Simulationbasierte Optimierung für autonome Transportsysteme unter Verwendung eines parallelen realcodierten genetischen Algorithmus mit skalierbarer nichtuniformer Mutation

Zusammenfassung Diese Arbeit stellt einen neuen Ansatz zur simulation-basierten Optimierung für autonome Transportsysteme (ATS) unter Verwendung des vorgeschlagenen parallelen genetischen Algorithmus vor. Das zu entwickelnde System nutzt GPUs für die Implementierung eines massiven agentenbasierten Modells des Verhaltens autonomer Fahrzeuge (AV) in einem künstlichen multi-verbundenen Straßennetz (AMСRN), das aus dem „Manhattan Grid“ und der „Circular Motion Area“ besteht, die gekreuzt werden. Ein neuer paralleler realcodierter genetischer Algorithmus mit skalierbarer nichtuniformer Mutation (RCGA-SNUM) wurde entwickelt. Der vorgeschlagene Algorithmus (RCGA-SNUM) wurde mit bekannten Testinstanzen untersucht und mit parallelen RCGAs verglichen, die mit anderen Mutationsoperatoren verwendet werden (z. B. Standardmutation, Power Mutation (PM), Mutation mit dynamischen Raten (DMR), skalierbare uniforme Mutation (SUM) usw.). Infolgedessen zeigt RCGA-SNUM Überlegenheit bei der Lösung von großangelegten Optimierungsproblemen, wenn Entscheidungsvariablen breite zulässige Bereiche haben und mehrere lokale Extrema beobachtet werden. Im Folgenden wird RCGA-SNUM angewendet, um die Anzahl potenzieller Verkehrsunfälle im AMСRN zu minimieren.