عنوان

بهینه سازی زمان بندی چراغ های راهنمایی در شبکه ترافیک شهری با استفاده از الگوریتم های تکاملی

Number

پ۲۵۷۲۹

.Language of Text, Soundtrack etc

per

Title Proper

بهینه سازی زمان بندی چراغ های راهنمایی در شبکه ترافیک شهری با استفاده از الگوریتم های تکاملی

First Statement of Responsibility

رقیه برزگر

Name of Publisher, Distributor, etc.

ریاضی

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۷۴ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

علوم کامپیوتر گرایش سیستم های هوشمند

Date of degree

۱۴۰۰/۰۶/۳۰

Text of Note

امروزه، ترافیک شهری به یکی از چالشهای اساسی در زندگی شهری مدرن تبدیل شدهاست. افزایش روزافزون ترافیک شهری و ترددخودروها لزوم بهکارگیری ابزارهای پیشرفته جهت کنترل بهینه بارترافیکی در تقاطعهای شهری را نشان میدهد. کنترل هوشمند ترافیک بهعنوان کاربردیترین رویکرد ممکن برای حل معضل ترافیک شهری مطرح بوده و تاکنون مطالعات متعددی برای بهکارگیری ابزارهای هوشمند درجهت کنترل ترافیک شهری صورت گرفتهاست. هدف از این تحقیق، کمک به حل معضل ترافیک از طریق بهینهکردن زمانبندی چراغهایراهنمایی در شبکه ترافیک شهری است.نوآوری دراین پژوهش استفاده از شبکه چندین تقاطع است که در روشهای پیشین کمتر به آن پرداخته شدهاست در این راستا، دو شبکه 21 و21 تقاطعی شبیهسازی شده سپس تقاطعها با دو روش مجزا از جمله خوشهبندی ماشین بردار پشتیبان که برای اولین بار از آن در این نوعمسائل استفاده شده خوشهبندی میشوند و سپس الگوریتم ژنتیک بر روی خوشهها برای بهینهسازی زمان تاخیر اعمال میشود.در این راستا، سه راهکار مختلف مبتنی بر الگوریتمهای تکاملی و روشهای یادگیری ماشین برای بهینهسازی زمانبندی چراغهای راهنمائیطراحی و پیادهسازی شدهاست. در روش اول، الگوریتم ژنتیک بر روی زمانبندی تقاطعها اعمال میشود به نحوی که میزان تاخیرکل بهینه گردد.اما در روش دوم و سوم ابتدا تقاطعها خوشهبندی شده و سپس الگوریتم ژنتیک بر روی خوشهها اعمال میشود. در روش دوم، ابتدا تقاطعها باخوشهبندی کا-میانگین خوشهبندی شده پس از آن خوشهها با ماشین بردار پشتیبان بهبود مییابند و سپس الگوریتم ژنتیک بر روی هر خوشهبرای بهینهسازی زمان تاخیر کل اعمال میگردد. در روش سوم، تقاطعها با روش خوشهبندی کا-میانگین خوشهبندی شده و سپس الگوریتمژنتیک بر روی خوشهها اعمال میگردد. نتایج بهدستآمده نشان میدهد که اعمال خوشهبندی روی تقاطعها و سپس بهینهسازی با الگوریتم21 درصد کاهش یافته و میزان تاخیر کل در / ژنتیک نتایج بهتری ارائه میدهد به نحوی که میزان تاخیر کل در روش دوم نسبت به روش اول 1222 درصد کاهش یافته است. به این ترتیب، ازحیث کارایی و کاهش زمان تاخیر روش سوم بهتر از روش اول، / روش سوم نسبت به روش اول 12و روش دوم بهتر از روش اول و سوم عمل میکند.

Text of Note

Today, urban traffic has become one of the major challenges in modern urban life. Increasing urban traffic and vehicle traffic indicate the need to use advanced tools to optimally control traffic congestion at urban intersections. Intelligent traffic control has been proposed as the most practical approach to solve the problem of urban traffic and so far several studies have been done to use intelligent tools to control urban traffic. The purpose of this study is to help solve the traffic problem by optimizing the scheduling of traffic lights in the urban traffic network.The innovation in this research is the use of a network of several intersections, which has been less discussed in the previous methods. In this regard, two networks of 12 and 32 intersections are simulated, then the intersections with two separate methods, including clustering. The support vector machines first used in this type of problem are clustered, and then a genetic algorithm is applied to the clusters to optimize the latency.In this regard, three different strategies based on evolutionary algorithms and machine learning methods have been designed and implemented to optimize the timing of traffic lights. In the first method, the genetic algorithm is applied to the timing of intersections in order to optimize the total latency. But in the second and third methods, first the intersections are clustered and then the genetic algorithm is applied to the clusters. In the second method, the intersections are first clustered with ka-mean clustering, then the clusters are amplified with a support vector machine, and then a genetic algorithm is applied to each cluster to optimize the total latency. In the third method, the intersections are clustered by the ka-mean clustering method and then the genetic algorithm is applied to the clusters. The obtained results show that the application of clustering at intersections and then optimization with genetic algorithm gives better results so that the total latency in the second method compared to the first method is 32.28%. Decreased and the total latency in the third method compared to the first method decreased by 13.27%. Thus, in terms of efficiency and reduction of latency, the third method works better than the first method, and the second method works better than the first and third methods

Variant Title

Traffic light timing optimization in urban traffic network by evolutionary algorithms

Entry Element

‏ برزگر

Part of Name Other than Entry Element

‏ رقیه

Relator Code

تهيه کننده

Entry Element

‏رزم آرا

Entry Element

لطفی

Part of Name Other than Entry Element

‏ جعفر

Part of Name Other than Entry Element

‏ شهریار

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز