CC BY
8
обременительной ноши с плеч программистов, которые смогут перенаправить свои силы на другие аспекты деятельности, но только в том случае, если эти приложения используют программные интерфейсы TSX-NI.
Принцип работы заключается в том, что TSX работает поверх механизма КЭШей. У cache line появляется дополнительный бит - что этот cache line в данный момент используется транзакцией. Поток начинает транзакцию специальной инструкцией. После этого и до комита транзакции все операции, работающие с памятью, помечают соответствующий cache line как участвующий в транзакции. А если соответствующий cache line уже занят другой транзакцией, то процессор делает переход по специальному адресу, который задается в транзакции.
При этом поддержка TSX позволяет оптимизировать работу процессоров с несколькими вычислительными потоками, что приведет к росту быстродействия системы в целом.
Использованные источники:
1. https://ru.wikipedia.org/wiki/
2. http://ark.intel.com/ru/products/
3. http://ark.intel.com/ru/compare/
4. http://buytech.ru/
УДК 004.8, 62-50
Хамидулин Т. Г. студент 4 курса
факультет информационных систем и технологий Поволжский государственный университет телекоммуникаций и информатики
Россия, г. Самара
ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ ГОРОДСКИМИ СВЕТОФОРАМИ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ
Аннотация:
В работе рассматривается задача оптимального управления транспортными потоками. Управление транспортным потоком достигается за счет изменения активных фаз светофоров. В статье представлен нейросетевые подходы для корректировки параметров сети дорог.
Ключевые слова: управление транспортными потоками; искусственные нейронные сети
Khamidulin T.G., student 4 courses Faculty of Information Systems and Technologies Povolzhsky State University of Telecommunications and
Informatics Russia, Samara
OPTIMIZATION OF MANAGEMENT OF URBAN LIGHTS WITH THE USE OF NEURAL NETWORKS
Annotation:
The paper deals with the problem of optimal control of transport flows. The control of the traffic flow is achieved by changing the active phases of traffic lights. The article presents neural network approaches for adjusting the parameters of the road network.
Key words: traffic management; Artificial neural networks
Одной из наиболее актуальных проблем крупных городов является проблема организации дорожного движения транспортных средств. Причина возникновения данной проблемы - несовершенный способ управления транспортными потоками. В управлении транспортными потоками особое значение имеет светофорное регулирование. Большинство современных систем управления светофорами работает по заданным интервалам времени и не способно справиться с непрерывно меняющейся ситуацией на дороге.
Перспективным направлением для решения этой задачи является оптимизация системы с помощью искусственных нейронных сетей.
Преимущество нейронных сетей заключается в возможности самообучения, что позволяет системе подстраиваться под изменяющуюся ситуацию на дороге.
Несмотря на многочисленные попытки, до сих пор не удалось получить качественную математическую модель управления городским движением. Такая модель должна определять функциональную зависимость параметров транспортных потоков от параметров управления. В наши дни транспортные потоки повсеместно регулируются посредством светофоров. Если удастся получить достаточно точную математическую модель потоков транспорта, мы сможем определять оптимальную длительность фаз сигналов светофоров для достижения максимальной пропускной способности узла дорожной сети.
Достаточно точная математическая модель управления дорожным движением, работающая в режиме предсказания, будет отображать оценку оптимальных параметров управления, а также принимать корректные решения в экстренных ситуациях.
Известные математические модели дорожного движения учитывают только средние значения потоков, а не точное количество машин на каждом участке дорог в конкретный момент.
Математическая модель дорожного движения строится на основе теории управляемых сетей. Такая модель учитывает сеть и структуру дорог,
ее изменение соответственно сигналам светофоров и позволяет рассчитывать состояние потоков в каждый момент времени. Главной сложностью является определение точных значений пропускных способностей маневров и количественных параметров распределения потоков.
Обзор применения нейросетей для оптимизации управления транспортными потоками.
Искусственные нейросети широко используются в управлении транспортными потоками в дорожной сети. Рассмотрим некоторые из последних работ в этой области.
Клеточные нейронные сети для задачи управления светофорами на отдельных перекрестках, т.е. без учета взаимовлияния режимов работы светофоров на соседних участках сети. В этой работе минимизируется суммарная задержка автомобилей на перекрестке. Для целей моделирования задержка потока, определяемая фазой работы светофоров, рассматривается как квадратичная функция от длительности зеленого света в этой фазе. На длительность зеленого света накладываются как линейные, так и нелинейные ограничения типа равенств.
Сравнение классических ИНС и нечетких контроллеров в качестве систем управления светофорами. Авторы данной применения предлагают использовать нейронную сеть с одним скрытым слоем, на вход которой подается вектор с количеством простаивающих перед каждым светофором машин, а на выходе получают длительность каждой фазы. ИНС обучается методом генетического алгоритма.
Применение «вдохновленные биологией» нейронные сети ^ЫЫ) для управления перекрестком. В таких методах делается упор на исследование динамики в отличие от классических ИНС, в которых в основном рассматриваются процедуры обучения. BiNN исследуется на модели сложного перекрестка. Структура BiNN следующая: входные нейроны описывают очередь транспортных средств на каждой полосе. Выходные нейроны соответствуют фазам на полосах. Все выходные нейроны связаны с ингибиторными нейронами, подавляющими активность прочих выходных нейронов. Длительность фаз ограничивается уравнением, описывающим концепцию «имманентной пластичности» нейрона.
Использование глубокой сверхточной искусственной нейросетьи для адаптивного управления траффиком. Для обучения ИНС используется обучение с подкреплением. В терминологии парадигмы обучения с подкреплением ИНС называется агентом. Входной сигнал в ИНС формируется из предложенного авторами пространства состояний — дискретного кодирования состояния траффика (DTSE). Предлагается следующая нейросетевая архитектура. Используются две нейросети с идентичной структурой, но различным набором входных сигналов. В первую на вход подается бинарный вектор описывающий наличие/отсутствие автомобиля на участке дороги, во вторую вектор действительных чисел,
описывающий скорости автомобилей на участках дорог. Развернутые в вектор выходы нейросетей склеиваются друг с другом и с текущим состоянием фаз и подаются на вход полносвязной ИНС. Выходом из ИНС является индикаторный вектор, показывающий действие, которое агент должен совершить, а именно содержит номер фазы, которую следует включить.
В заключении хотелось бы отметить, что в отечественной практике слабо используются передовые знания и опыт в области светофорного регулирования. Это приводит к потере времени на светофорных пересечениях, снижению уровня безопасности дорожного движения, увеличенному расходу топлива и более интенсивному загрязнению окружающей среды выхлопными газами.
В настоящее время в РФ нет обязательных норм, регламентирующих построение цикла светофорного регулирования. Есть рекомендации и учебники, которые не обязательны для использования и не используются.
Для полного представления влияния регулирования на пересечениях необходим регулярный сбор данных о дорожно-транспортных происшествиях с фиксированием места, времени, условий, возраста участников, последствий ДТП и других параметров. Как минимум это позволит выявить пересечения с наиболее интенсивным возникновением ДТП, как максимум оценить условия, провоцирующие рискованное поведение участников дорожного движения и избегать их в будущем.
Оптимизация светофорного регулирования с применением нейронных сетей - относительно дешевый способ увеличить безопасность дорожного движения на пересечениях. Необходимо обратить пристальное внимание на этот способ, так как эффект может соответствовать дорогостоящим мероприятиям.
Использованные источники:
1. Казарян Д.Э., Михалев В.А., Софронова Е.А. Нейросетевые подходы к управлению потоками транспорта. Вестник Российского университета дружбы народов. Серия: Инженерные исследования. 2017. Т. 18 № 1. С. 97— 106.
2. Тимофеева О.П., Палицына С.С. Обучение нейронной сети интеллектуальной системы управления городскими светофорами. Журнал «Труды Нижегородского государственного технического университета им. Р.Е. Алексеева» 2016 №01 (112) С. 25-31.
