Postęp technologiczny zazwyczaj niesie ze sobą duże możliwości i zmiany. Żyjemy obecnie na początku wielkiej rewolucji związanej ze sztuczną inteligencją (AI) i powszechną automatyzacją coraz większej ilości działań wykonywanych przez ludzi. Dotyczy to również transportu. Automatyzacja i skuteczność AI zależą głównie od nowych algorytmów, ale również dostępu do mocy obliczeniowej i danych. Mówi się, że „dane to nowa ropa” (zasilająca AI), mogą mieć olbrzymią wartość i istotnie wpływać na rozwój każdej gałęzi gospodarki, jeśli tylko są odpowiednio analizowane. W przeciwieństwie do ropy, zasoby danych będą się powiększać, o ile tylko będą istniały sposoby, aby dane zbierać, przechowywać i przetwarzać. Olbrzymie ilości danych trzeba gdzieś przechowywać, stąd powstaje coraz więcej centrów danych, usprawniane są też metody ich przechowywania i przetwarzania, np. pojawiają się pomysły zapisywania danych w DNA.
We investigate performance of a gradient descent optimization (GR) applied to the traffic signal setting problem and compare it to genetic algorithms. We used neural networks as metamodels evaluating quality of signal settings and discovered that both optimization methods produce similar results, e.g., in both cases the accuracy of neural networks close to local optima depends on an activation function (e.g., TANH activation makes optimization process converge to different minima than ReLU activation).
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.