هماهنگي بين عوامل كنترل سيگنال ترافيك (چراغ راهنمايي)

هماهنگي بين عوامل كنترل سيگنال ترافيك (چراغ راهنمايي)
Q-learning بر اساس
Shahab.shamshirband {yahoo, Gmail}.com
Dr.M.Akbarzadeh
Dr.naghibzadeh
Islamic azad university of Mashhad
چكيده
را موجب شده است و كاربرد آن در بسياري از (DAI) تكنيك عامل ، تمركز جديدي بر هوش مصنوعي توزيعي
زمينه ها مطرح است . اين تكنيك براي كنترل ترافيك شهري در اين مقاله به كار مي رود . عوامل كنترل سيگنال ترافيك
واحد ، قدرت كنترل آن را با روش
رشد مي دهد. روش جديد ترافيك متوازي بازي و قوانين اجتماعي براي حل مسئله هماهنگي بين Q-learning
پيشنهاد شده است . (عوامل كنترل سيگنال ترافيك) براي تست اثربخشي مكانيسم هماهنگي ، شبيه سازي TSCAs دو
برنامه ريزي مي شود. در اين محيط شبيه سازي ، روش همراه با هماهنگي يا بدون هماهنگي MS C++ ترافيك نمونه در
دو تقاطع مورد بررسي قرار گرفت . نتايج نشان داده است كه روش هماهنگي جديد در اين مقاله موثر است .
واژگان كليدي : عامل ، كنترل ترافيك ، يادگيري ، هماهنگي
The Coordination between Traffic Signal
Control Agents Based on Q-Learning
Abstract - Agent technique constitutes a new focus of Distributed artificial
intelligence (DAI) and its application has covered many areas. This technique
is applied to urban traffic Control area in this paper. The single traffic signal
control Agent improves its control ability with the Q-learning method.
A new method combining game theory and society rules was proposed to
solve the problem of coordination between two TSCAs (Traffic Signal
Control Agents). To test the efficiency of the coordination mechanism, a
prototype traffic simulator was programmed in MS C++. In such a simulative
Environment, the methods with and without coordination of Two crosses
were researched; the result indicates that the new coordination method
proposed in this paper is effective.
Index Terms - Agent, Traffic Control, Q-leaming, Coordination
هماهنگي بين عوامل كنترل سيگنال ترافيك (چراغ راهنمايي)
بر اساس Q-learning
چكيده
تكنيك عامل ، تمركز جديدي بر هوش مصنوعي
را موجب شده است و كاربرد آن در (DAI) توزيعي
بسياري از زمينه ها مطرح است . اين تكنيك براي كنترل
ترافيك شهري در اين مقاله به كار مي رود . عوامل كنترل
سيگنال ترافيك واحد ، قدرت كنترل آن را با روش
رشد مي دهد . روش جديد ترافيك متوازي Q-learning
بازي و قوانين اجتماعي براي حل مسئله هماهنگي بين
پيشنهاد شده است . (عوامل كنترل سيگنال TSCAs دو
ترافيك) براي تست اثربخشي مكانيسم هماهنگي ، شبيه
برنامه ريزي مي شود. MS C++ سازي ترافيك نمونه در
در اين محيط شبيه سازي ، روش همراه با هماهنگي يا بدون
هماهنگي دو تقاطع مورد بررسي قرار گرفت . نتايج نشان
داده است كه روش هماهنگي جديد در اين مقاله موثر است
.
واژگان كليدي : عامل ، كنترل ترافيك ، يادگيري ،
هماهنگي
-1 مقدمه
در دو دهه گذشته ، ازدحام ترافيك در بسياري از
كشورها مشكل حل نشدني تلقي مي شد . براي كاهش اين
ازدحام ، بسياري از دولتها در توسعه زير بناهاي خود سرمايه
گذاري كردند . اما رشد زير بنا بسيار گران است . بنابراين زير
بنا موجود بايد در دو دهه قبلي به كار مي رفت ، ازدحام
ترافيك مسئله عمده در بسياري از كشورها بوده است . براي
كاهش ازدحام ، بسياري از دولتها در رشد زير بناهاي خود
سرمايه گذاري كرده اند . اما رشد زير بنا بسيار گران است
.بنابراين ، زير بنا موجود بايد به طور موثري به كار رود .
بررسي كنترل ترافيك جديد و استراتژي راهنمايي ترافيك
ضروري است .
عامل نرم افزاري هوشمند ، برنامه كامپيوتري خودكار است
كه با كاربر انتهايي در وظايف مربوط به كامپيوتر تعامل دارد و به
آن ياري مي رساند [ 1] . در هر عامل ، هميشه سطح ويژه اي از
هوش وجود دارد . سطح هوش از نقش هاي از پيش تعيين شده و
مسئوليتهاي واحد يادگيري در تفاوت است . سيستم چند عاملي ،
تجمعي از عوامل است كه موضوع آن تجزيه سيستم بزرگ به
چند سيستم كوچك است كه با همديگر در ارتباطند و به راحتي
قابل رشد دادن هستند . شبيه سازي مبتني بر عامل مدل هايي است
كه در آن واحدهاي چندگانه به شرايط محيط محلي خود پاسخ
مي دهند و از رفتار سيستم پيچيده در مقياس وسيع تقليد مي كنند
2] . سيستم ترافيك شهري ، سيستم بسيار پيچيده اي است كه ]
بسياري از واحدها و رابطه بين آنها را شامل مي شود كه پيچيده
در شبيه سازي سيستم ترافيك MAS است . بنابراين كاربرد
مناسب و اثربخش است .
طبق توانايي آنها ، اين عوامل را مي توان به سه نوع تقسيم
كرد :
(عامل واكنشي ، عامل شناختي و عامل تركيبي) [ 3] . عوامل
واكنشي ، تصميمات خود را در زمان اجرا بر اساس مقدار بسيار
محدودي از اطلاعات و قوانين ساده عمل در موقعيت اتخاذ مي
كنند . عوامل شناختي ، نمايشي دروني از جهان خود هستند و
حالت ذهني واضحي وجود دارد كه با شكلي از واكنش نمادين
اصلاح مي شود . در بعضي مواقع هر دو نوع توانايي واكنشي و
شناختي ضروري است ، و اين نوع عامل ، عامل تركيبي است . به
عنوان سيستم پيچيده ، انواع متفاوت عامل در شبيه سازي سيستم
ترافيك شهري به كار مي رود .
در اين مقاله ، نوعي عامل كنترل سيگنال ترافيك در
محيط شبيه سازي مبتني بر عامل رشد مي يابد . در استراتژي
هماهنگي بين عوامل كنترل به طور مفصل ارائه مي شود.
در بخش 2 Q-learning مدل عامل كنترل مبتني بر
توضيح داده شده است . در بخش 3 جزئيات مربوط به
هماهنگي بين دو عامل كنترل ترافيك را نشان مي دهد . در
بخش 4 ، اثر بخشي استراتژي هماهنگي در سيستم شبيه
سازي اثبات مي شود ، سرانجام ، نتيجه اين مقاله در بخش
5 ارائه مي شود.
(TSCA) -2 عامل كنترل سيگنال ترافيك
بر طبق تفاوت حوزه كنترل ، سه روش براي تشخيص
عامل كنترل چراغ ترافيك وجود دارد :
-1 هر عامل تنها بخشي از فاز تقاطع را كنترل
مي كند [ 4] . در اين موقعيت ، وقتي در يك شبكه جاده ،
تقاطع زيادي وجود دارد ، تعداد عوامل زياد مي شود و در
نتيجه ارتباطات و هماهنگي بين عوامل پيچيده تر مي گردد .
[ -2 هر عامل همه فازهاي تقاطع را كنترل مي كند [ 5و 6و 7
. عامل كنترل كننده از اين نوع ، مزاياي همه فازهاي تقاطع
را هماهنگ مي كند . هماهنگي بين انواع تقاطعها به قوانين
اجتماعي و تئوري بازي بستگي دارد .
-3 هر عامل ، ناحية تقاطع ها را كنترل مي كند [ 8]. جدا
سازي ناحيه بايد در ابتدا انجام شود و سپس به سختي تغيير
مي كند . كمبود اين روش آن است كه انعطاف پذير نيست .
ما عامل كنترل خود را بر اساس روش 2 طراحي مي كنيم .
اين مدل در شكل يك ديده مي شود .
فرايند كنترل به شرح زير است :
ابتدا آنكه شناسگر وسيله نقليه و عوامل كنترل مجاور ،
اطلاعات را به عامل ارسال مي كنند . آنگاه بر اساس اطلاعات
دريافتي ، تصميمات اتخاذ مي شود . سرانجام ، اين تصميم با
مدلهاي اجرايي به اجرا در مي آيد.
شكل يك : مدل عامل كنترل
يادگيري تقويتي به سياستهاي تصميم متوالي در حال رشد در
محيط مربوط است كه باز خورد توضيحي حداقل را ارائه مي دهد
1) كه تنها در انتهاي سياست دريافت مي شود . /- (خوب/بد يا 1
استفاده مي كنيم تا توانايي Q-learning ما از الگوريتم
. [ كنترل عامل كنترل چراغ ترافيك را رشد دهيم [ 14
همه عوامل به صورت رشته اجرا مي شود كه فرايندهاي
سبك وزن هستند . عامل رابط به وسيله كاربر آغاز مي شود . و
سپس عامل رابط عوامل ديگر را آغاز مي كند كه مثل عامل منبع
وسيله نقليه و عامل بخش و غيره كه بر اساس اهداف كار شبيه
سازي است .
اعمال كنترل عامل كنت رل چراغ ترافيك به شرح زير است :
حفظ حالت اوليه چراغ تا فاصله » حفظ يا تغيير ، حفظ به معناي
به معناي تغيير حالت چراغ است . ما فرض مي « تغيير » است « بعدي
كنيم حالات چراغ تنها سبز يا قرمز باشد و زرد را حذف مي كنيم
.
در يادگيري تقويتي ، محيط بايد ارزش پاد اش را ارائه دهد
كه ارزيابي تصميم عامل است . در اين مقاله ، پاداش عامل كنترل
، نسبت تعداد وسائط نقليه اي است كه از چراغ سبز مي گذرند به
وسائط نقليه اي كه در پشت چراغ قرمز در طول فاصله تصميم
منتظرند .
تابعي از عوامل اصلي موثر بر استراتژي كنترل ، Q- Value
دوره چراغ ، (G) است كه شامل : كد فاز سبز
تعداد وسائط نقليه اي ، (F) جريان ترافيك فاز سبز ، (D) سبز
و پيش بيني جريان ترافيك (W) كه پشت چراغ قرمز ايستاده اند
با تابع زير تعيين Q مي شود . آنگاه مقدار (P) كه 5 دقيقه بعدي
مي شود :
) , a ), P , W , F , D , G (( f Qˆ = θ
عمل انتخابي a ، حالت ورودي (G,D,F,W,P) كه در آن
با تابع a بردار وزن شبكه عصبي است . احتمال انتخاب عمل θ و
زير تعيين مي شود .
Σ =
τ
τ
= n
b 1
Q(b) /
Q(a) /
a e
P e
، a ارزش ارزيابي عمل Q(a) ، تعداد عمل n كه در آن
عدد مثبت به نام ضريب . هر چه ضريب بالاتر باشد ، هر τ
عمل به اندازه ميانگين انتخاب مي شود .
-3 مكانيسم هماهنگ سازي
هماهنگ سازي كه فرايندي است كه عامل
در مورد اعمال محلي خود و اعمال (پيشنهادي) براي حصول
اطمينان از عمل ارتباطات در حالت منسجم استدلال مي كند ،
مسئله اي مهم در سيستم هاي چند عاملي است [ 9] . هماهنگي
فرايند پيچيده اي است كه شامل چندين عامل است : تبادل
اطلاعات محلي ، شناسايي تعاملات ، تصميم در مورد اينكه
هماهنگي انجام شود يا خير ، پيشنهاد و تحليل ، اصلاح و
تشكيل تعهدات ، تسهيم نتايج و غيره . هماهنگي بين عوامل را
به دو جنبه تقسيم مي كنند : هماهنگي عيني و هماهنگي هدفمند
. تمايز بين هماهنگي عيني و هماهنگي هدفمند نقش بنيادين در
مهندسي سيستم هاي چند عاملي دارد . در رويكردهاي عيني ،
هماهنگي در نتيجه نظرات افراد در خصوص سازمان و جامعه
اي كه به آن متعلق است روي مي دهد . رويكردهاي هدفمند ،
در عوض جدايي بين درك فردي هماهنگي و مسائل هماهنگي
جهاني را موجب مي شود و مدل سازي و شكل گيري فاصله
. [ تعامل مستقل واحدهاي مستقل در تعامل را ميسر مي سازد [ 10
سه روش براي هماهنگي سيستم هاي چند عاملي وجود دارد
:
مكانيسم هماهنگي همراه با هر عامل فردي ، ساخت عامل
ويژه اي كه به عنوان هماهنگ ساز
مركزي عمل مي كند و تركيب دو روش . همه اين راه
حل ها داراي جنبه هاي بد و خوب هستند و بسياري از تشخيص
. [ هاي ممكن در انواع محيط ها صورت مي گيرد [ 11
ما روش تركيب را انتخاب كرده ، TSCA بر طبق عملكرد
به خودش وابسته TSCAs ايم . هماهنگي بين
است ، اما گاهي اوقات دستور العملي را از عامل مديريت
دريافت و اجرا مي كند . مكانيسم هماهنگي بين
ها بر اساس تئوري بازي است و قوانين اجتماعي و دانش TSCA
را در بر مي گيرد .
-4 اجرا
ما برنامه شبيه سازي ترافيك نمونه را براي تست اثربخشي
مكانيسم هماهنگي كه پيشنهاد داده ايم
ساخته ايم . زبان برنامه ريزي به كار رفته براي ساخت شبيه سازي
است . MSC++6
الف ) نمونه شبيه ساز
نمونه شبيه ساز براي اثبات اثر بخشي مكانيسم هماهنگي
برنامه ريزي شده است كه ما در اين مقاله پيشنهاد داده ايم . محيط
ترافيكي شامل اين موارد است : جاده هاي دو بانده ، دو تقاطع
عامل كنترل چراغ راهنمايي و وسائط نقليه . دليل اصلي كه ما در
اينجا به دو تقاطع اكتفا كرديم اين است كه پيچيدگي محاسباتي
بيش از دو تا زياد است و كار اين مقاله فقط تحقيقي است .
مطالعات بيشتر مي بايد در آينده براي شبيه سازي هماهنگي بين
بيش از دو تقاطع انجام شود .
ها بر اساس تئوري بازي TSCA تركيب اين دو
غير صفر دو نفره است . اين بازي به صورت
توضيح داده مي شود Γ = (agentA,agentB;A,B)
است . B و عامل A در آن ماتريس بازي عامل B و A كه
به اين شرح است . تغيير يا حفظ . تغيير به TSCAs مجموع عمل
معناي تغيير فاز ترافيك است ، حفظ به معناي حفظ فاز ترافيك
است . مقدار مصرف ، مزاياي اعضا با انواع عمل است . در اين
تنظيم مي شود . ماتريس Q-Value به utility value مقاله
بازي به شرح زير است :
agentB
Change Keep ( ) ( )
( ) ( )⎥⎦
⎤
⎢⎣
⎡
Q (K,C,) Q (K,C) (Q (K,K) Q (K,K)
Q (C,C,) Q (C,C) (Q (C,K) Q (C,K)
Keep
Change
agentA
A B A B
A B A B
عامل utility value ، QA (C,C) و در آن مقدار
هر دو عمل تغيير را انتخاب مي كنند B و عامل A است و عامل A
را نشان مي دهد وقتي B عامل utility value QB (C,C) .
هر دو عمل تغيير را انتخاب مي كنند . باقي آن B و عامل A عامل
با معيار سنجش استنتاج مي شود .
در اين مقاله ، الگوريتمي براي حل مسائل هماهنگي به طور
مستقيم به كار مي رود و هيچ مذاكره اي به كار نمي رود .
الگوريتم به شرح زير است :
و ماتريس utility value محاسبه Q-value -1 طبق
مصرف تعيين مي شود .
-2 براي قضاوت اينكه آيا استراتژي وجود دارد ، اگر
ها عمل خود را طبق TSCAs ، وجود داشته باشد
آن انتخاب مي كنند و فرايند هماهنگ سازي به پايان
مي رسد ، وگرنه مرحله 3 اجرا مي شود .
-3 ماكزيمم و مي نيمم مقدار مصرف دو
را محاسبه كنيد . d(u* v* ) TSCAs
را جستجو كنيد . (u, v) ، pareto -4 راه حل
محاسبه (u, v) طبق TSCA -5 استراتژي هيبريد هر
كنيد و عمل نهايي را انتخاب كنيد .
بر اساس تقاضا مطرح مي TSCA اين هماهنگي از سوي
گردد و اگر گيرنده نخواهد با دعوت كننده هماهنگ شود ، مي
تواند از تقاضا سرباز زند ، اگر
مي خواهد هماهنگ شود ، آنها ابتدا تعيين مي كنند آيا قانون
مناسب اجتماعي وجود دارد يا خير ، اگر وجود دارد ، به كار
برده مي شود ، الگوريتم هماهنگي بر اساس تئوري بازي به كار
مي رود .
ب) نتايج و بحث و بررسي
شبكه جاده اي در شبيه ساز ، در شكل 2 ديده
مي شود . بخشهاي جاده اين شبكه همه 1000 متر طول
دارند . ما فرض مي كنيم كه دو فاز در دو تقاطع وجود دارد
13 درصد اتومبيل هايي ، 1 ، 8 ، 5 ، 3 ، . همانند بخشهاي 1
0 است ، درصد اتومبيل هايي / كه به سمت چپ مي پيچند 1
0 درصد است و درصد / كه سمت راست مي پيچند، 1
0 است . / مستقيم رفتن آنها 8
شكل 2 : شبكه جاده
هدف اصلي كنترل ، حفظ آزادي جريان ترافيك مسير افقي
به طور متفاوت و Q است . مقدار پاداش در الگوريتم يادگيري
مطابق با فاز سبز تقاطع تعيين
مي شود . وقتي فاز عمودي سبز است ، مقدار پاداش ، خارج
قسمت وسائط نقليه اي اس كه از چراغ سبز در طول دوره
تصميم مي گذرند و زمان انتظار را افزايش چراغ قرمز در طول
دوره تصميم را نشان مي دهد . يعني:
وسيله نقليه اي كه از سبز مي گذرد
 = پاداش_عمودي
افزايش زمان انتظار پشت چراغ قرمز
وقتي فاز افقي سبز است ، مقدار پاداش در ضريب
ضرب مي شود كه از يكي بيشتر است . يعني: α
وسايل نقليه اي كه از سبز مي گذرند
پاداش - H= α ×
افزايش زمان انتظار و پشت چراغ قرمز
1 بر اساس تجربه است . با مقايسه / برابر با 1 ، α در اين مقاله
دو تقاطع وجود دارد . Q دو عامل بيشتر در تابع مقدار TSCA
و (G يا 2 G1) (TSCA است ( 1 TSCA يكي كد فاز سبز 2
(D يا 2 D چراغ سبز ( 1 (TSCA1,s يا ) TSCA ديگري دوره 2
با تابع زير تعيين مي شود : TSCA مثل 1 Q-value است . وقتي
) , a ), 2 D , 2 G , P , W , F , D , G (( f Qˆ = θ
TSCA وقتي وسائط نقليه منتظر در تقاطع زياد باشند ، 1
مجاور ارسال مي كند . در پيام TSCA تقاضاي هماهنگي را به 2
ديده مي شود. فرض كند TSCA هماهنگي ، ماتريس مصرف
( 20 و 10 و افزايش بيشتر و بيشتر و 25 و 1 ) TSCA حالت 1
ارسال مي كند كه TSCA باشد ، تقاضاي هماهنگي را به 2
حالت آن ( 25 و 21 و افزايش كمتر و بيشتر و 20 و 0) است .
تقاضا را مي گيرد ، به دنبال پايگاه داده قانون TSCA وقتي 2
اجتماعي مي گردد و هيچ قانون مناسبي را براي استفاده پيدا نمي
كند . آنگاه مقدار مصرف را محاسبه
مي كند وقتي انواع عمل ماتريس بازي دارد . بعد از آن ، راه
را طبق الگوريتم محاسبه مي « Nash Equilibrium » حل
TSCA و 2 TSCA كند . مطابق با راه حل موازنه ، اعمال 1
مي TSCA عمل را به 1 TSCA تعيين مي شوند . سرانجام 2
فرستد . براي اثبات اثربخشي مكانيسم هماهنگي اين مقاله ، شبيه
سازي با هماهنگي و بدون هماهنگي انجام مي شود . بدون
اعمال خود را به طور مجزا طبق يادگيري TSCA ، هماهنگي
ها با همديگر ارتباط دارند . TSCAs انتخاب مي كند . اما Q
جدول يك نتيجه شبيه سازي را نشان
مي دهد .
از جدول يك ما مي بينيم كه مكانيسم هماهنگي در اين مقاله
مناسب است وقتي جريان ترافيك افقي بيش از مسير عمودي است
-5 نتيجه گيري
مطالعه اين مقاله نشان مي دهد كه يادگيري را
مي توان در كنترل چراغ راهنمايي به كار برد و مكانيسم هماهنگي
زماني موثر است كه تنها دو تقاطع در شبكه جاده TSCA بين دو
باشد . براي مناسب كردن مكانيسك تقاطع ، الگوريتم بايد بهينه
كم شود. TSCA سازي شود تا زمان يادگيري
نمونه شبيه ساز اين مقاله تنها يك سيستم ابتدايي است
براي كاملتر كردن و جهاني كردن شبيه سازي ترافيكي ، بسياري از
عوامل در كارهاي بعدي بايد رشد يابد.
جدول 1 : مقايسه بين نتيجه با هماهنگي و بدون هماهنگي
فاصله بين وسائط ميزان جريان واقعي زمان تاخير ميانگين
نقليه اي كه به
مسيرهاي 5 و 8
رسيدند
فاصله بين وسائط
نقليه اي كه به
مسيرهاي ديگر
رسيدند
با هماهنگي بدون
هماهنگي با هماهنگي بدون
هماهنگي
120.01 106.65 4623 4878 5 4
113.55 10034 3798 4010 6 4
100.45 91.26 3222 3330 7 4
94.77 88.67 2969 3187 8 4
100.23 96.89 4490 4556 5 5
96.11 93.56 3567 3715 6 5
-6 تشكر و قدرداني
در اينجا از تمام كساني كه مرا در شبيه سازي و بهينه سازي اين مقاله كمك كردند تشكر مي كنم
جناب آقاي دكتر اكبرزاده توتونچي
جناب آقاي دكتر نقيب زاده
وجناب آقاي مهندس اكرمي زاده
منابع
[1] Gary S.H. Tan, Kwork-Leong Hui, “Applying intelligent agent technology as the platform
for simulatio?,” Proceedings of the Simulation Symposium, pp. 180-187, 1998.
[2] Susan M. Sanchez, Thomas W. Luces, ‘'Exploring the world of agent- based simulations:
simple models, complex analyses,” Proceedings of the Simulation Conference, pp. 116-126,
December 2002
[3] Shi Zhongzhi, The Advanced Artificial Intelligence. Beijing: Science Press, 1998, Chapter
IO, pp. 223-226.
[4] Pan Gu C Anthony B. Maddox, “A Framework for Distributed Reinforcement Leaming,”
Lechlre Notes in Artificial Intelligence 1042: Adaptation and Leaming in Multi-Agent Systems,
pp. 97-1 12, 1995.
[5] Ana Lucia Cetertick Bazan, “Traffic Signal Coordination Based on Distributed Problem
Solving,” 7’ IFACnFORS Symposium on Transportation Systems: Theory and Application of
Advanced Technology, pp. 957-962, Tianjin, China, 1994.
[6] Danko A. Roozemond, “Intelligent Tmsport Systems: Autonomous Urban Traffic Conuol,”
4’ World Congress an Intelligent Transport Systems, Berlin, Germany, 1997.
[7] LIU Xiao-Ming, Wang Fei-Yue, “Study ofcity Area Traffic Coordination Control on Thhe
Basis of Agent,” F’roceedings of the IEEE lntelligent Transportation Systems Conference, pp.
758-761, Singapore, September 2002.
[8] Ossowaki Sascha, Jose Cuena, Ana
Garcia-Se”, “A Case of Multiagent Decision Support: Using Autonomous Agents for Urban
Traffic Control,” Lecture Notes in Artificial Intelligence, pp. 100-111,
Vo1.1484, 1998.
[9] XiaoQin Zhang, Anita Raja, Barbara Lemer, et al. , Integrating High- Level and Detailed
Agent Coordination into a Layered Architecture, Lecture Notes in Computer Science, Springer-
Verlag eidelberg, Vol.
1887,2001, pp72-79
[10]Alessandro Rieci, Andrea Omicini, and Enrieo Denti, Objective vs. Subjective Coordination
in Agent-Based Systems: A Case SNdy, Lecme Notes in Computer Science, Vol. 2315, 2002,
Springer- Verlag
Heidelberg, pp291-299
[11] Wei Chen and Keith Decker, Developing Altcmative Mechanisms for Multiagent
Coordination, Lecture Notes in Computer Science, Vol. 2413.
2002, Springer- Verlag Heidelberg, pp63-76 2693
[ و 13 و 1214 ] A Distributed Approach for Coordination of Traffic Signal Agents (bazzan)
ANA L. C. BAZZAN bazzan@inf.ufrgs.br
Instituto de Informa´tica, Universidade Federal do Rio Grande do Sul, CP 15064,
91.501-970 Porto Alegre, RS, Brazil
  

نظرات شما عزیزان:

نام :

آدرس ایمیل:

وب سایت/بلاگ :

متن پیام:

نظر خصوصی

 کد را وارد نمایید:

 

 

 

عکس شما

آپلود عکس دلخواه: