Loading...
机构名称:
¥ 1.0

摘要 - 在对有效的城市和高速公路运输系统需求越来越紧迫的背景下,这项工作探讨了通过使用创新方法来嵌入坡道Metering Control的问题,以嵌入强化强化学习(RL)在模型预测控制中(MPC)框架(MPC)框架中,通过使用创新方法来增强交通流量的协同作用。通过制定代表交通状况,控制措施的可变性以及对排队最大车辆数量的限制的合适阶段成本功能,将控制问题作为RL任务提出为RL任务。基于MPC的RL方法利用MPC最佳问题作为RL算法的函数近似,但提议学习有效地控制坡度并满足其约束,尽管系统模型中的不确定性和可变需求。模拟是在基准小规模高速公路网络上进行的,以将所提出的方法与其他最新控制方法进行比较。结果表明,从具有不精确模型并且调整不当的MPC控制器开始,所提出的方法学能够有效地学习改善控制政策,从而减少网络中的拥塞并满足约束,从而产生优于其他控制器的改进性能。

通过模型预测控制的高速公路坡道计量的增强学习

通过模型预测控制的高速公路坡道计量的增强学习PDF文件第1页

通过模型预测控制的高速公路坡道计量的增强学习PDF文件第2页

通过模型预测控制的高速公路坡道计量的增强学习PDF文件第3页

通过模型预测控制的高速公路坡道计量的增强学习PDF文件第4页

通过模型预测控制的高速公路坡道计量的增强学习PDF文件第5页