Regisztráció és bejelentkezés

Tevékenységi láncok optimalizálási paramétereinek érzékenységvizsgálata

Tevékenységi láncok optimalizálási paramétereinek érzékenységvizsgálata

A napi tevékenységi láncot úgy lehet leírni, mint egy személy által egy nap alatt végzett tevékenységek sorozatát, amelyek mindegyikéhez egy optimalizálható elmozdulással lehet kapcsolódni. Az optimalizálás a tevékenységlánc-optimalizáló (ACO) algoritmus alkalmazásával történik. Mivel az útválasztási probléma megoldása magas számítási költségeket igényelhet, genetikus algoritmus implementációját használjuk, amely a problémát evolúciós folyamatok, például keresztezések és mutációk segítségével reprezentálja.

Az ACO keretrendszer különböző paramétereinek jobb kalibrálása érdekében érzékenységi elemzést végeztünk, amelynek célja annak feltárása volt, hogy az attribútumértékek változásai hogyan módosítják a végső kimenetet.

Az algoritmusban megjelenő paraméterek kalibrálásához egy egytényezős érzékenységi elemzést (OFAT) végeztek. A módszer egy alapparaméterkészlet meghatározásából áll, miközben egyszerre egy paramétert változtatunk meg, az összes többit pedig fixen tartjuk. Így lehetőség nyílik a változtatás hatásainak megfigyelésére.

A kísérlet elvégzéséhez szükséges paramétereket a kódból és a dokumentációból határoztuk meg. Minden paraméterhez meghatároztunk egy értékintervallumot, hogy bizonyos tendenciákat észleljünk a viselkedésükben. A szükséges futtatások nagy száma miatt (tíz futtatás minden egyes paraméter minden egyes értékére) olyan értékelési keretrendszert fejlesztettünk ki, amely képes az összes tesztet egymás után lefuttatni. Az eredeti algoritmus által megkövetelt aktivitási láncadatokat tartalmazó normál bemeneti fájl mellett az értékelő keretrendszer egy bemeneti paraméterfájlt használt, amely az összes vizsgálandó paramétert tartalmazta.

A futások végére több mint 3000 rekordot gyűjtöttek össze, és az adatok feldolgozása és tisztítása után 2220 rekord maradt az elemzéshez, amelyet statisztikai eszközökkel végeztek el. Mivel a genetikai algoritmusok természete heurisztikus, az elemzés során az eredmények konzisztenciáját helyeztük előtérbe. Minden egyes paraméter esetében mélyreható vizsgálatot végeztünk, hogy feltárjuk viselkedésüket a futtatások során, ahol az eredmények összegzését dolgoztuk ki.

Végül az elemzésből levontunk néhány következtetést, amelyek bizonyos paraméterek sajátos viselkedését mutatják, kalibrálási javaslatokat tesznek, és rámutatnak a további vizsgálati lehetőségekre.

szerző

  • Moro Zamprogno Matheus
    Közlekedésmérnöki
    mesterképzés (MA/MSc), levelező

konzulens

  • Dr. Esztergár-Kiss Domokos
    tudományos munkatárs, Közlekedéstechnológiai és Közlekedésgazdasági Tanszék

helyezés

Jutalom