The aim of the work presented here is to reduce gas emissions in modern cities by creating a light infrastructure of WiFi intelligent spots informing drivers of customized, real-time routes to their destinations. The reduction of gas emissions is an important aspect of smart cities, since it directly affects the health of citizens as well as the environmental impact of road traffic. We have built a real scenario of the city of Malaga (Spain) by using OpenStreetMap (OSM) and the SUMO road traffic microsimulator, and solved it by using an efficient new Evolutionary Algorithm (EA). Thus, we are dealing with a real city (not just a roundabout, as found in the literature) and we can therefore measure the emissions of cars in movement according to traffic regulations (real human scenarios). Our results suggest an important reduction in gas emissions (10%) and travel times (9%) is possible when vehicles are rerouted by using the Red Swarm architecture. Our approach is even competitive with human expert’s solutions to the same problem.
http://dx.doi.org/10.1007/978-3-642-40643-0_30
Predicting Car Park Occupancy Rates in Smart CitiesDaniel H. Stolfi
In this article we address the study of parking occupancy data published by the Birmingham city council with the aim of testing several prediction strategies (polynomial fitting, Fourier series, k-means clustering, and time series) and analyzing their results. We have used cross validation to train the predictors and then tested them on unseen occupancy data. Additionally, we present a web page prototype to visualize the current and historical parking data on a map, allowing users to consult the occupancy rate forecast to satisfy their parking needs up to one day in advance. We think that the combination of accurate intelligent techniques plus final user services for citizens is the direction to follow for knowledge-based real smart cities.
http://dx.doi.org/10.1007/978-3-319-59513-9_11
Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Util...Daniel H. Stolfi
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 %.
Red Swarm: Smart Mobility in Cities with EAs (GECCO'13)Daniel H. Stolfi
This work presents an original approach to regulate traffic by using an on-line system controlled by an EA. Our proposal uses computational spots with WiFi connectivity located at traffic lights (the Red Swarm), which are used to suggest alternative individual routes to vehicles. An evolutionary algorithm is also proposed in order to find a configuration for the Red Swarm spots which reduces the travel time of the vehicles and also prevents traffic jams. We solve real scenarios in the city of Malaga (Spain), thus enriching the OpenStreetMap info by adding traffic lights, sensors, routes and vehicle flows. The result is then imported into the SUMO traffic simulator to be used as a method for calculating the fitness of solutions. Our results are competitive compared to the common solutions from experts in terms of travel and stop time, and also with respect to other similar proposals but with the added value of solving a real, big instance.
http://dx.doi.org/10.1145/2463372.2463540
An Evolutionary Algorithm to Generate Real Urban Traffic FlowsDaniel H. Stolfi
In this article we present a strategy based on an evolutionary algorithm to calculate the real vehicle flows in cities according to data from sensors placed in the streets. We have worked with a map imported from OpenStreetMap into the SUMO traffic simulator so that the resulting scenarios can be used to perform different optimizations with the confidence of being working with a traffic distribution close to reality. We have compared the result of our algorithm to other competitors and achieved results that replicate the real traffic distribution with a precision higher than 90%.
http://dx.doi.org/10.1007/978-3-319-24598-0_30
Eco-friendly Reduction of Travel Times in European Smart Cities (GECCO'14)Daniel H. Stolfi
This article proposes an innovative solution for reducing polluting gas emissions from road traffic in modern cities. It is based on our new Red Swarm architecture which is composed of a series of intelligent spots with WiFi connections that can suggest a customized route to drivers. We have tested our proposal in four different case studies corresponding to actual European smart cities. To this end, we first import the city information from OpenStreetMap into the SUMO road traffic micro-simulator, propose a Red Swarm architecture based on intelligent spots located at traffic lights, and then optimize the resulting system in terms of travel times and gas emissions by using an evolutionary algorithm. Our results show that an important quantitative reduction in gas emissions as well as in travel times can be achieved when vehicles are rerouted according to our Red Swarm indications. This represents a promising result for the low cost implementation of an idea that could engage the interest of both citizens and municipal authorities.
http://dx.doi.org/10.1145/2576768.2598317
Computing New Optimized Routes for GPS Navigators Using Evolutionary AlgorithmsDaniel H. Stolfi
GPS navigators are now present in most vehicles and smartphones. The usual goal of these navigators is to take the user in less time or distance to a destination. However, the global use of navigators in a given city could lead to traffic jams as they have a highly biased preference for some streets. From a general point of view, spreading the traffic throughout the city could be a way of preventing jams and making a better use of public resources. We propose a way of calculating alternative routes to be assigned by these devices in order to foster a better use of the streets. Our experimentation involves maps from OpenStreetMap, real road traffic, and the microsimulator SUMO. We contribute to reducing travel times, greenhouse gas emissions, and fuel consumption. To analyze the sociological aspect of any innovation, we analyze the penetration (acceptance) rate which shows that our proposal is competitive even when just 10% of the drivers are using it.
http://doi.acm.org/10.1145/3071178.3071193
Smart Mobility Policies with Evolutionary Algorithms: The Adapting Info Panel...Daniel H. Stolfi
In this article we propose the Yellow Swarm architecture for reducing travel times, greenhouse gas emissions and fuel consumption of road traffic by using several LED panels to suggest changes in the direction of vehicles (detours) for different time slots. These time intervals are calculated using an evolutionary algorithm, specifically designed for our proposal, which evaluates many working scenarios based on real cities, imported from OpenStreetMap into the SUMO traffic simulator. Our results show an improvement in average travel times, emissions, and fuel consumption even when only a small percentage of drivers follow the indications provided by our panels.
http://doi.acm.org/10.1145/2739480.2754742
Estrategia de implantación vehículo eléctrico en ciudades latinoamericanasJesús Amor
El pasado 12 de abril, el Director General de DYNAMYCA, Diego Isabel La Moneda, impartió una Conferencia en el Ministerio de Ambiente de Perú titulada "Implantación del Vehículo Eléctrico en ciudades latinoamericanas".
Predicting Car Park Occupancy Rates in Smart CitiesDaniel H. Stolfi
In this article we address the study of parking occupancy data published by the Birmingham city council with the aim of testing several prediction strategies (polynomial fitting, Fourier series, k-means clustering, and time series) and analyzing their results. We have used cross validation to train the predictors and then tested them on unseen occupancy data. Additionally, we present a web page prototype to visualize the current and historical parking data on a map, allowing users to consult the occupancy rate forecast to satisfy their parking needs up to one day in advance. We think that the combination of accurate intelligent techniques plus final user services for citizens is the direction to follow for knowledge-based real smart cities.
http://dx.doi.org/10.1007/978-3-319-59513-9_11
Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Util...Daniel H. Stolfi
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 %.
Red Swarm: Smart Mobility in Cities with EAs (GECCO'13)Daniel H. Stolfi
This work presents an original approach to regulate traffic by using an on-line system controlled by an EA. Our proposal uses computational spots with WiFi connectivity located at traffic lights (the Red Swarm), which are used to suggest alternative individual routes to vehicles. An evolutionary algorithm is also proposed in order to find a configuration for the Red Swarm spots which reduces the travel time of the vehicles and also prevents traffic jams. We solve real scenarios in the city of Malaga (Spain), thus enriching the OpenStreetMap info by adding traffic lights, sensors, routes and vehicle flows. The result is then imported into the SUMO traffic simulator to be used as a method for calculating the fitness of solutions. Our results are competitive compared to the common solutions from experts in terms of travel and stop time, and also with respect to other similar proposals but with the added value of solving a real, big instance.
http://dx.doi.org/10.1145/2463372.2463540
An Evolutionary Algorithm to Generate Real Urban Traffic FlowsDaniel H. Stolfi
In this article we present a strategy based on an evolutionary algorithm to calculate the real vehicle flows in cities according to data from sensors placed in the streets. We have worked with a map imported from OpenStreetMap into the SUMO traffic simulator so that the resulting scenarios can be used to perform different optimizations with the confidence of being working with a traffic distribution close to reality. We have compared the result of our algorithm to other competitors and achieved results that replicate the real traffic distribution with a precision higher than 90%.
http://dx.doi.org/10.1007/978-3-319-24598-0_30
Eco-friendly Reduction of Travel Times in European Smart Cities (GECCO'14)Daniel H. Stolfi
This article proposes an innovative solution for reducing polluting gas emissions from road traffic in modern cities. It is based on our new Red Swarm architecture which is composed of a series of intelligent spots with WiFi connections that can suggest a customized route to drivers. We have tested our proposal in four different case studies corresponding to actual European smart cities. To this end, we first import the city information from OpenStreetMap into the SUMO road traffic micro-simulator, propose a Red Swarm architecture based on intelligent spots located at traffic lights, and then optimize the resulting system in terms of travel times and gas emissions by using an evolutionary algorithm. Our results show that an important quantitative reduction in gas emissions as well as in travel times can be achieved when vehicles are rerouted according to our Red Swarm indications. This represents a promising result for the low cost implementation of an idea that could engage the interest of both citizens and municipal authorities.
http://dx.doi.org/10.1145/2576768.2598317
Computing New Optimized Routes for GPS Navigators Using Evolutionary AlgorithmsDaniel H. Stolfi
GPS navigators are now present in most vehicles and smartphones. The usual goal of these navigators is to take the user in less time or distance to a destination. However, the global use of navigators in a given city could lead to traffic jams as they have a highly biased preference for some streets. From a general point of view, spreading the traffic throughout the city could be a way of preventing jams and making a better use of public resources. We propose a way of calculating alternative routes to be assigned by these devices in order to foster a better use of the streets. Our experimentation involves maps from OpenStreetMap, real road traffic, and the microsimulator SUMO. We contribute to reducing travel times, greenhouse gas emissions, and fuel consumption. To analyze the sociological aspect of any innovation, we analyze the penetration (acceptance) rate which shows that our proposal is competitive even when just 10% of the drivers are using it.
http://doi.acm.org/10.1145/3071178.3071193
Smart Mobility Policies with Evolutionary Algorithms: The Adapting Info Panel...Daniel H. Stolfi
In this article we propose the Yellow Swarm architecture for reducing travel times, greenhouse gas emissions and fuel consumption of road traffic by using several LED panels to suggest changes in the direction of vehicles (detours) for different time slots. These time intervals are calculated using an evolutionary algorithm, specifically designed for our proposal, which evaluates many working scenarios based on real cities, imported from OpenStreetMap into the SUMO traffic simulator. Our results show an improvement in average travel times, emissions, and fuel consumption even when only a small percentage of drivers follow the indications provided by our panels.
http://doi.acm.org/10.1145/2739480.2754742
Estrategia de implantación vehículo eléctrico en ciudades latinoamericanasJesús Amor
El pasado 12 de abril, el Director General de DYNAMYCA, Diego Isabel La Moneda, impartió una Conferencia en el Ministerio de Ambiente de Perú titulada "Implantación del Vehículo Eléctrico en ciudades latinoamericanas".
La actualidad de los últimos meses pone de ma-
nifiesto que la evolución de los proyectos soste-
nibles esimparable.
Las soluciones de electromovilidad ya no se limi-
tan al sector de la automoción, sino que se están
extendiendo a otras áreas. Países como Noruega,
India, Reino Unido, Francia y China han anunciado
la prohibición de los motores de combustión en
las carreteras a partir de 2025/2040.
Presented at the 3rd Biennial International Transdisciplinary Seminar on the Complexity Approach– Camagüey - Cuba. February 2009
See http://sites.google.com/site/complejidad2009camaguey/complexity2009
Final Degree Project: Invisibility Potions Desing using High Performance Comp...Alberto Serna
Slides from my Degree Project defense, directed by Luis Landesa Porras, University of Extremadura, July 2013.
More information: http://albertosernait.es/investigacion/proyectos.html
El cambio climático presenta una importante oportunidad para cambiar la planeación de la infraestructura de largo plazo. Transporte, equipamiento público, y energía de bajas emisiones pueden ser alternativas rentables modificando los modelos de negocios, y accediendo a los vehículos financieros correctos, que reconozcan los costos incrementales (TIR) y de acceso a capital (WACC).
Bandas reductoras de velocidad para pacificar el transito. Ultima generación directo de Europa. Material de hierro y con leds. Ahora en México distribución exclusiva por Long-Tree Consulting. www.long-tree.com.mx
Improving Pheromone Communication for UAV Swarm Mobility ManagementDaniel H. Stolfi
In this article we address the optimisation of pheromone communication used for the mobility management of a swarm of Unmanned Aerial Vehicles (UAVs) for surveillance applications. A genetic algorithm is proposed to optimise the exchange of pheromone maps used in the CACOC (Chaotic Ant Colony Optimisation for Coverage) mobility model which improves the vehicles' routes in order to achieve unpredictable trajectories as well as maximise area coverage. Experiments are conducted using realistic simulations, which additionally permit to assess the impact of packet loss ratios on the performance of the surveillance system, in terms of reliability and area coverage.
https://doi.org/10.1007/978-3-030-88081-1_17
Optimising Autonomous Robot Swarm Parameters for Stable Formation DesignDaniel H. Stolfi
Autonomous robot swarm systems allow to address many inherent limitations of single robot systems, such as scalability and reliability. As a consequence, these have found their way into numerous applications including in the space and aerospace domains like swarm-based asteroid observation or counter-drone systems. However, achieving stable formations around a point of interest using different number of robots and diverse initial conditions can be challenging. In this article we propose a novel method for autonomous robots swarms self-organisation solely relying on their relative position (angle and distance). This work focuses on an evolutionary optimisation approach to calculate the parameters of the swarm, e.g. inter-robot distance, to achieve a reliable formation under different initial conditions. Experiments are conducted using realistic simulations and considering four case studies. The results observed after testing the optimal configurations on 72 unseen scenarios per case study showed the high robustness of our proposal since the desired formation was always achieved. The ability of self-organise around a point of interest maintaining a predefined fixed distance was also validated using real robots.
https://doi.org/10.1145/3512290.3528709
Más contenido relacionado
Similar a Reducing Gas Emissions in Smart Cities by Using the Red Swarm Architecture (CAEPIA'13)
La actualidad de los últimos meses pone de ma-
nifiesto que la evolución de los proyectos soste-
nibles esimparable.
Las soluciones de electromovilidad ya no se limi-
tan al sector de la automoción, sino que se están
extendiendo a otras áreas. Países como Noruega,
India, Reino Unido, Francia y China han anunciado
la prohibición de los motores de combustión en
las carreteras a partir de 2025/2040.
Presented at the 3rd Biennial International Transdisciplinary Seminar on the Complexity Approach– Camagüey - Cuba. February 2009
See http://sites.google.com/site/complejidad2009camaguey/complexity2009
Final Degree Project: Invisibility Potions Desing using High Performance Comp...Alberto Serna
Slides from my Degree Project defense, directed by Luis Landesa Porras, University of Extremadura, July 2013.
More information: http://albertosernait.es/investigacion/proyectos.html
El cambio climático presenta una importante oportunidad para cambiar la planeación de la infraestructura de largo plazo. Transporte, equipamiento público, y energía de bajas emisiones pueden ser alternativas rentables modificando los modelos de negocios, y accediendo a los vehículos financieros correctos, que reconozcan los costos incrementales (TIR) y de acceso a capital (WACC).
Bandas reductoras de velocidad para pacificar el transito. Ultima generación directo de Europa. Material de hierro y con leds. Ahora en México distribución exclusiva por Long-Tree Consulting. www.long-tree.com.mx
Improving Pheromone Communication for UAV Swarm Mobility ManagementDaniel H. Stolfi
In this article we address the optimisation of pheromone communication used for the mobility management of a swarm of Unmanned Aerial Vehicles (UAVs) for surveillance applications. A genetic algorithm is proposed to optimise the exchange of pheromone maps used in the CACOC (Chaotic Ant Colony Optimisation for Coverage) mobility model which improves the vehicles' routes in order to achieve unpredictable trajectories as well as maximise area coverage. Experiments are conducted using realistic simulations, which additionally permit to assess the impact of packet loss ratios on the performance of the surveillance system, in terms of reliability and area coverage.
https://doi.org/10.1007/978-3-030-88081-1_17
Optimising Autonomous Robot Swarm Parameters for Stable Formation DesignDaniel H. Stolfi
Autonomous robot swarm systems allow to address many inherent limitations of single robot systems, such as scalability and reliability. As a consequence, these have found their way into numerous applications including in the space and aerospace domains like swarm-based asteroid observation or counter-drone systems. However, achieving stable formations around a point of interest using different number of robots and diverse initial conditions can be challenging. In this article we propose a novel method for autonomous robots swarms self-organisation solely relying on their relative position (angle and distance). This work focuses on an evolutionary optimisation approach to calculate the parameters of the swarm, e.g. inter-robot distance, to achieve a reliable formation under different initial conditions. Experiments are conducted using realistic simulations and considering four case studies. The results observed after testing the optimal configurations on 72 unseen scenarios per case study showed the high robustness of our proposal since the desired formation was always achieved. The ability of self-organise around a point of interest maintaining a predefined fixed distance was also validated using real robots.
https://doi.org/10.1145/3512290.3528709
Evaluating Surrogate Models for Robot Swarm SimulationsDaniel H. Stolfi
Realistic robotic simulations are computationally demanding, especially when considering large swarms of autonomous robots. This makes the optimisation of such systems intractable, thus limiting the instances' and swarms' size. In this article we study the viability of using surrogate models based on Gaussian processes, Artificial Neural Networks, and simplified simulations, as predictors of the robots' behaviour, when performing formations around a central point of interest. We have trained the predictors and tested them in terms of accuracy and execution time. Our findings show that they can be used as an alternative way of calculating fitness values for swarm configurations which can be used in optimisation processes, increasing the number evaluations and reducing execution times and computing cluster budget.
https://doi.org/10.1007/978-3-031-34020-8_17
Competitive Evolution of a UAV Swarm for Improving Intruder Detection RatesDaniel H. Stolfi
In this paper we present a Predator-Prey approach to enhance the protection of a restricted area using a swarm of Unmanned Aerial Vehicles (UAV). We have chosen the CACOC (Chaotic Ant Colony Optimisation for Coverage) mobility model for the UAVs and a new model for intruders based on attractive and repulsive forces. After proposing a number of parameters for each mobility model, we have conducted a competitive optimisation of them (Predators and Preys), to achieve a more robust configuration improving the success rate of UAVs when detecting intruders. We have optimised three case studies by performing 30 independent runs of our competitive coevolutionary genetic algorithm and conducted a number of master tournaments using the best specimens obtained for each case study.
https://doi.org/10.1109/IPDPSW50202.2020.00094
A Cooperative Coevolutionary Approach to Maximise Surveillance Coverage of UA...Daniel H. Stolfi
This paper presents the parameterisation and optimisation of the CACOC (Chaotic Ant Colony Optimisation for Coverage) mobility model used by an Unmanned Aerial Vehicle (UAV) swarm to perform surveillance tasks. CACOC uses chaotic solutions of a dynamical system and pheromones for optimising area coverage. Consequently, several parameters of CACOC are to be optimised with the aim of improving its coverage performance. We propose a Genetic Algorithm (GA) and two Cooperative Coevolutionary Genetic Algorithms (CCGA) to tackle this problem. After testing our proposals on four case studies we performed a comparative analysis to conclude that the cooperative approaches allow a better exploration of the search space by optimising each UAV parameters independently.
https://doi.org/10.1109/CCNC46108.2020.9045643
Optimizing the Performance of an Unpredictable UAV Swarm for Intruder DetectionDaniel H. Stolfi
In this paper we present the parameterisation and optimisation of the CACOC (Chaotic Ant Colony Optimisation for Coverage) mobility model applied to Unmanned Aerial Vehicles (UAV) in order to perform surveillance tasks. The use of unpredictable routes based on the chaotic solutions of a dynamic system as well as pheromone trails improves the area coverage performed by a swarm of UAVs. We propose this new application of CACOC to detect intruders entering an area under surveillance. Having identified several parameters to be optimised with the aim of increasing intruder detection rate, we address the optimisation of this model using a Cooperative Coevolutionary Genetic Algorithm (CCGA). Twelve case studies (120 scenarios in total) have been optimised by performing 30 independent runs (360 in total) of our algorithm. Finally, we tested our proposal in 100 unseen scenarios of each case study (1200 in total) to find out how robust is our proposal against unexpected intruders.
https://doi.org/10.1007/978-3-030-41913-4_4
This PhD thesis presents a summary of the research work done with the aim of addressing and solving Smart Mobility problems in a smart city context. Several big cities are modeled to be optimized using new evolutionary techniques and the traffic simulator SUMO. Three new architectures, Red Swarm, Green Swarm and Yellow Swarm are proposed, analyzed and used to reduce travel times, greenhouse gas emissions, and fuel consumption of vehicles. A new method for calculating alternative routes for GPS navigators and the prediction of car park occupancy rates are also included in this PhD thesis. Moreover, a novel algorithm for generating realistic traffic flows is developed and tested in different scenarios: working
days, Saturdays, and Sundays. Finally, a new family of bio-inspired algorithms based on epigenesis was designed and tested on the Multidimensional Knapsack Problem and used in the Yellow Swarm architecture.
https://hdl.handle.net/10630/17299
Fine Tuning of Traffic in Our Cities with Smart Panels: The Quito City Case S...Daniel H. Stolfi
In this article we work towards the desired future smart city in which IT and knowledge will hopefully provide a highly livable environment for citizens. To this end, we test a new concept based on intelligent LED panels (the Yellow Swarm) to guide drivers when moving through urban streets so as to finally get rid of traffic jams and protect the environment. This is a minimally invasive, low cost idea for the city that needs advanced simulations with real data coupled with new algorithms which perform well. Our proposal is to use evolutionary computation in the Yellow Swarm, which will finally help alleviate the traffic congestion, improve travel times, and decrease gas emissions, all at the same time and for a real case like the city of Quito (Ecuador).
http://doi.acm.org/10.1145/2908812.2908868
control de emisiones de gases contaminantes.pptxjesusbellido2
en el siguiente documento s epodra apreciar los gases que emiten los vehiculos y sus consecuencias tambien se podra apreciar las normas euro cino y las normas euro seis
Los emprendimientos socio productivos generan bienes y servicios en los territorios, con el propósito de que los procesos de producción activen al mercado y facilite el desarrollo personal mediante la integración social de los agentes sociales excluidos.
Reducing Gas Emissions in Smart Cities by Using the Red Swarm Architecture (CAEPIA'13)
1. REDUCING GAS EMISSIONS IN SMART CITIES
BY USING THE RED SWARM ARCHITECTURE
Daniel H. Stolfi
dhstolfi@lcc.uma.es
Enrique Alba
eat@lcc.uma.es
Departamento de Lenguajes y Ciencias de la Computación
Universidad de Málaga
Multiconferencia CAEPIA 2013
Septiembre de 2013
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 1 / 25
2. Introducción
Propuesta
Experimentos
Conclusiones
CONTENIDOS
1 INTRODUCCIÓN
2 PROPUESTA
3 EXPERIMENTOS
4 CONCLUSIONES
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 2 / 25
3. Introducción
Propuesta
Experimentos
Conclusiones
CONTENIDOS
1 INTRODUCCIÓN
2 PROPUESTA
3 EXPERIMENTOS
4 CONCLUSIONES
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 2 / 25
4. Introducción
Propuesta
Experimentos
Conclusiones
CONTENIDOS
1 INTRODUCCIÓN
2 PROPUESTA
3 EXPERIMENTOS
4 CONCLUSIONES
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 2 / 25
5. Introducción
Propuesta
Experimentos
Conclusiones
CONTENIDOS
1 INTRODUCCIÓN
2 PROPUESTA
3 EXPERIMENTOS
4 CONCLUSIONES
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 2 / 25
6. Introducción
Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
La mayoría de las personas viven o están pensando en
mudarse a las grandes ciudades
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 3 / 25
7. Introducción
Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
La mayoría de las personas viven o están pensando en
mudarse a las grandes ciudades
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 3 / 25
8. Introducción
Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
La mayoría de las personas viven o están pensando en
mudarse a las grandes ciudades
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 3 / 25
9. Introducción
Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
La mayoría de las personas viven o están pensando en
mudarse a las grandes ciudades
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 3 / 25
10. Introducción
Propuesta
Experimentos
Conclusiones
INTRODUCCIÓN
La mayoría de las personas viven o están pensando en
mudarse a las grandes ciudades
Hay un mayor número de vehículos en las calles
Aumenta el número de atascos
Se emiten toneladas de gases de efecto invernadero
Disminuye la calidad de vida de los ciudadanos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 3 / 25
11. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Nuestro propuesta, Red Swarm está
formada por:
Los spots distribuidos por la ciudad
I Instalados en los semáforos
I Se comunican con los vehículos vía Wi-Fi
Nuestro Algoritmo Evolutivo
Nuestro Algoritmo de Cambio de Ruta
Las unidades de abordo (OBU)
I Instaladas en los vehículos
I También pueden utilizarse smartphones o
tablets
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 4 / 25
12. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Nuestro propuesta, Red Swarm está
formada por:
Los spots distribuidos por la ciudad
I Instalados en los semáforos
I Se comunican con los vehículos vía Wi-Fi
Nuestro Algoritmo Evolutivo
Nuestro Algoritmo de Cambio de Ruta
Las unidades de abordo (OBU)
I Instaladas en los vehículos
I También pueden utilizarse smartphones o
tablets
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 4 / 25
13. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Nuestro propuesta, Red Swarm está
formada por:
Los spots distribuidos por la ciudad
I Instalados en los semáforos
I Se comunican con los vehículos vía Wi-Fi
Nuestro Algoritmo Evolutivo
Nuestro Algoritmo de Cambio de Ruta
Las unidades de abordo (OBU)
I Instaladas en los vehículos
I También pueden utilizarse smartphones o
tablets
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 4 / 25
14. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Nuestro propuesta, Red Swarm está
formada por:
Los spots distribuidos por la ciudad
I Instalados en los semáforos
I Se comunican con los vehículos vía Wi-Fi
Nuestro Algoritmo Evolutivo
Nuestro Algoritmo de Cambio de Ruta
Las unidades de abordo (OBU)
I Instaladas en los vehículos
I También pueden utilizarse smartphones o
tablets
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 4 / 25
15. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Nuestro propuesta, Red Swarm está
formada por:
Los spots distribuidos por la ciudad
I Instalados en los semáforos
I Se comunican con los vehículos vía Wi-Fi
Nuestro Algoritmo Evolutivo
Nuestro Algoritmo de Cambio de Ruta
Las unidades de abordo (OBU)
I Instaladas en los vehículos
I También pueden utilizarse smartphones o
tablets
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 4 / 25
16. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Nuestro propuesta, Red Swarm está
formada por:
Los spots distribuidos por la ciudad
I Instalados en los semáforos
I Se comunican con los vehículos vía Wi-Fi
Nuestro Algoritmo Evolutivo
Nuestro Algoritmo de Cambio de Ruta
Las unidades de abordo (OBU)
I Instaladas en los vehículos
I También pueden utilizarse smartphones o
tablets
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 4 / 25
17. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Nuestro propuesta, Red Swarm está
formada por:
Los spots distribuidos por la ciudad
I Instalados en los semáforos
I Se comunican con los vehículos vía Wi-Fi
Nuestro Algoritmo Evolutivo
Nuestro Algoritmo de Cambio de Ruta
Las unidades de abordo (OBU)
I Instaladas en los vehículos
I También pueden utilizarse smartphones o
tablets
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 4 / 25
18. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Red Swarm proporciona:
Información personalizada a cada vehículo
I Online
I Distribuida
Disminución de la formación de atascos
Reducción de las emisiones de gases
Monitorización del estado de la ciudad (tráfico, emisiones, etc)
Posibles extensiones a flotas de vehículos municipales
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 5 / 25
19. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Red Swarm proporciona:
Información personalizada a cada vehículo
I Online
I Distribuida
Disminución de la formación de atascos
Reducción de las emisiones de gases
Monitorización del estado de la ciudad (tráfico, emisiones, etc)
Posibles extensiones a flotas de vehículos municipales
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 5 / 25
20. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Red Swarm proporciona:
Información personalizada a cada vehículo
I Online
I Distribuida
Disminución de la formación de atascos
Reducción de las emisiones de gases
Monitorización del estado de la ciudad (tráfico, emisiones, etc)
Posibles extensiones a flotas de vehículos municipales
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 5 / 25
21. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Red Swarm proporciona:
Información personalizada a cada vehículo
I Online
I Distribuida
Disminución de la formación de atascos
Reducción de las emisiones de gases
Monitorización del estado de la ciudad (tráfico, emisiones, etc)
Posibles extensiones a flotas de vehículos municipales
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 5 / 25
22. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Red Swarm proporciona:
Información personalizada a cada vehículo
I Online
I Distribuida
Disminución de la formación de atascos
Reducción de las emisiones de gases
Monitorización del estado de la ciudad (tráfico, emisiones, etc)
Posibles extensiones a flotas de vehículos municipales
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 5 / 25
23. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Red Swarm proporciona:
Información personalizada a cada vehículo
I Online
I Distribuida
Disminución de la formación de atascos
Reducción de las emisiones de gases
Monitorización del estado de la ciudad (tráfico, emisiones, etc)
Posibles extensiones a flotas de vehículos municipales
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 5 / 25
24. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
RED SWARM
Red Swarm proporciona:
Información personalizada a cada vehículo
I Online
I Distribuida
Disminución de la formación de atascos
Reducción de las emisiones de gases
Monitorización del estado de la ciudad (tráfico, emisiones, etc)
Posibles extensiones a flotas de vehículos municipales
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 5 / 25
25. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ARQUITECTURA RED SWARM
Configuración:
Cálculo offline de la configuración para los spots Red Swarm
Despliegue:
Los spots interactúan con los vehículos sugiriendo nuevas rutas
(online)
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 6 / 25
26. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ARQUITECTURA RED SWARM
Configuración:
Cálculo offline de la configuración para los spots Red Swarm
Despliegue:
Los spots interactúan con los vehículos sugiriendo nuevas rutas
(online)
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 6 / 25
27. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ARQUITECTURA RED SWARM
Configuración:
Cálculo offline de la configuración para los spots Red Swarm
Despliegue:
Los spots interactúan con los vehículos sugiriendo nuevas rutas
(online)
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 6 / 25
28. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
SENSORES
Representan dentro de la simulación a
las calles que conducen a una
intersección controlada por un spot de
Red Swarm
Cuando un vehículo es detectado por un
sensor se dispara el algoritmo de
cambio de ruta
En una ciudad real los sensores
representarían los enlaces de radio
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 7 / 25
29. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
SENSORES
Representan dentro de la simulación a
las calles que conducen a una
intersección controlada por un spot de
Red Swarm
Cuando un vehículo es detectado por un
sensor se dispara el algoritmo de
cambio de ruta
En una ciudad real los sensores
representarían los enlaces de radio
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 7 / 25
30. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
SENSORES
Representan dentro de la simulación a
las calles que conducen a una
intersección controlada por un spot de
Red Swarm
Cuando un vehículo es detectado por un
sensor se dispara el algoritmo de
cambio de ruta
En una ciudad real los sensores
representarían los enlaces de radio
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 7 / 25
31. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
SPOTS RED SWARM Y CAMBIO DE RUTA
Los spots se encuentran situados en intersecciones controladas por
semáforos, constan de calles de entrada (con sensores) y posibles calles de
salida
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 8 / 25
32. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
SPOTS RED SWARM Y CAMBIO DE RUTA
Cuando un vehículo se aproxima a un spot, éste le sugiere el siguiente punto
de paso (otro spot) basado en una probabilidad
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 8 / 25
33. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
34. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
35. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
36. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
37. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
38. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
39. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
40. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
41. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
42. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
43. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
44. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
45. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
46. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
47. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
48. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
49. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
EJEMPLO DE CAMBIO DE RUTA
Solución de los
Expertos
Red Swarm
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 9 / 25
50. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
VÍDEO: EJEMPLO DE CAMBIO DE RUTA (SUMO)
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 10 / 25
51. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
CONSTRUCCIÓN DEL ESCENARIO: METODOLOGÍA
Trabajamos con mapas reales importados desde OpenStreetMap
Añadimos 10 spots Red Swarm en intersecciones con semáforos
Importamos el mapa en SUMO
Definimos los flujos de tráfico (solución de los expertos)
Este proceso puede adaptarse a cualquier ciudad moderna del mundo
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 11 / 25
52. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
CONSTRUCCIÓN DEL ESCENARIO: METODOLOGÍA
Trabajamos con mapas reales importados desde OpenStreetMap
Añadimos 10 spots Red Swarm en intersecciones con semáforos
Importamos el mapa en SUMO
Definimos los flujos de tráfico (solución de los expertos)
Este proceso puede adaptarse a cualquier ciudad moderna del mundo
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 11 / 25
53. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
CONSTRUCCIÓN DEL ESCENARIO: METODOLOGÍA
Trabajamos con mapas reales importados desde OpenStreetMap
Añadimos 10 spots Red Swarm en intersecciones con semáforos
Importamos el mapa en SUMO
Definimos los flujos de tráfico (solución de los expertos)
Este proceso puede adaptarse a cualquier ciudad moderna del mundo
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 11 / 25
54. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
CONSTRUCCIÓN DEL ESCENARIO: METODOLOGÍA
Trabajamos con mapas reales importados desde OpenStreetMap
Añadimos 10 spots Red Swarm en intersecciones con semáforos
Importamos el mapa en SUMO
Definimos los flujos de tráfico (solución de los expertos)
Este proceso puede adaptarse a cualquier ciudad moderna del mundo
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 11 / 25
55. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
CONSTRUCCIÓN DEL ESCENARIO: METODOLOGÍA
Trabajamos con mapas reales importados desde OpenStreetMap
Añadimos 10 spots Red Swarm en intersecciones con semáforos
Importamos el mapa en SUMO
Definimos los flujos de tráfico (solución de los expertos)
Este proceso puede adaptarse a cualquier ciudad moderna del mundo
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 11 / 25
56. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ESCENARIO DE TRABAJO: MÁLAGA
Málaga (trazado urbano real)
261 semáforos
10 spots Red Swarm
800 vehículos
4 tipos de vehículos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 12 / 25
57. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ESCENARIO DE TRABAJO: MÁLAGA
Málaga (trazado urbano real)
261 semáforos
10 spots Red Swarm
800 vehículos
4 tipos de vehículos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 12 / 25
58. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ESCENARIO DE TRABAJO: MÁLAGA
Málaga (trazado urbano real)
261 semáforos
10 spots Red Swarm
800 vehículos
4 tipos de vehículos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 12 / 25
59. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ESCENARIO DE TRABAJO: MÁLAGA
Málaga (trazado urbano real)
261 semáforos
10 spots Red Swarm
800 vehículos
4 tipos de vehículos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 12 / 25
60. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ESCENARIO DE TRABAJO: MÁLAGA
Málaga (trazado urbano real)
261 semáforos
10 spots Red Swarm
800 vehículos
4 tipos de vehículos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 12 / 25
61. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ESCENARIO DE TRABAJO: MÁLAGA
Málaga (trazado urbano real)
Nuestro objetivo es reducir las emisiones de gases mediante el aumento de la
fluidez del tráfico rodado y la supresión de atascos
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 13 / 25
62. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Cálculo de fitness utilizando el simulador de
tráfico SUMO
El cambio de ruta que realizan los spots se
encuentra implementado por la API TraCI
El resultado del algoritmo evolutivo es la
configuración para todos los spots Red
Swarm ubicados en la ciudad
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 14 / 25
63. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Cálculo de fitness utilizando el simulador de
tráfico SUMO
El cambio de ruta que realizan los spots se
encuentra implementado por la API TraCI
El resultado del algoritmo evolutivo es la
configuración para todos los spots Red
Swarm ubicados en la ciudad
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 14 / 25
64. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Cálculo de fitness utilizando el simulador de
tráfico SUMO
El cambio de ruta que realizan los spots se
encuentra implementado por la API TraCI
El resultado del algoritmo evolutivo es la
configuración para todos los spots Red
Swarm ubicados en la ciudad
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 14 / 25
65. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Cálculo de fitness utilizando el simulador de
tráfico SUMO
El cambio de ruta que realizan los spots se
encuentra implementado por la API TraCI
El resultado del algoritmo evolutivo es la
configuración para todos los spots Red
Swarm ubicados en la ciudad
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 14 / 25
66. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO
(10+2)-EA
Cálculo de fitness utilizando el simulador de
tráfico SUMO
El cambio de ruta que realizan los spots se
encuentra implementado por la API TraCI
El resultado del algoritmo evolutivo es la
configuración para todos los spots Red
Swarm ubicados en la ciudad
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 14 / 25
67. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: REPRESENTACIÓN
Si un vehículo que se dirige hacia el Destino 2 es detectado por el Sensor 1
se le sugerirá como punto de paso en su ruta, uno de los posibles sensores
alcanzables desde el Sensor 1, el cual se seleccionará según los valores de
probabilidad almacenados en el vector solución
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 15 / 25
68. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: REPRESENTACIÓN
Al tener 28 sensores en nuestro escenario y 8 destinos diferentes el vector de
probabilidades está compuesto de 1119 floats lo que nos da una idea de la
complejidad de este problema.
Daniel H. Stolfi & Enrique Alba Reducing Gas Emissions by Using Red Swarm 16 / 25
69. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: FUNCIÓN DE FITNESS
FUNCIÓN DE FITNESS
F = !1(N ntrips) + !2
P
COtrip
N
N: Número total de vehículos (800)
ntrips : Número de vehículos que finalizan su itinerario
COtrip : Total CO emitido por el vehículo durante su desplazamiento
!1 y !2: Pesos relativos de cada término
Nuestro objetivo es minimizar el valor de la función de fitness
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 17 / 25
70. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: FUNCIÓN DE FITNESS
FUNCIÓN DE FITNESS
F = !1(N ntrips) + !2
P
COtrip
N
N: Número total de vehículos (800)
ntrips : Número de vehículos que finalizan su itinerario
COtrip : Total CO emitido por el vehículo durante su desplazamiento
!1 y !2: Pesos relativos de cada término
Nuestro objetivo es minimizar el valor de la función de fitness
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 17 / 25
71. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: FUNCIÓN DE FITNESS
FUNCIÓN DE FITNESS
F = !1(N ntrips) + !2
P
COtrip
N
N: Número total de vehículos (800)
ntrips : Número de vehículos que finalizan su itinerario
COtrip : Total CO emitido por el vehículo durante su desplazamiento
!1 y !2: Pesos relativos de cada término
Nuestro objetivo es minimizar el valor de la función de fitness
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 17 / 25
72. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: RECOMBINACIÓN
Operador de Recombinación: SDPX
Hemos utilizado el operador de cruce de dos puntos estándar
Los descendientes se obtienen intercambiando entre los padres los
bloques de configuración de los sensores en los puntos de cruce
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 18 / 25
73. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: RECOMBINACIÓN
Operador de Recombinación: SDPX
Hemos utilizado el operador de cruce de dos puntos estándar
Los descendientes se obtienen intercambiando entre los padres los
bloques de configuración de los sensores en los puntos de cruce
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 18 / 25
74. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: RECOMBINACIÓN
Operador de Recombinación: SDPX
Hemos utilizado el operador de cruce de dos puntos estándar
Los descendientes se obtienen intercambiando entre los padres los
bloques de configuración de los sensores en los puntos de cruce
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 18 / 25
75. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: MUTACIÓN
Dos Operadores de Mutación:
1 ADOS: Todos los bloques destino de un sensor (exploración)
2 ODOS: Un bloque destino de un sensor (explotación)
Modifican las probabilidades en los bloques de configuración
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 19 / 25
76. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: MUTACIÓN
Dos Operadores de Mutación:
1 ADOS: Todos los bloques destino de un sensor (exploración)
2 ODOS: Un bloque destino de un sensor (explotación)
Modifican las probabilidades en los bloques de configuración
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 19 / 25
77. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: MUTACIÓN
Dos Operadores de Mutación:
1 ADOS: Todos los bloques destino de un sensor (exploración)
2 ODOS: Un bloque destino de un sensor (explotación)
Modifican las probabilidades en los bloques de configuración
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 19 / 25
78. Introducción
Propuesta
Experimentos
Conclusiones
Red Swarm
Arquitectura
Escenario
Algoritmo Evolutivo
ALGORITMO EVOLUTIVO: MUTACIÓN
Dos Operadores de Mutación:
1 ADOS: Todos los bloques destino de un sensor (exploración)
2 ODOS: Un bloque destino de un sensor (explotación)
Modifican las probabilidades en los bloques de configuración
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 19 / 25
79. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS
Utilizando Red Swarm, los vehículos han reducido no sólo las
emisiones de CO, si no también las de CO2, NOx, Hc, Pm
Además ha disminuido el tiempo medio de viaje y el consumo de
carburante con un mínimo aumento de las distancias recorridas
Por lo tanto en esta zona se emitirán 145 Kg. menos de CO2 al año
Y se ahorrarán 96000 e anuales en combustible
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 20 / 25
80. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS
Utilizando Red Swarm, los vehículos han reducido no sólo las
emisiones de CO, si no también las de CO2, NOx, Hc, Pm
Además ha disminuido el tiempo medio de viaje y el consumo de
carburante con un mínimo aumento de las distancias recorridas
Por lo tanto en esta zona se emitirán 145 Kg. menos de CO2 al año
Y se ahorrarán 96000 e anuales en combustible
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 20 / 25
81. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS
Utilizando Red Swarm, los vehículos han reducido no sólo las
emisiones de CO, si no también las de CO2, NOx, Hc, Pm
Además ha disminuido el tiempo medio de viaje y el consumo de
carburante con un mínimo aumento de las distancias recorridas
Por lo tanto en esta zona se emitirán 145 Kg. menos de CO2 al año
Y se ahorrarán 96000 e anuales en combustible
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 20 / 25
82. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS
Utilizando Red Swarm, los vehículos han reducido no sólo las
emisiones de CO, si no también las de CO2, NOx, Hc, Pm
Además ha disminuido el tiempo medio de viaje y el consumo de
carburante con un mínimo aumento de las distancias recorridas
Por lo tanto en esta zona se emitirán 145 Kg. menos de CO2 al año
Y se ahorrarán 96000 e anuales en combustible
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 20 / 25
83. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS: GRÁFICAS
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 21 / 25
84. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS: GRÁFICAS
CO
Hc
CO2
Tiempo de Viaje
NOx
Longitud de Ruta
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 21 / 25
85. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS PARA 50 INSTANCIAS
Esta figura presenta los valores de fitness de la ejecución de Red
Swarm en 50 instancias diferentes
Red Swarm no sólo ha funcionado correctamente en todas ellas, si no
que también ha obtenido mejores resultados en 34 de ellas (68 %)
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 22 / 25
86. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
RESULTADOS PARA 50 INSTANCIAS
Esta figura presenta los valores de fitness de la ejecución de Red
Swarm en 50 instancias diferentes
Red Swarm no sólo ha funcionado correctamente en todas ellas, si no
que también ha obtenido mejores resultados en 34 de ellas (68 %)
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 22 / 25
87. Introducción
Propuesta
Experimentos
Conclusiones
Resultados
Gráficas
50 instancias
Reducción de los atascos
VÍDEO: REDUCCIÓN DE LOS ATASCOS (SUMO)
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 23 / 25
88. Introducción
Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJO FUTURO
En este trabajo hemos aplicado nuestra arquitectura Red Swarm al
problema de la reducción de emisiones de gases de efecto invernadero
Los resultados presentan una reducción de hasta el 10.1% en las
emisiones de CO, 4.0% en CO2, etc.
Además se mantiene la principal característica de Red Swarm que es
la reducción de los tiempos de viaje (hasta 9.1 %)
Como trabajo futuro nos planteamos:
I La extensión del área analizada
I El empleo de otras técnicas bioinspiradas en el proceso de
optimización
I Abordar la optimización multiobjetivo de nuestros escenarios
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 24 / 25
89. Introducción
Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJO FUTURO
En este trabajo hemos aplicado nuestra arquitectura Red Swarm al
problema de la reducción de emisiones de gases de efecto invernadero
Los resultados presentan una reducción de hasta el 10.1% en las
emisiones de CO, 4.0% en CO2, etc.
Además se mantiene la principal característica de Red Swarm que es
la reducción de los tiempos de viaje (hasta 9.1 %)
Como trabajo futuro nos planteamos:
I La extensión del área analizada
I El empleo de otras técnicas bioinspiradas en el proceso de
optimización
I Abordar la optimización multiobjetivo de nuestros escenarios
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 24 / 25
90. Introducción
Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJO FUTURO
En este trabajo hemos aplicado nuestra arquitectura Red Swarm al
problema de la reducción de emisiones de gases de efecto invernadero
Los resultados presentan una reducción de hasta el 10.1% en las
emisiones de CO, 4.0% en CO2, etc.
Además se mantiene la principal característica de Red Swarm que es
la reducción de los tiempos de viaje (hasta 9.1 %)
Como trabajo futuro nos planteamos:
I La extensión del área analizada
I El empleo de otras técnicas bioinspiradas en el proceso de
optimización
I Abordar la optimización multiobjetivo de nuestros escenarios
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 24 / 25
91. Introducción
Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJO FUTURO
En este trabajo hemos aplicado nuestra arquitectura Red Swarm al
problema de la reducción de emisiones de gases de efecto invernadero
Los resultados presentan una reducción de hasta el 10.1% en las
emisiones de CO, 4.0% en CO2, etc.
Además se mantiene la principal característica de Red Swarm que es
la reducción de los tiempos de viaje (hasta 9.1 %)
Como trabajo futuro nos planteamos:
I La extensión del área analizada
I El empleo de otras técnicas bioinspiradas en el proceso de
optimización
I Abordar la optimización multiobjetivo de nuestros escenarios
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 24 / 25
92. Introducción
Propuesta
Experimentos
Conclusiones
CONCLUSIONES Y TRABAJO FUTURO
En este trabajo hemos aplicado nuestra arquitectura Red Swarm al
problema de la reducción de emisiones de gases de efecto invernadero
Los resultados presentan una reducción de hasta el 10.1% en las
emisiones de CO, 4.0% en CO2, etc.
Además se mantiene la principal característica de Red Swarm que es
la reducción de los tiempos de viaje (hasta 9.1 %)
Como trabajo futuro nos planteamos:
I La extensión del área analizada
I El empleo de otras técnicas bioinspiradas en el proceso de
optimización
I Abordar la optimización multiobjetivo de nuestros escenarios
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 24 / 25
93. Introducción
Propuesta
Experimentos
Conclusiones
http://neo.lcc.uma.es
http://danielstolfi.com/redswarm/
dhstolfi@lcc.uma.es
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 25 / 25
94. Introducción
Propuesta
Experimentos
Conclusiones
http://neo.lcc.uma.es
http://danielstolfi.com/redswarm/
dhstolfi@lcc.uma.es
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 25 / 25
95. Introducción
Propuesta
Experimentos
Conclusiones
http://neo.lcc.uma.es
http://danielstolfi.com/redswarm/
dhstolfi@lcc.uma.es
¿Preguntas?
Daniel H. Stolfi Enrique Alba Reducing Gas Emissions by Using Red Swarm 25 / 25