Timing Plan GenerationOdem coordina

Timing Plan Generation

Odem coordinated system offered 96 volume patterns per day (data uploaded every 15 min- utes) PASSER V was used to generate timing plans for each traffic pattern. Cycles used in the analysis ranged between 60 seconds to 180 seconds with 5 seconds steps. The 96 traffic patterns therefore resulted in the production of 2,400 timing plans. The 2,400 selected plans were then run with all of the 96 traffic patterns to obtain delay and total number of stops for all pattern-plan combinations. This 96 by 2,400 performance matrix was then used as an in- put to the NSGAII DOD algorithm.

Delay, Stops and DOD Evolution

A sensitivity analysis of the NSGAII-DOD algorithm conducted for all combinations of pop- ulation size of 200 and 500, crossover probability of 0.5 and 0.8, and mutation probabil- ity of 0.01 and 0.1. The delay stops, and DOD values were plotted for all generations. Both best and worst values in a single generation were plotted for each objective function. It was found that the NSGAII-DOD produced almost the same results for all combinations. Figure 5 shows the evolution of each of the three objective functions for a population of 500, cross- over probability of 0.8, and mutation of 0.01. It should be noted that the DOD improved from 190 to 0 very quickly within the first 50 generations. The algorithm was able to reduce the total number of stops from about 120,000 to 42,000 vehicular stops and the delay from about 350 to 55 veh-hrs as the number of generations increased.

The Pareto Front

As discussed earlier, one of the very nice features of the multi-objective optimization algo- rithms is the production of the Pareto front. The Pareto front eliminates the need for trying,



for example, different number of break points in the TOD schedule to compare results. The multi-objective optimization algorithm computes and produces the Pareto front at the end of the optimization run. Since the Pareto front shows the front of all non-dominated solu- tions, the engineer can select any of the solutions lying on the Pareto front without jeopar- dizing optimality. More importantly, one can tell exactly how much more cost is incurred on a certain objective if another objective was favored by a certain amount.

Figure 6 shows the final Pareto fronts produced by the NSGAII-DOD algorithm at the end of the optimization run. Note that the engineer can tell, looking at the figure 6a, how much reduction in total number of stops is possible with keeping low DOD Index. Figure 6b repre sents the inverse relationship between delay and number of stops. Figure 6c shows how much reduction in DOD Index is po ssible while keeping low delay. Therefore, the analyst can select a reasonable point which relatively satisfies both low delay and small number of stops at a time.

Figure 7 was obtained by sorting the output data presented in Figure 6 by DOD index. Fig- ure 7 shows that the Pareto fronts corresponding to different DOD indices converge quickly to form almost the same curve with DOD index of 8 and more. The figure suggests that Pa- reto fronts with DOD index greater than 8 should not be used, as higher DOD fronts will only results in more transitioning cost without any gain in benefit. For illustration purposes, five solutions were selected from each of the five Pareto fronts as shown in Figure 7. Note that the Pareto front for zero DOD does not include a solution that favors both delay and stops equally. A solution favoring the number of stops is selected for zero DOD as a result. As the DOD value increases, more solutions with low delay and small number of stops be- come available. Figure 8 shows the actual timing plan schedules that correspond to the five solutions presented in Figure 7, along with the associated delay and number of stops. Table 1 shows the six timing plans used to formulate the five TOD plan schedules.

CONCLUSION

This paper proposed the use of a multi-objective evolutionary algorithm to optimize the TOD plan scheduling. The paper defined a new measure ofperformance (the DOD) to pro- vide a clustering mechanism of traffic patterns. The DOD was able to provide a clustering procedure that does not suffer from drawbacks encountered by previous research methods. The paper illustrated the integration of a non-dominated sorting genetic algorithm with the DOD measure to optimize the TOD scheduling. Using sample field data from a coordinated system in Texas, the developed algorithm was able to produce five solutions that correspond to different number of allowed transitions during the day. Solutions with more frequent tim- ing plan transitions exhibited lower delay and number of stops. However, it was found that no significant benefits were obtained for allowing more than four transitions in the day for this specific system.



The multi-objective evolutionary algorithm with DOD was successful in finding optimal selection of timing plans as well as the optimal TOD schedule. In addition,

Kết quả (Việt) 1:

Thời gian kế hoạch thế hệOdem phối hợp hệ thống cung cấp các mẫu khối lượng 96 mỗi ngày (dữ liệu tải lên mỗi 15 phút - utes) PASSER V đã được sử dụng để tạo ra thời gian kế hoạch cho mỗi mô hình giao thông. Chu kỳ sử dụng trong phân tích dao động giữa 60 giây để 180 giây với các bước 5 giây. Các mô hình giao thông 96 do đó dẫn đến 2.400 thời gian kế hoạch sản xuất. Các kế hoạch đã chọn 2.400 đã được sau đó chạy với tất cả các mô hình giao thông 96 để có được sự chậm trễ và tổng số điểm dừng cho tất cả các kết hợp mô hình kế hoạch. Ma trận hiệu suất 96 bởi 2.400 này sau đó được sử dụng như là một trong-đặt cho các thuật toán NSGAII DOD.Trì hoãn, dừng và sự tiến hóa của bộ quốc phòngMột phân tích độ nhạy của NSGAII DOD thuật toán tiến hành cho tất cả các tổ hợp kích thước cửa sổ pop-ulation 200 và 500, xác suất crossover số 0,5 và 0,8 và đột biến probabil-ity 0,01 và 0,1. Dừng lại, sự chậm trễ, và giá trị của DOD đã âm mưu cho tất cả các thế hệ. Giá trị tốt nhất và tồi tệ nhất trong một thế hệ duy nhất đã được vẽ cho mỗi hàm mục tiêu. Nó được tìm thấy rằng NSGAII DOD sản xuất gần như là kết quả tương tự cho tất cả các kết hợp. Hình 5 cho thấy sự tiến triển của mỗi ba chức năng mục tiêu cho một dân số 500, cross-over xác suất của 0,8 và đột biến 0,01. Cần lưu ý rằng DOD cải tiến từ 190 đến 0 rất nhanh chóng trong vòng 50 thế hệ đầu tiên. Các thuật toán đã có thể làm giảm tổng số điểm dừng từ khoảng 120.000 đến 42.000 dừng xe cộ và sự chậm trễ từ khoảng 350 đến 55 veh-giờ như một số thế hệ tăng.Phía trước ParetoNhư được thảo luận trước đó, một trong những tính năng rất tốt đẹp tối ưu đa mục tiêu algo-rithms là sản xuất trước Pareto. Pareto mặt giúp loại bỏ sự cần thiết cho cố gắng,Ví dụ, số khác các điểm phá vỡ trong lịch trình TOD để so sánh kết quả. Các thuật toán tối ưu đa mục tiêu tính và tạo ra mặt Pareto ở phần cuối của tối ưu hóa chạy. Kể từ khi mặt trận Pareto Hiển thị mặt trước của tất cả không chi phối solu-tions, các kỹ sư có thể chọn bất kỳ giải pháp nằm trên mặt Pareto, mà không có jeopar-dizing điều. Quan trọng hơn, một trong những có thể nói chính xác bao nhiêu chi phí thêm phát sinh vào một mục tiêu nhất định, nếu một mục tiêu được ưa chuộng bởi một số lượng nhất định.Hình 6 cho thấy mặt trận Pareto cuối cùng được sản xuất bởi các thuật toán NSGAII-DOD cuối chạy tối ưu hóa. Lưu ý rằng các kỹ sư có thể nói, nhìn vào con số 6a, bao nhiêu giảm tổng số điểm dừng có thể với việc giữ thấp DOD Index. Con số 6b repre sents mối quan hệ nghịch đảo giữa sự chậm trễ và số lượng các điểm dừng. Hình 6 c cho thấy giảm bao nhiêu trong chỉ mục của DOD po ssible trong khi vẫn giữ sự chậm trễ thấp. Vì vậy, các nhà phân tích có thể chọn một điểm hợp lý mà đáp ứng tương đối chậm trễ thấp và số lượng các điểm dừng tại một thời điểm nhỏ.Con số 7 được thu được bằng cách sắp xếp dữ liệu đầu ra được trình bày trong hình 6 của DOD index. Sung-ure 7 cho thấy mặt trận Pareto tương ứng với chỉ số DOD khác nhau hội tụ một cách nhanh chóng để hình thành hầu hết các đường cong cùng với DOD chỉ số 8 và nhiều hơn nữa. Các con số cho thấy rằng Pa-reto các mặt trận với DOD đánh chỉ mục lớn hơn 8 không nên được sử dụng, như cao DOD mặt trận sẽ duy nhất kết quả ở thêm chuyển chi phí mà không đạt được bất kỳ lợi ích. Cho mục đích minh hoạ, năm giải pháp đã được lựa chọn từ mỗi của mặt trận Pareto năm như minh hoạ trong hình 7. Lưu ý trước Pareto cho zero DOD không bao gồm một giải pháp ủng hộ sự chậm trễ và dừng lại không kém. Một giải pháp ủng hộ một số điểm dừng là lựa chọn cho DOD không kết quả. Khi giá trị DOD tăng lên, các giải pháp nhiều hơn với ít sự chậm trễ và số lượng nhỏ dừng được đến có sẵn. Hình 8 cho thấy lịch trình kế hoạch thực tế thời gian tương ứng với năm giải pháp trình bày trong hình 7, cùng với liên kết chậm trễ và số lượng các điểm dừng. Bảng 1 cho thấy các kế hoạch thời gian sáu được sử dụng để xây dựng kế hoạch lịch năm của TOD.KẾT LUẬNBài báo này đề xuất sử dụng một thuật toán tiến hóa đa mục tiêu để tối ưu hóa các TOD kế hoạch lập lịch trình. Giấy định nghĩa một thước đo mới ofperformance (DOD) Pro-vide một cơ chế kết cụm của các mẫu lưu lượng truy cập. DOD là đã có thể cung cấp cho một thủ tục kết cụm không bị hạn chế gặp phải bởi phương pháp nghiên cứu trước đó. Giấy minh họa sự hội nhập của một phòng không chủ yếu phân loại thuật toán di truyền với các biện pháp DOD để tối ưu hóa TOD lập kế hoạch. Sử dụng mẫu trường dữ liệu từ một hệ thống phối hợp ở Texas, các thuật toán phát triển đã có thể sản xuất năm giải pháp tương ứng với các số khác nhau của quá trình chuyển đổi được cho phép trong ngày. Giải pháp với quá trình chuyển đổi kế hoạch tim-ing thường xuyên trưng bày sự chậm trễ thấp hơn và số lượng các điểm dừng. Tuy nhiên, nó đã được tìm thấy không có lợi ích đáng kể đã được cho phép quá trình chuyển đổi hơn bốn trong ngày cho các hệ thống cụ thể này.Các thuật toán tiến hóa đa mục tiêu với DOD đã thành công trong việc tìm kiếm các lựa chọn tối ưu của kế hoạch thời gian và lịch trình TOD tối ưu. Ngoài ra

Kết quả (Việt) 2:

Thời gian Kế hoạch hệ odem hợp giữa hệ thống cung cấp 96 mẫu khối lượng mỗi ngày (dữ liệu được tải lên mỗi 15 Utes min-) Passer V đã được sử dụng để tạo ra các kế hoạch thời gian cho mỗi mô hình giao thông. Chu kỳ sử dụng trong phân tích dao động từ 60 giây đến 180 giây với 5 giây bước. Do đó, 96 mô hình giao thông dẫn đến việc sản xuất của 2.400 kế hoạch thời gian. Các kế hoạch 2400 được chọn đã được sau đó chạy với tất cả các mô hình giao thông 96 để có được sự chậm trễ và tổng số điểm dừng cho tất cả các kết hợp mô hình kế hoạch. 96 bởi 2400 ma trận biểu diễn này sau đó được sử dụng như là một ý kiến đóng góp vào các thuật toán NSGAII DOD. Delay, Dừng và Bộ Quốc phòng tiến hóa phân tích độ nhạy của thuật toán NSGAII-Bộ Quốc phòng tiến hành cho tất cả các kết hợp của kích thước ulation pop- của 200 và 500, crossover xác suất là 0,5 và 0,8, và đột biến probabil- ity 0,01 và 0,1. Việc chậm trễ dừng lại, và giá trị của Bộ Quốc phòng được vẽ cho tất cả các thế hệ. Cả hai giá trị tốt nhất và tồi tệ nhất trong một thế hệ duy nhất được vẽ cho mỗi hàm mục tiêu. Nó đã được tìm thấy rằng NSGAII-Bộ Quốc phòng sản xuất gần như cùng một kết quả cho tất cả các kết hợp. Hình 5 cho thấy sự tiến hóa của mỗi một trong ba chức năng quan cho một dân số 500, chéo qua xác suất 0.8, và đột biến của 0,01. Cần lưu ý rằng Bộ Quốc phòng nâng 190-0 rất nhanh chóng trong vòng 50 thế hệ đầu tiên. Các thuật toán đã có thể giảm tổng số các điểm dừng từ khoảng 120.000 đến 42.000 điểm dừng xe cộ và sự chậm trễ từ khoảng 350-55 veh-giờ như số lượng các thế hệ tăng lên. Pareto Mặt trận Như đã thảo luận trước đó, một trong những tính năng rất tốt đẹp của tối ưu hóa đa mục tiêu algo- rithms là sản xuất các mặt trước Pareto. Pareto phía trước giúp loại bỏ sự cần thiết phải cố gắng, ví dụ, số lượng khác nhau của các điểm break trong lịch TOD để so sánh kết quả. Các thuật toán tối ưu hóa đa mục tiêu tính toán và sản xuất mặt trước Pareto vào cuối chạy tối ưu hóa. Từ phía trước Pareto là mặt trước của tất cả các tions solu- không chiếm ưu thế, các kỹ sư có thể chọn bất kỳ của các giải pháp nằm ở mặt trước Pareto mà không cần tối ưu dizing jeopar-. Quan trọng hơn, người ta có thể nói chính xác bao nhiêu chi phí nhiều hơn là phát sinh vào một mục tiêu nhất định nếu mục tiêu khác được ưa chuộng bởi một số tiền nhất định. Hình 6 cho thấy các mặt trận Pareto thức sản xuất bởi các thuật toán NSGAII-Bộ Quốc phòng vào cuối chạy tối ưu hóa. Lưu ý rằng các kỹ sư có thể nói, nhìn vào các con số 6a, bao nhiêu giảm trong tổng số điểm dừng là có thể với thấp DOD Index giữ. Hình 6b sents repre mối quan hệ nghịch đảo giữa sự chậm trễ và số điểm dừng. Hình 6c cho thấy bao nhiêu giảm DOD Index là po ssible trong khi vẫn giữ độ trễ thấp. Do đó, các nhà phân tích có thể chọn một điểm hợp lý mà tương đối đáp ứng cả độ trễ thấp và số lượng nhỏ các điểm dừng tại một thời điểm. Hình 7 đã thu được bằng cách phân loại các dữ liệu đầu ra được trình bày trong Hình 6 bởi chỉ số của Bộ Quốc phòng. Tư- 7 cho thấy các mặt trận Pareto tương ứng với chỉ số của Bộ Quốc phòng khác nhau hội tụ một cách nhanh chóng để tạo thành gần như cùng một đường với chỉ số của Bộ Quốc phòng của 8 và nhiều hơn nữa. Con số này cho thấy rằng mặt trận Reto nhân có chỉ số DOD lớn hơn 8 không nên được sử dụng, như mặt trận DOD cao hơn sẽ chỉ dẫn đến chi phí đang chuyển đổi hơn mà không cần bất kỳ khoản lãi trong lợi ích. Đối với mục đích minh hoạ, năm giải pháp được lựa chọn từ một trong năm mặt trận Pareto như thể hiện trong hình 7. Lưu ý rằng trước Pareto cho zero DOD không bao gồm một giải pháp mà ủng hộ cả hai chậm và dừng lại như nhau. Một giải pháp ưu số điểm dừng được chọn để không DOD như một kết quả. Khi tăng giá trị của Bộ Quốc phòng, giải pháp nhiều hơn với độ trễ thấp và số lượng nhỏ các điểm dừng được- đến sẵn. Hình 8 cho thấy lịch trình kế hoạch thời gian thực tế tương ứng với năm giải pháp trình bày trong Hình 7, cùng với sự chậm trễ liên quan và số điểm dừng. Bảng 1 cho thấy sáu kế hoạch thời gian sử dụng để xây dựng các kế hoạch năm lịch TOD. KẾT LUẬN Bài báo này đề xuất việc sử dụng một thuật toán tiến hóa đa mục tiêu để tối ưu hóa việc lập kế hoạch kế hoạch TOD. Giấy được xác định là một biện pháp ofperformance mới (DOD) để ủng hộ vide một cơ chế phân nhóm của mô hình giao thông. Bộ Quốc phòng Mỹ đã có thể cung cấp một thủ tục phân nhóm mà không bị hạn chế gặp phải bằng các phương pháp nghiên cứu trước đây. Bài viết minh họa sự tích hợp của một thuật toán di truyền không thống trị phân loại với các biện pháp của Bộ Quốc phòng để tối ưu hóa việc lập lịch TOD. Sử dụng dữ liệu của trường mẫu từ một hệ thống phối hợp ở Texas, các thuật toán phát triển đã có thể sản xuất năm các giải pháp tương ứng với số lượng khác nhau của quá trình chuyển đổi cho phép trong ngày. Giải pháp với các chuyển kế hoạch ing thường xuyên hơn tim- trưng bày chậm trễ thấp hơn và số điểm dừng. Tuy nhiên, nó đã được tìm thấy rằng không có lợi ích đáng kể đã thu được cho phép trong hơn bốn chuyển tiếp trong ngày hôm nay cho hệ thống cụ thể này. Các thuật toán tiến hóa đa mục tiêu với Bộ Quốc phòng đã thành công trong việc tìm kiếm lựa chọn tối ưu của thời gian kế hoạch cũng như tiến độ TOD tối ưu. Ngoài ra,