Применение многоцелевой оптимизации в проектировании умной транспортной инфраструктуры

Введение в многоцелевую оптимизацию в интеллектуальном транспорте

Современные города сталкиваются с растущим давлением при проектировании транспортных систем, которые являются эффективными, устойчивыми и реагируют на потребности растущего населения. Традиционные однообъективные подходы часто не дотягивают, потому что они игнорируют неотъемлемые компромиссы между конкурирующими целями, такими как время в пути, выбросы, стоимость, безопасность и комфорт пользователя. Многообъективная оптимизация обеспечивает систематическую основу для решения этих противоречивых требований одновременно. Создавая набор оптимальных решений Парето, инженеры и планировщики могут оценивать компромиссы и выбирать проекты, которые соответствуют текущим приоритетам. В этой статье рассматриваются принципы, приложения и новые тенденции многообъективной оптимизации при проектировании умной транспортной инфраструктуры.

Умные транспортные системы интегрируют датчики, данные в реальном времени, сети связи и адаптивные элементы управления для улучшения мобильности, снижения заторов и повышения безопасности. Сложность этих систем делает их идеальными кандидатами для многообъективной оптимизации, где цель - не один лучший ответ, а целый ряд жизнеспособных решений, которые уравновешивают несколько показателей производительности. От времени сигнала движения до размещения зарядной станции электромобиля многообъективная оптимизация формирует будущее городской мобильности.

Понимание многоцелевой оптимизации

Многообъективная оптимизация (МОП) относится к одновременной оптимизации двух или более объективных функций, которые обычно конфликтуют друг с другом. В отличие от однообъективной оптимизации, которая ищет одно оптимальное решение, МОП вырабатывает набор компромиссных решений, известных как фронт Парето. Каждое решение на этом фронте является Парето-оптимальным, что означает, что никакая цель не может быть улучшена без ухудшения по крайней мере одной другой цели. Этот подход предоставляет лицам, принимающим решения, четкую карту возможных компромиссов между конкурирующими целями.

Основные понятия и терминология

Почему многоцелевая оптимизация важна для транспорта

Транспортная инфраструктура работает на пересечении инженерных, экономических, экологических и социальных интересов. Проект расширения дорог может уменьшить перегруженность, но увеличить загрязнение воздуха и вытеснить сообщества. Новая транзитная линия может улучшить доступность, но потребует больших капиталовложений. Однообъектная оптимизация упустит эти компромиссы, потенциально приводя к решениям, которые являются неоптимальными с более широкой точки зрения. Многообъективная оптимизация заставляет планировщиков явно рассматривать и документировать эти конфликты, что позволяет более прозрачно и подотчетно принимать решения.

Кроме того, интеллектуальные транспортные системы - это среда, богатая данными. Транспортный поток в реальном времени, датчики качества воздуха, траектории GPS и отчеты об инцидентах обеспечивают вводы с высоким разрешением, которые могут напрямую поступать в модели оптимизации. Это обилие данных делает MOO более мощным и практичным, чем в предыдущие десятилетия. Алгоритмы теперь могут обрабатывать тысячи переменных и ограничений для создания действенных фронтов Парето в режиме реального времени.

Роль умной транспортной инфраструктуры

Интеллектуальная транспортная инфраструктура относится к интеграции цифровых технологий, датчиков, сетей связи и автоматизации в физические транспортные активы. Примерами являются адаптивные дорожные сигналы, интеллектуальные скоростные шины, подключенные автомобильные коридоры, электронные системы сбора платы за проезд и информационные дисплеи в режиме реального времени. Эти системы непрерывно генерируют и потребляют данные, создавая возможности для динамической оптимизации, которая была невозможна со статической инфраструктурой.

Ключевой характеристикой умной инфраструктуры является ее способность адаптироваться. Адаптивные сигналы движения изменяют временные схемы, основанные на спросе в реальном времени. Динамические системы управления полосами движения в часы пик. Схемы ценообразования на перегрузки корректируют сборы на основе уровней трафика. Каждая из этих адаптаций включает компромиссы между различными целями: эффективность мобильности, получение доходов, качество воздуха, справедливость между группами доходов и безопасность для уязвимых участников дорожного движения. Многообъективная оптимизация обеспечивает математическую основу для проектирования и эксплуатации этих адаптивных систем таким образом, чтобы явно уравновешивать эти цели.

Планирование нового скоростного транзитного коридора или обновление планов синхронизации сигнала движения для сети в центре города, интеллектуальные инфраструктурные решения выигрывают от многоцелевой структуры, потому что ни один показатель не отражает общую производительность системы. Целостный подход, который учитывает несколько целей, приводит к более устойчивым и социально приемлемым результатам.

Формулирование многообъективных проблем в транспортном дизайне

Применение многообъективной оптимизации к транспортной инфраструктуре начинается с тщательной постановки задачи. Этот шаг включает в себя определение соответствующих целей, ограничений и переменных решений и кодирование их в математическую модель. Плохая формулировка является общим источником неудач в проектах оптимизации, что приводит к решениям, которые нереалистичны или не соответствуют ценностям заинтересованных сторон.

Общие цели в умном транспорте

Математические рамки

Типичная задача многоцелевой оптимизации для транспорта может быть выражена следующим образом:

Минимизировать (или максимизировать) F(x) = [f1(x), f2(x), ..., fk(x)] при условии ограничений gj(x) ≤ 0, hl(x) = 0, и границ x ∈ X, где x является вектором переменных решения, fi являются объективными функциями, а gj и hl являются ограничениями неравенства и равенства. Переменные решения могут включать параметры времени сигнала, конфигурации полосы движения, частоты транзита, уровни цен или местоположения инфраструктуры.

Реалистичные транспортные проблемы включают физические ограничения (например, максимальная пропускная способность дороги), бюджетные ограничения, требования политики (например, минимальный уровень обслуживания) и эксплуатационные правила (например, максимальная длина цикла для сигналов). Нарушение этих ограничений приводит к неосуществимым конструкциям, которые не могут быть реализованы.

Алгоритмы и методы оптимизации

Решение многообъективных задач оптимизации в транспорте обычно требует популяционных метаэвристических алгоритмов, потому что объективные функции часто нелинейны, невыпуклы и вычислительно дороги для оценки.Точные методы, такие как взвешенная сумма или подходы к ограничению эпсилона, работают для небольших проблем, но плохо масштабируются в высокоразмерных стохастических средах, типичных для умного транспорта.

Генетические алгоритмы и эволюционные методы

Генетические алгоритмы (ГА) являются одними из наиболее широко используемых инструментов для оптимизации многообъективной транспортировки. Они имитируют естественный отбор, развивая популяцию потенциальных решений в течение нескольких поколений. Недоминируемый сортирующий генетический алгоритм II (NSGA-II) и его варианты особенно популярны, потому что они эффективно поддерживают разнообразие вдоль фронта Парето, сближаясь с оптимальными регионами. NSGA-II использует быструю не доминируемую процедуру сортировки и метрику расстояния скученности для сохранения распространения.

В транспортных приложениях каждая хромосома в GA может кодировать смещения времени сигнала, зеленые расколы или конфигурации распределения полосы. Подготовленность каждого решения оценивается с использованием имитационных моделей, которые вычисляют время движения, выбросы и другие показатели. Этот подход успешно применяется к координации городских дорожных сигналов, проектированию транзитной сети и размещению зарядной станции электромобиля. Для углубленной технической ссылки см. оригинальную статью NSGA-II Deb et al. (2002), которая остается основополагающим ресурсом в этой области.

Оптимизация теплой частицы

PSO моделирует рой частиц, которые движутся через пространство решения, регулируя свои позиции на основе их собственного наиболее известного решения и самого известного решения роя. Многообъективные версии PSO, такие как MOPSO, используют внешний архив для хранения не доминирующих решений и механизм выбора лидера, чтобы направлять рой в различные области фронта Парето.

PSO особенно эффективен при проблемах с непрерывными переменными решения, такими как настройка смещения сигнала движения или оптимизация скорости измерения скорости рампы автострады. Он имеет тенденцию сближаться быстрее, чем генетические алгоритмы для некоторых классов проблем, хотя может бороться с сильно ограниченными или комбинаторными пространствами. Исследования, сравнивающие NSGA-II и MOPSO для оптимизации транспорта, показывают, что оба алгоритма конкурентоспособны, с производительностью в зависимости от структуры проблемы и качества модели моделирования.

Парето-ориентированный и декомпозиционный подходы

Помимо GAs и PSO, на практике используется несколько других парадигм. Стратегия эволюции с архивом Парето (PAES) и Эволюционный алгоритм Парето с прочностью (SPEA2) являются хорошо зарекомендовавшими себя альтернативами, которые используют различные механизмы для поддержания разнообразия и хранения не доминируемых решений. Методы на основе разложения, такие как MOEA/D, разбивают многообъективную проблему на набор однообъективных подзадач с использованием векторов веса и оптимизируют их одновременно. MOEA/D особенно эффективен для проблем со многими целями (четыре или более), где методы на основе Парето могут бороться с размерностью.

Гибридные подходы, сочетающие метаэвристику с локальным поиском или точными методами, также набирают обороты. Например, генетический алгоритм может генерировать решения-кандидаты, которые затем уточняются с использованием метода на основе градиента для непрерывных переменных. Эти гибриды используют глобальные возможности разведки GA и локальные возможности уточнения точных методов, часто достигая лучшей конвергенции и разнообразия.

Тематические исследования и реальные приложения

Теоретические основы многоцелевой оптимизации были применены в широком диапазоне транспортных областей. Следующие тематические исследования иллюстрируют, как эти методы обеспечивают практическую ценность в реальных интеллектуальных инфраструктурных проектах.

Управление дорожными сигналами

Город с плотной сеткой в центре города хотел уменьшить заторы и повысить безопасность пешеходов без увеличения выбросов. Многоцелевая проблема заключалась в оптимизации длины цикла, зеленых расколов и смещений на 45 сигнализированных перекрестках. Цели включали минимизацию общей задержки транспортного средства, минимизацию времени ожидания пешеходов на пешеходных переходах и минимизацию выбросов CO2. Проблема была решена с помощью NSGA-II, с помощью микроскопической модели моделирования движения, обеспечивающей объективную оценку.

Полученный в результате фронт Парето показал, что можно было бы добиться сокращения задержки транспортного средства на 20%, но увеличить время ожидания пешеходов на 15% и выбросы на 8%. Решения, которые сбалансировали эти компромиссы в соответствии с целями устойчивости города. После реализации полевые измерения показали в среднем сокращение времени в пути на 12% и сокращение выбросов на 9%, в то время как время ожидания пешеходов увеличилось только на 6% по сравнению с исходным уровнем. Город теперь использует аналогичный подход оптимизации для ежегодных обновлений времени сигнала. Для получения дополнительной информации об оптимизации дорожного сигнала ресурсы Совета по исследованиям транспорта предоставляют обширные рекомендации по моделированию и внедрению.

Проектирование сети общественного транзита

Региональный орган по транзиту стремился перестроить свою автобусную сеть, чтобы увеличить количество пассажиров при одновременном контроле эксплуатационных расходов и поддержании справедливости обслуживания в различных районах. Цели заключались в том, чтобы максимизировать количество обслуживаемых пассажиров, минимизировать общее количество пройденных транспортных средств и минимизировать максимальное время в пути для пользователей в районах с низким уровнем дохода. Проблема была комбинаторной, включая выбор маршрутов и частот из большого набора возможностей.

В оптимизации использовался SPEA2, который генерировал набор конфигураций сети, не доминировавших в ней. Одно решение увеличило прогнозируемое количество пассажиров на 22% с увеличением эксплуатационных расходов на 10%, а другое достигло увеличения количества пассажиров на 15% с нулевым увеличением стоимости, но немного более длительным временем поездки для некоторых пригородных маршрутов. После консультаций с заинтересованными сторонами власти выбрали решение среднего уровня и поэтапно внесли изменения в течение 18 месяцев. Фактические показатели увеличились на 18% в течение первого года без значительного снижения качества обслуживания для недостаточно обслуживаемых районов.

Планирование инфраструктуры зарядки электромобилей

По мере ускорения внедрения электромобилей города сталкиваются с проблемой развертывания зарядных станций в местах, которые балансируют покрытие, стоимость и влияние на сеть. Многоцелевое исследование для среднего города рассматривало три цели: минимизировать среднее расстояние от любого места жительства до ближайшей зарядной станции, минимизировать общую стоимость установки и минимизировать пиковую нагрузку на электрическую сеть. Переменные решения включали местоположения станций и количество зарядных устройств на станцию.

Оптимизация использовала MOEA/D с подробной моделью географической информационной системы (ГИС) города. Фронт Парето показал, что достижение среднего расстояния менее 1,5 км потребует минимум 120 станций и подтолкнет пиковую нагрузку на сеть на 30% выше текущей мощности, если не будут реализованы интеллектуальные элементы управления зарядкой. Город использовал эти результаты для обеспечения финансирования поэтапного развертывания, начиная с 40 станций на первом этапе и включая аккумуляторное хранилище для управления спросом на сеть. Внешние ссылки включают работу Национальной лаборатории возобновляемых источников энергии по оптимизации инфраструктуры EV, которая обеспечивает рамки, соответствующие этому подходу.

Преимущества и проблемы

Многоцелевая оптимизация предлагает существенные преимущества для интеллектуального проектирования транспорта, но практикующие специалисты должны преодолеть несколько проблем, чтобы полностью реализовать свой потенциал.

Ключевые преимущества

  • Всеобъемлющая видимость торговли: лица, принимающие решения, видят полный спектр возможных компромиссов, избегая скрытых предубеждений в отношении какой-либо одной цели.
  • Повышение прозрачности: фронт Парето дает четкий отчет о том, какие компромиссы были рассмотрены и почему было выбрано конкретное решение.
  • Гибкость: по мере изменения приоритетов планировщики могут вернуться к фронту Парето и выбрать другое решение без повторного запуска всей оптимизации.
  • Решения, основанные на данных: многообъективная оптимизация полностью использует доступные данные, создавая решения, основанные на эмпирических данных, а не только на интуиции.
  • Включение экологических целей и целей справедливости наряду с традиционными показателями, МУО поддерживает более широкие политические цели, такие как углеродная нейтральность и социальная справедливость.

Ключевые вызовы

  • Вычислительная сложность: проблемы с транспортировкой в реальном мире могут включать тысячи переменных решений и дорогостоящие оценки на основе моделирования, что требует много времени для оптимизации. Параллельные вычисления и суррогатные модели могут помочь, но добавить сложность.
  • Требования к данным: Для точной объективной оценки требуются высококачественные данные о транспортных потоках, факторах выбросов, затратах и поведении пользователей. Пробелы или ошибки данных могут привести к вводящим в заблуждение фронтам Парето.
  • Моделирование неопределенности: транспортные системы являются стохастическими по своей природе. Детерминистская оптимизация может производить решения, которые работают плохо в переменных условиях. Необходимы надежные и стохастические варианты оптимизации, но увеличивают вычислительную нагрузку.
  • Выравнивание заинтересованных сторон: различные заинтересованные стороны могут иметь противоречивые предпочтения относительной важности целей. Для достижения консенсуса необходимы упрощение процедур и анализ решений по различным критериям.
  • Для эффективного применения MOO требуются междисциплинарные навыки в области оптимизации, транспортного проектирования, моделирования и разработки программного обеспечения. Многие организации не имеют этого опыта в своей организации и должны полагаться на консультантов или академических партнеров.

Будущие направления и новые тенденции

Область многообъективной оптимизации для умного транспорта стремительно развивается. Несколько тенденций, вероятно, будут определять его траекторию в течение следующего десятилетия.

Интеграция с данными в реальном времени и цифровыми близнецами

Достижения в области датчиков Интернета вещей (IoT), связи 5G и облачных вычислений позволяют передавать потоки данных в режиме реального времени, которые могут напрямую поступать в двигатели оптимизации. Цифровые двойники - "виртуальные копии физических транспортных систем - позволяют проводить непрерывную оптимизацию операций. Центр управления трафиком может выполнять многообъективную оптимизацию каждые пять минут, регулируя сроки сигнала на основе текущих условий и прогнозируемого спроса. Эта возможность в режиме реального времени требует чрезвычайно быстрых алгоритмов и надежных конвейеров данных, но она имеет потенциал для значительного улучшения отзывчивости системы.

Машинное обучение и суррогатное моделирование

Оценка целей с использованием высокоточного моделирования часто является вычислительным узким местом. Суррогатные модели машинного обучения могут приблизить результаты моделирования с высокой точностью и гораздо более низкой стоимостью. В качестве быстрых приближений в циклах оптимизации используются такие методы, как регрессия гауссовского процесса, нейронные сети и случайные леса. Активные стратегии обучения, которые добавляют новые точки моделирования, когда суррогат неопределенн, могут поддерживать точность при резком сокращении времени вычислений. Этот подход особенно перспективен для проблем, когда моделирование занимает минуты или часы.

Многоцелевая оптимизация

Традиционные многообъективные методы хорошо работают с двумя или тремя целями, но ухудшаются по качеству, когда число целей растет за пределы пяти или шести. Многообъективная оптимизация имеет дело с проблемами, имеющими пять или более целей, которые все чаще встречаются в транспорте, поскольку социальные справедливость, устойчивость и результаты в отношении здоровья добавляются вместе с традиционными показателями. Новые алгоритмы, основанные на методах опорных точек, разложение и выбор на основе индикаторов, разрабатываются для обработки этих многомерных пространств. Исследования в этой области активны, с транспортными приложениями, обеспечивающими плодородную почву для тестирования новых подходов.

Человек в петле и интерактивная оптимизация

Вместо того, чтобы генерировать фронт Парето и затем просить лиц, принимающих решения, выбирать из него, интерактивная оптимизация вовлекает пользователя в процесс поиска. Алгоритм представляет решения-кандидаты, собирает отзывы пользователей о предпочтениях и использует эту обратную связь для руководства дальнейшим поиском. Этот подход снижает вычислительную нагрузку на изучение всего фронта Парето и помогает согласовать результаты с пользовательскими значениями, которые трудно кодировать математически. Интерактивные методы особенно актуальны для транспортных проблем, где предпочтения заинтересованных сторон нюансированы и зависят от контекста.

Заключение

Многоцелевая оптимизация стала важным инструментом для проектирования умной транспортной инфраструктуры, которая уравновешивает эффективность, устойчивость, безопасность и справедливость. Создавая явные компромиссные карты в виде фронтов Парето, эти методы позволяют инженерам и планировщикам принимать обоснованные решения, которые отражают всю сложность городских систем мобильности.

От управления сигналами трафика до проектирования транзитной сети и инфраструктуры зарядки электромобилей, приложения реального мира демонстрируют, что многообъективные подходы обеспечивают измеримые улучшения по нескольким измерениям производительности одновременно.Проблемы вычислительной стоимости, качества данных и согласования заинтересованных сторон остаются значительными, но продолжающиеся достижения в алгоритмах, доступности данных и интерактивных методах продолжают снижать эти барьеры.

По мере того, как города становятся умнее, а транспортные системы более взаимосвязаны, способность систематически решать конкурирующие задачи будет только возрастать. Организации, которые инвестируют в многообъективные возможности оптимизации сегодня, будут лучше позиционироваться для создания инфраструктуры, которая не только высокоэффективна, но и устойчива, справедлива и согласуется с долгосрочными целями в области устойчивого развития. Продолжение сотрудничества между исследователями, практиками и политиками имеет важное значение для перевода этих технических возможностей в инфраструктуру, которая эффективно обслуживает всех членов общества.