文摘

连接和自动车辆(骑士)的研究吸引了太多的关注,因为它可能通过控制算法提高运输网络的效率和安全,减少燃料消耗。然而,在十字路口车辆合并的一个主要因素,导致交通拥堵和额外的燃料消耗。在本文中,我们专注于骑士的场景的入站合并,提出基于博弈论的一个集中的方法来控制所有代理的入站合并的过程没有任何碰撞,和优化整个燃料消耗和总旅行时间。对于游戏的框架,利益,损失,和规则是三个基本组件,和在我们的模型中,好处是通过合并点的优先级,通过合并序列(MS)表示,损失是燃料消耗的成本和总旅行时间,和游戏规则的设计依照交通密度、公平和完整。每个规则都有不同程度的重要性,并让每个规则的最佳体重,我们制定这个问题作为一个双目标优化问题,得到的结果通过搜索可行的帕累托的解决方案。的作业合并序列,我们评估每个竞争对手从三个方面给分数和乘以相应的重量和更高的分数会相对较小的女士的代理,即。的优先级,通过十字路口。进行模拟和比较,证明了该方法的有效性。此外,该方法提高了燃油经济性和拯救了旅行时间。

1。介绍

拥挤造成了许多问题,如过度的燃料消耗和增加旅行时间在现实交通系统。一项调查显示,拥挤在城市地区的总成本约为1600亿美元,在美国一个额外的31亿年的2014加仑的燃料消耗(1]。协同控制连接的自动车辆(骑士)在网络环境使车辆能够相互合作通过信息交互,从而提高道路交通效率,减少能源消耗,同时保证安全。实现车辆的协同控制,先进的定位(2)和通信技术(3,4)(包括V2V(车辆,车辆)和V2I(车辆基础设施)通信,等等),需要协助决策自主车辆。骑士的控制可以应用于许多运输优化问题,其中之一是车辆的入站合并。事实上,合并入站是交通拥堵的主要原因之一,交通效率的瓶颈5)由于车辆试图合并最初可能减缓甚至停止合并入站等待合适的机会。骑士控制算法效率高,预计能够减少交通拥堵,提高车辆安全(6- - - - - -9]。骑士控制更多的关键技术和算法一直在调查(10]。

入站合并的本质问题是竞争的优先级通过合并区域和反映在合并序列(MS)的分配骑士一个集中控制器的控制下。我们可以认为这样的竞争是一个游戏,每个代理(即。,the connected autonomous vehicle) competes for the prior merging sequence. Contribution of this paper just lies in the game framework we developed. In this paper, we propose a centralized approach based on game theory to control the on-ramp merging of all agents without any collisions and reduce the cumulative fuel consumption and total travel time. As to the game, we regard vehicles on the same road as a group and they will collaborate to compete with another group. Benefit, loss, and rules are three basic components in a game, and in our framework, benefit is the priority of passing the merging point and loss is the cost of fuel consumption and the travel time. Rules are the core for a game since agents in each group take actions based on the game rules to maximize the benefits and minimize the loss, and we proposed three basic rules in accordance with the Traffic Density Principle, FIFO (First In First Out) Principle, and Wholeness Principle, respectively. Importance of three rules varies, and we formulate the problem as a double-objective optimization problem of cumulative fuel consumption and total travel time, searching the feasible Pareto solutions to ascertain the weight of each rule.

进行模拟和比较来验证该框架的有效性。本文主要的贡献在于:(1)建设的全局最优融合框架骑士基于博弈论和搜索帕累托(2)方法解决方案和确定最优权重的三个规则通过搜索制定问题的双目标优化问题。

论文的结构描述如下。节2,我们将介绍相关工作。部分3描述问题的框架。建模和解决方案将在部分描述4仿真结果和分析将显示在部分5。我们手稿的结论部分6。

2。相关工作

入站合并当前研究主要集中在单位时间内通过车辆的调度算法和控制合并的高速公路交通效率的提高(11- - - - - -15]。一系列相关的控制算法,提出了控制策略和调度算法在安全性原则。例如,在2004年,Dresner和石头16)提出了一个基于保留自动交叉控制方法的算法。一般来说,骑士入站合并的研究工作可分为集中式方法和分散的方法(17),研究了这两种两类(18- - - - - -21]。Ntousakis et al。20.)提出了一种分散的自动合并算法,每辆车利用其他代理回复的信息,以确定适当的序列合并斜坡,和实验表明,该算法是稳定安全地执行和交通维护得很好。分散的方法相比,集中的方法也被广泛讨论。曹et al。21)提出了合作合并的概念,只有主要道路上的车辆的信息的斜坡路上车辆集中控制器,然后调整自己的速度优化传递效率。在[22),集中和分散的方法都是采用和轨迹规划方法提出了优化发动机效率和旅客舒适度增加混蛋(加速度的导数)的目标函数。分析解利用最优控制理论和线性二次调节器的方法,和模型预测控制方案用于弥补潜在干扰轨迹。

然而,大多数讨论的方法集中在优化车辆轨迹与很少或没有强调最好的合并计算序列(MS),而很少有研究探讨了创建任务(女士23]。此外,博弈论也很少见到对入站合并相关的文献研究。本质上,车辆在十字路口可以合并被视为问题的竞争从个体的角度女士代理之前,这意味着小女士代表通过合并点的优先级。在[24),静等人提出了一个合作多人基于游戏的优化框架来协调车辆和实现全球回报条件的最小值。为了简化问题,多人游戏被分解为多个双人游戏,最后制定作为一个优化问题,得到了解析解。

我们还应用博弈理论来处理入站合并问题,而是我们的工作之间的差异,24)主要是躺在以下几点:(1)之间的合作是允许车辆在同一条路上,两组之间的竞争;(2)更多的方面,比如交通强度、公平、和整体性原则,被认为是在设计游戏规则。

3所示。问题的框架

汽车合并的场景包括主要道路和斜坡路,他们都是单行道。我们假设存在一个中央控制器可以同所有车辆在没有任何延时控制区域。分为控制区域游戏区,每个代理根据游戏规则,采用最优策略调整区域,每个代理合作通过合并点调整状态O没有任何碰撞。O坐标的原点,两条路都指出X_米和X_r,代表的主要道路和斜坡路,分别的长度游戏区和调整区域是G和米,如图1。

假设有W车辆通过合并点在研究时间和集中控制器将分配传递序列我(我= 1,2,…W),每个代理的时候第一个汽车V₁到达调整区域按照当时的所有车辆。每辆车V_我被建模为一个质点,其状态被描述为 在哪里 代表的位置(或坐标的值),车辆的速度和加速度V_我当时t和t= 0时的那一刻Wth车辆V_W进入游戏区(我们假设的长度游戏区足够长,第一个车V₁仍在游戏区在t= 0)。

4所示。建模和解决方案

博弈论是该模型的基础,在这一节中,我们将详细说明我们的模型和制定问题,然后给出一个数字解决方案基于帕累托搜索解决方案。

4.1。优先级通过的游戏

在游戏中,每个玩家往往为自己做出最好的决定基于获得的信息和游戏规则。在游戏区,每个代理可以获得从中央控制器和其他代理的信息尽量以最低的成本获得最大的益处是基于一系列的规则和获得的信息。在这里,t= 0时游戏开始,游戏结束的时候第一个车辆到达调整区域。在本部分中,我们将说明的好处,成本,以及详细的规则。

在游戏期间,车辆在同一道路的战略合作以来超越是不允许在一个车道的道路。我们把主要道路上的所有车辆作为一个群体与另一组组成的所有车辆在斜坡路,和每组倾向于争取最大的福利以最少的成本从整体的角度来看。好处是合并序列(女士,也称为传递序列)分配给每辆车,和小女士代表一个高级权利通过合并点。成本来自车辆的状态改变,代表通过燃料消耗和规则给出了经验,列出如下:规则1:车辆在组包含更多的车辆前更顺畅规则2:车辆接近融合点O,即,h一个ve greater coordinate values, are more prior to pass规则3:车辆与较小的意思是空间差距从之前的代理和代理后更之前通过

这些规则可以解释通过三个原则,即。,Tr一个ff我cDensity Principle, FIFO Principle, and Wholeness Principle, respectively.

规则1考虑交通密度原则。如果其中一个道路有更多的车辆,这意味着这条路的交通密度较高,通过优先级的车辆在这条路上会提高交通效率(由所有车辆的通行时间)。

规则2是按照先进先出的原则,这个原则是公平有关。假设有两条路。,Road A and Road B, converging at an intersection, and the traffic density of Road A is much greater than Road B. The traffic efficiency will be improved if vehicles on Road B stop before the merging area to await the vehicles on another road passing through the merging point. But such a situation is unfair to the vehicles on Road B because they suffer from a jam at the same time.

规则3整体性原则有关。考虑到场景如图2,x_j(j= 1,2,…,6)代表车辆的坐标值V_j和x₁>x₂>x₃>x₄>x₅>x₆。在这些工具中,V₂,V₃,V₅在主要道路和吗V₁,V₄,V₆斜坡路上,间距之间的差距V₂和V₃比这小得多V₁和V₄。假设V₁和V₂将有一个碰撞合并如果没有人改变他们的状态,在这种情况下,调整吗V₁支付成本低于调整V₂和V₃。这意味着V₂和V₃分享更多的“完整”V₁和V₄而且应该优先通过合并点作为一个整体。类似的分析可以做V₄,V₅,V₆。事实上,这条规则的扩展规则1体现在一个特定的地区,由测量车辆的平均空间差距之间的前一个和后一个(第一个车辆在道路使用之间的差距本身及其后一个来描述这个属性,而过去的车辆在路上使用之间的差距本身和它的前一个描述该属性)。例如,l₂₃描述这些属性V₂和(l₂₃+l₃₅)/ 2V₃。

基于这三个规则提到的,每辆车将调整自己的状态在游戏期间,有两个动机,即,(一)获得尽可能大的坐标值(O是坐标原点、正方向的移动方向车辆,如图1。)(b)差距缩小的空间连续的车辆在安全车空间距离约束

我们使用IDM(智能驱动程序模型)来描述车辆在一组后,每组和领导车辆将采用加速战略。一旦车辆到达调整区域,游戏结束,我们注意到这一刻t_f。女士,控制器分配到每个车辆根据州的所有车辆t_f的时刻。IDM [25制定如下: 在哪里速度的时刻吗t迭代,可以获得 ,Δt连续两个时间的间隔帧,是车辆预计达到的速度,年代是真正的车辆之间的距离和它的前一个,年代₀两辆车之间的最小安全距离,T_h是时间的进展,连续两个车之间的速度差异(注意:(t)是在一刻前车辆的速度t, ),和α和β两个参数。

方程(2)是一个线性控制律来维持稳定的一组车辆(也称为“排”),但是这个模式可能产生不稳定的加速,尤其是在初始化和状态切换的时刻。我们将详细说明了这种情况下的下一部分。

正如上面提到的,我们从三个方面评估每辆车,即。,number of vehicles in its group, distance from the merging pointO,意思是空间距离之间的车辆前一个和后一个,通过得分t_f。对每项产品的车辆执行最好的得到10分数和最坏的一个人1分数,和其他人线性获得相应的分数。例如,要获取分数评估合并点的距离(假定坐标为每辆车的价值V_j是 ,我们首先设置车辆最大协调值最大(x_j)10和车辆最小坐标值最小(x_j)为1,然后获得线性系数向量K₂= (k₂,b₂]^T:

每辆车V_j可以得分

类似的技术可以应用于分数年代₃评估车辆的平均空间距离之间的前一个和后一个: 在哪里K₃线性系数和吗 车辆的平均空间差距吗V_k它的前一个和后一个之间。

的分数 用于评估车辆的数量,以及车辆在同一组将得到相同的分数。请注意全国矿工工会_米随着车辆数量的主要道路全国矿工工会_r随着车辆数量的斜坡路,然后所有车辆在主要道路上得分全国矿工工会_米/ (全国矿工工会_米+全国矿工工会_r),全国矿工工会_r/ (全国矿工工会_米+全国矿工工会_r所有车辆斜坡路上)。

权重向量= ( , , ]^T分配给描述的重要性年代₁,年代₂,年代₃相应的。我们可以得到最终的得分年代作为

给予最优权向量的方法 ,我们使用搜索方法,将部分所示3。女士,控制器将根据最终的得分。分数越高车,较小的序列(意味着它更前车辆通过合并点O)获得的车辆。

然而,它可能发生,前面的车辆被分配一个更大的女士比车辆在一组。在这种情况下,车辆在同一组应该调整他们的女士按照合并点距离O(接近融合点,小序列获得)因为超车是不允许在一个车道的道路。

4.2。状态调整

一旦比赛结束的时刻t_f,国家调整过程开始和我们认为的长度调整区域有足够的调整状态。我们所有车辆映射到一维,所有车辆序列根据坐标值,称为位置序列(PS)。协调车辆的价值越大,较小的PS。可能有3 MS和p之间的关系,即。= PS,女士> PS,女士和女士< PS。通过比较女士和PS,每辆车将有不同的反应,如下所示。

4.2.1。准备= p女士

女士= PS意味着车辆的合并序列是相同的位置序列,并保持当前状态会消耗最少的燃料。在这种情况下,车辆只会服从IDM模型。但参考车辆不得在同一条路上。如图3,V₁和V₃在同样的道路和吗V₂在另一条道路,而其坐标值之间的关系是什么x₁>x₂>x₃女士和女士的关系₁<女士₂<女士₃。为V₃车辆,它的引用V₂,而不是V₁。

正如我们在前面部分提到的,IDM可能产生加速度跳特别是在状态切换的时刻。当我们所有车辆映射到一维,参考车辆的代理可能会改变,相当于它的“前”车辆的状态突然变化,它会导致加速度跳。为了解决这个问题,我们限制加速度一定范围内避免意想不到的跳跃。

4.2.2。> PS女士

女士> PS意味着合并序列车辆之前比其实际位置序列。因此,应采取加速战略只有在空间距离的车辆和其前一个大于最小安全距离。

4.2.3。< PS女士

< PS女士表示车辆应做出让步,其他车辆。因此,应采取减速,直到它接收到信号的策略表明,PS的车辆已经按照女士从控制器。然后,车辆仅仅采用IDM模型所示部分”= p女士。”

4.3。优化了燃料消耗和旅行时间

在前一节中,我们讨论了可能的行动,每辆车可以在不同时期(即。、游戏时间和调整时期)。我们可以得出这样的结论:车辆在游戏期间采用的策略是按照游戏规则,和权向量= ( , , ]^T措施的重要性不同的规则,它的价值将影响每个车辆分配的女士。因此,我们试图找到一个最优得到一个合理的女士,这样可以优化燃料消耗和总旅行时间。这是一个典型的优化问题的两个目标,可以为制定 在哪里F是总燃料消耗量,T总行程时间,的函数表示权向量之间的关系和优化对象,一个_最小值和一个_马克斯分别是减速最小和最大加速度,最大速度限制,μ和γ是两个参数,可以调整目标函数。

的燃料消耗,我们指的是26,27),采用估计 在哪里f瞬时油耗组成的吗和f_一个,代表速度和加速度造成的瞬时油耗,分别。如果加速度值是负的,我们使用绝对值。系数向量问= (问₀,问₁,问₂),r= (r₀,r₁,r₂从实验(获得)28),和价值观问= (0.1569,2.45×10⁻²−7.415×10⁻⁴),r= (0.07224,9.681×10⁻²,1.075×10⁻³)。总燃料消耗的总和瞬时油耗对所有车辆的每一刻t= 0(过去车辆到达时刻游戏区)到最后时刻车辆通过合并点O指出,如t_F。

总旅行时间T,我们开始计时t= 0和结束时间t=t_F,T=t_F−0 =t_F。

从公式(7),我们可以看到F和T是函数的 ,但我们不知道的显式表达式 ;因此,我们不能解决优化问题分析的基础上7)。除此之外,对于一个双目标优化问题,通常不退出这样一个解决方案,这两个目标进行优化;我们应该做一个目标根据实际需求之间的权衡。在这里,我们会找到一个可行的帕累托解(29日关于这个问题]。帕累托的解决方案是一个客观的解决方案,进一步优化总是在其他目标的恶化的成本。例如,如图4,一个和B我们致力于减少和(两个目标x₁,y₁)是一个帕累托的解决方案,因为如果我们继续降低值附近x₁优化目标,客观的性能会恶化。情况(x₃,y₃)类似于(x₁,y₁),(x₂,y₂)不是一个帕累托解,因为这两个目标可以进一步最小化接近这一点。有许多帕累托解两个(或多个)目标优化问题,和这些解决方案由一组解决方案(称为帕累托前),如图4。有切实可行的解决方案集和我们选择最适合依照不同的目标之间的权衡。

4.4。寻找帕累托解

从之前的部分,我们得出结论,可能可以找到可以接受的解决方案在帕累托集前面。在我们的问题,两个优化目标是累计燃油消耗量F和总旅行时间T,在这一部分,我们给帕累托解搜索这个特定问题的步骤:步骤1:将较大的步长和计算累计燃油消耗量F和总旅行时间T。

在这一步中,我们把每个组件步为0.05,根据约束,所有组件的总和是1。对于每个节点,计算F和T为N时报》(N是重复计算的时间节点,例如,N= 100)和平均结果。步骤2:细分在稀疏的地区。

通过分析步骤1中的结果,结果在某些范围内可能发生的分布稀疏。我们进一步细分在这些稀疏的脚步为0.01,甚至更小,计算F和T为N*在这些细分节点。第三步:找到“拐点”F- - - - - -T曲线。

图5是一个F- - - - - -T曲线我们得到的仿真实验,我们叫点C和D“拐点”点优化的目标将导致大恶化的另一个目标。在可接受的范围F和T,我们认为这些点是最好的取舍不同的目标根据实际需求,选择其中一个作为“最佳”适合的问题。步骤4:寻找相应的 。

我们选择的观点 作为我们两个目标的最好的权衡和搜索找到对应于(T_c,F_c)。可以有多个正确的值其中任何一个可以选择的解决方案。

5。仿真结果和分析

仿真结果显示的轨迹,速度,加速度,和燃料消耗游戏和调整时期,我们应该首先确定权向量=( , , ]。基于帕累托搜索解决方案的步骤在前一节中所描述的,我们选择=(0.15,0.45,0.4)最适合,和所有的案例研究都是在这样的条件下。此外,我们设置一个“滑动窗口”参数W决定代理的数量。

5.1。案例研究1:“滑动窗口”参数W= 5

这个仿真来验证有效性条件下,汽车的数量在一个回合中较小的一个游戏,在这种情况下,5骑士行驶在两个合并的道路上。入境时间和主要道路上的车辆数量和斜坡路是随机的。车头时距的值可以在(1.2、2.4)的范围在不同的场景中(30.这里我们选择T_h= 1.2 s。的长度游戏区和调整区域,我们设置G= 100米,米= 200。每辆车进入游戏区以一个随机初始速度大约15米/秒,最大速度限制是30 m / s。车辆的加速度是限制从−3 m / s²3 m / s²。

仿真的位置、速度和加速度数据所示6- - - - - -8。游戏时间结束的时候第一个车辆到达调整区域,在这个模拟中,目前在3.12秒。由于加速度突变是不实际的,我们设置加速度的变化率(也称为混蛋)1 m / s³。因此,没有突变的加速度,速度和轨迹的概要文件是光滑的,除了过渡时刻。

每辆车的车头时距通过合并点接近但不严格相等,如图6,因为每一个在合并点的速度是不同的。

至于油耗,我们采用多项式模型给出的公式(8),它体现的瞬时油耗取决于瞬时速度和加速度。我们试图比较我们的模型之间的燃料消耗和FIFO (1);(2)密度之前,(3)没有控制,如图9。这里,“先进先出”的情况下车辆接近通过合并前合并点一点。之前“密度”的情况下车辆道路交通密度较高(反映道路上的车辆数量)之前通过合并点和车辆道路应该停止等到所有车辆在路上交通密度较高的融合点。“无法控制”的情况下斜坡路上车辆必须停下来等待车辆的主要道路交叉融合点,然后开始加速到最大速度通过合并点。

先进先出,我们初始化所有车辆15 m / s的速度,和分配女士t= 0完全基于距离合并点,和其他设置我们的模型是一样的。事实上,这是一个特殊的情况,我们的模型的长度游戏区是零。“无法控制”,我们也每个车辆的初始速度设置为15米/秒,和在这种情况下,车辆在斜坡路必须停止等到车辆行驶的主要通过合并点。“密度之前,“我们为每辆车设置相同的初速度。以后,在这个案例研究中,主要道路上的车辆数量大于斜坡路上,车辆斜坡路上也应该停下来等主要道路上车辆通过合并点。然而,在案例研究2,我们将讨论并显示情况坡道道路上的车辆数量大于,在主要道路上。

从图9,我们可以看到,该模型累计消耗最少的燃料。然而,燃料消耗低得多的“无法控制”模型在开始阶段由于车辆不改变他们的国家在这一时期。虽然燃料消耗“无法控制”模式明显增加的两个阶段,即:,the stage in which vehicles on the ramp road slow down and stop and the stage in which vehicles on the ramp road restart and accelerate. Fuel consumption of “Density Prior” is very similar to that of “No Control,” since, in this case study, the number of vehicles on the main road is greater than that on the ramp road, and “Density Prior” and “No Control” are equivalent in this situation.

的比较提出模型和FIFO模型之间的燃料消耗,所不同的是,没有游戏区在FIFO模式。FIFO的模型是解决公平的成本效率。因此,我们可以看到,FIFO的总油耗高于模型。

最后的时刻车辆通过合并点的过程,和这一刻的价值=总旅行时间。,这个模拟的总旅行时间是19.60秒,如图6。FIFO的总旅行时间模型接近拟议的模型,但是对于“无法控制”和“前密度”模式,这是非常高(大约12%)高于其他两个。

5.2。案例研究2:“滑动窗口”参数W= 10

在这个案例研究中,10车辆参与游戏和汽车的数量的一个转变的主要道路和斜坡路上是随机集合。限制车辆的案例研究1中相同,和一些参数自适应地改变。我们设置G= 300,米= 200,和模拟的位置,速度,加速度数据所示10- - - - - -12。

从数据10- - - - - -12,我们可以看到,主要道路上的车辆支付更多的成本,反映了从加速度和速度的变化幅度;因为在这种情况下,斜坡路上的汽车数量明显大于主要道路,和车辆斜坡路上主要根据游戏规则作为一个整体。然而,接受牺牲弱势群体带来的效率和稳定性的提高,我们可以看到车辆的加速度和速度的变化在斜坡路上(占主导地位的集团)相对顺畅。

燃料消耗的比较案例研究2中三个不同的模型图所示13。我们可以看到该模型仍累计消耗最少的燃料。然而,由于存在更多的车辆在斜坡路在这种情况下,燃料消耗的“无法控制”模式显著提高尤其是在车辆在坡道的阶段道路减速停止和车辆斜坡路上加速的阶段。之前的“密度”,主要道路上车辆减速或停止,避免碰撞,在这种情况下,因为骑士的斜坡路数量大于,在主要道路上。,我们可以看到,燃油消耗曲线的形状前“密度”是类似于“无法控制”,但累计燃油消耗量少,因为更少的车辆前“密度”模式的改变他们的州比“无法控制”模式下的案例研究。分析比较提出模型和FIFO模型类似于案例研究1和前仍然需要优势比后者在案例研究2。

案例研究2的总旅行时间,它是35.90 s,如图10和FIFO的模型,它是接近该模型。“无法控制”模式花更多的时间在这个案例研究中(大约17%高于其他两个)由于车辆斜坡路上的数量远远大于在主要道路和减速和加速重启的过程需要多少时间。该模型不利用总旅行时间比之前“密度”模式在这种情况下,由于车辆在不同道路的数量是不平衡的。前“密度”是一个模型,该模型强调了效率,而且它表现良好的情况下,不同道路的交通密度极其不平衡。

5.3。仿真结果的简要总结

我们模拟两种情况,验证该模型的有效性和效率。案例研究1主要集中在场景连接自动车辆的数量在一个回合中较小的一个游戏,而案例研究2主要研究情况更涉及代理每轮游戏。如前所述,FIFO模式地址公平,而之前“密度”是一个模型,该模型强调了效率。该模型考虑了两方面,表现良好。

应该指出的是参数的设置米和G。尽管我们认为汽车是质点,我们不能确定米或G作为一个很小的值和设置这两个参数的不同,给予不同的“滑动窗口”参数W。

6。结论

在本文中,我们专注于场景CAV入站合并,每个车辆配备V2I设备和可以与集中控制器通信没有任何延时根据的假设。

骑士入站合并的核心问题在于转让女士,女士和不同导致的差异累积燃料消费和总旅行时间。在我们的论文中,我们把女士作为游戏的竞争和车辆被视为一组相同的道路上采取合作的策略争取尽可能小的女士对另一组。的游戏,我们提出三个基本规则按照交通密度原则,先进先出原则,分别和整体性原则。此外,分为控制区域游戏区每路,汽车改变他们的国家合作,试图得到一个更好的女士,调整区域,所有车辆根据女士被分配调整自己的状态。在比赛开始的时候最后一个车辆到达游戏区(我们假设的长度游戏区足够长,所有车辆都还在吗游戏区当比赛开始和结束的时候有一个车辆到达调整区域。

在游戏时间和调整时期,采用IDM描述以下车辆的行为,我们修改这个模型,如添加加速度和速度的限制,以避免突然在过渡状态改变的时刻。女士的分配,我们从三个方面评估每个竞争对手基于给定的三个规则。确定最优权向量描述了每个规则的影响,我们制定问题的双目标优化问题累计燃油消耗量和总旅行时间。自优化目标和权向量之间的关系是未知的,我们给予不同的权重向量作为输入搜索帕累托解决方案和选择上的“拐点”相关化学曲线的最适合我们的问题。最后,我们回去寻找相应的权向量作为解决方案。

仿真和拟议的模型和其他模型进行比较,验证模型的有效性。然而,所有获得的结果是基于一系列理想的假设,包括没有通信,车辆动态延迟,等。还需要进一步探索的使用反馈控制提高精度,考虑到环境噪声和干扰。此外,横向控制车辆时还应该考虑将来扩展模型的实际实现的工作。

数据可用性

的原始码数值测试用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Xiangmo赵Haigen分钟构思和设计研究。小池和李Runmin王做了实验。Haigen Min和霞山方分析数据。Haigen Min和霞山方舟子写的手稿。所有作者阅读和批准最终的手稿。