基于改进深度强化学习方法的单交叉口信号控制

利用深度强化学习技术实现路口信号控制是智能交通领域的研究热点。现有研究大多利用强化学习来全面刻画交通状态以及设计有效强化学习算法以解决信号配时问题,但这些研究往往忽略了信号灯状态对动作选择的影响以及经验池中的数据采样效率,导致训练过程不稳定、迭代收敛较慢等问题。为此,文中在智能体模型设计方面,将信号灯状态纳入状态设计,并引入动作奖惩系数来调节智能体动作选择,以满足相位最小绿灯时间和最大绿灯时间的约束。同时,结合短期内交通流存在的时序相关性,文中采用优先级序列经验回放(Priority Sequence Experience Replay,PSER)的方式来更新经验池中序列样本的优先级,使得智能体获取与交通状况匹配度更高的前序相关样本,并通过双Q网络和竞争式Q网络来进一步提升DQN(Deep Q Network)算法的性能。最后,以杭州市萧山区市心中路和山阴路形成的单交叉口为例,在仿真平台SUMO(Simulation of Urban Mobility)上对算法进行验证,实验结果表明,提出的智能体模型优于无约束单一状态模型,在此基础上提出的算法能够有效缩短车辆平均等待时间和路口总排队长度,控制效果优于实际配时策略以及传统的DQN算法。

多行车同轨运行的作业避碰及调度优化

多台行车在同一轨道上运行时,不可避免会存在冲突,需优化吊运任务的行车分配方案,减少各行车之间的避让次数。综合行车运行方向和任务优先级序列,提出基于优先级传递的作业避碰策略,实现多行车之间的有效避碰;通过仿真时间钟的推进,模拟行车运行,生成调度可行解。通过遗传算法,优化吊运任务的行车分配与优先级序列,同时实现任务完成数量的最大化和行车被动运输总距离的最小化,从而达到优化行车运行调度的目的。实例验证了所提出方法的可行性和合理性。

SAGA:一种面向任务的卫星网络资源分配算法

针对现有卫星网络多资源、多任务约束下的资源分配,没有同时考虑任务完成时间和任务优先级导致的任务总体完成时间过长、任务优先级匹配度不高等问题,定义了任务序列优先级逆序数,建立了以任务总体完成时间最短和任务序列优先级逆序数最小为目标的约束模型,提出了一种自适应遗传算法并对模型进行求解.该算法利用精英保留的思想改进了采用轮盘赌策略的选择算子并且给出了一种能够自适应更新自身概率的变异、交叉算子,解决了标准遗传算法容易陷入局部最优的缺陷,避免了最优解的丢失.仿真实验验证表明,本文算法在任务总体完成时间方面降低了15.84%,在优先级逆序数方面降低了24.32%,有效解决了卫星网络多资源、多任务约束下的多目标分配问题.

基于系统工程学的建设工程造价标准体系构建

本文结合《工程造价改革工作方案》,系统梳理了建设工程造价标准化现状和需求。从系统工程学视角,利用一般系统结构理论对标准体系结构逐层分解,根据霍尔三维结构模型及建设工程造价标准约束维度较多的特点,将其拓展至六维结构模型,并提供了一种利用定位维度空间来定位标准属性,可拓维度空间确定标准体系的可行域的方法。然后,详细描述了层次维、级别维、状态维、阶段维、专业维、属性维6个维度,初步构建了建设工程造价标准体系框架。最后,基于序列优先级对某一领域内的标准集合体进行重新排列,按优先级开展标准修编工作,为解决建设工程造价标准化工作中标准重复矛盾以及标准缺失等问题提供了新思路。