Алгоритм адаптивного управления светофорами на основе алгоритма роя частиц Текст научной статьи по специальности «Компьютерные и информационные науки»

Значение правого регулирования и основа производственного контроля.

Важно понимать, что нормативно-техническая документация по безопасной эксплуатации различных технических устройств включает в себя все, что необходимо для безопасного производства. Внедрение производственного контроля является первым этапом формирования эффективно действующих систем управления промышленной безопасностью на опасных производственных объектах, которые подконтрольны Ростехнадзору РФ.

В основе организации административно-производственного контроля за соблюдением требований промышленной безопасности лежит Федеральный закон «О промышленной безопасности опасных производственных объектов» (116-ФЗ). Помимо этого на предприятии руководствуются постановлением федеральных министерств, подзаконных актов, а также локальными правовыми документами, разрабатываемыми в соответствии со спецификой технического производства [1]. Заключение.

Грамотно налаженный производственный контроль за соблюдением требований промышленной безопасности представляет собой один из наиболее важных элементов в системе управления промышленным производством. Этот процесс выполняется субъектами хозяйственной деятельности, которые задействованы в работе с опасными объектами, причем вне зависимости от их организационно-правовой формы. К соблюдению норм и правил в области промышленной безопасности следует подходить очень ответственно, так как от этого напрямую зависит жизнь и здоровье не только рабочего персонала, но и окружающих. За несоблюдение правил и требований промышленной безопасности, руководители и ответственные лица несут дисциплинарную, административную и уголовную ответственность.

Литература

1. Федеральный закон № 116-ФЗ «О промышленной безопасности опасных производственных объектов» (с изменениями на 13 июля 2015 года).

2. Постановление Правительства РФ от 10 марта 1999 г. № 263 «Об организации и осуществлении производственного контроля за соблюдением требований промышленной безопасности на опасном производственном объекте» (с изменениями от 30 июля 2014 г.).

Алгоритм адаптивного управления светофорами на основе алгоритма роя частиц Зиновьев И. В.

Зиновьев Иван Вадимович / Zinovyev Ivan Vadimovich - студент, кафедра автоматизированных систем управления, факультет автоматики и вычислительной техники, Новосибирский государственный технический университет, г. Новосибирск

Аннотация: в статье рассматривается алгоритм адаптивного управления светофорами, построенный на основе алгоритма роя частиц и моделирования в программе микроскопического моделирования SUMO и оценивается его эффективность.

Ключевые слова: алгоритм роя частиц, оптимизация управления дорожным движением, адаптивное управление дорожным движением, моделирование транспортных потоков, микроскопическое моделирование, SUMO.

Актуальность проблемы.

Автомобильные пробки представляют серьезную проблему для современных городов. Экономические потери, экологические проблемы, фрустрация автомобилистов - негативные последствия дорожных заторов. Причина пробок зачастую и во многом кроется в том, что пропускная способность дорог используется неэффективно из-за предустановленных программ светофоров, которые не отвечают на изменение интенсивности движения транспорта.

В свою очередь непрерывная оптимизация программ светофоров, приводящая их в соответствие с текущей дорожной обстановкой, должна повысить эффективность использования транспортной инфраструктуры, снизить экономические потери, сократить время ожидания водителей на перекрестках, время поездок, выбросы загрязняющих веществ в атмосферу, а также потребление топлива.

Краткое описание алгоритма.

Для того чтобы оптимизировать программы светофоров, необходимо владеть достоверной информацией о транспортных потоках. В данной работе используются данные, которые могут быть получены от так называемых детекторов проезда (англ. passage detectors). Детекторы позволяют получить такие данные, как интенсивность движения и средняя скорость транспортных средств.

Имея указанные данные, можно построить модель, близкую к реальной дорожной обстановке. Используя алгоритм роя частиц и модель транспортных потоков для оценивания потенциальных решений, можно получить приближенное решение, близкое к оптимальному.

Для моделирования транспортных потоков используется программа микроскопического моделирования SUMO (Simulation of Urban MObility), а для приведения модели в соответствие с реальной дорожной обстановкой на основе данных, полученных от детекторов транспорта - утилита DFROUTER.

Алгоритм роя частиц.

В 1995 году Джеймс Кеннеди (James Kennedy) и Рассел Эберхарт (Russel Eberhart) представили алгоритм роя частиц [3], вдохновением для которого послужило социальное поведение стаи птиц, алгоритм, изначально предназначенный для оптимизации непрерывных функций. В алгоритме каждое потенциальное решение задачи называется положением частицы (положение и решение далее используются как синонимы), а популяция частиц - роем. Частица характеризуется своим положением и скоростью, а также хранит свое лучшее положение и лучшее положение среди роя.

После появления оригинального алгоритма было предложено несколько его модификаций. В данной работе используется канонический алгоритм роя частиц (англ. Canonical PSO algorithm), представленный в 2002 году Марис Клер (Maurice Clerc) и Джеймсом Кеннеди [2].

Алгоритм представляет собой итеративный процесс, на каждом этапе которого обновляются значения скорости и положения каждой частицы роя. В конце каждой итерации обновляется лучшее решение среди всего роя.

Алгоритм может быть описан на псевдокоде следующим образом: l: Инициализация роя

2: Нахождение лучшего решения среди роя 3: ПОКА j < количество итераций 4: ЦИКЛ по каждой частице i 5: vlj+1= ОбновитьСкорость () б: xj+1= ОбновитьПоложение ( ) 7: Оценить ( xj+1 ) в: Pj+i = Обновить () 9: КОНЕЦ ЦИКЛА

10: g j+1 = ОбновитьЛучшееПоложениеСредиРоя () 11: КОНЕЦ ЦИКЛА

Положение частицы х1 обновляется на каждой итерации j посредством формулы (1),

xj+1=xj + vj+1 (1) где vj+1 - скорость частицы, вычисляемая в соответствии с формулой (2),

vj+1 = хOj + Ci€i(pj - xj) + c2e2(g¡ - xj)) (2), где e1, e2 - случайные числа с равномерным законом распределения в диапазоне [ 0, 1 ] ; pj - лучшее решение, найденное частицей i к итерации j;

- лучшее решение, найденное всем роем к итерации ; X - коэффициент, позволяющий ограничить скорость частиц. Вычисляется перед началом итеративного процесса и равен:

X = Ь—ГгГ\ (3)

2-cp-VíP -4ср

(p = Ci + C2 (4),

где и - веса локальной (на уровне частицы) и глобальной (на уровне роя) информации, соответственно, как правило, равные.

Для того чтобы гарантировать сходимость, p принимается равным p = 4 . 1 , и, следовательно, c1= c2= 2 . 0 5 [1].

На каждой итерации для каждой частицы производится оценка потенциального решения, и, в случае, если текущее лучшее решение хуже, то оно заменяется новым. После оценки положений всех частиц обновляется лучшее решение среди роя. SUMO.

SUMO (Simulation of Urban MObility) - широко распространенная среди исследователей в области транспорта программа для микроскопического моделирования дорожного движения. SUMO позволяет импортировать карты из OpenStreetMap, таким образом не требуется самостоятельно описывать дорожную сеть и светофоры.

Для целей данной работы SUMO требуется 3 типа файлов: .net.xml - содержит географические данные о дорогах и светофорах; .rou.xml - содержит маршруты транспортных средств;

vehicles.xml - содержит транспортные средства, которые будут использованы в модели.

Первый файл можно получить из файла .osm посредством утилиты NETCONVERT, два последних - с помощью утилиты DFROUTER. Второй и третий файлы генерируются на основе данных дорожных детекторов и требуют, в свою очередь, следующие входные файлы:

detectors.xml - описывает положение детекторов;

flows.txt - описывает транспортные потоки (интенсивность движения и средняя скорость).

Структура решения SUMO.

Светофоры в SUMO описаны в файле .net.xml и имеют структуру, представленную на рис. 1. Обозначения имеют следующее значение: r - красный сигнал светофора; y - желтый сигнал светофора;

G - зеленый сигнал светофора, движение в данном направлении приоритетно; g - зеленый сигнал светофора, движение в данном направлении неприоритетно, транспортные средства должны уступить дорогу тем, чье направление имеет сигнал G.

<tlLogic ¡d="280669878" type="stat¡c" programlD="0" offset="0"> <phase duration="21" state="GGGggrrrrGGGggirrr"/>

<phase duration="9" sta1e="yyyggn7ryyyggrrrr"/>

<phase duration="6" state="rrrGGrrrrrrrGGrrrr"/> <phase duration="9" state="rrryyrrrrrrryyrrrr"/> <phase duration="21" state="rrrrrGGggrrrrrGGgg"/> <phase duratíon="9" state="rrrrryyggrrrrryygg"/> <phase duration="6" state="rrrrrrrGGrrrrrrrGG7> <phase duration="9" state="rrrrrrryyrrrrrrryy"/> </tlLoaic>

Рис. 1. Представление светофоров на перекрестке в SUMO

Решение, которое будет использоваться в алгоритме роя частиц, то есть положение частицы, имеет следующий вид (Рис. 2):

¡с1 = "280669878" ¡с! = "280669879"

21 9 6 9 21 9 б 9

J J

Рис. 2. Структура решения для алгоритма роя частиц

Таким образом, положение каждой частицы - это совокупность длительностей фаз всех светофоров дорожной сети.

Критерий эффективности.

В качестве критерия, по которому оцениваются потенциальные решения, взято общее время поездок всех транспортных средств в модели SUMO. То есть, время от начала моделирования до момента, когда все транспортные средства достигнут своего места назначения. Соответственно, чем меньше это время, тем лучше решение. Данная процедура соответствует строке 7 псевдокода алгоритма роя частиц.

Результаты.

Для того чтобы оценить эффективность алгоритма, было проведено сравнение с программами светофоров, которые SUMO выставляет по умолчанию.

Проведено пять испытаний алгоритма на фрагменте карты с 10 объектами tlLogic. Количество итераций - 10. Количество частиц в рое - 10. Результаты представлены в таблице 1. Предварительно был произведен сеанс моделирования с программами светофоров, установленными SUMO, который показал результат - 810 секунд.

Значение показателя эффективности, сек. Время вычислений, мин. Улучшение по сравнению с SUMO, %

695 2:38 14

688 2:38 15

544 2:27 32

642 2:32 20

671 2:41 17

В среднем достигнуто улучшение в 19 % при среднем времени вычислений 2 минуты и 35 секунд. Выводы.

Испытания показали, что при помощи предложенного алгоритма могут быть достигнуты неплохие результаты при удовлетворительном времени вычислений. В ходе дальнейшей работы планируется применить к данной проблеме другие алгоритмы и сравнить их эффективность с описанным в данной статье.

Литература

1. Bratton D., Kennedy J. Defining a standard for particle swarm optimization // Proceedings of IEEE Swarm Intelligence Symposium. 2007. С. 120-127.

2. Clerc M., Kennedy J. The particle swarm - explosion, stability, and convergence in a multidimensional complex space // IEEE Transactions on Evolutionary Computation. 2002. 6 (1). С. 58-73.

3. Kennedy J., Eberhart R. Particle swarm optimization // Proceedings of IEEE International Conference on Neural Networks. 1995. № 4. С. 1942-1948.

Частотный анализ как один из наиболее эффективных методов вскрытия простых шифров Грошков П. В.

Грошков Павел Викторович / Groshkov Pavel Viktorovich - студент, кафедра информационной безопасности, факультет микроприборов и технической кибернетики, Национальный исследовательский университет Московский институт электронной техники (МИЭТ), г. Зеленоград

Аннотация: в данной статье я на примере разберу один из наиболее эффективных методов вскрытия криптографических шифров - метод частотного анализа. Ключевые слова: шифрование, расшифрование, биграмма, частотный анализ.

Еще с древних времен у людей появилась возможность тайно обмениваться информацией между друг другом при помощь шифрования текста, причем чаще всего использовались самые примитивные шифры замены, в которых каждая буква передаваемого сообщения заменялась на какой-то заведомо известный обоим переговаривающимся сторонам символ. В данной статье я попробую рассказать, почему такие алгоритмы шифрования, как обычная замена, являются легко вскрываемыми и ненадежными.

Для взлома такого вида шифров был придуман метод под названием «Частотный анализ» [2, с. 1], который сравнивает частоты встречаемости символов в открытом (исходном) и закрытом (зашифрованном) текстах. С годами учеными было выяснено,