1
Penerapan Multi-Agent Model Predictive Control (MPC) untuk Optimasi Waktu Hijau pada Jaringan Lalu Lintas Perkotaan Zendhiastara Arthananda1, Subchan2, dan Kamiran3 Jurusan Matematika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected] [email protected] ,
[email protected]
Abstrakโ Kemacetan adalah salah satu permasalahan yang sering dihadapi di sejumlah perkotaan. Hal ini disebabkan oleh banyaknya kendaraan tanpa ada pengaturan yang baik. Pada paper ini dibahas kontrol waktu hijau pada pengaturan lampu lalu lintas agar panjang antrian di jalanan minimal dan tidak terjadi kemacetan. Model jalan yang digunakan pada paper adalah model jalan 1 arah dengan 6 persimpangan dan 13 jalan yang disebut links. Metode Multi-Agent Model Predictive Control (Multi-Agent MPC), yang disebut juga MPC tersebar, digunakan untuk mengatur waktu lampu hijau pada lampu lalu lintas. Dari hasil simulasi diperoleh distribusi waktu hijau pada subsistem 3 anatara 0 samapai 81.9 detik. Kata Kunciโ Multi-Agent Model Predictive Control (MultiAgent MPC), Optimasi Waktu Hijau, Quadratic Programming.
K
I. PENDAHULUAN
EMACETAN[1] adalah masalah utama yang sering dihadapi di sejumlah perkotaan. Kemacetan disebabkan oleh adanya jumlah kendaraan yang berlebih atau terlalu banyak yang beroperasi di suatu tempat. Jumlah kendaraan yang terlalu banyak tanpa adanya pengaturan yang baik dapat menyebabkan terjadinya kemacetan yang parah. Sehingga ini diperlukan adanya pengaturan lalu lintas. Berdasarkan permasalah diatas, dibutuhkan suatu teknologi pengaturan atau kontrol terutama untuk mengendalikan sebuah lampu lalu lintas pada persimpangan jalan. Lampu lalu lintas pada persimpangan jalan harus dapat dikendalikan atau dikontrol dengan semudah mungkin untuk mengurangi kepadatan kendaraan dan memperlancar arus lalu lintas di persimpangan jalan. Lampu lalu lintas adalah lampu yang digunakan untuk mengatur kelancaran lalu lintas di persimpangan jalan dengan cara mengatur arus lalu lintas dari masing-masing arah untuk berjalan secara bergantian. Metode[4] analisis model untuk mengatur jaringan lalu lintas perkotaan antara lain menggunakan Multi-Agent Model Predictive Control (MPC). Multi-Agent MPC yang disebut juga MPC tersebar, menyelesaikan masalah jaringan lalu lintas dilakukan oleh agent secara desentralisasi, dimana jaringan akan terbagi menjadi beberapa sub-sistem dan terjadi komunikasi antar agent dalam sistem sehingga diperoleh solusi opimal secara lokal dan global. Pada paper ini akan dibahasa mengenai pengoptimalkan waktu hijau untuk meminimasi panjang antrian serta mendapatkan sebaran lama waktu hijau yang terjadi pada
jaringan lalu lintas perkotaan. Sehingga tidak tejadi kemacetan pada lalu lintas. II. TINJAUAN PUSTAKA A. Model Jaringan Lalu Lintas Perkotaan Sebuah jaringan perkotaan[4] terdiri dari interseksi dan persimpangan yang bergabung dengan jalan yang mewakili jalan, jalan raya atau sebarang infrastruktur yang menggabungkannya. Sebuah persimpangan terdiri atas himpunan jalan yang berakhir pada suatu titik yang sama. Sebuah jalan adalah himpunan bagian dari jalanan kecil dari sebuah link dimana kendaraan dapat melintasi sebuah persimpangan secara stimultan. Sebuah stage adalah periode waktu selama dimana sinyal lampu lalu lintas terjadi. Aliran maksimum dimana sebuah kendaraan dapat melintasi jalan dari sebuah persimpangan ketika jalanan memiliki hak untuk melintas disebut derajat kejenuhan (saturation flow) dimana biasanya dinyatakan dalam kendaraan per jam. Lama lampu kuning diantara phase yang berurutan untuk menjamin keamaan disebut waktu hilang (lost time). Perulangan dari stage disebut waktu sikel (cycle time). Sebuah jaringan lalu lintas perkotaan dipandang sebagai graf berarah yang simpulnya dinyatakan sebagai persimpangan ๐ โ ๐ฝ dan belokannya mewakili ke jalan ๐ง โ ๐. Himpunan I๐ dan O๐ secara berurutan adalah jalan yang masuk dan yang keluar dari persimpangan j. Rute kendaraan yang masuk dimodelkan dengan laju perputaran (turning rates). Secara spesifik, laju perputaran ๐๐ง,๐ค menambah laju kendaraan yang mencapai persimpangan j dari jalan z โ I๐ dan berbelok ke jalan w โ O๐ . Untuk memperoleh tujuan dari analisis kendali lalu lintas, laju perputaran (turning rates) ๐๐ง,๐ค , waktu sikel C๐ , waktu hilang L๐ pada saat di persimpangan dan derajat kejenuhan S๐ง dari jalanan dinyatakan konstan. Diberikan F๐ adalah himpunan phase di persimpangan j dimana u๐ ,๐ menotasikan waktu hijau dari phase i โ F๐ . Secara khusus setiap persimpangan menjalankan dengan waktu sikel yang sama C dimana dijalankan dengan constraint iโF j uj,i + L๐ = ๐ถ. Aliran dinamis lalu lintas dari jaringan berdasarkan gambar 1 diberikan [5]: โ๐ฅ๐ง ๐ก + 1 = โ๐(๐๐ง ๐ก + ๐๐ง ๐ก โ ๐๐ง ๐ก โ ๐๐ง (๐ก) (1)
2 dimana โ๐ = kontrol interval ๐ฅ๐ง = jumlah kendaraan di link z ๐๐ง = aliran masuk dari link z ๐๐ง = aliran keluar ๐๐ง = permintaan yang dinyatakan dengan kendaraan yang tidak berasal dari link yang berdekatan yang masuk ke dalam jaringan.
Model Predictive Contol atau MPC adalah suatu metode proses control lanjutan yang banyakditerapkanpada proses industri. Dari sekian banyak algoritma multivariable control, MPC adalah salah satunya[2] Lima konsep yang dikenal di dalam MPC yaitu[2]: a. Model proses dan disturbance b. Performance index c. Pengendalian/penanganan constraint d. Optimalisasi e. Receding horizon principle Metode MPC dijelaskan di bawah ini.
Gambar 1. Aliran Dinamis Lalu Lintas Permintaan ๐๐ง dan aliran keluar ๐๐ง disatukan bersama menjadi sebuah ganguang atau disturbance, sebut saja ๐๐ง . Dengan mengasumsi bahwa aliran masuk dan aliran keluar dari link z dengan hak untuk berjalan sama dengan derajat kejenuhan atau saturation flow ๐๐ง , maka (1) menjadi : ๐ฅ๐ง ๐ก + 1 = ๐ฅ๐ง ๐ก + โ๐ ๐๐ง (2)
Gambar 3. Struktur dasar MPC ๐๐ค
๐ค โ๐ผ๐ 1 ๐๐ค,๐ง ๐ถ
๐โ๐๐ค
๐ข๐ 1,๐ ๐ก โ
๐๐ง ๐ถ
๐โ๐๐ง
๐ข๐ 2,๐ ๐ก +
Mengeneralisasikan (2) untuk semua jaringan link ke dalam matrik dengan persamaan: ๐ฅ ๐ก + 1 = ๐ด๐ฅ ๐ก + ๐ต๐ข(๐ก) + ๐(๐ก) (3) dimana ๐ฅ ๐ก : vektor keadaan ๐ข(๐ก) : vektor kendali yang mengandung sinyal ๐ข๐ ,๐ ๐ก A : matriks keadaan B : matriks kendali B. Model Jalan Model yang digunakan pada penulisan paper ini adalah sebagai berikut[4]:
Prediction horizon dalam MPC mengacu pada langkah yang digunakan untuk memprediksi keluaran. Pada prediction horizon kendali masukan sebelumnya menjadi pedoman untuk menentukan prediksi kendali masukan yang akan digunakan untuk memprediksi keluaran selanjutnya. Dalam MPC sinyal kendali (kontrol) mengalami perubahan setiap waktu, sehingga respon mampu menghasilkan nilai yang semakin baik pada sistem. D. Multi-Agent Model Predictive Control Model pengendalian optimal [4] yang digunakan pada MPC linier ini adalah Quadratic Programming (QP). Pada kasus ini, MPC linier tanpa memperhitungkan ganguan (disturbance), maka bentuk (3) menjadi : ๐๐ (๐ก + 1) = ๐ด๐ ๐๐ ๐ก +
๐ต๐๐ ๐๐ ๐ก
4
๐โ๐ผ ๐
dimana I(m) = {m} โช {๐ โถ (๐, ๐) โ ๐ธ adalah himpunan input tetangga dari sub-sistem m, yang mana sub-sistem mempengaruhi keadaan dari m. MPC mendapatkan sinyal kontrol untuk waktu t dengan menyelesaikan masalah Quadratic Programming (QP) : Gambar 2. Model Jalan Pada gambar diatas dapat dilihat bahwasanya model jaringan lalu lintas yang digunakan pada usulan Tugas akhir ini terdapat 6 persimpangan atau intersection yang dinotasikan dengan angka dan 13 jalan satu arah atau links yang dinotasikan dengan xi | i =1, ... , 13. Dan daerah yang diamati yaitu disekitar persimpangan nomor 3. C. Model Predictive Control (MPC)
1
๐ = ๐ ๐ =1 ๐=1 2 ๐ฅ๐ ๐ก + ๐๐๐๐๐ฅ๐๐ก+๐+๐ข๐๐ก+๐โ1๐๐
๐๐ข๐(๐ก+๐โ1) (5)
๐ ๐ก โถ min
๐ ๐ =1 ๐๐ (๐ก)
kendala : ๐ฑ m (t) = ๐ฑ m ๐ฑ m t + k + 1 = Am ๐ฑ m t + k + k , ๐โ โณ, ๐โ๐ฏ ๐ถ๐ ๐๐ ๐ โฅ ๐๐ , ๐ โ โณ, ๐ โ ๐ฏ
iโI m
Bmi ๐ฎi t + (6) (7)
3 (8)
๐ท๐ ๐๐ ๐ = ๐๐ , ๐ โ โณ, ๐ โ ๐ฏ
State prediction [3] dari subsistem m pada saat t+k adalah fungsi keadaannya pada saat t dan sinyal kendali atas waktu t+k adalah ๐๐ ๐ก + ๐ = ๐ด๐๐ ๐๐ (๐ก) + ๐๐=1 ๐โ๐ผ(๐ ) ๐ด๐โ1 ๐ ๐ต๐๐ ๐๐ (๐ก + ๐ โ ๐) (9) Misalkan ๐๐ ๐ก = (๐๐ (๐ก), โฆ , ๐๐ (๐ก + ๐พ โ 1)) adalah vector kendali dan ๐๐ (๐ก) = (๐๐ (๐ก + 1), โฆ . , ๐๐ (๐ก + ๐พ)) adalah variabel kendali atas waktu horizon. Dengan mendefinisikan : ๐ด๐ ๐ต๐๐ 0 ๐ด๐ ๐ต๐๐ ๐ต๐๐ ๐ด2๐ ๐ด๐ = dan ๐ต๐๐ = โฎ โฎ โฎ ๐พ=1 ๐พ ๐ต ๐ด๐พโ2 ๐ด ๐ด๐ ๐๐ ๐ ๐ต๐๐ ๐ diperoleh state prediction yakni ๐๐ ๐ก = ๐ด๐ ๐๐ + ๐โ๐ผ(๐ ) ๐ต๐๐ ๐๐ (๐ก)
โฏ โฏ โฑ โฏ
0 0 0 ๐ต๐๐
(10)
Dengan menggunakan (10), maka fungsi objektif menjadi : ๐๐ ๐ก = 1 ๐ ๐๐ ๐ก ๐ด๐๐ ๐๐ ๐ด๐ ๐ฑ m + iฯตI m ๐๐๐ ๐ก ๐ด๐๐ ๐๐ ๐ต๐๐ ๐๐ ๐ก +
2 1
1
๐ ๐๐๐ ๐ด๐๐ ๐๐ ๐ต๐๐ ๐๐ (๐ก) + ๐ข๐ ๐
๐ ๐๐ (๐ก) (11) 2 Lalu mendefinisikan : ๐ ๐๐๐ = ๐ต๐๐ ๐๐ ๐ด๐ ๐๐ ๐ข๐๐ก๐ข๐ ๐ โ ๐ผ ๐ ๐ ๐ป๐๐๐ = ๐ต๐๐ ๐๐ ๐ต๐๐ ๐ข๐๐ก๐ข๐ ๐, ๐ โ ๐ผ ๐ , ๐ โ ๐ ๐๐ก๐๐ข ๐ โ ๐ 2
iฯตI m
jฯตI m
๐
๐ป๐๐๐ = ๐ต๐๐ ๐๐ ๐ต๐๐ + ๐
๐ ๐ 1 ๐ ๐ก = ๐ โโณ ๐๐ ๐ก ๐ ๐ด๐ ๐๐ ๐ด๐ ๐๐ ๐ก merupakan 2 konstanta dan diabaikan ke dalam tujuan optimasi. sehingga fungsi objektif pada (5) dapat ditulis dalam bentuk Quadratic Programming : ๐ ๐ก โถ min ๐ ๐ข =
1 ๐ข๐ป๐ข + ๐ โฒ ๐ข 2
Kendala : ๐ถ๐ ๐ข๐ ๐ โฅ ๐๐ , ๐ โ โณ ๐ท๐ ๐ข๐ ๐ = ๐๐ , ๐ โ โณ
๐ถ๐ 0 ๐ถ๐ = 0 โฎ 0 0 ๐ท๐ 0 ๐ท๐ = 0 โฎ 0 0
๐1 0 0 โฏ 0 0 ๐2 ๐ถ๐ 0 โฏ 0 0 0 ๐ถ๐ โฏ 0 0 , ๐ = ๐3 ๐ โฎ โฎ โฎ โฑ โฎ โฎ ๐5 0 0 โฏ ๐ถ๐ 0 ๐6 0 0 โฏ 0 ๐ถ๐ ๐1 0 0 โฏ 0 0 ๐ ๐ท๐ 0 โฏ 0 0 2 0 ๐ท๐ โฏ 0 0 , ๐ = ๐3 ๐ โฎ โฎ โฑ โฎ โฎ โฎ 0 0 โฏ ๐ท๐ 0 ๐5 0 0 โฏ 0 ๐ท๐ ๐6 III PEMBAHASAN
A. Model Jalan Lalu Lintas Perkotaan Dengan menggunakan (2) pada bab II, maka dapat diperoleh A=I dan B adalah matriks input control yang berukuran 13x13. Tabel 1. Nilai parameter ๐1,4 = 0.20 ๐2,4 = 0.25 ๐3,4 = 0.65 ๐1,6 = 0.05
๐2,6 = 0.30
๐3,6 = 0.05
๐7,5 = 0.80
๐1,11 = 0.05
๐2,11 = 0.30
๐3,11 = 0.05
๐8,7 = 0.40
๐1,13 = 0.70
๐2,13 = 0.15
๐3,13 = 0.15
๐8,10 = 0.60
๐9,7 = 0.60
๐ถ1 = 192.0
๐ถ5 = 91.7
๐9,10 = 0.40
๐ถ2 = 132.6
๐ถ6 = 131.3
๐10,12 = 0.80
๐ถ3 = 81.9
๐11,12 = 0.50
๐ถ4 = 165.6
๐1 = ๐2 = ๐3 = ๐4 = ๐5 = ๐7 = ๐8 = ๐9 = ๐10 = ๐12 = ๐13 = 3600 ๐6 = ๐11 = 1800
(12) (13) (14)
๐6,5 = 0.50
Dengan memasukkan nilai parameter pada Tabel 1, dapat diperoleh matriks B berukuran 13x13 sebagai berikut
Dimana ๐ป213 ๐ด๐ป ๐ป615 0 0 0 0 0 0 ๐ป233 0 0 0 dan 0 0 ๐ด๐ฝ 0 0 0 0 0 ๐ป655 0 0 0 0 0 0 ๐11 ๐21 ๐31 0 ๐51 ๐61 0 ๐22 0 0 0 0 ๐33 0 0 0 ๐23 0 ๐= 0 0 ๐34 ๐44 ๐54 0 0 0 0 0 ๐55 ๐65 0 0 0 0 0 ๐66
๐ด๐บ 0 0 0 ๐ป231 ๐ป= ๐ด๐ผ ๐ป651 0
4 Untuk subsistem 4 dengan m=4, diperoleh ๐4 (๐ก) = ๐ด4 ๐4 ๐ก + ๐ต44 ๐4 (18) Untuk subsistem 5 dengan m=5, diperoleh ๐5 (๐ก) = ๐ด5 ๐5 ๐ก + ๐ต51 ๐1 + ๐ต54 ๐4 + ๐ต55 ๐5 (19)
B
Untuk subsistem 6 dengan m=6, diperoleh ๐6 (๐ก) = ๐ด6 ๐6 ๐ก + ๐ต61 ๐1 + ๐ต65 ๐5 + ๐ต66 ๐6 (20)
=
Selanjutnya substitusi (15) โ (20) ke dalam (5) maka akan diperoleh (12), dimana ๐ด๐บ 0 ๐ป213 ๐ด๐ป ๐ป615 0 0 0 0 0 0 0 ๐ป231 0 ๐ป233 0 0 0 ๐ป= ๐ด๐ผ 0 0 ๐ด๐ฝ 0 0 ๐ป651 0 0 0 ๐ป655 0 0 0 0 0 0 0 Dengan ๐ด๐บ = ๐ป211 + ๐ป311 + ๐ป511 + ๐ป611 ๐ด๐ป = ๐ป314 + ๐ป514 ๐ด๐ผ = ๐ป341 + ๐ป541 ๐ด๐ฝ = ๐ป344 + ๐ป544 B. Formulasi Dekomposisi Untuk distribusi tersebar, [4] seorang agent m menentukan nilai dari variable kendali local dari subsistem m . Nilai dari ๐๐ didapatkan dengan
. dimana A = -1.875
Q = -2.1739
Y = -1.9629
B1 = -1.875
I = 3.5165 II = 1.0989 J = 0.0938
R = -2.1739
Z = 3.1407
C = -1.875
K = 0.5625
S = 1.3043
AA = 0.9815
D = 0.375
L = 0.0938
T = 0.8696
AB= -2.7418
E = 0.4688
M = -2.1978
U = -3.9258
AC= 0
F = 1.2188
N = -4.3956
V=0
AD= 0.2813
G = -2.7149
O = 0.8696
W = 0.5625
AE= 0.2813
H = -2.7149
P = 1.3043
X = 0.0938
AF= 2.7418
Selanjutnya, menggunakan (10), maka akan diperoleh state prediction di setiap subsistem m dimana I(m) = {m} โช {๐ โถ (๐, ๐) โ ๐ธ} adalah himpunan input tetangga dari subsistem m, yang mana sub-sistem mempengaruhi keadaan dari m. Untuk subsistem 1 dengan m=1, diperoleh ๐1 (๐ก) = ๐ด1 ๐1 ๐ก + ๐ต11 ๐1 (15) Untuk subsistem 2 dengan m=2, diperoleh ๐2 (๐ก) = ๐ด2 ๐2 ๐ก + ๐ต21 ๐1 + ๐ต22 ๐2 + ๐ต23 ๐3 Untuk subsistem 3 dengan m=3, diperoleh ๐3 = ๐ด3 ๐3 ๐ก + ๐ต31 ๐1 + ๐ต33 ๐3 + ๐ต34 ๐4 (17)
(16)
menyelesaikan sebuah masalah optimasi lokal ๐๐ (๐ก) di setiap waktu. Desain dari himpunan {๐๐ (๐ก)} dan pasangan antar agent disebut formulasi dekomposisi. Formulasi dikatakan perfect jika setiap subsistem ๐๐ (๐ก) menjamin semua kendala pada fungsi objektif P(t) yang bergantung pada ๐๐ . Untuk perfect dekomposisi, diberikan: ๐ผ(๐) = {๐: ๐ โ ๐ผ ๐ , ๐ โ ๐} adalah himpunan output tetangga dari subsistem m yang mana sebarang subsistem i dengan keadaan ๐๐ dipengaruhi oleh ๐๐ . ๐ถ ๐ = { ๐, ๐ โ ๐ผ ๐ ๐ฅ๐ผ ๐ : ๐ = ๐ ๐๐ก๐๐ข ๐ = ๐} adalah subsitem berpasangan dari quadratic yang bergantung pada ๐๐ . ๐ถ ๐, ๐ = { ๐, ๐ โ ๐ผ ๐ ๐ฅ๐ผ ๐ : ๐ = ๐ ๐๐ก๐๐ข ๐ = ๐} adalah pasangan dari quadratic dengan ๐ โ ๐ผ ๐ yang bergantung pada ๐๐ . Sehingga masalah local dari agent m adalah : 1 ๐๐ ๐ก : min ๐๐ = ๐๐ โฒ๐ป๐ ๐๐ + ๐๐ โฒ๐๐ (21) 2 Dengan kendala: ๐ถ๐ ๐ข๐ ๐ โฅ ๐๐ , ๐ท๐ ๐ข๐ ๐ = ๐๐ , dimana ๐ป๐ = ๐ป๐๐๐ + ๐โ๐ผ ๐ ๐ป๐๐๐ 1 ๐๐ = ๐๐๐ + ๐๐๐ 2 ๐โ๐ผ (๐ )
Dengan mensubstitusikan pada masing-masing subsistem, maka akan diperoleh: ๐ป1 = ๐ป111 + ๐ป211 + ๐ป311 + ๐ป511 + ๐ป611 ๐ป2 = ๐ป222
5 ๐ป3 = ๐ป333 + ๐ป233 ๐ป4 = ๐ป444 + ๐ป344 + ๐ป544 ๐ป5 = ๐ป555 + ๐ป655 ๐ป6 = ๐ป666 Hasil dari optimasi diatas menghasilkan : ๐ฅ๐ ๐ก + 1 ๐ก , ๐ฅ๐ ๐ก + 2 ๐ก , . . , ๐ฅ๐ (๐ก + ๐|๐ก) dan ๐ข๐ ๐ก ๐ก , ๐ข๐ ๐ก + 1 ๐ก , . . , ๐ข๐ (๐ก + ๐ โ 1|๐ก) Apabila optimasi ๐๐ ๐ก diatas feasible, maka didapatkan penyelesaian optimalnya adalah : ๐ข๐ โ ๐ก ๐ก , ๐ข๐ โ ๐ก + 1 ๐ก , . . , ๐ข๐ โ ๐ก + ๐ โ 1 ๐ก , ๐ฅ๐ โ ๐ก + 1 ๐ก , ๐ฅ๐ โ ๐ก + 2 ๐ก , . . , ๐ฅ๐ โ (๐ก + ๐|๐ก) Sesuai dengan prinsip receding horizon pada MPC maka nilai kontrol yang didapatkan dari hasil optimisasi di atas adalah : ๐ข๐ ๐ก ๐ก = ๐ข๐ โ (๐ก|๐ก) Dalam paper ini digunakan subroutine qoadprog yang ada pada MATLAB untuk menyelesaikan masalah optimisasi tersebut. C. Simulasi Model
Gambar 5. Hasil Simulasi Hasil simulasi yang terlihat pada Gambar 5. Menunjukkan bahwa distribusi waktu hijau pada subsistem berada pada 0 sampai dengan 81.9 detik. Dalam hal ini, kendali (waktu hijau) pada subsistem ini dipengaruhi oleh kendali pada subsistem yang lain yakni 1,2,3 dan 4. Sehingga pada distribusi waktu hijau ini diperoleh waktu hijau optimal. IV KESIMPULAN Daerah yang diamati pada paper ini adalah daerah pada subsistem 3 dimana dipengaruhi oleh subsistem 1,2,3 dan 4. Terlihat bahwasanya diperoleh distribusi waktu hijau pada subsistem ini adalah 0 sampai dengan 81,9 detik.
DAFTAR PUSTAKA [1] Aboudolas, K., Papageorgiou, M., Kosmatopoulos, E., 2007. โControl and optimization methods for traffic signal control in large-scale congested urban road networks,โ in Proceeding of American Control Conference, New York, USA, July, pp.3132-3138. [2] Camacho, E.F., Bordons, C., 2004. Model Predictive Control. Springer-Verlag. [3] Camponogara E., de Oliveira, L.B., 2009. Distributed optimization for model predictive control of linear dynamic networks, Accepted by IEEE Transaction on System,Man, and Cybernetics โ Part A.
. [4] Oliviera, L.B., Camponogara, E., 2010. Multi-agent model predictive control of signaling split in urban traffic networks. Transportation Research. Part C, Emerging Technologies, v.18, p. 120-139 [5] R. R. Negenborn, B.D. Schutter, and J. Hellendoorn, 2007. โMulti-agent model predictive control for transportation networks: serial versus parallel schemes,โ to appear in Engineering Application of Artificial Intelligence.