CC BY
72
© О.Е. Фомичева, К.В. Барзиков, 2011
О.Е. Фомичева, К.В. Барзиков
АНАЛИЗ И ОПТИМИЗАЦИЯ ТРАНСПОРТНЫХ СИСТЕМ НА БАЗЕ МНОГОАГЕНТНЫХ КЛЕТОЧНЫХ АВТОМАТОВ
Рассмотрен способ анализа транспортных систем посредством многоагентного моделирования при помощи метода клеточных автоматов. Данный способ относится к методам динамического моделирования и имеет некоторые преимущества перед классическими методами, а также обладает большей наглядностью по сравнению с применением в модели законов газодинамики. Ключевые слова: моделирование, клеточный автомат, многоагентная система, транспорт, среда разработки, метрополитен.
~П современном мире чрезвычайно остро стоит вопрос об оп--И-М тимальности и методах оптимизации транспортных систем. При этом одной из основных задач при их анализе является выявление «узких мест», возникающих при разном графике загруженности; нахождение оптимального по времени и (или) расстоянию пути. Классические алгоритмы динамического программирования, такие, как алгоритм Дейкстры [8], алгоритм Беллмана-Форда [7] и другие эффективны далеко не во всех реальных системах и часто требуют дополнительного сбора статистических данных или экспертных оценок. Гораздо эффективнее в этом плане может стать многоагентное имитационное моделирование транспортных систем. Абстрактная модель любой транспортной системы может быть представлена в виде графа, каждая вершина которого является как источником, так и приемником виртуальных объектов транспортного движения, имеющих место отправления, место назначения и движущихся в соответствии с тем или иным алгоритмом нахождения пути. В [6] было показано, что такой алгоритм может быть реализован на базе клеточного автомата. Клеточный автомат представляет собой некоторую плоскость или пространство, состоящие из конечного количества элементов, которые могут принимать те или иные значения в зависимости от предыдущего состояния системы в соответствии с
Рис. 1. Модель станции метрополитена
алгоритмом перехода. Классическим примером клеточного автомата является игра «Жизнь».
При разработке программной реализации в качестве объекта моделирования был выбран Московский Метрополитен. Для упрощения модели его линии были реализованы в виде однородной среды, но возможна и реализация, учитывающая движение поездов. Модель станции в графическом представлении показана на рис. 1. Размеры модели взяты в масштабе 0,25 кв. м. на клетку. Именно столько площади примерно занимает один пассажир (агент системы). Движущиеся агенты системы условно показаны светло-серым цветом. Черным обозначены границы станции, на каждой итерации алгоритма модели для каждого агента блокируется возможность занятия им клетки границ. Клетки генерации и приема агентов расположены, соответственно, на входах и выходах со станции. Каждая клетка генерации агентов создает в клетках своей окрестности агентов с заранее заданными свойствами. Клетка приема является целью для агентов, сгенерированных на других станциях. Агент, имеющий пункт отправления и пункт назначения, стремится к последнему в соответствии с заранее заданным алгоритмом нахождения кратчайшего пути.
Рис. 1 представляет собой фрагмент модели всей системы метрополитена. В процессе моделирования клетки-агенты генерируются на входах станций, проходят путь до станции назначения и удаляются из системы, генерируя поток событий, который фиксируется в памяти компьютера с целью дальнейшей статистической обработки. В процессе выполнения программной реализации пользователь может регулировать количество агентов в системе, имитируя различные пассажиропотоки, «часы-пик» и т.д. в реальном времени. Также возможно внесение изменений в работу станций, благодаря че-
му может быть смоделирована обстановка, возникающая при открытии строящихся станций, или наоборот, при закрытии действующих. В процессе обработки статистических данных была получена информация:
5. О режимах работы метрополитена в условиях разных пассажиропотоков и в случае критических ситуаций (перекрытие станций, переходов, блокирование проходов).
6. Об «узких местах» в транспортной системе метрополитена, которые необходимо учитывать при строительстве новых станций.
7. Об оптимальном маршруте проезда с одной станции на другую во время «часов-пик», и т. д.
На рис. 2 рассмотрены результаты обработки статистических данных, демонстрирующие загруженность Сокольнической линии при различной активности пассажиро-потока.
ЮЗ ПВ У ВГ Сп Ф ПК К БиЛ Ор Л ЧП КВ Ко КС Со ПП Ч УП
Рис. 2. Мнемосхема загруженности станций Сокольнической линии метро
На данном рисунке загруженность различных станций показана в виде мнемосхемы, где более светлыми окружностями показаны наиболее загруженные станции, а более светлыми соединитель-
ными линиями - наиболее загруженные перегоны (идея именно такого отображения разработана конструктором-эргономистом Т. Мисютиной).
Как видно из мнемосхемы, наименее загруженными станциями при всех отработанных режимах пассажиропотока являются Воробьевы Горы и Кропоткинская, самыми загруженными - Комсомольская, Библиотека имени Ленина, Охотный Ряд.
Метод моделирования транспортных систем на основе клеточных автоматов является универсальным и может быть применен для моделирования любой наземной транспортной системы, а также для моделирования систем распределенного обслуживания с целью обнаружения «узких мест», прогнозирования аварийных ситуаций и внесения изменений в систему. В отличие от классических алгоритмов динамического программирования, клеточные автоматы позволяют создать более реалистичную модель, обладающую, к тому же, большей наглядностью, чем модели транспортных систем на основе физических законов газодинамики, которые разрабатываются и применяются на практике зарубежными разработчиками. Программная среда разработки моделей на основе клеточных автоматов планируется автором данной статьи в рамках написания кандидатской диссертации.
------------------------------------------- СПИСОК ЛИТЕРАТУРЫ
1. Расстригин Л.А. Адаптация сложных систем. Изд. «Зинатне», Рига, 1981.
2. Тоффоли Т., Марголус Н., Машины клеточных автоматов, М.: «Мир»,
1991.
3. Уэзерелл Ч., Этюды для программистов, М.: «Мир», 1982
4. Conway J.H., Regular algebra and finite machines, Chapman and Hall, 1971
5. Further Travels with my Ant, D. Gale, J. Propp, S. Sutherland, S. Troubetzkoy.
6. Барзиков К.В. Интеллектуальная система управления робототехнической платформой. Дипломный проект, Москва, 2010 г. (рук-ль доц., к.т.н Фомичева О.Е.)
7. http://ru.wikipedia.org/wiki/%D0%90%D0%BB%D0%B3%D0%BE%D1%80 %D0%B8%D1%82%D0%BC_%D0%91%D0%B5%D0%BB%D0%BB%D0%BC%D0 %B0%D0%BD%D0%B0_%E2%80%94_%D0%A4%D0%BE%D1%80%D0%B4%D0 %B0
8. http://ru.wikipedia.org/wiki/%D0%90%D0%BB%D0%B3%D0%BE%D1%80 %D0%B8%D1%82%D0%BC_%D0%94%D0%B5%D0%B9%D0%BA%D1%81%D1 %82%D 1 %80%D 1 %8B
9. http://goncharov.fatal.ru
10. Дж. Форрестер. Динамика развития городов, “Прогресс”, 1974. 11 .Дж. Форрестер. Мировая динамика, “Мир”, 2003. \ЕШ
КОРОТКО ОБ АВТОРАХ -----------------------------------------------------------
Фомичева О.Е. - доцент каф. АСУ, кандидат технических наук,
Московский государственный горный университет,
Moscow State Mining University, Russia, ud@msmu.ru
Барзиков Константин Васильевич - аспирант кафедры АСУ МГГУ, старший инженер-технолог комплекса динамических испытаний электровакуумных приборов ФГУП НПП Торий.
