
³ к. т. н., доцент Кузбасского государственного технического университета, г. Кемерово

Ключевые слова: нейро-нечеткая система управление подкрепляющее обучение

Аннотация

Рассмотрена задача создания адаптивной нейро-нечеткой системы светофорного регулирования, включая ее структуру и алгоритм обучения. Приведено сравнение эффективности применения адаптивной системы управления по сравнению с системой с фиксированными оптимальными циклами на модели реального перекрестка.

Для цитирования

Швец С.Е., Фомин А.Н., Протодьяконов А.В. Адаптивное светофорное регулирование на перекрестке на основе нейро-нечеткой системы управления с подкрепляющим обучением // Нейрокомпьютеры: разработка, применение. 2011. № 3. С. 57–63.

Список источников

Zhang, Y., Xie, Y., Ye, Z., Development and Evaluation of a Multi-Agent Based Neuro-Fuzzy. Texas Transportation Institute. 2007. Technical Report. SWUTC/07/473700-00092-1.
Jouffe, L., Actor-Critic Learning Based on Fuzzy Inference System // Proceedings of IEEE International Conference on Systems, Man, and Cybernetics. 1996. C. 339-344.
Koonce P., Traffic Signal Timing Manual. 2008.
Yu, X., Recker, W., Stochastic Adaptive Control Model for Traffic Signal Systems // Transportation Research PartC. V. 14, 2006. № 4. С. 263-282.
Sutton, R. S., Barto, A. G., Reinforcement learning: An introduction. Cambridge, MA: MITPress. 1998.
Редько В. Г. Проблема происхождения интеллекта и модели адаптивного поведения // Научная сессия МИФИ - 2006. VIII Всероссийская научно-техническая конференция «Нейроинформатика-2006»: Лекции по нейроинформатике. М.: МИФИ. 2006. С. 112-170.
Thorpe, T. L., Vehicle Traffic Light Control Using SARSA. 1997.
Bingham, E., Reinforcement Learning in Neurofuzzy Traffic Signal Control. // European Journal of Operational Research. 2001. V. 131. № 2. С. 232-241.
Abdulhai B., Pringle R., Karakoulas G. Reinforcement Learning for True Adaptive Traffic Signal Control // Journal of Transportation Engineering. 2003. V. 129. № 3.С. 278-285.

[1] Zhang, Y., Xie, Y., Ye, Z., Development and Evaluation of a Multi-Agent Based Neuro-Fuzzy. Texas Transportation Institute. 2007. Technical Report. SWUTC/07/473700-00092-1.

[2] Jouffe, L., Actor-Critic Learning Based on Fuzzy Inference System // Proceedings of IEEE International Conference on Systems, Man, and Cybernetics. 1996. C. 339-344.

[3] Koonce P., Traffic Signal Timing Manual. 2008.

[4] Yu, X., Recker, W., Stochastic Adaptive Control Model for Traffic Signal Systems // Transportation Research PartC. V. 14, 2006. № 4. С. 263-282.

[5] Sutton, R. S., Barto, A. G., Reinforcement learning: An introduction. Cambridge, MA: MITPress. 1998.

[6] Редько В. Г. Проблема происхождения интеллекта и модели адаптивного поведения // Научная сессия МИФИ - 2006. VIII Всероссийская научно-техническая конференция «Нейроинформатика-2006»: Лекции по нейроинформатике. М.: МИФИ. 2006. С. 112-170.

[7] Thorpe, T. L., Vehicle Traffic Light Control Using SARSA. 1997.

[8] Bingham, E., Reinforcement Learning in Neurofuzzy Traffic Signal Control. // European Journal of Operational Research. 2001. V. 131. № 2. С. 232-241.

[9] Abdulhai B., Pringle R., Karakoulas G. Reinforcement Learning for True Adaptive Traffic Signal Control // Journal of Transportation Engineering. 2003. V. 129. № 3.С. 278-285.