基于强化学习的干线信号混合协同优化方法

交通拥堵已成为很多大中城市普遍存在的社会问题。信号控制作为缓堵保畅的重要措施之一，愈发受到社会关注。信号优化手段可分为模型驱动和数据驱动两类，且随着交通大数据的不断充实，基于强化学习的数据驱动方法日益成为新兴发展方向。然而，现有数据驱动类研究主要偏重于决策模型设计，缺乏对智能体结构的探讨；同时，在多路口协同方面多采用分布式策略， 忽略了智能体之间信息交互，无法保障区域层面的整体最优性。为此，本文以干线信号为对象， 构建一种多智能体混合式协同决策的信号优化方法。首先，针对交通状态的多样性、异构性及数据不均衡性，设计分布训练-分区记忆的单智能体决策模型，并优化状态空间和回报函数，界定单路口控制的最佳方案；其次，融合分布式和集中式学习的模型优势设计多智能体交互方法，在单路口分布式控制的基础上，设置中心智能体评价局部智能体的决策行为并反馈附加回报以调整局部智能体的决策模型，实现干线多信号的协同运行。最后，搭建仿真平台完成效果测试与算法对比。结果表明：新方法与独立优化和分布式协同相比，在支路交通流基本不受影响的前提下， 干线停车次数分别降低了14.8%和13.6%，具有更好的控制效果。     

公铁竞争下铁路货物列车开行决策与定价综合研究

随着公路货运与铁路货运间竞争关系的持续激烈化，我国铁路货运存在市场分担量不足、企业经营效益有待提升等问题。充分利用铁路经济性优势，同时协调铁路列车开行决策方案、降低成本并确保铁路企业利润，有利于铁路增强货运收益，更好的参与市场竞争。基于对列车开行决策与运输定价间关联性的探讨，以货运分担量及运价为决策变量，构建出一个公铁竞争环境下的铁路货物列车开行决策与运输定价综合优化模型，以此实现铁路企业利润的最大化和货主广义费用的最小化。通过算例验证得出该模型满足可行性与合理性要求，能够促进铁路达到一定的市场分担率水平、创造较高的经营效益。     

“十四五”铁路科技创新规划

为贯彻落实党中央、国务院决策部署,推进“十四五”时期铁路科技创新工作,推动铁路高质量发展,支撑科技强国、交通强国建设,国家铁路局组织编制了《“十四五”铁路科技创新规划》。为方便广大读者学习,以下刊登《“十四五”铁路科技创新规划》。     

基于自然驾驶数据的驾驶人换道决策识别研究

为实现人机共驾模式下智能系统对驾驶人换道决策的准确识别,将换道决策细分并提出了基于改进的极端梯度提升(XGBoost)的换道决策识别模型。以实车试验采集的自然驾驶数据作为输入,并采用滑动时间窗法确定识别时刻,建立各识别时间窗口下基于XGBoost的换道决策识别模型,同时运用交叉检验和网格搜索(GS)算法进一步提升模型性能,最后利用验证集数据评估所构建GS-XGBoost模型的识别性能,并与机器学习及深度学习模型进行对比。结果表明,所提出的模型在具体换道决策辨识上具有较好的实时性和准确性,且在1.8 s和1.6 s时间窗下的识别准确率最高,达到86.2%。     

基于满意优化的模糊多目标预测控制算法研究

提出了以满意优化取代传统的最优控制对模糊预测控制中的性能指标进行优化的方法。以模糊多目标单步预测模型为例，给出了系统对某一控制目标的满意优化控制算法，并在此基础上提出了基于满意优化的模糊多目标预测控制算法。     

多目标最短路径模型及算法

为获得满足决策者需要的多目标最短路径问题的有效路径,建立了多目标最短路径模型,并提出了综合k-最短路径算法和多目标格序决策方法的多项式算法.该算法根据决策者可以接受的各单目标的上限,用k-最短路径算法,分别确定各单目标的可行路径集及其交集.再用多目标格序决策方法,比较交集中的有效路径,最终获得决策者满意的路径.     

浅析船舶避碰决策研究的现状与前景

介绍了船舶避碰决策研究中的船舶碰撞危险度的确定方法,综合分析评价了船舶避碰决策系统的研究现状,指出基于AIS信息环境的船舶避碰决策系统研究是未来船舶自动避碰决策系统研究的新方向.     

AHP法在多船避碰决策中的应用与研究

层次分析法在多目标决策中应用非常广泛．介绍了AHP法的原理和计算方法．将此方法应用在多船避碰决策中，建立了多船避碰决策层次结构图．将定性的问题转化成定量的研究，并进行了实例计算．实现了优化的目的，而且计算结果令人满意．     

集装箱码头规划设计的计算机模拟

在改扩建集装箱码头工程规划设计过程中,建立了计算机动画模拟模型,并进行了一系列的模型试验。结果发现,码头极限年通过能力为1 5×106TEU,制约因素是堆场容量,适当增加拖挂车数量有助于提高船舶装卸作业效率,以临海路集装箱堆场为进口箱补充堆场,码头和补充堆场统一协调运作,年通过能力可以因此提高到2 0×106TEU。应用结果表明该模型是可行的。     

多目标模糊优化问题的神经网络解法

基于函数联接神经网络，提出了一种解决工程结构多目标模糊优化问题的新算法。该算法以设计人员对目标函数值的满意程度作学习样本，采用神经网络取代传统的隶属度函数，从而较好地解决了隶属函数的描述问题。在解决多目标模糊优化问题中，该算法较传统算法具有更大的灵活性。