החלת אופטימיזציה רב-אובייקטיביים בעיצוב תשתיות תחבורה חכמות

מבוא ל- Multi-Objective Optimization in Smart Transport

ערים מודרניות להתמודד עם לחץ גובר על מערכות תחבורה עיצוב יעילות, בר קיימא, ותגובה לצרכים של אוכלוסיות גדלות. גישות חד-משמעיות מסורתיות לעתים קרובות ליפול קצר כי הם מתעלמים מהסחר הטבוע בין מטרות מתחרות כגון זמן נסיעה, פליטות, עלות, בטיחות ונוחות המשתמש. אופטימיזציה רב-אובייקטיבית מספקת מסגרת שיטתית לטיפול בדרישות סותרות אלה בו-זמנית.

מערכות תחבורה חכמות משלבות חיישנים, נתונים בזמן אמת, רשתות תקשורת, ובקרות הסתגלות לשיפור הניידות, להפחית את הדחיסות, ולשפר את הבטיחות.מורכבות של המערכות הללו הופכת אותם למועמדים אידיאליים עבור אופטימיזציה רב-אובייקטיביים, שבו המטרה אינה תשובה טובה אחת, אלא מגוון של פתרונות קיימא אשר מאזן מדדי ביצועים מרובים.מתזמון התנועה להורדת מיקום טעינה לרכב חשמלי, אופטימיזציה רב-אובייקטיבית היא עתיד של ניידות.

הבנה של Multi-Objective Optimization

אופטימיזציה רב-אובייקטיבית (MOO) מתייחסת לאופטימיזציה של שני פונקציות אובייקטיביות או יותר שבדרך כלל נמצאות בקונפליקט אחד עם השני.בניגוד לאופטימיזציה חד-משמעית, שמחפשת פתרון אופטימלי יחיד, MOO מייצרת סט של פתרונות מסחר-off הידועים כחזית Pareto. כל פתרון בחזית זו הוא Pareto-optimal, כלומר, שום מטרה לא יכולה לשפר ללא שינוי מוחלט של פתרון אחד מספק גישה אחת לפחות עם פתרון אחד אפשרי.

מושגים וטרנטינולוגיה

• (ב) פתרון 1 (FLT:0) הוא פתרון השולט זה בזה אם זה לפחות טוב בכל המטרות, וטוב יותר לחלוטין לפחות אחד.ההגדרה של פתרונות שאינם נשלטים יוצרת את חזית פארטה.
• (FLT:0) חזית פארטו: 1 (FLT:1) אוסף של כל הפתרונות הפארטו-אופטימיים.
• (FLT:0Trade-Off Analysis: FLT:1) בחינת כיצד שיפורים באובייקט אחד מגיעים על חשבון אחרים.
• (FLT:0)Decision-Making:FLT:1 לאחר יצירת חזית Pareto, בעלי העניין ליישם העדפות או משקולות כדי לבחור פתרון יחיד ליישום.שלב זה כרוך לעתים קרובות בטכניקות כגון ניתוח החלטות רב-ביקורתי (MCDA).
• (FLT:0) פונקציות בסיסיות: FLT:1 הביטויים המתמטיים כי לכמת כל מטרה, כגון זמן נסיעה הכולל (מינימום), פליטות CO2 (מינימום), או עמידות לרשת (מקסימום).

מדוע אופטימיזציה של Multi-Objective Matters for Transport

תשתיות תחבורה פועלות בצומת של הנדסה, כלכלה, סביבה, ושוויון חברתי.פרויקט התרחבות כביש עשוי להפחית את הדחיסות אבל להגדיל את זיהום האוויר וקהילות נותנותנות. קו מעבר חדש עשוי לשפר את הנגישות, אך דורש השקעה הון גבוה. אופטימיזציה חד-משמעית של יחיד תבטל את ההסכמים האלה, שעלולה להוביל לפתרונות שהם תת-אופטימיים מנקודת מבט רחבה יותר.

בנוסף, מערכות תחבורה חכמות הן סביבות עשירות נתונים. זרימת התנועה בזמן אמת, חיישני איכות האוויר, GPS טרמפטוריות, ודיווחי אירועים מספקים קלטות לפתרון גבוה שיכול להאכיל ישירות לתוך מודלים אופטימיזציה. שפע נתונים זה הופך את MOO חזק יותר ומעשי יותר מאשר בעשורים קודמים. Algorithms יכול כעת לעבד אלפי משתנים ומגבלות כדי לייצר חזיתות פארויות פעילות בתוך זמן אמיתי.

תפקידה של תשתיות תחבורה חכמות

תשתיות תחבורה חכמות מתייחסות לשילוב של טכנולוגיה דיגיטלית, חיישנים, רשתות תקשורת ואוטומציה לנכסי תחבורה פיזיים.דוגמאות כוללות אותות תנועה אדפטיבית, התקפי מהירות אינטליגנטיים, מסדרונות רכב מחוברים, מערכות איסוף אלקטרוניות, והצגת מידע בזמן אמת.מערכות אלה לייצר ולצרוך נתונים באופן רציף, יצירת הזדמנויות אופטימיזציה דינמי שלא היה אפשרי עם תשתיות סטטיות.

התכונה העיקרית של תשתיות חכמות היא היכולת להסתגל. אותות תנועה הסתגלות לשנות דפוסי תזמון בהתבסס על הביקוש בזמן אמת. מערכות ניהול נתיב דינמי הפוך כיוונים נתיבים לאורך שעות שיא. תוכניות תמחור הזנות להתאים להפסדים המבוססים על רמות התנועה. כל אחד מההתאמות האלה כרוך במסחר בין מטרות שונות: יעילות ניידות, הכנסות, איכות אוויר, הון על פני קבוצות הכנסה, בטיחות עבור משתמשים פגיעים דרך מספק אופטימיזציה מתמטית מטרות אלה באופן ספציפי.

בין אם מתכננים מסדרון תעבורה מהיר באוטובוס או עדכון תוכניות תזמון אות התנועה לרשת במרכז העיר, החלטות תשתית חכמה ליהנות ממסגרת רב-אובייקטיבית כי אף אחד לא לוכד ביצועים מערכתיים כולל. גישה הוליסטית אשר רואה מטרות מרובות מוביל לתוצאות יותר אטרקטיביות ומקובלות חברתית.

ניסוח בעיות מרובות-Objective בעיצוב תחבורה

החלת אופטימיזציה רב-אובייקטיבית לתשתיות תחבורה מתחילה עם ניסוח בעיות זהירה.שלב זה כרוך בזיהוי המטרות, המגבלות ומשתנהי ההחלטות הרלוונטיים, וקידוד אותם למודל מתמטי. ניסוח גרוע הוא מקור משותף של כשל בפרויקטים אופטימיזציה, המוביל פתרונות שהם לא מציאותיים או לא הוגנים עם ערכי בעלי מניות.

מטרות נפוצות בתחום התחבורה החכמה

• (FLT:0)Travel Time and Delay: FLT:1 מינימום זמן נסיעה או הכולל עבור כל המשתמשים, לעתים קרובות נמדד כמו שעות רכב או שעות עבודה.
• (FLT:0) הרשאות ואיכות האוויר: FLT:1 הפחתה של מזהמים כגון CO2, NOx, וחומרי חלקיקים.זה לעתים קרובות מודל כתפקוד של מהירות רכב, האצה וזמן idle.
• (FLT:0) מבצע מחיר: 1FLT) מצמצם את עלויות הבנייה, תחזוקה, אנרגיה ועבודה. עבור מערכות תחבורה, זה כולל דלק, שכר הנהג, ודה-הרכב.
• (FLT:0) בטיחות ומשבר התרסקות: 1FLT:1 ממזער את מספר או חומרת התאונות.
• (FLT:0)שוויון וגישה: FLT:1 מבטיח כי הטבות תחבורה מחולקות למדי על פני אזורים גיאוגרפיים, קבוצות הכנסה, דמוגרפים.זה יכול להיות לכמת באמצעות קידודים Gini או אינדיקציות נגישות.
• (FLT:0) עמידות ואמינות: חליל:1 ממקסים את יכולת המערכת לספוג ולאושש משיבושים, כגון אירועי מזג אוויר, תאונות או מתקפות סייבר.
• (FLT:0User Satisfaction and Comfort:FLT:1 Capeuring גורמים סובייקטיביים כגון נוחות נסיעה, זמן המתנה, ורמות קהל. סקרים ושיטות העדפה המוצהרות עוזרות לכמת היבטים אלה.

מסגרות מתמטיות

ניתן לבטא בעיה אופטימיזציה רב-אובייקטיבית טיפוסית לתחבורה:

Minimize (או ממקסימה) F(x) = [f1(x), f2(x), ..., fk(x))) ⁇ 0, hl(x)=0, וקשור x ⁇ X, שבו x הוא הווקטור של משתנים החלטות, fi הם פונקציות אובייקטיביות, gj ו hl הם אי שוויון והגבלות החלטה.

טיפול ב-constraint הוא קריטי.בעיות תחבורה מציאותיות כוללות מגבלות פיזיות (למשל, יכולת כבישים מקסימלית), מגבלות תקציב, דרישות מדיניות (למשל, רמת מינימום של שירות), וכללים תפעוליים (למשל, אורך מחזור מקסימלי לסימנים).

אופטימיזציה של Algorithms וטכניקות

פתרון בעיות אופטימיזציה מרובות אובססיביות בתחבורה בדרך כלל דורש אלגוריתמים metaheuristicists מבוסס אוכלוסייה כי פונקציות אובייקטיביות הן לעתים קרובות לא לינארי, לא-convex, ויקר חישובי להעריך.שיטות Exact כגון סכומים משקל או epsilon-constraint גישות לעבוד עבור בעיות קטנות אבל לא בקנה מידה טוב לסביבות גבוהות, סטיות טיפוסיות של תחבורה חכמה.

גנטיקה Algorithms ו- Evolutionary Methods

אלגוריתמים גנטיים (GAs) הם בין הכלים הנפוצים ביותר עבור אופטימיזציה של תחבורה רב-אובייקטיבית.הם מחקים ברירה טבעית על ידי פיתוח אוכלוסייה של פתרונות מועמדים על פני דורות רבים.הלא-המנום ל-Galgorithm II (NSGA-II) וגרסאותיה פופולריים במיוחד משום שהם שומרים ביעילות על מגוון רחב לאורך החזית Pareto תוך הדבקה לעבר אזורים אופטימליים.

ביישומים תחבורה, כל כרומוזום ב- GA עשוי לקוד את תזמון התזמון של תזמון אותות, פיצולים ירוקים, או תצורה של הקצאת נתיבים.הכושר של כל פתרון הוא הערכה באמצעות מודלים סימולציה אשר זמני נסיעה מותנים, פליטות, ומדדים אחרים. גישה זו הוחלה בהצלחה על תיאום אותות התנועה העירוני, עיצוב רשת תחבורה, ותחנת טעינה של כלי רכב חשמליים.

Particle Swarm Optimization

Particle Swarm Optimization (PSO) הוא מטא-היסטרי אחר שמתאים היטב לבעיות תחבורה רב-אובייקטיביות. PSO מודלים של חתך של חלקיקים העוברים דרך מרחב הפתרון, התאמת עמדותיהם בהתבסס על הפתרון הידוע ביותר שלהם ואת הפתרון הידוע ביותר של הנחילה של גירסאות מרובות-אובייקטיביות של PSO, כגון MOP, להשתמש בארכיון חיצוני לאחסון חיצוני לפתרונות לא-מדומים לפתרונות הקדמיים ולפתרונות של בחירה.

PSO הוא יעיל במיוחד לבעיות עם משתנים של החלטות מתמשכים, כגון כוונון של אותות התנועה או אופטימיזציה של קצב מהיר העלאה בקצב העלאה מהירה יותר מאשר אלגוריתמים גנטיים עבור כמה שיעורים בעייתיים, אם כי זה עלול להיאבק עם חללים מאומנים מאוד או משלבים. מחקרים השוואת NSGA-II ו- MOPSO עבור אופטימיזציה תחבורה להראות כי הן אלגוריתמים תחרותיים, בהתאם לביצועים על מבנה ואיכות הסימולציה.

גישה מבוססת ומבוססת

מעבר ל- GAs ו- PSO, כמה פרדיגמות אחרות משמשות בפועל.ה-Preto CM Evolution Strategy (PAES) ו- Power Pareto Evolutionary Algorithm (SPEA2) הן חלופות מבוססות היטב לשימוש מנגנונים שונים לשמירה על מגוון ואחסון פתרונות שאינם נשלטים בו-זמנית. Decomposition-based שיטות, כגון MOEA/D, לשבור את הבעיה הרב-אובייקטיבית של קודמו-מולציה ל-למטרות חד-מוליביות רבות (אך) ו/או-תכליתיות רבות (אך) עם בעיות מרובות-תכליתיות, במיוחד עם בעיות מורכבות יותר, כאשר הן יכולות להיות משולבות-תכליתיות (בעיות מורכבות יותר).

גישות היברידיות המשלבות מטא-התיאוריסטים עם חיפוש מקומי או שיטות מדויקות הן גם צוברות רצף.לדוגמה, אלגוריתם גנטי יכול ליצור פתרונות מועמדים שעודנים באמצעות שיטה המבוססת על ⁇ עבור משתנים רצופים.היברידיים האלה מנצלים את יכולת המחקר העולמית של GAs ואת יכולת הזיקוק המקומי של שיטות מדויקות, לעתים קרובות להשיג התכנסות טובה יותר וגיוון.

תוצאות חיפוש ויישומים אמיתיים

היסודות התיאורטיים של אופטימיזציה רב-אובייקטיביים כבר בשימוש על פני מגוון רחב של תחומי תחבורה.מחקרי המקרה הבאים ממחישים כיצד שיטות אלה מספקות ערך מעשי בפרויקטים של תשתיות חכמות בעולם האמיתי.

בקרת אותות תנועה עירונית

עיר עם רשת מרכז צפופה רצה להפחית את הצפיות ולשפר את בטיחות הולכי הרגל ללא הגדלת פליטות.הבעיה הרב-אובייקטיבית הכרוכה בקידוד אורך מחזור, פיצולים ירוקים, ומטהרים על פני 45 צמתים אותות.מטרות כללו צמצום עיכובים של כלי רכב הכולל, צמצום זמן ההמתנה להולכי רגל במעברים, וצמצום פליטות CO2.

החזית של Pareto הראה כי צמצום עיכוב של כלי רכב ב-20% יכול להיות מושג אבל יגדיל את זמן ההמתנה של הולכי רגל ב 15% ופליטות על ידי 8%.מקבלי ההחלטות בחרו פתרון המאוזן את אלה של עסקאות בהתאם ליעדי הקיימות של העיר.לאחר יישום, מדידות שדה הראו ירידה ממוצעת של 12% בזמן הנסיעה והפחתה של 9% בפליטות, בעוד שלעתים קרובות עלייה של מחקר הולכי הרגל ב-6% לעומת השימושים בעיר.

רשת תחבורה ציבורית

רשות מעבר אזורית ביקשה לעצב מחדש את רשת האוטובוסים שלה כדי להגדיל את ההפטרייה תוך שליטה בעלויות התפעוליות ושמירה על שווי השירות על פני שכונות.היעדים היו כדי למקסם את מספר הנוסעים שירתו, למזער את קילומטרים של הרכב הכולל המופעלים, ולמזער את זמן הנסיעה המקסימלי עבור משתמשים באזורים בעלי הכנסה נמוכה.הבעיה הייתה משלבת מסדרון, תוך שילוב מבחר של התאמות ותאריכים ממערך גדול של אפשרויות.

האופטימיזציה בשימוש ב- SPEA2, אשר יצרה מערכת של תצורות רשת לא מובנות.פתרון אחד העלה את הפליפטריה על ידי 22% עם עלייה של 10% בעלויות התפעול, בעוד שאחרת השיגה עלייה של 15% עם אפס עלות אך מעט יותר זמני נסיעה עבור כמה מסלולים פרבריים.לאחר התייעצות עם בעלי מניות, הרשות בחרה פתרון לטווח בינוני ושלבה בשינויים מעל 18 חודשים.

תכנון תשתיות חשמליות

ככל שאימוץ רכב חשמלי מאיץ, ערים מתמודדות עם האתגר של פריסת תחנות טעינה במקומות שמאזן כיסוי, עלות והשפעה רשתית. מחקר רב-אובייקטיבי בעיר בגודל בינוני שנחשבת לשלושה יעדים: מזער את המרחק הממוצע מכל מקום לתחנת טעינה הקרובה ביותר, מצמצם את עלות ההתקנה הכוללת, ומפחית את העומס על גבי רשת החשמל.

אופטימיזציה בשימוש MOEA / D עם מודל מידע גיאוגרפי מפורט (GIS) של העיר.חזית Pareto גילה כי השגת מרחק ממוצע של פחות מ 1.5 ק"מ יידרש מינימום של 120 תחנות וידחוף את עומס רשת שיא 30% מעל היכולת הנוכחית אלא אם כן בוצעו בקרה חכמה טעינה יישמה.ה העיר השתמשה בתוצאות אלה כדי להבטיח מימון עבור פריסה בשלב, החל מ-40 תחנות בשלב הראשון ושילוב מספק גישה דיגיטלית לניהול סוללות.

יתרונות ואתגרים

אופטימיזציה רב-אובייקטיביים מציעה יתרונות משמעותיים עבור עיצוב תחבורה חכם, אבל מתרגלים חייבים לנווט מספר אתגרים כדי לממש את מלוא הפוטנציאל שלהם.

יתרונות מפתח

• דרישות מסחר-Off: מקבלי ההחלטות רואים את מלוא טווח הפשרות האפשריות, נמנעים מהטיות נסתרות לכל מטרה.
• השקיפות הגוברת: חזית פארטו מספקת תיעוד ברור של מה שנחשבו לסחר-offs ומדוע נבחרו פתרון מסוים.
• גמישות: כסדרי עדיפויות משתנות לאורך זמן, מתכננים יכולים להחזיר את חזית פארטו ולבחור פתרון שונה ללא הפעלת מחדש של כל האופטימיזציה.
• החלטות בעלות נתונים: אופטימיזציה רב-אובייקטיבית ממינוף נתונים זמינים באופן מלא, ומייצרת פתרונות המוצבים בראיות אמפיריות ולא באינטואיציה בלבד.
• אלור עם מטרות קיימות: באמצעות כולל מטרות סביבתיות ושוויון לצד מדדים מסורתיים, MOO תומך במטרות מדיניות רחבות יותר כגון ניטרליות פחמן וצדק חברתי.

אתגרים מרכזיים

• מורכבות משלימה: בעיות תחבורה בעולם האמיתי יכולות לכלול אלפי משתנים החלטות והערכות מבוססות סימולציה יקרות, קבלת אופטימיזציה של זמן מחשוב במקביל מודלים חלופיים יכול לעזור אבל להוסיף מורכבות.
• דרישות נתונים: הערכה אובייקטיבית מחייבת נתונים באיכות גבוהה על זרימת התנועה, גורמי פליטה, עלויות והתנהגות המשתמש. פערי נתונים או שגיאות עלולים להוביל לחזיתות Pareto מטעות.
• מודלים של Unquity: מערכות תחבורה הן סטוצ'סטיות מטבע. אופטימיזציה Deterministic עשוי לייצר פתרונות המבוצעים בצורה גרועה בתנאים משתנים. Robust ו-Supit Optimizations נדרשים אך מגבירים את הנטל חישובי.
• בעל העניין אל-השמצה: לבעלי עניין שונים עשויים להיות העדפות סותרות לגבי החשיבות היחסית של מטרות.לאפשר תהליכים וניתוח החלטות רב-ביקורתי נדרשים להשיג הסכמה.
• התמחות גאפ: החלת MOO ביעילות דורש מיומנויות בין-תחומיות אופטימיזציה, הנדסה תחבורה, מודלים ופיתוח תוכנה. ארגונים רבים חסרים מומחיות זו בבית וחייב להסתמך על יועצים או שותפים אקדמיים.

כיוונים עתידיים ומגמות מתפתחות

תחום אופטימיזציה רב-אובייקטיביים לתחבורה חכמה מתפתח במהירות. מגמות מספריות צפויות לעצב את מסלולו בעשור הבא.

שילוב עם מידע בזמן אמת ו- Digital Twins

ההתקדמות באינטרנט של דברים (IoT) חיישנים, תקשורת 5G, מחשוב ענן מאפשר זרמי נתונים בזמן אמת שיכולים להאכיל ישירות לתוך מנועי אופטימיזציה. תאומים דיגיטליים - "העתקים וירטואליים של מערכות תחבורה פיזיות" לאפשר אופטימיזציה רציפה של פעולות.מרכז ניהול תנועה יכול להפעיל אופטימיזציה רב-אובייקטיבית כל חמש דקות, תוך התאמה של אותות המבוססים על תנאים וביקוש זה אמיתי יכולת יעילה מאוד, אבל זה דורש אלגוריתמים פוטנציאליים באופן משמעותי, אבל יש שיפור משמעותי של המערכת.

Machine Learning and Surrogate Modeling

הערכת מטרות באמצעות סימולציה גבוהה נאמנות היא לעתים קרובות צוואר בקבוק חישובי.מודלים של Machine Learning פונדקאית יכולים להיות סימולציות משוערות עם דיוק גבוה ועלויות נמוכות יותר.טכניקות כגון תהליך גאוסיאני, רשתות עצביות, יערות אקראיים משמשים כמו תחזיות מהירות בתוך לולאות אופטימיזציה. אסטרטגיות למידה Active Learning שמוסיפות נקודות סימולציה חדשות כאשר הפונדקאי אינו יכול לשמור על דיוק דרמטי בעת צמצום זמן בטוח עבור טיפול מהיר זה הוא לוקח שעות חישוביות.

אופטימיזציה של רבים

שיטות מרובות-אובייקטיביות מסורתיות פועלות היטב עם שתי מטרות או שלוש, אך מרמות באיכות כאשר מספר המטרות גדל מעבר ל-5 או שש. הרבה אופטימיזציה אובססיבית להתמודד עם בעיות שיש להן 5 או יותר מטרות, אשר הן נפוצות יותר ויותר בתחבורה כמו הון חברתי, חוסן, ותוצאות בריאות מתוספות לצד מדדים מסורתיים.

אנושי-in-the-Loop ו- Interactive Optimization

במקום ליצור חזית Pareto ולאחר מכן לשאול מקבלי החלטות לבחור ממנה, אופטימיזציה אינטראקטיבית כרוכה המשתמש בתהליך החיפוש.האלגוריתם מציג פתרונות מועמדים, לאסוף משוב משתמש על העדפות, ומשתמשת משוב זה כדי להנחות חיפוש נוסף. גישה זו מפחיתה את הנטל חישובי של חקר חזית Pareto כולה ועוזרת להתאים את התוצאות עם ערכי המשתמש שקשה לקוד באופן מתמטי, שיטות אינטראקטיביות במיוחד עבור בעיות רלוונטיות עבור בעיות הקשורות להקשר.

מסקנה

אופטימיזציה רב-אובייקטיבית הפכה כלי חיוני לתכנון תשתיות תחבורה חכמות שמשנות יעילות, קיימות, בטיחות ושוויון. על ידי יצירת מפות מסחר מפורשות בצורת חזיתות פארטו, שיטות אלה מעצימות מהנדסים ומתכנן לקבל החלטות מושכלות המשקפות את המורכבות המלאה של מערכות ניידות עירוניות.

מבקרת אות התנועה לתכנון רשת תעבורה ותשתית טעינה EV, יישומים בעולם האמיתי מראים כי גישות מרובות אובססיביות מספקות שיפורים משמעותיים על פני ממדים מרובים ביצועים בו זמנית. האתגרים של עלות חישובית, איכות נתונים, והתאמה של בעלי עניין נשארים משמעותיים, אך ההתקדמות המתמשכת באלגוריתמים, זמינות נתונים ושיטות אינטראקטיביות ממשיכות להוריד את המחסומים הללו.

ככל שהערים הופכות חכמות יותר ומערכת תחבורה מקושרות יותר, היכולת להתמודד באופן שיטתי עם מטרות מתחרות רק תגדל בחשיבותן. ארגונים שמשקיעים יכולות אופטימיזציה רב-אובייקטיביות היום יהיו יותר ממוצבים כדי ליצור תשתיות שאינן רק בעלות ביצועים גבוהים אלא גם הן מתחדשות, שוות ערך, ותואמים עם מטרות קיימות ארוכות טווח.