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 | |
---|