Porównanie systemów rozmytych w procesie sterowania sygnalizacją świetlną

• Autorzy: Poletajew B. , Słowik A.

Identyfikatory

DOI

10.15199/48.2018.07.30

Warianty tytułu

EN

Comparative study on application of fuzzy systems for traffic lights control

• Języki publikacji: PL

Abstrakty

PL

W niniejszej pracy przedstawiono porównanie wybranych systemów rozmytych w procesie sterowania sygnalizacją świetlną. Główną zaletą prezentowanego rozwiązania jest uzyskiwanie takich wartości aktywności światła zielonego, które ściśle związane są z warunkami panującymi w obrębie badanego skrzyżowania drogowego. Takie rozwiązanie ma przełożenie na ogólny czas, który potrzebny jest do rozładowania ruchu pojazdów oraz ma znaczący wpływ na stan infrastruktury drogowej. W celu porównania efektywności prezentowanych rozwiązań stworzono aplikację, w której wykorzystano gotowy scenariusz, który został zaprezentowany w literaturze.

EN

In this paper a comparison of selected fuzzy systems in the process of traffic lights control was presented. The main advantage of the presented solution is getting an adequate time activity of green light that is closely related to the conditions on the tested road intersection. This approach is focused in the overall time that is required to discharge traffic and has a significant influence on the road infrastructure. The fuzzy systems presented in this paper were tested on the traffic scenario taken from literature.

Słowa kluczowe

PL

logika rozmyta; sterowanie sygnalizacją świetlną; Mamdani; TSK

EN

fuzzy logic; traffic lights control systems; Mamdani model; TSK

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2018
• Tom: R. 94, nr 7
• Strony: 120--123
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Poletajew B.

• Politechnika Koszalińska, Wydział Elektroniki i Informatyki, Katedra Inżynierii Komputerowej, ul. Śniadeckich 2, 75-453 Koszalin

autor

Słowik A.

• Politechnika Koszalińska, Wydział Elektroniki i Informatyki, Katedra Inżynierii Komputerowej, ul. Śniadeckich 2, 75-453 Koszalin

Bibliografia

• [1] Cox E., The fuzzy systems handbook, second edition: a practitioner’s guide to building, using, and maintaining fuzzy systems, Academic Press, London, UK, (1999)
• [2] Białko M., Sztuczna inteligencja i elementy hybrydowych systemów ekspertowych, Wydawnictwo uczelniane Politechniki Koszalińskiej, Koszalin, (2005)
• [3] Rutkowski L., Metody i techniki sztucznej inteligencji, PWN, Warszawa, (2011)
• [4] Klir G.J., Yuan B., Fuzzy sets and fuzzy logic: theory and applications, Prentice Hall, (1995)
• [5] Pedrycz W., Gomide F., Fuzzy systems engineering: toward human-centric computing, Wiley-IEEE Press, USA, (2007)
• [6] Zadeh L.A., Fuzzy sets, Information and Control, vol. 8 (1965), 338-353
• [7] Poletajew B., Slowik A., An application of fuzzy logic to traffic lights control and simulation in real time, Lecture Notes in Artificial Intelligence, vol. 9692 (2016), 266-275
• [8] Yager R., Filev D., Podstawy modelowania i sterowania rozmytego, WNT, Warszawa, (1995)
• [9] Slowik A., Fuzzy control of trade-off between exploration and exploitation properties of evolutionary algorithms, Lecture Notes in Artificial Intelligence, vol. 6678 (2011), 59-66
• [10] Sumiati S., Sigit T.H., Kapuji A., Mamdani fuzzy inference system application setting for traffic lights, International Journal of Application or Innovation in Engineering and Management, vol. 3 (2014), Issue 10, 56-62
• [11] Jiang Y., Deng Z., Chung F.-L., Wang G., Qian P., Choi K.-S., Wang S., Recognition of epileptic EEG signals using a novel multiview TSK fuzzy system, IEEE Transactions on Fuzzy Systems, vol. 25 (2017), n.1, 3-20
• [12] Popławski M., Białko M., Implementation of fuzzy logic controller in FPGA circuit for guiding electric wheelchair, Lecture Notes in Artificial Intelligence, vol. 7268 (2012), 216- 222
• [13] Verma O.P., Parihar A.S., An optimal fuzzy system for edge detection in color images using bacterial foraging algorithm, IEEE Transactions on Fuzzy Systems, vol. 25 (2017), n. 1, 114-127
• [14] Fathinezhad F., Derhami V., Rezaeian M., Supervised fuzzy reinforcement learning for robot navigation, Applied Soft Computing, vol. 40 (2016), 33-41
• [15] Fernández J., Cortes P., Guadix J., Munuzuri J., Dynamic fuzzy logic elevator group control system for energy optimization, International Journal Of Information Technology & Decision Making, vol. 12 (2013), n. 3, 591-617
• [16] Rotshtein A.P., Posner M., Rakityanskaya A.B., Football predictions based on a fuzzy model with genetic and neural tuning, Cybernetics and System Analysis, vol. 41 (2005), Issue 4, 619-630
• [17] Poletajew B., Słowik A., Using a hierarchical fuzzy system for traffic lights control process, Lecture Notes in Artificial Intelligence, vol. 10245 (2017), 292-301
• [18] Renkas K., Niewiadomski A., Hierarchical fuzzy logic systems and controlling vehicles in computer games, Journal of Applied Computer Science, vol. 22 (2014), n. 1, 201-212
• [19] Renkas K., Niewiadomski A., Learning rules for hierarchical fuzzy logic systems using Wu & Mendel IF-THEN rules quality measures, Lecture Notes in Artificial Intelligence, vol. 9692 (2016), 299-310

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).