分層遞階式與完全分布式架構(gòu)性能比較 - 多智能體在城市交通系統(tǒng)中應(yīng)用現(xiàn)狀綜述

　　2.3 兩種架構(gòu)的性能比較

　　分層遞階式充分體現(xiàn)了集中和分散控制的有機(jī)結(jié)合，考慮到了全局利益，可使協(xié)調(diào)有目的地進(jìn)行，但是區(qū)域Agent 和主控Agent 的實(shí)現(xiàn)稍顯復(fù)雜。完全分布式具有反應(yīng)快速、靈活性強(qiáng)等特點(diǎn)，可充分發(fā)揮Agent 的自治性、協(xié)調(diào)性，但由于Agent 自身能力有限、系統(tǒng)的知識(shí)又過(guò)于分散，解決全局問(wèn)題的能力略顯不足，Agent 間的協(xié)調(diào)機(jī)制會(huì)對(duì)系統(tǒng)性能產(chǎn)生較大影響。在擴(kuò)展性上，完全分布式只需把新Agent 注冊(cè)到其他Agent 中并修改相應(yīng)的方案和知識(shí)庫(kù)即可將新Agent 擴(kuò)充到當(dāng)前的Agent 群體中，而分層遞階式需要整合區(qū)域控制中心和主控中心，重新賦予各Agent優(yōu)先權(quán)關(guān)系。在協(xié)作復(fù)雜度上，分層遞階式從每一個(gè)Agent 控制方案中選擇一個(gè)本地最優(yōu)的方案，完全分布式在所有的Agent 中通過(guò)搜索策略來(lái)查找最佳方案，因此后者工作量較大。

　　2.4 多Agent 的協(xié)調(diào)控制與優(yōu)化

　　多Agent 通過(guò)協(xié)調(diào)實(shí)現(xiàn)系統(tǒng)的分布式并行運(yùn)行，提高任務(wù)的執(zhí)行效率。在基于多Agent 的ATMS 中，有三種協(xié)調(diào)方式：①建立專門的協(xié)調(diào)Agent;②將協(xié)調(diào)行為分散至各Agent 中，由Agent 自主地完成；③集中與分布相結(jié)合的方法，Agent 自身即可以完成某些協(xié)調(diào)行為，又可以接受高層Agent 制定的規(guī)劃。當(dāng)前常用的協(xié)調(diào)方法有黑板模型、博弈模型、協(xié)調(diào)器、交換意見(jiàn)等。

　　黑板模型信息傳輸量大，對(duì)信息傳輸?shù)姆€(wěn)定性也有一定的要求，適用于簡(jiǎn)單的分布式多路口控制。博弈論模型適用于分層遞階結(jié)構(gòu)的上下級(jí)Agent 間和完全分布結(jié)構(gòu)的同級(jí)Agent 間的協(xié)調(diào)，但由于重復(fù)博弈過(guò)程中需要進(jìn)行復(fù)雜的均衡點(diǎn)收斂控制，所以基于交通信息博弈的計(jì)算量較大。協(xié)調(diào)器可基于一定的目標(biāo)將同級(jí)和下級(jí)Agent 產(chǎn)生的提案合成全局的提案。協(xié)調(diào)器降低了系統(tǒng)的通信量和其他Agent 的實(shí)現(xiàn)復(fù)雜度，但卻增加了協(xié)調(diào)器Agent 自身的設(shè)計(jì)復(fù)雜度和計(jì)算量。交換意見(jiàn)法對(duì)系統(tǒng)通信的穩(wěn)定性有很大的要求，當(dāng)單個(gè)Agent 節(jié)點(diǎn)出現(xiàn)通信故障時(shí)，系統(tǒng)將無(wú)法正常工作。

　　從上述幾種方法的分析中可以看到，協(xié)調(diào)過(guò)程需要傳輸大量數(shù)據(jù)，因此容易造成傳輸網(wǎng)絡(luò)的擁塞。目前，很多學(xué)者都采用強(qiáng)化學(xué)習(xí)的方法來(lái)優(yōu)化本地的交通信息。強(qiáng)化學(xué)習(xí)方法是以環(huán)境提供的加強(qiáng)信號(hào)作為性能評(píng)價(jià)的反饋，完成從狀態(tài)到行為的映射的學(xué)習(xí)，特別適合處理不斷變化的路網(wǎng)環(huán)境。Baher、歐海濤等都基于強(qiáng)化學(xué)習(xí)研究了實(shí)時(shí)自適應(yīng)的交通信號(hào)控制，減少路口節(jié)點(diǎn)間的大量通訊需求，增強(qiáng)了決策的可靠性。

　　2.5 相關(guān)應(yīng)用研究

　　Ronald通過(guò)將分離獨(dú)立的交通設(shè)施建模成能互相協(xié)作的Agent，研究了動(dòng)態(tài)交通管理設(shè)備互相協(xié)作的可能性。Filippo實(shí)現(xiàn)了一種基于多Agent 架構(gòu)的交通管理系統(tǒng)CARTESIUS，在分析偶發(fā)性阻塞和在線制定集成控制方案過(guò)程中展示了良好的協(xié)作推理和解決沖突的能力，可為交通管理人員協(xié)調(diào)多區(qū)域間的快車道和地面街道的路網(wǎng)阻塞提供實(shí)時(shí)決策支持。

　　Bo Chen等人將移動(dòng)Agent 技術(shù)融入到交通管理系統(tǒng)中，增強(qiáng)了處理不確定事件和環(huán)境動(dòng)態(tài)變化的能力，提出了一種基于柔性Agent 的實(shí)時(shí)交通檢測(cè)和管理系統(tǒng)。

　　3 多Agent在ATIS中的應(yīng)用

　　ATIS 可以影響出行行為，增強(qiáng)路網(wǎng)性能。當(dāng)前采用Agent 技術(shù)研究ATIS 主要是針對(duì)不同的出行需求構(gòu)建各式智能的出行信息系統(tǒng)，為出行者提供高質(zhì)量的出行信息和導(dǎo)航服務(wù)；另外是研究ATIS 條件下的出行者行為以及ATIS 對(duì)城市交通的影響。

　　3.1 基于Agent 的典型出行信息系統(tǒng)框架

　　為實(shí)現(xiàn)路網(wǎng)管理者和出行者之間的有效協(xié)調(diào)，需要在不嚴(yán)重影響個(gè)體出行者的使用偏好（出行類型、路徑選擇、離開(kāi)/到達(dá)時(shí)間等）基礎(chǔ)上有效地基于時(shí)空二維分配路網(wǎng)。基于此，Adler 和Blue 研究了智能出行信息系統(tǒng)（IT IS），專為出行者提供出行計(jì)劃和導(dǎo)航輔助信息，提出一種代表出行者的車載智能導(dǎo)航Agent，可以學(xué)習(xí)、定義并校準(zhǔn)路徑和出行計(jì)劃偏好。在此基礎(chǔ)上，他們又提出基于多Agent 的交通管理和路徑導(dǎo)航協(xié)作系統(tǒng)（CTMRGS）的概念框架，使路網(wǎng)管理者、信息提供者和出行者之間能有效的協(xié)調(diào)和溝通。系統(tǒng)采用原則協(xié)商指導(dǎo)出行者Agent 和信息提供者Agent 之間的交互，找到一個(gè)時(shí)空最優(yōu)的出行方案，最后指出更多的智能將會(huì)被用來(lái)捕捉和呈現(xiàn)出行者的真實(shí)意圖和行為。

　　3.2 ATIS 影響下的基于多Agent 仿真的出行者行為研究

　　ATIS 的有效性取決于系統(tǒng)提供信息的能力以及出行者對(duì)出行信息的反應(yīng)。因此，了解出行者的行為及其在出行信息下的決策過(guò)程便顯得尤為重要，這將有助于設(shè)計(jì)出高效的ATIS.目前，國(guó)內(nèi)外很多學(xué)者都采用Agent 仿真方法研究ATIS 環(huán)境下的出行者行為。

　　Dia首先提出利用多Agent 仿真來(lái)研究實(shí)時(shí)交通信息影響下的駕駛員行為。通過(guò)對(duì)駕駛員行為（特性、心理、知識(shí)、偏好等）的調(diào)查采用BDI（信念-渴望-意圖）結(jié)構(gòu)建模，配合交通仿真組件評(píng)價(jià)交通實(shí)時(shí)信息對(duì)駕駛員行為的影響。Rossetti基于BDI 架構(gòu)提出了基于DRACULA（一種結(jié)合用戶學(xué)習(xí)和微觀模擬的動(dòng)態(tài)路徑分配模型）的多Agent 擴(kuò)展模型對(duì)出行者進(jìn)行建模，允許出行者對(duì)出行路徑和離開(kāi)時(shí)間做出理性選擇。

　　駕駛員的行為會(huì)影響到ATIS 系統(tǒng)收益和系統(tǒng)的整體性能。Rossetti 基于謂詞邏輯表達(dá)方式對(duì)出行者Agent 建模，使決策過(guò)程中呈現(xiàn)了更多的出行者心理因素。仿真結(jié)果表明，系統(tǒng)的整體性能會(huì)受到出行信息需求和交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的影響，當(dāng)出行信息單獨(dú)向個(gè)體提供的時(shí)候，總體影響可以得到很大改善。

　　Joachim將出行者建模成Agent，基于兩條平行路徑的路網(wǎng)分析了ATIS 環(huán)境中的出行者路徑選擇行為，研究指出出行信息的特性很大程度上影響了ATIS的潛在收益。趙凜在Joachim 的基礎(chǔ)上，通過(guò)對(duì)系統(tǒng)中的微觀行為建立基于Agent 的仿真模型來(lái)觀察系統(tǒng)“涌現(xiàn)”出來(lái)的宏觀特征。仿真結(jié)果顯示ATIS對(duì)通勤者出行前的出行規(guī)劃有一定影響，隨著交通量的增加，交通系統(tǒng)的不確定性也隨之增加，ATIS 系統(tǒng)收益會(huì)有所提高。

　　3.3 相關(guān)應(yīng)用研究

　　Zargayouna提出了一種基于Agent 的出行者信息服務(wù)中心架構(gòu)，通過(guò)實(shí)例化大量的交通實(shí)體，建立了基于環(huán)境的服務(wù)、信息資源和出行者主動(dòng)交互支持模型，允許實(shí)體間建立各自感興趣的交互。

　　Wahle提出了一個(gè)基于多Agent 的實(shí)時(shí)交通流在線仿真和預(yù)測(cè)框架，通過(guò)歷史數(shù)據(jù)的啟發(fā)結(jié)合當(dāng)前動(dòng)態(tài)數(shù)據(jù)可提供對(duì)路徑選擇行為和交通走向的短期預(yù)測(cè)。王健采用數(shù)據(jù)挖掘中的決策樹(shù)方法獲取出行者信息需求，使用Agent 技術(shù)建立了基于移動(dòng)終端的信息服務(wù)網(wǎng)絡(luò)框架。Chou構(gòu)建了基于多Agent的停車導(dǎo)航協(xié)商網(wǎng)絡(luò)，將汽車、停車場(chǎng)和導(dǎo)航系統(tǒng)建模成Agent，通過(guò)各Agent 的協(xié)作為駕駛員選擇價(jià)格和路線最優(yōu)的停車場(chǎng)。

　　4 多Agent在APTS中的應(yīng)用

　　4.1 基于多Agent 的公交運(yùn)行狀態(tài)檢測(cè)

　　公交運(yùn)行狀態(tài)檢測(cè)對(duì)于確保公交系統(tǒng)的正點(diǎn)到站、運(yùn)行具有重要的意義。采用AVM 系統(tǒng)獲取公交運(yùn)行數(shù)據(jù)進(jìn)行擾動(dòng)（延遲和超行）檢測(cè)缺乏對(duì)全局路況的總覽而且穩(wěn)定性差，很難提供基于時(shí)空二維的路況進(jìn)展?fàn)顟B(tài)。因此，F(xiàn)lavien提出了采用多Agent 技術(shù)診斷公交擾動(dòng)以及檢測(cè)定位數(shù)據(jù)傳輸?shù)倪B貫性。公交車和站點(diǎn)被建模成Agent，站點(diǎn)Agent 備有公交運(yùn)行時(shí)間表，負(fù)責(zé)計(jì)算公交到站后的調(diào)度；公交車Agent負(fù)責(zé)向STOP Agent 報(bào)告路網(wǎng)實(shí)際狀態(tài)，供STOPAgent 將車輛到達(dá)的理論時(shí)間和當(dāng)前實(shí)際時(shí)間相比較以檢測(cè)公交擾動(dòng)。在此基礎(chǔ)上，他們又對(duì)擾動(dòng)的整個(gè)生命周期進(jìn)行了動(dòng)態(tài)建模，把擾動(dòng)模型融合到多Agent 決策支持系統(tǒng)中，研究了擾動(dòng)對(duì)路網(wǎng)活動(dòng)的影響。模型包括三個(gè)信息區(qū)域：后繼區(qū)域（延遲公交車后繼站點(diǎn)），關(guān)鍵區(qū)域（延遲公交車所在的站點(diǎn)），先前區(qū)域（延遲公交車的前驅(qū)站點(diǎn)）。如圖4 所示，最底層的STOP Agent 接收BUS Agent 傳來(lái)的信息，中間層的STOPAREA Agent 負(fù)責(zé)從STOP Agent 中收集信息合成交通評(píng)價(jià)、客流信息、路況進(jìn)展系數(shù)等，頂層的INCIDENT Agent 形成綜合的實(shí)時(shí)調(diào)度決策。

　　圖4 基于分級(jí)多Agent 公交擾動(dòng)檢測(cè)框架圖。