Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Utilizando Paneles LED (MAEB'15)

510 views

Published on

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 %.

  • Be the first to comment

Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Utilizando Paneles LED (MAEB'15)

  1. 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
  2. 2. Introducción Nuestra Propuesta Experimentos Conclusiones CONTENIDOS 1 INTRODUCCIÓN 2 NUESTRA PROPUESTA 3 EXPERIMENTOS 4 CONCLUSIONES Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 2 / 19
  3. 3. Introducción Nuestra Propuesta Experimentos Conclusiones CONTENIDOS 1 INTRODUCCIÓN 2 NUESTRA PROPUESTA 3 EXPERIMENTOS 4 CONCLUSIONES Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 2 / 19
  4. 4. Introducción Nuestra Propuesta Experimentos Conclusiones CONTENIDOS 1 INTRODUCCIÓN 2 NUESTRA PROPUESTA 3 EXPERIMENTOS 4 CONCLUSIONES Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 2 / 19
  5. 5. Introducción Nuestra Propuesta Experimentos Conclusiones CONTENIDOS 1 INTRODUCCIÓN 2 NUESTRA PROPUESTA 3 EXPERIMENTOS 4 CONCLUSIONES Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 2 / 19
  6. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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
  34. 34. Introducción Nuestra Propuesta Experimentos Conclusiones Yellow Swarm Arquitectura Caso de Estudio Algoritmo Evolutivo LOCALIZACIÓN DE LOS PANELES Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 9 / 19
  35. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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
  52. 52. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización OPTIMIZACIÓN TABLA : configuración mejor valorada obtenida por el AE Panel 1 Panel 2 Panel 3 Panel 4 T1,1 T1,2 T2,1 T2,2 T3,1 T3,2 T4,1 T4,2 288 42 290 274 190 45 270 25 Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 14 / 19
  53. 53. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización RESULTADOS TABLA : Resultados de Yellow Swarm sobre 100 escenarios (M´alaga y M´alagaTV ) T.Viaje CO CO2 HC PM NO Comb. Distancia Málaga Media 50 Escenarios 15,1 % 8,5 % 4,2 % 8,1 % 5,8 % 3,4 % 4,1 % -1,0 % Mejor Escenario 22,8 % 14,3 % 8,3 % 14,0 % 11,0 % 7,6 % 8,2 % 0,1 % Escenarios Mejorados 100,0 % 98,0 % 96,0 % 98,0 % 90,0 % 84,0 % 96,0 % 22,0 % MalagaTV Media 50 Escenarios 8,9 % 7,9 % 4,1 % 7,5 % 6,4 % 3,7 % 4,0 % -2,8 % Mejor Escenario 24,6 % 24,1 % 12,8 % 21,4 % 16,1 % 9,9 % 12,6 % -3,9 % Escenarios Mejorados 90,0 % 86,0 % 76,0 % 84,0 % 84,0 % 76,0 % 76,0 % 0,0 % Los mejores resultados se han conseguido para los tiempos de viaje y CO Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 15 / 19
  54. 54. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización RESULTADOS TABLA : Resultados de Yellow Swarm sobre 100 escenarios (M´alaga y M´alagaTV ) T.Viaje CO CO2 HC PM NO Comb. Distancia Málaga Media 50 Escenarios 15,1 % 8,5 % 4,2 % 8,1 % 5,8 % 3,4 % 4,1 % -1,0 % Mejor Escenario 22,8 % 14,3 % 8,3 % 14,0 % 11,0 % 7,6 % 8,2 % 0,1 % Escenarios Mejorados 100,0 % 98,0 % 96,0 % 98,0 % 90,0 % 84,0 % 96,0 % 22,0 % MalagaTV Media 50 Escenarios 8,9 % 7,9 % 4,1 % 7,5 % 6,4 % 3,7 % 4,0 % -2,8 % Mejor Escenario 24,6 % 24,1 % 12,8 % 21,4 % 16,1 % 9,9 % 12,6 % -3,9 % Escenarios Mejorados 90,0 % 86,0 % 76,0 % 84,0 % 84,0 % 76,0 % 76,0 % 0,0 % Los mejores resultados se han conseguido para los tiempos de viaje y CO Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 15 / 19
  55. 55. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización DENSIDAD DE TRÁFICO Y ESCALABILIDAD DEL SISTEMA Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 16 / 19
  56. 56. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización DENSIDAD DE TRÁFICO Y ESCALABILIDAD DEL SISTEMA Densidad de Tráfico Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 16 / 19
  57. 57. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización DENSIDAD DE TRÁFICO Y ESCALABILIDAD DEL SISTEMA Densidad de Tráfico Escalabilidad del sistema Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 16 / 19
  58. 58. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización TASA DE UTILIZACIÓN Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 17 / 19
  59. 59. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización TASA DE UTILIZACIÓN Mejora Media Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 17 / 19
  60. 60. Introducción Nuestra Propuesta Experimentos Conclusiones Optimización Solución Resultados Tasa de Utilización TASA DE UTILIZACIÓN Mejora Media Escenarios Mejorados Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 17 / 19
  61. 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. 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. 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. 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. 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
  66. 66. http://neo.lcc.uma.es http://www.danielstolfi.com Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 19 / 19
  67. 67. http://neo.lcc.uma.es http://www.danielstolfi.com Gracias por vuestra atención ¿Preguntas? Daniel H. Stolfi & Enrique Alba Un Algoritmo Evolutivo para la Reducción de . . . 19 / 19

×