Parçacık Sürü Optimizasyonu Kullanılarak Otomatik Araçlar için Kavşak Yönetiminin Optimize Edilmesi

Abstract

Sonuç olarak, PSO tabanlı çerçeve aracılığıyla elde edilen optimize edilmiş yörüngeler güvenlik, seyahat süresi minimizasyonu ve enerji verimliliği arasında uyumlu bir dengeyi temsil etmektedir. Bu denge, önceden tanımlanmış kısıtlamalar ve güvenlik marjları dikkate alınarak titizlikle sağlanmış ve çerçevenin karmaşık çözüm uzaylarında gezinmesini ve optimum çözümlere etkili bir şekilde yakınsamasını sağlamıştır. Sonuç olarak, araçların hız profilleri ve seyahat mesafesi profilleri bu dengeyi belirgin bir şekilde yansıtmış ve çoklu optimizasyon hedeflerinin başarılı bir şekilde entegre edildiğini göstermiştir. Optimize edilmiş yörüngeler yalnızca kavşaktan güvenli geçişi sağlamakla kalmamış, aynı zamanda seyahat süresini ve enerji tüketimini de en aza indirerek genel trafik akışı verimliliğini ve sürdürülebilirliğini artırmıştır. Nesil sayısı, popülasyon boyutu, atalet ağırlığı, sönümleme oranı, kişisel öğrenme katsayısı ve küresel öğrenme katsayısı dahil olmak üzere Parçacık Sürü Optimizasyonu (PSO) algoritması parametrelerinin dikkatli bir şekilde ayarlanması, keşif-kullanma dengesinin yönlendirilmesinde ve erken yakınsama veya durgunluk olmadan sağlam optimizasyon sonuçlarının sağlanmasında önemli bir rol oynamıştır. Hız profilleri, güvenli hızları korurken seyahat süresini en aza indirmek için yörüngelerini optimize ederek kavşağa yaklaşırken ve geçerken araçların dinamiklerini göstermiştir. Benzer şekilde, seyahat mesafesi profilleri, her bir aracın zaman içinde kat ettiği mesafeye ilişkin nicel bilgiler sağlayarak kavşak alanı içindeki hareketleri hakkında kapsamlı bir anlayış sunar. Optimizasyon süreci boyunca maliyet değerinin izlenmesi, PSO algoritması araçların hareketlerini yinelemeli olarak geliştirirken yörüngelerin ve çarpışmadan kaçınmanın başarılı bir şekilde iyileştirildiğini göstermiştir. Çarpışmadan kaçınma, seyahat süresini en aza indirme ve yakıt tüketimini azaltma ile ilgili bileşenleri entegre eden maliyet fonksiyonu, optimizasyon sürecini istenen hedeflere ulaşma yönünde etkili bir şekilde yönlendirmiştir. Özetle, PSO tabanlı çerçeve kavşak optimizasyonu için umut verici bir yaklaşım sunmakta, birbiriyle yarışan hedefleri dengelemek ve genel trafik yönetimi ile sürdürülebilirliği iyileştirmek için sistematik ve verimli bir yöntem sağlamaktadır. Dikkatli parametre ayarlama ve yinelemeli iyileştirme yoluyla, çerçeve karmaşık çözüm uzaylarında etkili bir şekilde gezinebilir ve kavşak performansını ve güvenliğini artırmak için araç yörüngelerini optimize edebilir.

In conclusion, the optimized trajectories achieved through the PSO-based framework represent a harmonious balance between safety, travel time minimization, and energy efficiency. This equilibrium was meticulously attained by considering predefined constraints and safety margins, enabling the framework to navigate through complex solution spaces and converge towards optimal solutions effectively. As a result, the velocity profiles and travel distance profiles of the vehicles distinctly reflected this balance, showcasing the successful integration of multiple optimization objectives. The optimized trajectories not only ensured safe passage through the intersection but also minimized travel time and energy consumption, thereby enhancing overall traffic flow efficiency and sustainability. The careful adjustment of Particle Swarm Optimization (PSO) algorithm parameters, including the number of generations, population size, inertia weight, damping ratio, personal learning coefficient, and global learning coefficient, played a crucial role in steering the exploration-exploitation trade-off and ensuring robust optimization results without premature convergence or stagnation. The velocity profiles illustrated the vehicles' dynamics as they approached and traversed the intersection, optimizing their trajectories to minimize travel time while maintaining safe speeds. Similarly, the travel distance profiles provided quantitative insight into the distance covered by each vehicle over time, offering a comprehensive understanding of their movement within the intersection space. Tracking the cost value throughout the optimization process demonstrated the successful refinement of trajectories and collision avoidance as the PSO algorithm iteratively evolved the vehicles' movements. By integrating components related to collision avoidance, travel time minimization, and fuel consumption reduction, the cost function effectively guided the optimization process towards achieving the desired objectives. In summary, the PSO-based framework offers a promising approach to intersection optimization, providing a systematic and efficient method for balancing competing objectives and improving overall traffic management and sustainability. Through careful parameter tuning and iterative refinement, the framework can effectively navigate complex solution spaces and optimize vehicle trajectories to enhance intersection performance and safety.