Содержание к диссертации
Введение
1. Аналитический обзор моделей методов; и .информационно коммуникационных технологий, применяемых при управлении транспортными потоками .11
1 1.Интеллектуальные транспортные системы (ИТС): определение, классификация, история развития; .11
1.2.Модельно-алгоритмическое обеспечение ИТС 17
1.2.1. Основные параметры и классификации состояний транспортного потока 17
1.2.2; Аналитическое моделирование транспортных потоков . ;...20
1.2.3; Имитационное моделирование транспортных потоков. 25
1.3. Перспективные направления развития ИТС 28
1.3 1. Применение в ИТС видеонаблюдения и телематики. 28
1.3.2. Применение нечеткой логики в, ИТС 29
1.3.3. Применение агентов ІВИТС
1.4.Анализ преимущества недостатков существующих ИТС. 33
1.5.Постановка задачи управления транспортными потоками мегаполиса посредством ИТС .39
Выводы. 41
2. Моделирование, анализ, прогнозирование и управление транспортными потоками на основе нечеткого вывода и применения формализмов временной логики..., .42
2.1. Функциональная схема управления транспортными потоками 42
2.2. Имитационная модель транспортного потока . 44
2.3.Спецификация и иерархия лингвистических переменных. 46 ,
2.4 .Моделирование поведения участников дорожного движения 51
2.5.Представление динамики транспортного потока с; помощью формализмов временной логики Аллена. 57
2.6.М6дель агрегации/сегрегации потоков; 62
2.7.Алгоритм/транзитивного замыкания семантических, сетей; 65
2 .8.Пространственно-временнойанализ=-транспортных потоков 67
2.9.Вёктор состояния транспортного потока 72
Классификация состоянийтранспортного потока ,74
2.11. Прогнозирование динамики состояний транспортных потоков...77
2:12. Выработка управляющих воздействий с учетом прогноза .82
2.13L Светофорное регулирование транспортных потоков на системе перекрестков.. 85
Выводы 94
Реализация интеллектуальной транспортной системы на» основе гетерогенныхагентов;с прогнозом и сложным поведением ; 95
3 Постановка задачи многоагентного имитационного моделирования и ее решение в среде AnyLogic: .95
3.2.Структура многоагентной системы МАИТЄ 96
3.3. Коммуникация;агентов и разрешение конфликтов ; 104
3.4. Агент-автомобилист 108
3.4.1. Структура агента-автомобилиста..: 108
3.4.2: Поведение агента-автомобилиста 110
3.4.3; Классификация агентов-автомобилистов. 111
3.4.4; Поиск оптимальных маршрутов помощью алгоритма А 113
3;5.Прогнозирующий агент :...115
3;5.1. Структура прогнозирующего агента 115
3.5.2. Построение прогноза в МАИТС .116
З.б.Координирующий агент 119
3.6.1. Структура координирующего агента: 119
3.6.2. Управление транспортными потоками посредством координирующих агентов: ; ;... 120
3.7.Программное обеспечение системы МАИТС 128
3.8.Программная реализация системы МАИТС 130
Выводы 136
4. Проверка эффективности разработанной системы и анализ ее преимуществ и недостатков 138
4.1.Методика экспериментальной проверки 138
4.2.Результаты экспериментов и их анализ 140
4.3. Графическая интерпретация состояний транспортного потока и их прогноза 143
4.4.Сравнение с другими ИТС 145
4.5. Анализ свойств, особенностей и возможностей дальнейшего совершенствования разработанной системы 147
Выводы 149
Заключение 150
Литература 151
- Аналитическое моделирование транспортных потоков
- Имитационная модель транспортного потока
- Коммуникация;агентов и разрешение конфликтов
- Графическая интерпретация состояний транспортного потока и их прогноза
Введение к работе
Актуальность работы
В настоящее время практически во всех мегаполисах темпы роста
количества автомобилей значительно опережают темпы развития улично-
дорожной сети. Это порождает ряд проблем дорожного движения:
транспортные заторы, снижение безопасности, загрязнение окружающей
среды, а также социально-экономические проблемы. В Москве эти
проблемы усугубляются из-за исторически сложившейся радиально-
кольцевой планировки города, существенного роста и уплотнения
городской среды, влияния пригородных транспортных потоков (ТП) и
разобщенности мест работы и проживания. Начиная с 90-х годов в развитых
странах (США, Зап. Европа, Япония и др.) получили определенное развитие
полностью автоматизированные системы дистанционного
централизованного оперативного управления дорожным движением, названные интеллектуальными транспортными системами (ИТС). Эксперты считают применение ИТС одним из наиболее перспективных способов решения перечисленных проблем дорожного движения.
Развитие ИТС сопровождается повышением уровня технической оснащенности транспортной инфраструктуры мегаполисов, разработкой более совершенных средств оперативного мониторинга, анализа и перераспределения ТП, а также стремительным развитием новейших информационных технологий, использующих фундаментальные результаты искусственного интеллекта. Это дает научно-технологическую базу для создания ИТС, позволяющих управлять дорожным движением мегаполиса с учетом прогноза динамических состояний ТП, влияния нештатных ситуаций и поведения различных типов участников дорожного движения. Для создания таких систем требуется проведение дополнительных теоретических исследований в области моделирования, анализа и прогнозирования ТП, выявления закономерностей влияния различных факторов и формализации знаний о динамических свойствах предметной области в целом.
Таким образом, актуальность данной работы обусловлена необходимостью разработки новых информационно-технологических средств моделирования, прогнозирования, анализа и управления ТП, позволяющих повысить эффективность управления дорожным движением.
Цель работы: повышение эффективности оперативного управления дорожным движением путем создания и исследования свойств интеллектуальной транспортной системы, основанной на многоагентном моделировании и прогнозировании транспортных потоков.
Задачи исследования
1. Анализ моделей, методов и информационно-коммуникационных технологий, применяемых при управлении дорожным движением.
Разработка функциональной схемы управления ТП мегаполиса на основе многоагентной ИТС.
Создание имитационной модели неоднородного ТП, позволяющей учитывать особенности поведения различных типов участников дорожного движения и нештатные ситуации на дорогах.
Выбор математического аппарата и разработка методики анализа, прогнозирования динамических состояний и управления ТП на основе распределенных баз данных и знаний.
Разработка базы знаний и структуры многоагентной ИТС, реализующей данную методику.
Программная реализация многоагентной ИТС.
Экспериментальная проверка работоспособности и анализ свойств и особенностей многоагентной ИТС.
Методы исследования основаны на использовании принципов системного подхода и искусственного интеллекта, теории множеств и теории графов, теории агентов и многоагентных систем, модальной и нечеткой логики, методов оптимизации и имитационного моделирования, а также теории ТП.
На защиту выносятся следующие научные результаты:
функциональная схема управления ТП мегаполиса посредством ИТС;
имитационная модель неоднородного ТП;
методика анализа, прогнозирования динамических состояний и управления ТП для различных классов типовых и нештатных ситуаций;
база знаний и структура многоагентной ИТС, реализующей разработанную методику.
Научная новизна содержится в следующих результатах работы:
функциональная схема управления ТП мегаполиса в классе многоагентных ИТС;
имитационная модель неоднородного ТП на основе применения гетерогенных агентов и формализмов нечеткой временной логики, позволяющих учитывать особенности структуры ТП и поведения участников дорожного движения;
методика структурного анализа, прогнозирования динамических состояний и управления ТП на основе интеллектуальных агентов, которая повышает эффективность работы ИТС и делает ее устойчивой к нештатным ситуациям и влиянию различных факторов;
база знаний и структура многоагентной ИТС, отличительными особенностями которой является наличие прогнозирующих агентов, иерархически организованная система координации, а также моделирование различных типов поведения водителей в ТП. Практическая полезность
Результаты работы позволяют повысить эффективность координированного управления ТП мегаполиса благодаря прогнозированию их динамических состояний, применению интеллектуальных агентов,
эффективных алгоритмов и адекватных моделей, учитывающих реальные особенности поведения участников дорожного движения.
Достоверность и обоснованность полученных результатов подтверждаются корректностью использования математического аппарата и методов исследований, апробацией основных результатов работы, результатами проведенных экспериментов, подтверждением полученных в работе данных результатами других исследований и статистической информацией о дорожном движением.
Реализация результатов
Полученные в работе результаты были программно реализованы и используются в практической деятельности организации ООО «СМИЛИНК», работающей в области сбора, обработки и анализа информации о дорожном движении, а также в учебном процессе МИЭМ при обучении студентов на кафедре "Математическое обеспечение систем обработки информации и управления", что подтверждено соответствующими справками и актом.
Апробация работы
Результаты работы докладывались в 2008 г. на XVI-й Международной конференции «Проблемы управления безопасностью сложных систем» (ИПУ, Москва), в 2005-2009 гг. на Ежегодной научно-технической конференции студентов, аспирантов и молодых специалистов МИЭМ, Москва; в 2005-2008 гг. на Международной студенческой школе-семинаре «Новые информационные технологии», (Судак, Украина), в 2005 г. на Шестом Всероссийском симпозиуме по прикладной и промышленной математике (Сочи, Россия).
Публикации
Основные результаты диссертации опубликованы в 12 научных работах, в том числе работы [1], [2], [3] - в журналах, включенных ВАК в Перечень ведущих рецензируемых научных изданий.
Структура работы
Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Основная часть работы изложена на 150 страницах, содержит 54 рисунка и 10 таблиц. Список литературы включает 105 наименований. Приложения содержат 10 рисунков и 16 таблиц.
Аналитическое моделирование транспортных потоков
Кроме того; ТЕК характеризуется составом-, т.е: процентным; . соотношением в немтранспортныххредствразличноготипа:Этот показатель определяется» на основе статистического5 анализа ..общего, .состава:, парка, автомобилей в данном регионе. Влияние состава на основные;параметры,TTI. объясняется, прежде всего, существенной разницей в. габаритных: размерах; автомобилей; длиньт которых приняты, следующими: легковых автомобилей дной; из,- наиболее распространенных является классификация состояний: TIT по . степени? заполнения» полосы движения [20]:.. Она определяется отношением; суммарной занимаемой.- автомобилями- площади полосы к ее общей;площади напроизвольномучастке дороги:,
Карлос Ф. Доганзо предложил, другое определение свободного движения TIT [22]: «Будем говорить, что ТП не образует очередей (является «свободным»), если случайно возникшую локальную помеху (disturbance) в движении ТП нельзя обнаружить выше по течению потока. И наоборот, «если локально индуцированные изменения скорости обнаруживаются выше по течению потока, мы говорим, что ТП является перегруженным (образует очереди)».
Выделяют следующие стадии ТП. Стадия 1. Пока дорога не загружена автомобили движутся на удобной им скорости и имеют неограниченную свободу маневрирования. На этой стадии автомобили сопоставимы с потоком частиц, имеющих большую свободу в своем перемещении. Стадия 2. Как только дорога становится переполненной, автомобили теряют часть свободы перемещения и вынуждены двигаться, согласовывая. свою скорость со скоростью потока в целом. При этом. они. уже не имеют возможности свободно менять полосу движения. Эта стадия названа-«синхронизированным» потоком. Стадия 3. При очень большом числе автомобилей в потоке движение приобретает прерывистый характер (т. н., режим «stop-and-go»). Автомобили становятся- на какой-то промежуток времени как бы «приклеенными» к одному месту дороги.
Понятие «фазового перехода» в ТП введено по аналогии с фазовыми переходами в жидкостях - превращение пара в воду или,воды в лед. Фазовые переходы позволяют представить скачкообразные изменения в скорости и плотности потока. Эти изменения возникают локально и распространяются волнообразно по потоку. Такое состояние может сохранять достаточно долго (час или1 два) и возникает, например, у въездов-съездов на автомагистралях. Эти явления не описываются ни одной из существующих аналитических моделей, но воспроизводятся- на имитационных моделях (например, клеточных автоматах). Поэтому механизм фазовых переходов до сих пор не исследован. 1.2.2 Аналитическое моделирование транспортных потоков
Основы математического моделирования закономерностей дорожного движения были заложены русским ученым профессором Г.Д. Дубелиром [37]. Первая попытка обобіцить математические исследования транспортных потоков и, представить их в- виде самостоятельного раздела прикладной математики была сделана Ф. Хейтом.[28].
До недавнего времени аналитические модели транспортных потоков делились на три класса: модели-аналоги, модели следования за лидером и вероятностные модели [28].
В моделях-аналогах движение транспортных средств уподобляется какому-либо физическому потоку (гидро- и газодинамические модели). Этот класс моделей принято называть макроскопическими. ТП рассматривается как поток одномерной сжимаемой жидкости, с допущением, что поток сохраняется и существует зависимость между его скоростью и плотностью [47].
Слагаемое wx называется конвекционным и описывает изменение скорости на данном участке дороги за счет кинематического переноса автомобилей из предшествующего сегмента дороги со средней скоростью потока. Первое слагаемое в правой части называется упреждающим и описывает тенденцию к сокращению скорости при возрастании плотности. Второе слагаемое добавляется для предотвращения разрывов и является аналогом вязкости. Третье слагаемое в правой части называется релаксационным и описывает тенденцию приближения средней скорости к равновесному при данной плотности значению.
Анализ показывает, что при высоких значениях плотности ламинарное движение ТП становится неустойчивым, и малые возмущения приводят к возникновению старт-стоп волн. Недостатком модели Пейна является устойчивость к малым возмущениям при всех значениях плотности. Этот недостаток устраняется следующим изменением в упреждающем члене уравнения:
Имитационная модель транспортного потока
Получение информации о ТП с помощью видеонаблюдения и фиксация в текущий момент времени t основных параметров ТП. Принимается допущение о наличии возможности получить указанную информацию о состоянии ТП в каждый момент времени [101], поэтому задачи, связанные с мониторингом ТП, в данной работе не рассматриваются. 2) На основании данных наблюдения отдельно по каждому району инициализируется имитационная модель ТП. В течение отрезка времени At = 2 мин в системе имитируется дорожное движение по каждому району на основе правил поведения участников дорожного движения и статистических данных о распределении ТП. А) Структурны» анализ ТЩ. целью- которого? является.; выделение: в потоке:групп автомобилей; которые в дальнеишемфассматриваются как один-объект, что? позволяет понизить размерность задачи; согласования) ТПлС-фазамисигналовісветофораіИі друг с другом: Б), Классификация состояний: ТИ путем сопоставления значений параметров; характеризующих состояние ТП с; набором? «эталонов», соответствующих определенному классу состояний G. 4) Прогнозирование реализуется на основе нечеткого? логического вывода: Производится последовательное прогнозирование состояний ТН для каждогоучасткаУДЄ с шагом;,прогнозирования-А1пр=2 мин В течение отрезка временшТ = 60=мин.При этом возможно 2 случая: А) Типовая; ситуация, т.е. в момент времени st: состояние ТИ на» данном участке УДС, а также входящих в него и исходящих из; него: ТГЕ можно-отнестиі к определенным классам» состояний:. Тогда применяется- правила нечеткого вывода; согласно» которым, определяется ориентировочное прогнозируемое состояние ТП. Для:; получения? уточненного- прогноза используются правила, учитывающие влияние таких факторов как приток/отток, АТС с прилегающих территорий; последствия управляющих воздействий; погодные условия ит.щ
Нештатная ситуация. Допустим, произошло: ДТП: или- перекрыта одна из! улиц; и. нет правила;, описывающего такую; ситуацию: Тогда прогнозируемое состояние рассчитывается на основе имитационного моделирования дорожного движения на данном участке.. По результатам моделирования составляется дополнительное правило; описывающее данную ситуацию:
Затем делаются: поправки, учитывающие статистику движения ТП в момент времени t+At на данном участке УДС, влияние управляющих воздействий, погодных условий и условий видимости, пешеходов, ограничений пропускной способности и-других факторов. Управление ТП осуществляется на нескольких уровнях: - на уровне мегаполиса путем назначения приоритетов каждому из районов по степени напряженности дорожного движения, а также коэффициентов, соответствующих критериям качества! управления ТП на основе анализа текущего и прогнозируемого состояния ТП; - на уровне округов-путем назначения более высокого приоритета ТП в тех участках сети, где движение наиболее затруднено и более- низкого приоритета ТП в тех участках УДС, где имеется свободный ресурс пропускной способности; - на уровне отдельных районов.путем перераспределения ТПс участков УДС с высоким приоритетом на участки с низким приоритетом следующими способами:
Координирование участников дорожного движения, которым предлагается оптимальный (с учетом прогноза) маршрут следования до их цели через наименее загруженные улицы. Благодаря этому они быстрее достигают своей цели, и уменьшается нагрузка на участки, имеющие высокий приоритет. Светофорное регулирование (СР) осуществляется на основе согласования движения групп автомобилей с фазами сигналов светофора, при этом преимущество отдается ТП, которым назначен более высокий приоритет. Распределение дополнительных ресурсов, таких как реверсивные полосы, средства ликвидации последствий аварий и т.д. Далее весь цикл работы системы повторяется. Имитационная модель транспортного потока Прототипом создания данной модели является имитационная модель ТП, описанная в [33]. Разработанная имитационная модель ТП F формулируется так: дорога содержит Nn полос; каждая полоса разбивается на N , клеток (рис. 2.2); в каждый момент времени t на одной клетке может находиться одно и только одно АТС АП1; ширина всех АТС равна 1 клетке; общее число АТС в потоке равно М.
В отличие от прототипа в модели вводится R классов АТС, которые различаются следующими параметрами: габаритной длиной (от 1 до 3 клеток); типом транспорта (легковой, грузовой или пассажирский); скоростью v в свободно движущемся потоке (усредненное значение скорости движения для данного класса АТС при отсутствии помех на дороге); типом поведения, отражающим особенности индивидуального поведения водителей в ТП и задаваемым множеством логических правил; долей данного класса АТС щ от общего числа автомобилей в ТП (зависит от района города).
Модель содержит элементы транспортной инфраструктуры, влияющие на ТП, такие как светофоры, дорожные знаки и т.д. Также учитывается влияние на ТП таких факторов, как условия видимости, погодные условия, пешеходы и ограничения- пропускной способности улиц.
Производится Т тактов моделирования с шагом моделирования і At4=2 с, которые определяют изменение состояния ТП за данный отрезок времени. За каждый такт моделирования АТС может переместиться, на одну или несколько клеток вперед или назад (задним ходом), перестроиться на одну из соседних полос или остаться на месте.
Таким образом, длжкаждого дискретного момента времени t (т.е. такта моделирования) каждое АТС Ат обладает следующими характеристиками: (ij) - номер клетки и полосы, на которых находится АТС, г - тип АТС. Записывается это как Am(rj;r), где т=1,2...М является порядковым идентификационным номером АТС в.данной модели.
Коммуникация;агентов и разрешение конфликтов
Аналогичным образом группе АТС Gn в потоке F ставится в соответствие множество временных интервалов gnb-..,gnb в течение которых Ат проезжает участки дороги si,...,Sk. В отличие от предыдущего случая, ширина Sj теперь равна ширине всей дороги, а не одной полосы.
Подпотоком PFcF в некоторый момент времени t будем называть множество двигающихся в одном ТП групп АТС, для которого верно: Это позволяет в каждый момент времени t представить поток F совокупностью нескольких подпотоков {PFj} или (частный случай) единственным подпотоком PF=F.
Улично-дорожной сетью (УДС) будем называть совокупность городских магистралей, дорог, улиц, проездов, а также дорожных покрытий инженерных сооружений (мостов, путепроводов, эстакад, тоннелей), по которым осуществляется движение автотранспорта и пешеходов [65]. Моделью некоторой УДС S служит направленный граф R, состоящий из набора ребер В1;...,Вь и набора вершин Ai,...,At., на элементах которого задается векторная функция, определяющая пропускную способность, протяженность и число полос для соответствующего участка УДС.
АТС проходят различные участки дороги рь соответствующей Вк. По матрице Мк рассчитывается стабилизированная матрица Мк [102].
Для последующего анализа состояния ТП, на основе матрицы Мк определяется числовая матрица ТЗк=[ГЗц, характеризующая степень затрудненности движения групп АТС в ТП на момент времени t. Элементам множества / ставятся в соответствие следующие числовые коэффициенты: множество ТП на УДС S, {PFb PF2,...,PFNPF} -множество образующих их подпотоков. Каждому подпотоку PF, e:Fk ставится в соответствие временной интервал pfi в течение которого PF; проходит участок Вк сети S. Далее рассчитывается стабилизированная матрица Ms , содержащая все возможные отношения между парами интервалов из множества {pfj, рґг,..., pfNPFK которая будет использоваться для светофорного регулирования дорожного движения на УДС S.
Таким образом, пространственно-временной анализ на основе применения аппарата интервальной логики делает возможным представление структуры ТП на уровне отдельных АТС, групп и подпотоков посредством бинарных отношений. Это позволяет понизить размерность задач анализа, прогнозирования и координирования ТП в масштабах мегаполиса и решать перечисленные задачи в режиме реального времени при оперативном управлении дорожным движением. 2.9 Вектор состояния транспортного потока
Функции принадлежности, соответствующие термам из P(L_10) изменение затрудненности за At=2 мин; Р = P(L_11) = {«уменьшение», «отсутствует», «увеличение»}; X = [-30, 30] (%) графики функций принадлежности для Pi eP(L_ll) (i=l, 2, 3) аналогичны приведенным на рис. 2.16. Для определения функций принадлежности использовались экспертные оценки, полученные с учетом результатов анализа ТП, проведенного в работах [20], [49], [68] и статистических данных (Приложение 1). Такое представление состояния ТП дает возможность учитывать не только значения параметров, характеризующих поток в момент времени t, но и динамику этих параметров. Это позволяет данной модели сочетать преимущества, получаемые при имитационном моделировании с преимуществами дифференциальных аналитических моделей, в которых динамика учитывается производными.
Задача классификации состояний ТП [41] заключается в отнесении в каждый момент времени t состояния ТП Fk на участке УДС рк (к=1,..,К) к одному из возможных классов состояний. Эти данные используются при последующем анализе дорожного движения, прогнозировании динамики состояний потоков и выработке УВ.
На основе анализа статистической динамики ТП и существующих классификаций состояния, описанных в [20], [22] и [68], была введена ЛП
Элементы множества Р(С) описывают стадии ТП от свободного движения до затора при отсутствии нештатных ситуаций (таких как ДТП, наличие препятствий на дороге и т.п.). Данная классификация состояний ТП расширяет классификацию, приведенную в п. 1.2.1 за счет введения 4-х переходных классов состояния.
Состояние ТП Fk определяется при помощи вектора состояния Vk (см. п. 2.9). Определение класса состояния ТП Ft происходит по алгоритму Мамдани на основе следующих правил: ЕСЛИ «плотность ТП средняя» И «изменение плотности ТП отсутствует» И «временной интервал прохождения ТП участка УДС средний» И «временной интервал увеличился» И затрудненность движения в ТП высокая» И «изменение затрудненности движения отсутствует» ТО «состояние ТП есть, Сб (плотное движение)».
В случае; когда не активировано ни. одно классифицирующее правило; для данного ТПкрнстатируетсящештатная.ситуация;. Результатоманализаібостояний ТИів.момент времени для некоторого района; является определение классов.; состояний Ct или констатация? нештатных ситуаций для каждого. ТП- Ft в данном; районе: Важным. преимуществом разработанной классификации является то;, что она учитывает стохастичность и нестационарность ТП.
Этап нахождения уточненного прогноза: происходит корректировка полученного ориентировочного прогноза путем учета влияния в течение-интервала времени; (t,t+Atnp)І следующих факторов [51]: приток/отток АТС с: прилегающих территорий, последствия УВ количество пешеходов, погодные условия и условия видимости, пропускная способность дорог. Влияние перечисленных факторов .определяется следующими ЛП.
Графическая интерпретация состояний транспортного потока и их прогноза
В качестве инструмента имитационного моделирования-используется программный пакет Anybogic 5. В нем реализованы классы- программных агентов, модели их поведения, механизмы взаимодействия, структура и параметры, системы. В Anybogic также моделируется» УДС, задаются и корректируются факторы, влияющие на дорожное движение, и параметры системы, и, осуществляется визуальное отображение полученных результатов.
Выбор AnyLogic был обусловлен следующими факторами. AnyLogic основан на Java, что позволяет использовать выражения, операторы, функции или библиотеки языка Java, а также легко интегрировать систему с внешними java-приложениями и другими элементами корпоративной 1Т-инфраструктуры. AnyLogic позволяет строить как стохастические, так и детерминированные модели и проводить анализ результатов моделирования. Поддерживается, более 35 стандартных вероятностных распределений. В AnyLogic входят средства сбора и анализа статистики в работающей модели, а такжееё презентации и экспорта в другие приложения. AnyLogic включает один из лучших оптимизаторов OptQuest, позволяющий находить экстремумы значений параметров в, условиях неопределённости и наличия ограничений. AnyLogic позволяет создавать интерактивные анимации произвольной сложности с несколькими уровнями детализации в пределах одной анимации. Поддерживается как двумерная, так и трёхмерная анимация.
Недостатком AnyLogic является отсутствие машины- логического вывода. Поэтому интеллектуальное ядро системы, включающее БЗ агентов и машину логического вывода, разработано при помощи других программных средств.
Представление динамики ТП с помощью формализмов временной логики Аллена, алгоритм нахождения- стабилизированной матрицы, логические операции над интервальными отношениями и ряд других задач были реализованы на языке ООП Java в среде Borland JBuilder 2005. Выбор этого- программного средства обусловлен в первую очередь его совместимостью с пакетом AnyLogic, также основанным на Java; Характерный недостаток всех java-приложений, связанный с невысокой скоростью? обработки: алгоритмов; минимизируется использованием - современных: jit-компиляторов: Программная! реализациям аппарата логики?....: Аллена алгоритмически, сводится к операциям? над; массивами; булевых переменных, что обеспечивает высокую скорость работы данныхалгоритмов? на любом языке программирования.
Нечеткие правила БЗ агентов и логический вывод на них реализованы в пакете Fuzzy Logic Toolbox, который является составной: частью математической системы Matlab и представляет собошинтуитивно понятную графическую . среду для разработки, интеллектуальных, систем; . позволяющую легко проектировать и-анализировать нечеткие модели.
Программная реализация системы МАИТС Имитационное моделирование ТП для каждого района в AnyLogic реализуется, как отдельный проект. Проект представляет собойт дерево элементов и содержит несколько пакетов, используемых ДЛЯ: структурирования и- выделения независимых частей проекта, отвечающих за реализацию отдельных подсистем. Архитектура программного обеспечения приведена нарис. 3.11.
Классы агентов,реализуются с помощью базовых для AnyEogic классов»; активных объектов; которые определяет структуру агента, (п. 3.4.1, 3.5.1, 3.6.1 ): Далее; создается1 необходимое-количество экземпляров этого класса, каждый из которых будет, представлять отдельного агента модели.
Параметры агента- задаются с помощью переменных класса- и позволяют задавать.. его индивидуальные характеристики:. В? AnyEogic действуют те же типы переменных, что,-ив; языке javai Переменные могут быть связаны спеременными других активных объектов...В этом: случае при-изменении; значения одной; переменной- будет немедленно меняться: и значение связанной с ней зависимой- переменной другого; объекта: Этот механизм»; обеспечивает непрерывное и/или/ дискретное, взаимодействие объектов;
Реализация поведения агента производится с помощью принятого в AnyEogic «стейтчарта» (statecharfy, представляющего собой граф; переходов, вершинами которого являются совершаемые агентом; действия.. Условия переходовопределяются правилами агента.
Для удобства дальнейшей работы все перечисленные модули были упакованы в одноименные jar-библиотеки и помещены в корневой каталог проекта, а их список - в поле «дополнительные библиотеки» настроек проекта.
Разработка нечетких правил для- каждого типа агентов, задание функций принадлежности и диапазонов значений переменных, а также реализация нечеткого вывода осуществлена в пакете Fuzzy Logic Toolbox. В результате был получен следующий набор FIS-файлов, реализующий БЗ агентов и машину логического вывода:
Для работы в режиме реального времени и последующего использования вне среды MATLAB, с помощью подсистемы Realime Workshop были сгенерированы переносимые ANSI С коды перечисленных файлов, которые были объединены в 3 dll-библиотеки: AA__KB.dll, PA_KB.dll и KA_KB.dll. Обращение к этим dll-библиотекам реализовано посредством встроенного в систему AnyLogic механизма JNI (Java Native Interface, подробное описание доступно по адресу http://iava.sun.eom/i2se/l.4.2/docs/guide/ini).
