En este trabajo proponemos la arquitectura Yellow Swarm dedicada a la reducción de los tiempos de viaje del tráfico rodado mediante la utilización de una serie de paneles LED con el fin de sugerir diferentes cambios de dirección durante determinadas ventanas de tiempo. Estos tiempos son calculados por un algoritmo evolutivo diseñado expresamente para este trabajo, el cual evalúa los escenarios compuestos de mapas reales importados desde OpenStreetMap, mediante la utilización del simulador SUMO. Los resultados de nuestra experimentación, sobre una zona de la ciudad de Málaga propensa a sufrir atascos, muestran acortamientos de los tiempos medios de viaje de hasta 24,6 %, una reducción en las emisiones de gases de efecto invernadero de hasta 24,1 %, y una disminución máxima del consumo de combustible del 12,6 %.
Fine Tuning of Traffic in Our Cities with Smart Panels: The Quito City Case S...
Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Utilizando Paneles LED (MAEB'15)
1. UN ALGORITMO EVOLUTIVO PARA LA
REDUCCIÓN DE TIEMPOS DE VIAJE Y
EMISIONES UTILIZANDO PANELES LED
Daniel H. Stolfi
dhstolfi@lcc.uma.es
Enrique Alba
eat@lcc.uma.es
Departamento de Lenguajes y Ciencias de la Computación
Universidad de Málaga
X Congreso Español de Metaheurísticas,
Algoritmos Evolutivos y Bioinspirados
MAEB 2015
Mérida – Almendralejo
Febrero 2015
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 1 / 19
6. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
Hoy en día la mayoría de las personas viven o están pensando
en mudarse desde las zonas rurales a las grandes ciudades
Como consecuencia:
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero a la atmósfera
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 3 / 19
7. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
Hoy en día la mayoría de las personas viven o están pensando
en mudarse desde las zonas rurales a las grandes ciudades
Como consecuencia:
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero a la atmósfera
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 3 / 19
8. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
Hoy en día la mayoría de las personas viven o están pensando
en mudarse desde las zonas rurales a las grandes ciudades
Como consecuencia:
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero a la atmósfera
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 3 / 19
9. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
Hoy en día la mayoría de las personas viven o están pensando
en mudarse desde las zonas rurales a las grandes ciudades
Como consecuencia:
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero a la atmósfera
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 3 / 19
10. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
Hoy en día la mayoría de las personas viven o están pensando
en mudarse desde las zonas rurales a las grandes ciudades
Como consecuencia:
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero a la atmósfera
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 3 / 19
11. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Nuestra propuesta, Yellow Swarm, consiste en:
Una serie de paneles LED
Instalados en la ciudad
Presentan posibles cambios de dirección
Nuestro Algoritmo Evolutivo
Evalúa los escenarios de entrenamiento
Calcula la configuración del sistema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 4 / 19
12. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Nuestra propuesta, Yellow Swarm, consiste en:
Una serie de paneles LED
Instalados en la ciudad
Presentan posibles cambios de dirección
Nuestro Algoritmo Evolutivo
Evalúa los escenarios de entrenamiento
Calcula la configuración del sistema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 4 / 19
13. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Nuestra propuesta, Yellow Swarm, consiste en:
Una serie de paneles LED
Instalados en la ciudad
Presentan posibles cambios de dirección
Nuestro Algoritmo Evolutivo
Evalúa los escenarios de entrenamiento
Calcula la configuración del sistema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 4 / 19
14. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
15. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
16. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
17. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
18. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
19. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
20. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
21. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
YELLOW SWARM
Yellow Swarm ofrece:
Un sistema económico y fácil de instalar
Cambios de rutas según un estrategia óptima
Prevención de atascos
Reducción de los tiempos de viaje
Menos emisiones de gases de efecto invernadero
Disminución del consumo de combustible
Reduce las distracciones
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 5 / 19
22. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ARQUITECTURA YELLOW SWARM
Offline:El Algoritmo Evolutivo calcula la configuración del sistema.
Online:Los paneles sugieren posibles desvíos a los conductores.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 6 / 19
23. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ARQUITECTURA YELLOW SWARM
Offline:El Algoritmo Evolutivo calcula la configuración del sistema.
Online:Los paneles sugieren posibles desvíos a los conductores.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 6 / 19
24. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ARQUITECTURA YELLOW SWARM
Offline:El Algoritmo Evolutivo calcula la configuración del sistema.
Online:Los paneles sugieren posibles desvíos a los conductores.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 6 / 19
25. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
PANELES LED
Están compuestos por LEDs (Light-Emitting
Diode)
Presentan la señalización con las distintas
opciones de desvío.
Seguir recto
Girar a la izquierda
Girar a la derecha
Cada señal es visible durante un específico
período de tiempo calculado por el Algoritmo
Evolutivo.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 7 / 19
26. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
PANELES LED
Están compuestos por LEDs (Light-Emitting
Diode)
Presentan la señalización con las distintas
opciones de desvío.
Seguir recto
Girar a la izquierda
Girar a la derecha
Cada señal es visible durante un específico
período de tiempo calculado por el Algoritmo
Evolutivo.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 7 / 19
27. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
PANELES LED
Están compuestos por LEDs (Light-Emitting
Diode)
Presentan la señalización con las distintas
opciones de desvío.
Seguir recto
Girar a la izquierda
Girar a la derecha
Cada señal es visible durante un específico
período de tiempo calculado por el Algoritmo
Evolutivo.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 7 / 19
28. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
PANELES LED
Están compuestos por LEDs (Light-Emitting
Diode)
Presentan la señalización con las distintas
opciones de desvío.
Seguir recto
Girar a la izquierda
Girar a la derecha
Cada señal es visible durante un específico
período de tiempo calculado por el Algoritmo
Evolutivo.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 7 / 19
29. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
PANELES LED
Están compuestos por LEDs (Light-Emitting
Diode)
Presentan la señalización con las distintas
opciones de desvío.
Seguir recto
Girar a la izquierda
Girar a la derecha
Cada señal es visible durante un específico
período de tiempo calculado por el Algoritmo
Evolutivo.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 7 / 19
30. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
PANELES LED
Están compuestos por LEDs (Light-Emitting
Diode)
Presentan la señalización con las distintas
opciones de desvío.
Seguir recto
Girar a la izquierda
Girar a la derecha
Cada señal es visible durante un específico
período de tiempo calculado por el Algoritmo
Evolutivo.
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 7 / 19
31. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
CARACTERÍSTICAS
Málaga
4,6 Km2
259 semáforos
4 paneles LED
9 flujos vehiculares
159 rutas
2400 vehículos
MálagaTV
4,6 Km2
259 semáforos
4 paneles LED
9 flujos vehiculares
64 rutas
2400 vehículos
Tiempo de Análisis: 6000 segundos
TABLA : Características de los cuatro tipos de vehículos utilizados
Tipo
Probabilidad Velocidad Máxima Aceleración Deceleración Longitud Clase de
Llegada (Km/h) (m/s2
) (m/s2
) (m) Emisión
turismo 0,50 160 0,9 5,0 3,8 P_7_7
monovolumen 0,25 100 0,8 4,5 4,2 P_14_8
furgoneta 0,15 50 0,7 4,0 4,5 P_14_12
camión 0,10 40 0,6 3,5 6,0 HDV_3_3
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 8 / 19
32. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
CARACTERÍSTICAS
Málaga
4,6 Km2
259 semáforos
4 paneles LED
9 flujos vehiculares
159 rutas
2400 vehículos
MálagaTV
4,6 Km2
259 semáforos
4 paneles LED
9 flujos vehiculares
64 rutas
2400 vehículos
Tiempo de Análisis: 6000 segundos
TABLA : Características de los cuatro tipos de vehículos utilizados
Tipo
Probabilidad Velocidad Máxima Aceleración Deceleración Longitud Clase de
Llegada (Km/h) (m/s2
) (m/s2
) (m) Emisión
turismo 0,50 160 0,9 5,0 3,8 P_7_7
monovolumen 0,25 100 0,8 4,5 4,2 P_14_8
furgoneta 0,15 50 0,7 4,0 4,5 P_14_12
camión 0,10 40 0,6 3,5 6,0 HDV_3_3
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 8 / 19
33. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
CARACTERÍSTICAS
Málaga
4,6 Km2
259 semáforos
4 paneles LED
9 flujos vehiculares
159 rutas
2400 vehículos
MálagaTV
4,6 Km2
259 semáforos
4 paneles LED
9 flujos vehiculares
64 rutas
2400 vehículos
Tiempo de Análisis: 6000 segundos
TABLA : Características de los cuatro tipos de vehículos utilizados
Tipo
Probabilidad Velocidad Máxima Aceleración Deceleración Longitud Clase de
Llegada (Km/h) (m/s2
) (m/s2
) (m) Emisión
turismo 0,50 160 0,9 5,0 3,8 P_7_7
monovolumen 0,25 100 0,8 4,5 4,2 P_14_8
furgoneta 0,15 50 0,7 4,0 4,5 P_14_12
camión 0,10 40 0,6 3,5 6,0 HDV_3_3
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 8 / 19
35. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
REPRESENTACIÓN
En el vector solución se encuentran los valores para los 8
intervalos de tiempo que utilizamos en este trabajo
El rango para los intervalos es entre 20 y 300 segundos
Esto representa 2, 9 ∗ 1019 combinaciones
Para evaluar cada configuración necesitamos cerca de 1 minuto
Necesitamos una metaheurística para resolver el problema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 10 / 19
36. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
REPRESENTACIÓN
En el vector solución se encuentran los valores para los 8
intervalos de tiempo que utilizamos en este trabajo
El rango para los intervalos es entre 20 y 300 segundos
Esto representa 2, 9 ∗ 1019 combinaciones
Para evaluar cada configuración necesitamos cerca de 1 minuto
Necesitamos una metaheurística para resolver el problema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 10 / 19
37. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
REPRESENTACIÓN
En el vector solución se encuentran los valores para los 8
intervalos de tiempo que utilizamos en este trabajo
El rango para los intervalos es entre 20 y 300 segundos
Esto representa 2, 9 ∗ 1019 combinaciones
Para evaluar cada configuración necesitamos cerca de 1 minuto
Necesitamos una metaheurística para resolver el problema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 10 / 19
38. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
REPRESENTACIÓN
En el vector solución se encuentran los valores para los 8
intervalos de tiempo que utilizamos en este trabajo
El rango para los intervalos es entre 20 y 300 segundos
Esto representa 2, 9 ∗ 1019 combinaciones
Para evaluar cada configuración necesitamos cerca de 1 minuto
Necesitamos una metaheurística para resolver el problema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 10 / 19
39. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
REPRESENTACIÓN
En el vector solución se encuentran los valores para los 8
intervalos de tiempo que utilizamos en este trabajo
El rango para los intervalos es entre 20 y 300 segundos
Esto representa 2, 9 ∗ 1019 combinaciones
Para evaluar cada configuración necesitamos cerca de 1 minuto
Necesitamos una metaheurística para resolver el problema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 10 / 19
40. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
REPRESENTACIÓN
En el vector solución se encuentran los valores para los 8
intervalos de tiempo que utilizamos en este trabajo
El rango para los intervalos es entre 20 y 300 segundos
Esto representa 2, 9 ∗ 1019 combinaciones
Para evaluar cada configuración necesitamos cerca de 1 minuto
Necesitamos una metaheurística para resolver el problema
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 10 / 19
41. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Evalúa los individuos utilizando el simulador SUMO
Los cambios de ruta que realizan los vehículos
están implementados utilizando TraCI.
Como resultado se obtiene la configuración de los
paneles
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 11 / 19
42. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Evalúa los individuos utilizando el simulador SUMO
Los cambios de ruta que realizan los vehículos
están implementados utilizando TraCI.
Como resultado se obtiene la configuración de los
paneles
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 11 / 19
43. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Evalúa los individuos utilizando el simulador SUMO
Los cambios de ruta que realizan los vehículos
están implementados utilizando TraCI.
Como resultado se obtiene la configuración de los
paneles
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 11 / 19
44. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Evalúa los individuos utilizando el simulador SUMO
Los cambios de ruta que realizan los vehículos
están implementados utilizando TraCI.
Como resultado se obtiene la configuración de los
paneles
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 11 / 19
45. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Evalúa los individuos utilizando el simulador SUMO
Los cambios de ruta que realizan los vehículos
están implementados utilizando TraCI.
Como resultado se obtiene la configuración de los
paneles
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 11 / 19
46. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
FUNCIÓN DE EVALUACIÓN
F = α1(N − n) + α2
1
n
n
i=1
tiempo viajei (1)
N: Número total de vehículos
n: Número de vehículos que terminan su itinerario
α1 y α2: Normalizan el valor de la ecuación
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 12 / 19
47. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
FUNCIÓN DE EVALUACIÓN
F = α1(N − n) + α2
1
n
n
i=1
tiempo viajei (1)
N: Número total de vehículos
n: Número de vehículos que terminan su itinerario
α1 y α2: Normalizan el valor de la ecuación
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 12 / 19
48. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
FUNCIÓN DE EVALUACIÓN
F = α1(N − n) + α2
1
n
n
i=1
tiempo viajei (1)
N: Número total de vehículos
n: Número de vehículos que terminan su itinerario
α1 y α2: Normalizan el valor de la ecuación
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 12 / 19
49. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Yellow Swarm
Arquitectura
Caso de Estudio
Algoritmo Evolutivo
FUNCIÓN DE EVALUACIÓN
F = α1(N − n) + α2
1
n
n
i=1
tiempo viajei (1)
N: Número total de vehículos
n: Número de vehículos que terminan su itinerario
α1 y α2: Normalizan el valor de la ecuación
Vamos a minimizar los tiempos de viaje
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 12 / 19
50. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Optimización
Solución
Resultados
Tasa de Utilización
OPTIMIZACIÓN
TABLA : Resultados optimización de ocho escenarios y un total de 19,200 vehículos
Métrica
Solución Expertos Yellow Swarm Mejora Wilcoxon
Media StdDev Media StdDev Media p-value
Tiempo Viaje (s) 1024,0 74,1 % 854,3 55,7 % 16,6 % 0,00
CO (mg) 8885,6 180,8 % 8125,0 168,8 % 8,6 % 0,00
CO2 (mg) 876072,4 117,9 % 826775,7 114,1 % 5,6 % 0,00
Hc (mg) 1337,4 192,0 % 1225,9 181,7 % 8,3 % 0,00
Pm (mg) 130,6 258,2 % 119,4 238,8 % 8,6 % 0,00
No (mg) 5410,5 233,8 % 5117,9 221,3 % 5,4 % 0,00
Combustible (ml) 348,1 117,1 % 328,7 113,5 % 5,6 % 0,00
Distancia (m) 2316,6 38,3 % 2338,5 36,9 % -1,0 % 0,08
La distancia recorrida es ligeramente superior ya que estamos sugiriendo
rutas que no forman parte del camino más corto
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 13 / 19
51. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
Optimización
Solución
Resultados
Tasa de Utilización
OPTIMIZACIÓN
TABLA : Resultados optimización de ocho escenarios y un total de 19,200 vehículos
Métrica
Solución Expertos Yellow Swarm Mejora Wilcoxon
Media StdDev Media StdDev Media p-value
Tiempo Viaje (s) 1024,0 74,1 % 854,3 55,7 % 16,6 % 0,00
CO (mg) 8885,6 180,8 % 8125,0 168,8 % 8,6 % 0,00
CO2 (mg) 876072,4 117,9 % 826775,7 114,1 % 5,6 % 0,00
Hc (mg) 1337,4 192,0 % 1225,9 181,7 % 8,3 % 0,00
Pm (mg) 130,6 258,2 % 119,4 238,8 % 8,6 % 0,00
No (mg) 5410,5 233,8 % 5117,9 221,3 % 5,4 % 0,00
Combustible (ml) 348,1 117,1 % 328,7 113,5 % 5,6 % 0,00
Distancia (m) 2316,6 38,3 % 2338,5 36,9 % -1,0 % 0,08
La distancia recorrida es ligeramente superior ya que estamos sugiriendo
rutas que no forman parte del camino más corto
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 13 / 19
61. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJOS FUTURO
Conclusiones
Utilizando Yellow Swarm hemos reducido los tiempos de viaje, las
emisiones de gases de efecto invernadero y el consumo de
combustible.
Hemos conseguido tiempos de viaje hasta 24,6 % más cortos, un
24,1 % menos emisiones y ahorrado un 12,6 % de combustible.
Nuestros resultados muestran que Yellow Swarm es efectivo incluso a
tasas de uso del 10 %.
Estamos trabajando en:
El estudio de toda la ciudad
El consiguiente aumento del número de paneles
Un algoritmo para determinar la ubicación óptima de cada panel
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 18 / 19
62. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJOS FUTURO
Conclusiones
Utilizando Yellow Swarm hemos reducido los tiempos de viaje, las
emisiones de gases de efecto invernadero y el consumo de
combustible.
Hemos conseguido tiempos de viaje hasta 24,6 % más cortos, un
24,1 % menos emisiones y ahorrado un 12,6 % de combustible.
Nuestros resultados muestran que Yellow Swarm es efectivo incluso a
tasas de uso del 10 %.
Estamos trabajando en:
El estudio de toda la ciudad
El consiguiente aumento del número de paneles
Un algoritmo para determinar la ubicación óptima de cada panel
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 18 / 19
63. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJOS FUTURO
Conclusiones
Utilizando Yellow Swarm hemos reducido los tiempos de viaje, las
emisiones de gases de efecto invernadero y el consumo de
combustible.
Hemos conseguido tiempos de viaje hasta 24,6 % más cortos, un
24,1 % menos emisiones y ahorrado un 12,6 % de combustible.
Nuestros resultados muestran que Yellow Swarm es efectivo incluso a
tasas de uso del 10 %.
Estamos trabajando en:
El estudio de toda la ciudad
El consiguiente aumento del número de paneles
Un algoritmo para determinar la ubicación óptima de cada panel
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 18 / 19
64. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJOS FUTURO
Conclusiones
Utilizando Yellow Swarm hemos reducido los tiempos de viaje, las
emisiones de gases de efecto invernadero y el consumo de
combustible.
Hemos conseguido tiempos de viaje hasta 24,6 % más cortos, un
24,1 % menos emisiones y ahorrado un 12,6 % de combustible.
Nuestros resultados muestran que Yellow Swarm es efectivo incluso a
tasas de uso del 10 %.
Estamos trabajando en:
El estudio de toda la ciudad
El consiguiente aumento del número de paneles
Un algoritmo para determinar la ubicación óptima de cada panel
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 18 / 19
65. Introducción
Nuestra Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJOS FUTURO
Conclusiones
Utilizando Yellow Swarm hemos reducido los tiempos de viaje, las
emisiones de gases de efecto invernadero y el consumo de
combustible.
Hemos conseguido tiempos de viaje hasta 24,6 % más cortos, un
24,1 % menos emisiones y ahorrado un 12,6 % de combustible.
Nuestros resultados muestran que Yellow Swarm es efectivo incluso a
tasas de uso del 10 %.
Estamos trabajando en:
El estudio de toda la ciudad
El consiguiente aumento del número de paneles
Un algoritmo para determinar la ubicación óptima de cada panel
Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 18 / 19