Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Introducin
La bsqueda de soluciones para evitar el congestionamiento vehicular se remonta desde
la dcada de los aos sesentas, en el siglo XX, cuando se presentaron los primeros
problemas viales debidos al crecimiento poblacional de algunas ciudades y al
incremento en las facilidades que tuvieron los ciudadanos de esas misma urbes para
obtener un vehculo.
Los primeros estudios utilizaban tcnicas de la Investigacin de Operaciones,
basados en problemas de optimizacin de redes; las soluciones dadas por stas son
ptimas siempre y cuando las variables propias del problema sean estticas. De esta
forma, la planeacin del tiempo que deben durar los colores de los semforos (verde,
mbar o rojo) es ptima para ciertas condiciones pero, dado que la red vial es un
que el flujo hacia esos lugares sea mayor comparado con los que van a otros puntos. 3)
De alguna manera, hay trfico en ciertas zonas que disminuyen la circulacin en otras,
siendo que esto no siempre es evidente.
El primer y segundo punto hacen necesario el tener un repositorio donde se guarden
las condiciones reinantes en un instante junto con las soluciones que se dieron, a fin de
repetirlas o encontrar mejores. Este es el objetivo de la capa de experiencia (E) que,
conjugado con un algoritmo gentico (para explorar ms alternativas), permite no solo
encontrar un antecedente, sino tambin buscar mejores combinaciones a ste.
Para el caso del ltimo punto, dado que cada semforo se ocupa slo de realizar sus
propios clculos y no tiene dispositivos que le digan qu sucede en otros, su nica
forma de conocer lo que pasa es por medio de una comunicacin intensa con sus
vecinos en la cual le informen los parmetros ms importantes de sus respectivos
cruces, y que tambin le indiquen, en forma concisa, cul es la intencin que tienen
respecto a la combinacin de luces.
Agente 0:
Comunica
con:
Ag -1
Ag. -2
Ag. -3
Ag. -4
Ag. 1,
Ag. 2,
Ag. 3,
Ag. 4
Agente 1:
Comunica
con:
Ag 0
Ag. -1
Ag. -2
Ag. -3
Ag. 2,
Ag. 3,
Ag. 4,
Ag. 5
Agente 2:
Comunica
con:
Ag 0
Ag. -1
Ag. -2
Ag. 1
Ag. 3,
Ag. 4,
Ag. 5,
Ag. 6
Agente 3:
Comunica
con:
Ag 0
Ag. -1
Ag. 1
Ag. 2
Ag. 4,
Ag. 5,
Ag. 6,
Ag. 7
Agente 4:
Comunica
con:
Ag 0,
Ag. 1,
Ag. 2,
Ag. 3,
Ag. 5,
Ag. 6,
Ag. 7,
Ag. 8
Este diseo parte de la premisa de que todo agente en el sistema tiene un vecino.
Con esto se crea un efecto domin en el que los agentes: an sin tener los parmetros de
los agentes ms alejados, realizarn una accin que sea benfica para todo el sistema
porque cada uno de ellos buscar una combinacin de luces que no perjudique a sus
vecinos, de los cuales uno ser vecino, por su parte, de alguno que est entre los ms
alejados. La figura anterior ilustra una posible situacin en la que se muestra la
comunicacin entre 5 agentes cualquiera. El agente 0 se comunica con los agentes 4,
-3, -2, -1, 0, 1, 2, 3 y 4. De estos, los agentes con tinta ms tenue indican que no todo el
quinteto de agentes (de los mostrados en la figura) los conoce.
Podran
producir
Conflicto*:
Los deseos del
agente versus la
afectacin a los
intereses de los otros
Experiencia:
Historial de
creencias junto
con acciones
ejecutadas.
Razonamiento:
Bsqueda de
mejores alternativas
Resuelve
Accin a
ejecutar
Normas Sociales:
Accin a tomar en
caso de situacin
conflictivas.
Envo de
informacin
ti
Meditacin
ti
Aviso de accin
ti
Agente
actuando
ti
Envo de
informacin
ti+1
3 Resultados
Tomando como base las consideraciones tericas mencionadas en el captulo anterior
se realiz un sistema multiagente para hacer experimentos. Para poder apreciar lo que
suceda, se tom un mapa en formato jpg que muestra una zona de la Ciudad de
Mxico, la cual comprenda aproximadamente un rea de veinticinco kilmetros
cuadrados. Teniendo definida la seccin, se procedi a construir los agentes descritos
en este artculo y tambin unos agentes sencillos para simular a los automovilistas. La
ejecucin de los agentes se hizo en varias computadoras y la simulacin de los sensores
que obtienen informacin del ambiente se realiz por medio de servidores.
Los experimentos se realizaron para rangos diferentes de trfico vehicular. Los
resultados son contrastantes cuando se compara el funcionamiento de agentes que ya
tienen experiencia contra los que no la poseen. En el primer caso, con el cambio de
luces, lejos de disminuir la congestin vehicular, la aumenta. Esto se debe a que la
Experiencia funciona como una capa de Aprendizaje que le permite a un agente
comparar posibles acciones con otras que hayan sido tomadas en condiciones similares.
En cada situacin nueva el agente no tiene una referencia de la cual partir.
En cambio, el funcionamiento del sistema mejora considerablemente cuando los
agentes tienen experiencia. Las pruebas muestran que los agentes tienden a dar
prioridad a las rutas crticas (aquellas que desembocan en un punto de concentracin de
trfico). Esto no significa que desaparezca el congestionamiento, sino ms bien
significa que la ganancia colectiva es mayor cuando est operando el sistema BDI-EO
que cuando est en funcionamiento otro.
Referencias
[1] Biham Ofer, Middleton Alan A., y Levine Dov, Self-Organization and a Dynamical
Transition in Traffic Flow Models, Physical Review.
[2] Braess Dietrich, ber ein Paradox der Verkerhsplannung, Unternehmenstorchung
12:258-268 (1968)
[3] Brockfeld Elmar, Barlovic Robert, Schadschneider Andreas y Schrecknberg Michael,
Optimizaing traffic ligths in a cellular automaton model for city traffic, Physical
review E, Volumen 64.
[4] Broersen, J., Dastani M., Hulstijn J, y Van der Torre L. Goal generation in the BOID
architecture, University of Delf, 2002.
[6] Choy Min Chee, Cheu Ruey Long, Srinivasan Dipti y logi Filippo, Real-Time
Coordinated Signal Control Using Agents with Online Reinformement Learning,
82nd Annual Meeting of the Transportation Research Board
[8] Dresner Kurt y Stone Peter, Multiagent Traffic Management: A Reservation-Based
Intersection Control Mechanism, AAMAS'04, July 19-23, 2004, Estados Unidos.
[9] Gershenson, Carlos, Self-Organizing Traffic Lights, Centrum Leo Apostel, Vrije
Universiteit Brussel, 30 de noviembre de 2004
[10] Gomez Arroyo, Sandra Luz, slga@atmosfera.unam.mx
[11] Hardin, Garret, The Tragedy of Commons", Science, volumen 162, po. 1243-1248.
[13] Elina Mancinelli, Guy Cohen, Stephane Gaubert, Jean-Pierre Quadrat, y Edmundo
Rofman, On Traffic Light Control of Regular Towns, Institut National De Recherche
En Informatique Et En Automatique (INRIA).
[14] Nagel Kai y Schreckenberg Michael, A cellular automaton model for freeway traffic,
Journal de Physique I, Septiembre de 1992, Francia.
[15] Penner Joanne, Hoar Ricardo y Jacob Christian, Swarm-Based traffic simulation
with evolutionary traffic light adaptation, Universidad de Clgary.
[16] Schadschneider Andreas, Chowdhury Debashish, Brockfeld Elmar, Klauck K, Santen
L., y Zittartz J., A new cellular automata model for city traffic, en "Traffic and
Granular Flow 1999: Social, Traffic, and Granular Dynamics" editado por D. Helbing,
H. J. Herrmann, M. Schreckenberg, D. E. Wolf (Springer, Berlin, 2000)
[17] Vogel Andrea, Goerick Christian y von Seelen Werner, Evolutionary Algorithms for
Optimizing Traffic Signal Operation, Institut fr Neuroinformatik,Ruhr-Universitt
Bochum.
[18] Marco Wiering, Multi-Agent Reinforcement Learning for traffic Light Control,
University of Utrecht.