| 1 | \def \cesta {./06_Bayes_rmm_pouziti} |
|---|
| 2 | |
|---|
| 3 | \subsection{Použití RMM a Bayesova učení v decentralizovaném řízení dopravy} |
|---|
| 4 | |
|---|
| 5 | V následujícím textu se budeme zabývat konkrétním využitím |
|---|
| 6 | rekursivních modelovacích metod v kombinaci s bayesovským učením |
|---|
| 7 | v decentralizovaném řízení dopravy pomocí multiagentních systémů. |
|---|
| 8 | Tento koncept byl testován a výsledky zveřejněny v článku \cite{1_rmm_bayes_learning}.\\ |
|---|
| 9 | |
|---|
| 10 | Testy byly prováděny na modelu dvou křižovatek klasického typu, kde každý agent $R_1, R_2$ |
|---|
| 11 | ovládal jednu z nich. K modelování chování druhého agenta bylo použito třísyupňové RMM |
|---|
| 12 | zakončené neinformovaným modelem. Obrázek \ref{fig:rmm_structure} z článku \cite{1_rmm_bayes_learning} |
|---|
| 13 | znázorňuje RMM agenta $R_1$, kde se na každé úrovni agent rozhoduje mezi dvěma modely, informovaným a |
|---|
| 14 | neinformovaným. Z počátku simulace jsou těmto modelům přiřazeny pravděpodobnosti po řadě 0,8 a 0,2. |
|---|
| 15 | Tyto pravděpodobnosti jsou upravovány metodou bayesovskeho učení podle akcí provedených druhým agentem. |
|---|
| 16 | Pro řešení tohoto modelu je použit algoritmus z \cite{4_rmm_formalization} popsaný v předchozí kapitole.\\ |
|---|
| 17 | |
|---|
| 18 | Určujícím faktorem pro sestavení matice zisků je délka fronty čekajících aut. Tento údaj byl také |
|---|
| 19 | použit jako klíčový pro srovnání s ostatními metodami při testování. Metoda byla testována |
|---|
| 20 | za použití simulace psané v jazyce VC++ a porovnávána s dvěma dalšími, a to pevně dané sekvence |
|---|
| 21 | stanovené dopravními experty a stochastická metoda "Hill-climbing process". Z tohoto srovnání |
|---|
| 22 | vychází metoda využívající RMM a bayesovského učenís podle výsledků prezentovaných v \cite{1_rmm_bayes_learning} nejlépe, |
|---|
| 23 | jak můžeme vidět na obrázku \ref{fig:rmm_results}. |
|---|
| 24 | |
|---|
| 25 | |
|---|
| 26 | |
|---|
| 27 | \begin{figure}[H] |
|---|
| 28 | \begin{center} |
|---|
| 29 | \includegraphics[width=70mm]{\cesta/rmm_structure.eps} |
|---|
| 30 | \caption{Tříúrovňová rekurzivní modelová struktura agenta $R_1$}\label{fig:rmm_structure} |
|---|
| 31 | \end{center} |
|---|
| 32 | \end{figure} |
|---|
| 33 | |
|---|
| 34 | \newpage |
|---|
| 35 | |
|---|
| 36 | \begin{figure}[H] |
|---|
| 37 | \begin{center} |
|---|
| 38 | \includegraphics[width=70mm]{\cesta/rmm_results.eps} |
|---|
| 39 | \caption{Výsledky měření. M1 - RMM, M2 - pevné cykly, M3 - "Hill-climbing" }\label{fig:rmm_results} |
|---|
| 40 | \end{center} |
|---|
| 41 | \end{figure} |
|---|
| 42 | |
|---|
| 43 | \subsection{Zhodnocení} |
|---|
| 44 | V článku \cite{4_rmm_formalization} nenjsou podrobně popsány akce agentů ani |
|---|
| 45 | způsob, jak hodnotit jejich užitečnost. Proto je tato metoda jen obtížně reprodukovatelná, |
|---|
| 46 | modifikovatelná či dále rozvinutelná. V naší situaci popsanné v dalších kapitolách také není nutné |
|---|
| 47 | modelovat chování agentů, neboť je možné ho vykomunikovat pomocí posílaných zpráv. V případě |
|---|
| 48 | reálného nasazení by však bylo možné vylepšení zapojení RMM pro odhad chování agenta |
|---|
| 49 | pokud by nastal výpadek spojení nebo podobná situace. |
|---|
| 50 | |
|---|
