系统科学导论期末作业.pptVIP

云模型 云和云滴 设U是一个用精确数值表示的定量论域,C是U上的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现，x对C的确定度 μ∈[0,1]是有稳定倾向的随机数: μ:U→[0,1]，存在任意x∈U，x→μ(x)， 则x在论域U上的分布称为云,每一个x称为一个云滴。 云模型 云从自然语言中的基本语言值切入，研究定性概念的量化方法，具有直观性和普遍性。定性概念转换成一个个的定量值，更形象地说，转换成论域空间中一个个的点。这是个离散的转换过程，具有偶然性。每一个特定的点的选取是个随机事件，可以用概率分布函数描述描述。云滴的确定度反映了模糊性，这个值自身也是个随机值，也可以用概率分布函数描述。在论域空间中，大量云滴构成的云，可伸缩、无边沿、远观有形、近视无边，与自然现象中的云有着相似之处。 云模型 数字特征 期望Ex：云滴在论域空间分布的期望。通俗地说，就是最能 够代表定性概念的点，或者说是这个概念量化的最典型样本。 熵 En：定性概念的不确定性度量，由概念的随机性和模糊 性共同决定。一方面熵是定性概念随机性的度量，反映了能 代表这个定性概念的云滴的离散程度；另一方面又是定性概 念亦此亦彼性的度量，反映了论域空间中可被概念接受的云 滴的取值范围。因此熵必然反映了随机性和模糊性之间的关 联性。 超熵He：是熵的不确定性的度量，即熵的熵。反映了云的离 散程度，它的大小间接地反映了云的厚度。由熵的随机性和 模糊性共同决定。 云发生器 正向云发生器 逆向云发生器 基于云模型的交通信号自学习控制方法 研究思路 本文根据信号控制规则集和车辆到达信息采取符合控制策 略的控制行为改变当前信号状态。 信号控制的关键规则采用二维正态半云描述，利用二维前 件云发生器生成针对不同交通状态的控制策略。 云模型中的主要参数通过Q-学习算法进行优化，以总停车 延迟作为目标函数经过迭代产生针对不同交通量的云模型最 优控制方案。 仿真结果表明,基于云模型信号控制方法的控制效果优于定 时控制和感应控制。 规则(5)由云模型来定义,设当前绿灯相位所控制的车道的到达车辆数为Nc,下一相位所控制的车道的到达车辆数为Nn,则规则(5)可以表示为：Nc0，Nn Nc;如果Nn 明显多于Nc ,则转换至下一相位为绿灯;如果Nn 不是明显多于Nc ,延长当前绿灯相位的绿灯时间一个绿灯延长时间. Nn明显多于Nc的云模型表示步骤: (1)已知数字特征为(Ex, E nx ,Hex ,Ey, Eny ,Hey)的二维半云,令x=Nn/Nc,y=Nn-Nc; (2)令E’nx~N(Enx,H2ex),E’ny~N(Eny,H2ey) (3)利用二维前件云发生器,产生二维确定度μ, (4)生成(0,1)均匀分布随机数R,如果R≤μ,则表示Nn明显多于Nc. 优化过程 优化云模型参数的过程是通过仿真实验进行迭代，逐步寻找在不同交通量下,使目标函数最小化的参数组合。其步骤如下: （1）产生初始方案，生成一组Ex、Enx、Ey、Eny的值，该值可由试算得到。 （2）模拟T时间，得到该方案的统计指标F*0，即目标函数Q值（总停车等待时间）。 （3）利用初始搜索步长Si0（i=1,2,3,4,），对初始方案的Ex、Enx、 Ey 、Eny，分别进行加减变化，产生8个新方案，每个方案仿真T时间，得到统计指标Fik（i=1,2,3,4,k=1)，令F*k= 优化过程 仿真试验 通过仿真实验,将基于云模型的信号控制方法与定时控制和感应控制方式进行比较,验证此方法的可行性和有效性.采用VC开发的道路交通控制仿真环境。下图为仿真路口设置。 仿真试验过程 首先对基于云模型的信号控制参数进行优化,T=1h.对不同交通量下(分别是： 3060,3 600, 3960,4320,4 680,5 040 (pcu/h))的信号控制过程进行仿真实验,以总停车延迟最小为目标函数,经过迭代计算,得到最优参数组合,作为相应交通量下云模型控制方式的方案. 分别采用定时控制、感应控制和基于云模型的信号控制方式,经过多次仿真实验,经过平均后得到1h的实验结果. 仿真试验结果 基于云模型的交通信号 自学习控制方法 主要内容 介绍云模型 介绍基于云模型的交通信号自学习控制方法 信号控制规则集中有控制规则5条: (1)如果当前绿灯相位的绿灯累计时间小于基础绿灯时间,则延长当前绿灯相位绿灯时间1s; (2)如果当前绿灯相位的绿灯累计时间大于最大绿灯时间,则转换至下一相位为绿灯; (3)如果当前绿灯相位的到达车辆数为零,则转换至