Agent在城市交通系統中的應用
加入技術交流群
該結構的協調控制策略在TRYS 基礎上進一步下放到了路口級，建立了路口Agent,每個路口成了一個智能的知識系統，可及時根據路口交通狀況進行控制策略的實時部署與調整，更好地適應了交通系統動態性、實時性強的特點，對突發性交通流的變化有很好的適應和調節能力。
2.2 完全分布式結構
在完全分布式結構的系統中，Agent 憑借自身的知識和智能與相鄰區域Agent 協調共同完成路口的管制。最初的應用就是西班牙的TRYSA2 系統，如圖3 所示。TRYSA2 Agent 有一個控制計劃集，每個計劃都被賦予了能夠減輕交通壓力的效用值。系統可通過評估相關Agent 的計劃效用值合成系統最優的解決方案。Oliveira 、承向軍、楊兆升等學者也先后提出了以路口Agent 為基本控制單元的完全分布式控制結構，系統中的Agent 都具備了一定的存儲、匹配和智能計算功能，可依靠良好的協調算法實現多Agent 之間的協調與合作以達到整體優化和控制的目的。
圖 3 TRYSA2 架構圖。
2.3 兩種架構的性能比較
分層遞階式充分體現了集中和分散控制的有機結合，考慮到了全局利益，可使協調有目的地進行，但是區域Agent 和主控Agent 的實現稍顯復雜。完全分布式具有反應快速、靈活性強等特點，可充分發揮Agent 的自治性、協調性，但由于Agent 自身能力有限、系統的知識又過于分散，解決全局問題的能力略顯不足，Agent 間的協調機制會對系統性能產生較大影響。在擴展性上，完全分布式只需把新Agent 注冊到其他Agent 中并修改相應的方案和知識庫即可將新Agent 擴充到當前的Agent 群體中，而分層遞階式需要整合區域控制中心和主控中心，重新賦予各Agent優先權關系。在協作復雜度上，分層遞階式從每一個Agent 控制方案中選擇一個本地最優的方案，完全分布式在所有的Agent 中通過搜索策略來查找最佳方案，因此后者工作量較大。
2.4 多Agent 的協調控制與優化
多Agent 通過協調實現系統的分布式并行運行，提高任務的執行效率。在基于多Agent 的ATMS 中，有三種協調方式：①建立專門的協調Agent;②將協調行為分散至各Agent 中，由Agent 自主地完成；③集中與分布相結合的方法，Agent 自身即可以完成某些協調行為，又可以接受高層Agent 制定的規劃。當前常用的協調方法有黑板模型、博弈模型、協調器、交換意見等。
黑板模型信息傳輸量大，對信息傳輸的穩定性也有一定的要求，適用于簡單的分布式多路口控制。博弈論模型適用于分層遞階結構的上下級Agent 間和完全分布結構的同級Agent 間的協調，但由于重復博弈過程中需要進行復雜的均衡點收斂控制，所以基于交通信息博弈的計算量較大。協調器可基于一定的目標將同級和下級Agent 產生的提案合成全局的提案。協調器降低了系統的通信量和其他Agent 的實現復雜度，但卻增加了協調器Agent 自身的設計復雜度和計算量。交換意見法對系統通信的穩定性有很大的要求，當單個Agent 節點出現通信故障時，系統將無法正常工作。
從上述幾種方法的分析中可以看到，協調過程需要傳輸大量數據，因此容易造成傳輸網絡的擁塞。目前，很多學者都采用強化學習的方法來優化本地的交通信息。強化學習方法是以環境提供的加強信號作為性能評價的反饋，完成從狀態到行為的映射的學習，特別適合處理不斷變化的路網環境。Baher、歐海濤等都基于強化學習研究了實時自適應的交通信號控制，減少路口節點間的大量通訊需求，增強了決策的可靠性。
2.5 相關應用研究
Ronald通過將分離獨立的交通設施建模成能互相協作的Agent,研究了動態交通管理設備互相協作的可能性。Filippo實現了一種基于多Agent 架構的交通管理系統CARTESIUS,在分析偶發性阻塞和在線制定集成控制方案過程中展示了良好的協作推理和解決沖突的能力，可為交通管理人員協調多區域間的快車道和地面街道的路網阻塞提供實時決策支持。
Bo Chen等人將移動Agent 技術融入到交通管理系統中，增強了處理不確定事件和環境動態變化的能力，提出了一種基于柔性Agent 的實時交通檢測和管理系統。
3 多Agent在ATIS中的應用
ATIS 可以影響出行行為，增強路網性能。當前采用Agent 技術研究ATIS 主要是針對不同的出行需求構建各式智能的出行信息系統，為出行者提供高質量的出行信息和導航服務；另外是研究ATIS 條件下的出行者行為以及ATIS 對城市交通的影響。
3.1 基于Agent 的典型出行信息系統框架
為實現路網管理者和出行者之間的有效協調，需要在不嚴重影響個體出行者的使用偏好（出行類型、路徑選擇、離開/到達時間等）基礎上有效地基于時空二維分配路網。基于此，Adler 和Blue 研究了智能出行信息系統（IT IS），專為出行者提供出行計劃和導航輔助信息，提出一種代表出行者的車載智能導航Agent,可以學習、定義并校準路徑和出行計劃偏好。在此基礎上，他們又提出基于多Agent 的交通管理和路徑導航協作系統（CTMRGS）的概念框架，使路網管理者、信息提供者和出行者之間能有效的協調和溝通。系統采用原則協商指導出行者Agent 和信息提供者Agent 之間的交互，找到一個時最優的出行方案，最后指出更多的智能將會被用來捕捉和呈現出行者的真實意圖和行為。
3.2 ATIS 影響下的基于多Agent 仿真的出行者行為研究
ATIS 的有效性取決于系統提供信息的能力以及出行者對出行信息的反應。因此，了解出行者的行為及其在出行信息下的決策過程便顯得尤為重要，這將有助于設計出高效的ATIS.目前，國內外很多學者都采用Agent 仿真方法研究ATIS 環境下的出行者行為。
Dia首先提出利用多Agent 仿真來研究實時交通信息影響下的駕駛員行為。通過對駕駛員行為（特性、心理、知識、偏好等）的調查采用BDI（信念-渴望-意圖）結構建模，配合交通仿真組件評價交通實時信息對駕駛員行為的影響。Rossetti基于BDI 架構提出了基于DRACULA（一種結合用戶學習和微觀模擬的動態路徑分配模型）的多Agent 擴展模型對出行者進行建模，允許出行者對出行路徑和離開時間做出理性選擇。
駕駛員的行為會影響到ATIS 系統收益和系統的整體性能。Rossetti 基于謂詞邏輯表達方式對出行者Agent 建模，使決策過程中呈現了更多的出行者心理因素。仿真結果表明，系統的整體性能會受到出行信息需求和交通網絡拓撲結構的影響，當出行信息單獨向個體提供的時候，總體影響可以得到很大改善。
評論