基于SA-FQL算法的区域交通控制方法

doi:10.3778/j.issn.1002-8331.2010.27.065

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (27): 231-233.DOI: 10.3778/j.issn.1002-8331.2010.27.065

基于SA-FQL算法的区域交通控制方法

邓军，刘智勇

五邑大学信息学院，广东江门 529020

收稿日期:2009-01-13 修回日期:2009-03-20 出版日期:2010-09-21 发布日期:2010-09-21
通讯作者: 邓军

Urban traffic control based on SA-FQL

DENG Jun，LIU Zhi-yong

School of Information，Wuyi University，Jiangmen，Guangdong 529020，China

Received:2009-01-13 Revised:2009-03-20 Online:2010-09-21 Published:2010-09-21
Contact: DENG Jun

摘要/Abstract

摘要： 将模拟退火算法的Metropolis准则用于平衡模糊Q学习中探索和扩张之间的关系，提出基于Metropolis准则的模糊Q学习算法Simulated Annealing Fuzzy Q-learning（SA-FQL）。利用SA-FQL算法优化区域的公共周期，在给定周期的基础上再用SA-FQL算法优化区域中各干线相邻两路口的相位差，最后根据交通流量确定各路口的绿信比。TSIS仿真结果表明，相比基于Q学习和模糊Q学习的控制方法，该方法能显著提高学习速度和交通效率。

关键词: 区域交通控制, 模拟退火模糊Q学习算法, 模糊Q学习, Q学习, Metropolis准则

Abstract: For area traffic control，the Simulated Annealing Fuzzy Q-Learning（SA-FQL），a modified version of the popular Fuzzy Q-Learning，is used.Firstly，this paper optimizes the common cycle of the traffic network using SA-FQL，then optimizes offset for every trunk road using the same method based on the common cycle，lastly adjusts split for every intersection according its traffic volume.TSIS simulation results show that，compared with Fuzzy Q-Learning method and Q-Learning method，the method proposed in this paper can significantly accelerate learning and improve traffic efficiency.

Key words: area traffic control, Simulated Annealing Fuzzy Q-Learning（SA-FQL）, fuzzy Q-learning, Q-learning, Metropolis criterion

中图分类号:

TP391

邓军，刘智勇. 基于SA-FQL算法的区域交通控制方法[J]. 计算机工程与应用, 2010, 46(27): 231-233.

DENG Jun，LIU Zhi-yong.

Urban traffic control based on SA-FQL

[J]. Computer Engineering and Applications, 2010, 46(27): 231-233.

[1]	张俊杰，张聪，赵涵捷. 重复利用状态值的竞争深度Q网络算法[J]. 计算机工程与应用, 2021, 57(4): 134-140.
[2]	杨薛钰，陈建平，傅启明，陆悠，吴宏杰. 基于随机方差减小方法的DDPG算法[J]. 计算机工程与应用, 2021, 57(19): 104-111.
[3]	司彦娜，普杰信，臧绍飞. 基于残差梯度法的神经网络Q学习算法[J]. 计算机工程与应用, 2020, 56(18): 137-142.
[4]	王梦娇，尹翔，黄宁馨. 基于迁移学习的多任务分配算法[J]. 计算机工程与应用, 2020, 56(13): 150-155.
[5]	陈晓倩，刘瑞祥. 基于最小二乘策略迭代的无人机航迹规划方法[J]. 计算机工程与应用, 2020, 56(1): 191-195.
[6]	徐志雄，曹雷，陈希亮. 基于强化学习的无人坦克对战仿真研究[J]. 计算机工程与应用, 2018, 54(8): 166-171.
[7]	胡龄爻1，2，3，陈建平1，2，3，傅启明1，2，3，4，胡文1，2，3，倪庆文1，2，3. 一种面向建筑节能的强化学习自适应控制方法[J]. 计算机工程与应用, 2017, 53(21): 239-246.
[8]	徐新林，胡中波，何先平，苏清华. 自适应变异尺度系数和混合选择的回溯搜索算法[J]. 计算机工程与应用, 2017, 53(17): 6-13.
[9]	刘晓伟1，高春鸣2. 结合行为树与Q-learning优化UT2004中agent行为决策[J]. 计算机工程与应用, 2016, 52(3): 113-118.
[10]	张晓芳1，谢俊2. 可控家用电器负荷优化模型及用电策略研究[J]. 计算机工程与应用, 2016, 52(24): 246-250.
[11]	盛歆漪1，孙俊2，周頔1，须文波2. 一种Q学习的量子粒子群优化方法[J]. 计算机工程与应用, 2014, 50(21): 8-13.
[12]	李童1，毛力1，吴滨1，杨弘2，肖炜2. 一种基于竞选领导策略的改进粒子群算法[J]. 计算机工程与应用, 2014, 50(20): 36-40.
[13]	章惠龙，李龙澍. Q学习在RoboCup前场进攻动作决策中的应用[J]. 计算机工程与应用, 2013, 49(7): 240-242.
[14]	王旭阳，王智勇. 一种自适应免疫优化的无迹粒子滤波器[J]. 计算机工程与应用, 2013, 49(4): 231-235.
[15]	刘智勇1，2，宋正东2. 城市区域交通信号的混沌模糊Q学习控制[J]. 计算机工程与应用, 2012, 48(4): 207-210.

基于SA-FQL算法的区域交通控制方法

Urban traffic control based on SA-FQL

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics