基于NashCC-Q学习的两交叉口信号灯协调控制

提出一种NashCC-Q学习算法用于解决两交叉口信号灯协调控制问题。根据博弈论概念,相邻两交叉口之间的协调控制问题属于二人非零和合作博弈类型。在Nash-Q学习算法的基础上,将Q值函数的更新建立在Nash合作博弈中提出的Nash"公理方法"求博弈谈判解的基础上,进而解决合作博弈的问题,实现两交叉口信号灯协调控制。采用Paramics仿真软件进行仿真,结果表明该方法的有效性。

基于Q学习算法的两交叉口信号灯博弈协调控制

Q学习和博弈论相结合解决相邻两交叉口信号灯协调控制问题。在基本Q学习算法的基础上引入博弈论,以Q值作为赢得函数建立赢得矩阵。相邻两交叉口之间的协调关系属于二人非零和合作博弈,采用Nash公理方法求得其谈判解,并以此作为Q学习策略选择的依据实现两交叉口协调控制。应用Paramics交通仿真软件进行算法仿真,结果表明该方法的有效性。

Grace车队密度散布模型的更正及应用

首先剖析Grace的交叉口车队密度散布模型 ,发现其错误所在。进而研究车队散布中的密度变化规律 ,提出正确的密度散布模型。并且将该模型用来推导下游信号灯交叉口的绿灯开始被截的车辆数的数学表达式 ,这个结果可用于相邻交叉口信号灯协调控制。