课程设计 人工智能

人工智能课程设计人工智能在数字城市中的

应用专业：网络工程班级 组员：邹欣琦、贺燕蓉学号：12号、15号日期：2015/11/19目录TOC\o"1-5"\h\z\o"CurrentDocument"第一章绪论 3\o"CurrentDocument"1.1摘要 3\o"CurrentDocument"1.2研究背景 31.3城市交通信号控制概述 31.4城市交通信号灯控制的发展方向 3\o"CurrentDocument"第二章城市智能交通控制的基本理论. 4\o"CurrentDocument"模糊逻辑(FuzzyLogic) 4\o"CurrentDocument"人工神经网络(ArtificialNeuralNetworks) 4\o"CurrentDocument"遗传算法(GeneticAlgorithm) 4\o"CurrentDocument"蚁群算法(AntColonyOptimization) 4\o"CurrentDocument"粒子群算法(ParticleSwarmOptimization) 4\o"CurrentDocument"多智能体技术(Multi-agent) 5\o"CurrentDocument"第三章多智能体技术介绍 5智能体(Agent) 5\o"CurrentDocument"Agent的特点 5多智能体系统在交通控制领域的优越性 5\o"CurrentDocument"第四章基于RBF神经网络的单交叉口自学习控制系统 6引言 6问题描述 6\o"CurrentDocument"控制器的设计及其算法 7\o"CurrentDocument"第五章结论 8人工智能在数字城市中的应用人工智能在城市交通信号控制中的应用第一章绪论1.1摘要随着社会的进步，人工智能在数字城市中的应用越来越多，城市化进程加快，城市人口和车辆日益增多，城市交通问题日益突出，严重影响城市发展。先进的城市交通信号控制系统能提高现有道路的通行能力，改善交通状况，达到疏导交通、保证交通安全、畅通，智能交通系统就是其中之一，智能交通系统的发展，城市交通信号控制己成为最重要的研究方向。由于城市交通的复杂性，采用传统的控制方法己无法有效地解决交通信号控制问题，本文研究人工智能控制的方法在城市交通信号控制中的应用。1.2研究背景城市交通是城市经济活动的命脉，对城市经济的发展，人民生活水平的提高起着十分重要的作用。从1886年第一辆小汽车在德国问世，增加了人类在交通领域的机动性，便捷性，同时促进了城市道路和高速公路的发展。随着汽车工业的迅速发展，汽车己经成为人们日常生活中必不可少的交通工具。现在，人类社会的科学技术和经济力己经发展到了相当高的水平，机动车辆迅速增加，有关资料表明:1978年至1995年全国城市机动车的保有量的增长速度是道路增长速度的80倍。从70年代末起，我国城市汽车拥有量以每年平均12%-14%的速度增长。1978年，我国民用汽车总量仅有135.84万辆，到2001年超过1845万辆，机动车总数达到6852万辆。其中，私人汽车由1985年的28.45万辆增加到770万辆，这些民用汽车特别是私人汽车，多集中在我国的城市地区，而且增长趋势迅猛。1.3城市交通信号控制概述随着人工智能研究热潮的兴起，人工智能方法为智能交通系统的研究提供了坚实的理论基础.针刘传统交通控制的固有缺陷和局限性，许多学者将模糊逻辑、神经网络、遗传算法、蚁群算法多智能体技术等人工智能基础研究方法同传统的交通控制方法结合应用.一方面，交通系统结构复杂、影响因素多、随机性很强的，利用数学方法解决交通问题的难度很大，所建立的模型往往过于复杂，难于求解，同时交通流系统的多样性也很难用一种或儿种模型来体现;另一方面，交通系统又是一个动态的时变系统，交通竹理与控制的实时性要求非常高.因此，从实际情况出发，基于数学描述的交通竹理控制方法难以满足在线实时控制的要求，可操作性较差.而人工智能的方法(包括模糊逻辑、人工神经网络、遗传算法等)，借鉴人类求解问题的方法，通过知识的表达、推理和学习解决复杂的问题，将以往用纯数学来描述交通系统转变为用知识或知识与数学模型相结合来描述.1.4城市交通信号灯控制的发展方向越来越多的资料显示表明，城市交通信号控制的研究主要体现在以下三个方面:(1)人工智能(AI)在城市交通信号控制问题中的应用有利于提高当前交通信号控制系统的性能(2)利用离散时间、滚动区域法(rollinghorizon)研究交通信号控制系统(3)分散控制系统仍是未来的一个研究方向第二章城市智能交通控制的基本理论.从理论研究上来看，传统的城市智能交通控制方法是通过对城市交通系统建立一定的数学模型，然后运用最优控制理论来求解控制变量.在这类方法中，为了简化问题和解决某些数学技术上的具体限制，在建模时通常需要对模型进行理想化和一些不确定条件的人为设定，而这些简化与现代城市，尤其是特大型城市的交通系统所具有的非线性、动态时变性等特点是相矛盾的，因此造成了所用最优方法在实际中并非最优，或者面对大规模城市无法对交通数据进行实时有效的计算等缺点.新的技术和方法的引入显得十分必要和非常迫切，计算机的出现和广泛应用促成了人工智能研究热潮的掀起，而这又必然会导致包括系统体系结构及控制策略等各方面的调整和改进.许多专家学者从智能控制的角度出发，利用模糊逻辑、人工神经网络等理论来研究这个问题.模糊逻辑(FuzzyLogic)模糊逻辑是一种处理不确定性、非线性等问题的有力工具，它与人类思维的某些特征相一致，因此，嵌入到推理技术中具有良好效果.模糊逻辑不需要获取模型中的复杂关系，不需要建立精确的数学模型，是一种基于规则的智能控制方式，特别适用于具有较大随机性的城市交通控制系统.人工神经网络(ArtificialNeuralNetworks)人工神经网络是模拟生物的神经结构及其处理信息方式的一种算法.它具有自适应、自组织和自学习能力，在认知处理、模式识别等方面有很强的优势，最显著特点是具有学习功能•人工神经网络适用于非线性时变性系统的模拟与在线控制，II适合于交通控制系统这一非线性、时变系统。遗传算法(GeneticAlgorithm)遗传算法是运用仿生原理实现在解空间的快速搜索，广泛应用于解决大规模组合优化问题.它是一种比较先进的参数寻优算法，对于不易建立数学模型的场合其实用价值较为突出，是以同样适用于交通系统。蚁群算法(AntColonyOptimization)蚁群算法是一种模拟进化算法，它是一种求解组合最优化问题的新型通用启发式方法，该方法具有，反馈、分布式计算和富于建设性的贪婪启发式搜索的特点•闻育应用蚁群算法搜索各路日的最优信号灯相位序列，对算法复杂度作了理论分析，并通过仿真实验与单路日感应式信号控制技术进行比较，结果表明效果较好，总停车时间降低7.2%}19}•闻育还提出一种基于改进蚁群算法的降阶滚动优化算法，基于宏观交通流模型建立了区域交通控制滚动优化模型，在蚁群算法中设计了层状解结构图，应用降阶方法将大规模区域分解为一系列了区域，仿真结果显示，区域滚动优化控制比感应式控制的总停车时间下降了8.2%粒子群算法(ParticleSwarmOptimization)粒了群优化算法是由Eberhart博士和kennedy博士于1995年提出，是基于对鸟群、鱼群捕食的行为模拟研究而来.同其他基于群智能((SwarmIntelligence)的随机优化算法相比，PSO算法具有收敛速度快、设置参数少、程序实现异常简洁、具有深刻的智能背景等特点。瞿高峰以交义日车辆平均延误和停车次数最小为日标，建立信号控制交义日配时模型，运用粒子群优化算法求解该模型，结果表明比传统方法更优，车辆停车次数略有增加，通行能力略有下降，但停车延误时间大大下降低，由23.97S下降至14.27S}22}.这表明运用粒子群优化算法解决交义日配时问题是有效和可行的.付绍吕，黄辉先提出在自适应粒子群算法中引入变异算子建立离散交通信号控制模型，以更新粒了群算法的个体极值点和全局极值点，仿真表明该混合算法可解决易陷入局部收敛的缺陷并能有效实现交通信号优化控制傅惠等提出了基于粒子群优化的城市关联交义日群信号控制策略，根据粒了群优化思想求解信号控制参数.仿真实验证实，基于粒了群优化的关联交义日群信号控制策略有效2.6多智能体技术(Multi-agent)智能体技术由Minsky在1986年首次提出，一般认为:智能体指驻留在某一环境下，能持续自卞地发挥作用，具备驻留性、反应性、社会性、卞动性等特征的计算实体.随着车辆数和城市路网规模的增大，信号控制系统的复杂性增大，同时由于交通流在信息、控制方面固有的分布性，采用多智能体系统构建城市交通控制系统的计算环境己成为交通系统陇调控制的热点国外对智能体在交通中的应用早有报道，如Burmeiste:提出多智能体在交通运输中应用的思路。Roozemond分析了智能体、神经网络和分布式人工智能在城市交通控制应用的前景和价值Goldman提出了一个基于多智能体的增量4.补学习的路日控制器［28］.Choy等采用一种复杂的模糊神经网络进化混合系统来构造分层分布式交通控制多智能体系统，各个智能体利用模糊系统的推理能力、神经网络的学习能力来进行实时决策.各层智能体的感知过程能通过在线强化学习进行调整.第三章多智能体技术介绍智能体(Agent)随着计算机技术和人工智能的发展，集中式系统己不能完全适应复杂大系统研究的发展需要.并行计算和分布式处理技术(包括分布式人工智能)应运而生，并在过去20多年中获得快速发展.近10年来，智能体和多智能体系统的研究成为分布式人工智能研究的一个热点，引起多种不同等领域科技工作者的浓厚兴趣，为分布式系统的综合、分析、实现和应用开辟了一条新的有效途径，促进了人工智能和计算机软件的发展。Agent的特点日前，普遍认为Agent是一个持续、自治运行的实体，按照Y.Shoham的观点，Agent是一个包含诸如知识(knowledge)、信念(beliefs、承诺(commitments蹄II能力(capabilities)等精神状态(mental-state)的实体.虽然不同的研究者对Agent有着这种或那种的解释，但其卞要具有以下特点:自治性(autonomy)Aegnt能根据外界环境的变化，而自动地对自己的行为和状态进行调整，而不是仅仅被动地接受外界的刺激，具有自我竹理自我调节的能力.反应性(xeactive)与面向对象的方法相似，agent能对外界的激励作出反应的能力.3)卞动吐(pxoactive)对于外界环境条件的改变，agent能卞动采取活动的能力.4)社会性(social)Agent所具有的与其它Agent或人进行合作的能力，不同的Agent可根据各自的日的意图与其它Agent进行交流，以达到问题解决的日的.3.3多智能体系统在交通控制领域的优越性多智能体系统是分布式人工智能研究的新领域.尽竹MAS在理论上还有很多值得深入研究的课题，然而它己经获得十分广泛的应用，涉及机器人、过程控制、柔性制造、远程通信、网络竹理、交通控制、电子商务、数据库、远程教育和远程医疗等.其中将智能体系统技术用于交通控制是一个新的方向［0.由于交通控制拓扑结构的分布式特性，使其很适合于应用多智能体技术.运用多智能体系统进行交通系统调控制的优点有如下儿个方面：⑴多智能体系统采用“由下向上”的设计方法，符合交通系统的形成规律•多智能体系统在原理上首先定义分散自卞的智能体，然后研究怎样完成一个或多个实体的任务求解，所以多智能体系统采用了由底向上的设计方法•交通系统是一个包含了交通工具、交通设施、交通控制中心等多元素多层次的复杂系统•因此多智能体系统的设计方法完全符合交通系统的形成规律.（2）多智能体系统从功能上按层次化结构划分的特点，符合交通系统的分布式特征•构成多智能体系统的不同种类的智能体从功能上按照层次化结构划分，承担不同的任务，相办作完成系统的整体目标.交通系统的各组成元素分布在不同空间位置，按照层次化结构划分•因此，多智能体系统适合交通系统这样具有分布式特征的复杂系统的模拟研究.第四章基于RBF神经网络的单交叉口自学习控制系统4.1引言由于城市化速度的加快，机动车量的迅速增加，人们在赚取由机动车辆所带来的巨额利润以及充分享受汽车巨大便利的同时，也越来越受到交通拥挤和交通安全的困扰。随着城市中的交通线上车流量的日益增加，现有的设施、道路，特别是交通线中承受着高负荷的道路交叉口，己经很难适应这种发展速度，变得越来越拥挤，成为道路交通的瓶颈，因此采用先进的科学技术手段对城市交叉路口的交通灯实施合理优化控制，对改善城市交通状况具有很大的作用。对于交叉口的信号控制，通常有两种控制方式:一种是定时控制，即根据统计资料算出交通量，给出一个或多个（用于不同时段）控制方案，这种控制方法在交通流不大且较稳定的情况下是简单有效的。但在交通拥挤且变化较大时，定时控制的效果比较差。另一种是感应控制，即根据布置在交叉口的传感器感应到的车辆排队长度来设置控制参数，感应控制在当车流量较小且无规律时，容易产生绿时分配不合理的现象，同样也会降低路口的通行能力。而当车流量较大时则容易退化成定周期控制，从而失去感应能力。由于这些常用控制方法的缺点，一些人工智能的方法愈来愈引起人们的重视。针对多相位单交叉口的神经网络控制方法，已经有文献提及。在这里提出了一种利用RBF神经网络来模拟交警控制思维的智能控制方法，并且加入了对控制状况进行修正的评价准则，在模拟控制过程中，RBF神经网络根据评价准则进行实时调节，因此这种神经网络具有自学习功能。4.2问题描述城市单交叉路口的交通流如图4-1所示，东、南、西、北四个方向，每个方向均存在左行、直行、右行三个车道车流。圏j.i单交梵口交通涼分布考虑这个十字形的平面交叉路口具有四相位。每个相位对应的车流流向如图4-2所示。

第二4s肛第三相也第二4s肛第三相也團42匹相世交叉□丈通由捋制團假设一位交通警察在该路口指挥交通，他可以根据这四个相位的车量排队长度作为依据，按顺序给各个相位分配通过时间。由于各相位在不同的时间段里到达车流量具有随机性，根据交通情况，交警给各个相位分配的时间也会不断变化。由此可见，模拟交警的思维实际上可以将四相位的车辆排队长度为输入，以对应的信号周期时间和各个相位的绿信比为输出构造一个神经网络，然后将交警指挥某些具体交通流情况下的输入输出作为样本训练神经网络。4.3控制器的设计及其算法根据对四相位交叉口信号控制问题的描述可以确定神经网。络结构如图3-3所示。该网络由四个输入分别对应四个相位的车辆排队长度Ii，四个输出分别对应信号周期T和各相位的绿信比(j=1, 2, 3, 4)TT&珂&仏S4-3神经网务学习结构镇型径向基函数(RadialBasisFunction,RBF)神经网络由三层组成其结构如图4-4所示。输入 尽O 输出區4-4區4-4径向荃函叛RBF神经网洛隐层节点中的作用函数称为基函数，一般采用的基函数形式为高斯函数：&(x)=exp卜2<r：式中：，X是n维输入向量；c,是第i个基函数的中心，与X具有相同维数的向量;是第1个感知的变量，它决定了该基函数围绕中心点的宽度；m是感知单元的个数；评价准则对于投入实际交叉口控制的神经网络，评价准则要对其配时方法的控制效果作出评价，并修正信号周期和各相位的绿信比。设六个信号周期为一个评价周期，l为第1个信号周期结束时第.1个相位中所有方向车流的排队长度之和;1'为一个信号周期结束时的J相位总的排队长度