基于多智能主体的高速公路控制系统结构

高速公路交通量的增加对高速公路交通控制提出了更高的要求。传统的基于精确数学模型的交通控制方法很复杂并且在实际应用中往往达不到预期的控制效果，因此寻求新的有效的交通控制方法也就成为必然。多智能主体(Multi—Agent)技术是人工智能领域中的一个研究热点，单个Agent能够自主地、主动地对对象进行控制，并且Agent之间可以进行协作从而使整个系统达到更大的智能性。介绍多智能主体系统(Multi-Agent System，MAS)的概念，然后描述基于MAS的高速公路交通控制系统结构以及Agent的内部模块的功能，最后对Agent之间的协作进行了简要的分析。基于多智能主体的高速公路交通控制系统拥有一种全新的智能交通控制结构，它能够较好地克服传统交通控制系统所存在的缺陷，适应高速公路交通系统的复杂性和随机性。MAS技术的关键在Agent之间的协调，因此下一步的研究应该集中在Agent之间如何建立有效的协调机制。     

MAS在智能交通系统中的应用研究

针对现有交通控制系统在控制方式上相对集中、效率较低、实时反应性不强等不足之处,提出了一种新的基于MAS的城市交通控制系统框架,它将为塑造全新的数字化城市提供重要的技术支持.通过介绍Agent的结构和特点,分析MAS的层次结构,说明了MAS应用在智能交通系统中的可行性.然后通过分析城市多智能体控制系统的思想,构建了基于MAS的城市智能交通控制系统,提出了该控制系统中各Agent的协调机制和通讯机制.     

基于RUP的多智能体交通控制计算建模分析

根据多Agent的智能行为协调,给出多Agent的分层递阶交通信号控制系统模型。通过Rational统一过程的OOA／D分析,设计和实现以多Agent计算为框架的软件仿真系统。通过实例仿真和实验结果证明该方法实现多Agent道路交通信号控制的可行性。     

基于DEMATEL-ISM的高速公路作业区交通安全影响因素辨识

为提高高速公路作业区交通安全水平,集成DEMATEL-ISM方法对其影响因素进行辨识和分析. 基于人-车-路及环境系统的观点,构建了高速公路作业区交通安全影响因素体系;采用Delphi法分析各因素之间的相互影响关系. 以集成DEMATEL-ISM方法构建了高速公路作业区交通安全影响因素辨识模型;根据多级递阶结构模型的分析结果,确定了影响高速公路作业区交通安全的最直接因素为驾驶员动态判断能力、超速行驶、速度限制、作业区交通量和安全设施布置. 研究结果表明,该方法切实可行,能够对高速公路作业区交通安全影响因素进行定量分析.     

���ڻ���Ŵ��㷨�Ķ�Agent��ͨ����ϵͳ

首先简述了交通控制系统的控制结构，然后对多Agent技术在控制系统中的应用优势进行了分析，在对已有相关文献进行分析的基础上，提出了以路口Agent为单位的多Agent交通控制系统结构和路口Agent的内部结构，并对Agent间的协调机制进行了讨论.以混合遗传算法作为路口Agent的计算模型，以延误作为PI值，采用惩罚函数对绿信比进行了优化，通过matlab编程进行实际数据验证，结果表明混合遗传算法的优化结果优于已有的爬山法.     

����DEMATEL-ISM�ĸ��ٹ�·��ҵ����ͨ��ȫӰ�����ر�ʶ

为提高高速公路作业区交通安全水平,集成DEMATEL-ISM方法对其影响因素进行辨识和分析. 基于人-车-路及环境系统的观点,构建了高速公路作业区交通安全影响因素体系;采用Delphi法分析各因素之间的相互影响关系. 以集成DEMATEL-ISM方法构建了高速公路作业区交通安全影响因素辨识模型;根据多级递阶结构模型的分析结果,确定了影响高速公路作业区交通安全的最直接因素为驾驶员动态判断能力、超速行驶、速度限制、作业区交通量和安全设施布置. 研究结果表明,该方法切实可行,能够对高速公路作业区交通安全影响因素进行定量分析.     

一种复杂诊断系统的多智能体协同求解算法

为适应故障诊断中动态变化的环境和满足求解复杂系统全部任务的要求,研究一种基于MAS的分布式智能监控系统.以诊断决策问题的结构及建模过程的层次性为基本思想,基于诊断任务的多层次混合分解策略,提出了融合不同表达方式和推理机制的多Agent并行诊断结构,分析了管理Agent,诊断Agent和决策Agent的基本职能.探讨了实时Agent的组织和演化机制,给出了并行推理过程中的冲突消解算法,建立了具有公共属性的智能体模块化层次结构,实现了基于MAS多层分布式黑板模型的智能监控系统.工程应用效果验证了该求解的可行性和有效性.     

基于Agent的区域交通信号协调控制

应用多智能体技术对区域交通信号的协调控制进行了研究.构建了区域Agent、路口Agent和车载Agent,区域Agent和车载Agent构成网络调度层,路口Agent构成信号控制层.车载Agent和路口Agent采用反应型结构、区域Agent采用思考型结构,从而建立了基于Agent的区域交通控制系统,并通过对系统结构的分析建立了一主多从动态博弈协调模型.最后对一个简单的交通网络进行仿真,仿真结果表明本文所提方法的有效性.     

城市群综合交通网络系统结构模型分析

系统结构模型分析法便于决策者把握复杂系统的结构,根据一定方法建立多级递阶结构图有助于找出影响系统的关键因素,有利于解决相应的交通问题。     

����ODԤ����Ϣ�ĸ��ٹ�·�Ż�����ϵͳ��������

根据时变的OD预测信息,基于分层递阶的思想,建立了一个新颖的高速公路优化控制系统。控制结构分为三层：网络负荷分配层对长时期内总的交通需求进行预测,提前确定将来排队长度的上界;全局最优控制层预测未来的交通状态,为路网中的各个匝道建立协调约束;局部反馈控制层根据实测的交通条件及全局最优控制层的寻优结果决定匝道调节率。仿真结果表明,控制系统具有良好的动态性能,协调了各个匝道之间的利益,实现了高速路网整体性能的优化。     

基于多智能体（MAS）的城市快速路智能控制系统设计

分布式人工智能作为人工智能与分布式计算的结合,正逐渐受到人们的重视。以城市快速路控制系统为研究背景,应用多智能体技术,以实现对其智能控制的策略。在分析研究多智能体体系架构与快速路控制系统的控制需求的基础上,进行快速路MAS的总体架构设计与层次功能设计。在分析研究Agent结构模式与构造方法的基础上,设计快速路控制协调智能体Harmony-agent的结构,并针对结构中各个模块的功能进行详细设计。MAS体系可以成为传统控制手段与智能控制方式的统一实现载体,架起了传统控制与智能控制的桥梁。MAS架构体系是兼容传统手段与智能理念的弱耦合思想的良好承载平台。     

分布式MAS 在飞行冲突解脱中的应用研究

在自由飞行的环境下,为解决飞行冲突探测与解脱（conflict detection and resolution,CDR）问题,提出一种基于高度层、航向和速度调配的综合解脱方法,并将多 agent 系统(multi-agent system, MAS) 的分布式技术与启发式算法相结合,进行问题求解. 首先设计了分布式MAS框架结构,然后建立了飞行冲突探测模型,高度层调配模型及航向、速度调配模型,最后,综合运用了基于合同网协议的分布式算法和自适应遗传算法进行问题求解.仿真实验表明,所设计的MAS框架是可行的,同时分布式算法和自适应遗传算法的综合应用能很快找到基于高度层、航向和速度分配的近似最优解,为CDR问题提供了新的解决思路.     

城市快速路分层分布式优化控制方法研究

针对城市快速路控制系统对实时道路交通状况不能及时、有效地响应问题，利用时变的交通状态估计与OD矩阵预测信息，基于智能交通控制及分层分布式思想，提出一个新颖的城市快速路匝道控制方法. 采用基于多项式趋势模型的滤波方法对路段总的交通需求进行估计与预测，提前确定道路将来排队长度的上界；对快速路网未来的交通状态进行预测，基于全局最优的思想，提前为路网中各个匝道建立协调约束，为匝道调节率的制定提供依据. 仿真结果表明，分层分布式的快速路控制系统通过协调各个匝道之间的利益，能够有效缓解高峰出行时的拥堵现象，对实现城市快速路网整体性能优化具有现实意义.     

An Intelligent Master Model of Computer Aided Process Planning for Large Complicated Stampings

Process planning for large complicated stampings is more complicated, illegible and multiform than that for common stampings. In this paper, an intelligent master model of computer aided process planning （CAPP） for large complicated stampings has been developed based on knowledge based engineering （KBE） and feature technology. This innovative model consists of knowledge base （KB）, process control structure （PCS）, process information model （PIM）, multidisciplinary design optimization （MDO）, model link environment （MLE） and simulation engine （SE）, to realize process planning, optimization, simulation and management integrated to complete intelligent CAPP system. In this model, KBE provides knowledge base, open architecture and knowledge reuse ability to deal with the multi-domain and multi-expression of process knowledge, and forms an integrated environment. With PIM, all the knowledge consisting of objects, constraints, cxtmricncc and decision-makings is carried by object-oriented method dynamically for knowledge-reasoning. PCS makes dynamical knowledge modified and updated timely and accordingly. MLE provides scv. cral methods to make CAPP sysmm associated and integrated. SE provides a programmable mechanism to interpret simulation course and result. Meanwhile, collaborative optimization, one method of MDO, is imported to deal with the optimization distributed for multiple purposes. All these make CAPP sysmm integrated and open to other systems, such as dic design and manufacturing system.     

虚拟和谐交通系统Agent仿真

本文在虚拟世界里,构造了交通系统的和谐仿真。首先介绍了智能体Agent、多智能体组成的系统MAS及其规则,然后分析交通环境(道路)、车辆、人组成的系统,利用集对分析(SPA)、人、事、物系统(WSR)和集对匹配系统(SPM)以及A.Kaufmann最强路算法与集对匹配合成算法,构造出和谐的道路、车辆、人、环境, 并给出智能调度的应用实例。     

混行环境下网联信号交叉口车路协同控制方法

为了提高网联信号交叉口车路协同控制对真实交通环境的适应性,以智能网联汽车与网联人工驾驶汽车混行的典型交通应用场景为研究对象,通过构建八相位网联信号交叉口,研究了混行环境下的交通信号和网联车辆轨迹车路协同优化控制方法;在对场景中的网联车辆运动学特性和跟驰行为进行建模的基础上,构建了一种混行车辆编队方法;基于混行车队模型、安全约束与燃油消耗模型,建立了基于滚动优化的交通信号-车辆轨迹协同优化控制方法;基于异步分层优化思路,将该协同控制问题分解为上层交通信号优化与下层车辆轨迹优化两方面,以交叉口车辆行驶延误时间和燃油消耗量为优化目标,利用遗传算法和“三段式”轨迹优化法分别对交通信号优化问题与车辆轨迹优化问题进行求解;对不同稳态车速与智能网联汽车渗透率下构建的混行交通流的稳定性进行了验证,并通过仿真测试分析了所提出的协同优化控制方法的控制效能与关键参数对控制效能的影响。分析结果表明:在不同交通流量与智能网联汽车渗透率下,提出的控制方法均可有效提升交叉口通行效率与燃油经济性;在完全渗透环境下,较固定配时交通信号控制方法最高可分别提升57.3%和13.3%;随着智能网联汽车渗透率的增加,其控制效能不断提高,较无渗透条件最高可分别提升42.0%和14.2%;即使智能网联汽车渗透率仅达到20%,较无渗透条件也可以在交通效率方面实现20.4%的显著改善;较长的交通信号周期与较短的网联人工驾驶汽车驾驶人反应时间有助于协同控制效能的提升。      

Hierarchical control strategy of trajectory tracking for intelligent vehicle

In order to track the desired trajectory for intelligent vehicle, a new hierarchical control strategy is presented. The control structure consists of two layers. The high-level controller adopts the model predictive control (MPC) to calculate the steering angle tracking the desired yaw angle and the lateral position. The low-level controller is designed as a gain-scheduling controller based on linear matrix inequalities. The desired longitudinal velocity and the yaw rate are tracked by the adjustment of each wheel torque. The simulation results via the high-fidelity vehicle dynamics simulation software veDYNA show that the proposed strategy has a good tracking performance and can guarantee the yaw stability of intelligent vehicle.