SEMINAR TUGAS AKHIR PENERAPAN MULTI-AGENT MODEL PREDICTIVE CONTROL (MPC) UNTUK OPTIMASI WAKTU HIJAU PADA JARINGAN LALU LINTAS PERKOTAAN Zendhiastara Arthananda (1210100032) Dosen Pembimbing 1: Subchan, PhD Dosen Pembimbing 2: Drs. Kamiran, M.Si Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
18 Juli 2014
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
1 / 52
Pendahuluan
Latar Belakang
Latar Belakang
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
2 / 52
Pendahuluan
Latar Belakang
Latar Belakang
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
3 / 52
Pendahuluan
Latar Belakang
Untuk mengatasi masalah diatas, maka digunakan metode Multi-Agent Model Predictive Control (MPC) sehingga dapat mengoptimalkan 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.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
4 / 52
Pendahuluan
Rumusan Masalah
Rumusan Masalah Bagaimana penerapan Multi-Agent Model Predictive Control (MPC) untuk optimasi lampu hijau pada jaringan lalu lintas perkotaan. Bagaimana mengetahui distribusi lampu hijau. Bagaimana hasil optimasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada jaringan lalu lintas perkotaan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
5 / 52
Pendahuluan
Rumusan Masalah
Rumusan Masalah Bagaimana penerapan Multi-Agent Model Predictive Control (MPC) untuk optimasi lampu hijau pada jaringan lalu lintas perkotaan. Bagaimana mengetahui distribusi lampu hijau. Bagaimana hasil optimasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada jaringan lalu lintas perkotaan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
5 / 52
Pendahuluan
Rumusan Masalah
Rumusan Masalah Bagaimana penerapan Multi-Agent Model Predictive Control (MPC) untuk optimasi lampu hijau pada jaringan lalu lintas perkotaan. Bagaimana mengetahui distribusi lampu hijau. Bagaimana hasil optimasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada jaringan lalu lintas perkotaan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
5 / 52
Pendahuluan
Rumusan Masalah
Rumusan Masalah Bagaimana penerapan Multi-Agent Model Predictive Control (MPC) untuk optimasi lampu hijau pada jaringan lalu lintas perkotaan. Bagaimana mengetahui distribusi lampu hijau. Bagaimana hasil optimasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada jaringan lalu lintas perkotaan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
5 / 52
Pendahuluan
Batasan Masalah
Batasan Masalah 1 Metode yang digunakan adalah Multi-Agent Model Predictive Control (Multi-Agent MPC). 2
Jalan yang digunakan adalah jalan satu arah.
3
Jenis kendaraan yang melintasi jalan dianggap sama.
4
Lebar jalan pada jaringan lalu lintas dianggap sama.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
6 / 52
Pendahuluan
Batasan Masalah
Batasan Masalah 1 Metode yang digunakan adalah Multi-Agent Model Predictive Control (Multi-Agent MPC). 2
Jalan yang digunakan adalah jalan satu arah.
3
Jenis kendaraan yang melintasi jalan dianggap sama.
4
Lebar jalan pada jaringan lalu lintas dianggap sama.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
6 / 52
Pendahuluan
Batasan Masalah
Batasan Masalah 1 Metode yang digunakan adalah Multi-Agent Model Predictive Control (Multi-Agent MPC). 2
Jalan yang digunakan adalah jalan satu arah.
3
Jenis kendaraan yang melintasi jalan dianggap sama.
4
Lebar jalan pada jaringan lalu lintas dianggap sama.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
6 / 52
Pendahuluan
Batasan Masalah
Batasan Masalah 1 Metode yang digunakan adalah Multi-Agent Model Predictive Control (Multi-Agent MPC). 2
Jalan yang digunakan adalah jalan satu arah.
3
Jenis kendaraan yang melintasi jalan dianggap sama.
4
Lebar jalan pada jaringan lalu lintas dianggap sama.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
6 / 52
Pendahuluan
Batasan Masalah
Batasan Masalah 1 Metode yang digunakan adalah Multi-Agent Model Predictive Control (Multi-Agent MPC). 2
Jalan yang digunakan adalah jalan satu arah.
3
Jenis kendaraan yang melintasi jalan dianggap sama.
4
Lebar jalan pada jaringan lalu lintas dianggap sama.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
6 / 52
Pendahuluan
Tujuan
Tujuan 1
Mendapatkan waktu optimal lampu hijau.
2
Mengetahui distribusi waktu hijau pada jaringan lalu lintas perkotaan.
3
Mengetahui hasil simulasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada optimasi waktu lampu hijau.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
7 / 52
Pendahuluan
Tujuan
Tujuan 1
Mendapatkan waktu optimal lampu hijau.
2
Mengetahui distribusi waktu hijau pada jaringan lalu lintas perkotaan.
3
Mengetahui hasil simulasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada optimasi waktu lampu hijau.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
7 / 52
Pendahuluan
Tujuan
Tujuan 1
Mendapatkan waktu optimal lampu hijau.
2
Mengetahui distribusi waktu hijau pada jaringan lalu lintas perkotaan.
3
Mengetahui hasil simulasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada optimasi waktu lampu hijau.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
7 / 52
Pendahuluan
Tujuan
Tujuan 1
Mendapatkan waktu optimal lampu hijau.
2
Mengetahui distribusi waktu hijau pada jaringan lalu lintas perkotaan.
3
Mengetahui hasil simulasi dan analisis dari penerapan Multi-Agent Model Predictive Control (MPC) pada optimasi waktu lampu hijau.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
7 / 52
Pendahuluan
Manfaat
Manfaat 1 Memperoleh pengetahuan mengenai penerapan Multi-Agent Model Predictive Control (MPC) untuk mengoptimasi lama waktu hijau. 2
Sebagai rujukan untuk mengatur waktu optimal lampu hijau pada jaringan lalu lintas perkotaan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
8 / 52
Pendahuluan
Manfaat
Manfaat 1 Memperoleh pengetahuan mengenai penerapan Multi-Agent Model Predictive Control (MPC) untuk mengoptimasi lama waktu hijau. 2
Sebagai rujukan untuk mengatur waktu optimal lampu hijau pada jaringan lalu lintas perkotaan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
8 / 52
Pendahuluan
Manfaat
Manfaat 1 Memperoleh pengetahuan mengenai penerapan Multi-Agent Model Predictive Control (MPC) untuk mengoptimasi lama waktu hijau. 2
Sebagai rujukan untuk mengatur waktu optimal lampu hijau pada jaringan lalu lintas perkotaan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
8 / 52
Tinjauan Pustaka
Model Jaringan Lalu Lintas Perkotaan
Sebuah jaringan perkotaan [2]terdiri dari interseksi atau persimpangan yang bergabung dengan jalan yang mewakili jalan raya atau sebarang infrastruktur yang menggabungkannya. Sebuah stage atau phase 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 saturation flow atau derajat kejenuhan dimana dinyatakan dengan kendaraan per jam. Lama lampu kuning diantara phase yang berurutan untuk menjamin keamaan disebut lost time atau yang disebut waktu hilang. Perulangan dari stage disebut cycle time atau waktu sikel.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
9 / 52
Tinjauan Pustaka
Model Jaringan Lalu Lintas Perkotaan
Gambar: Model Jaringan Lalu Lintas Perkotaan
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
10 / 52
Tinjauan Pustaka
Model Jaringan Lalu Lintas Perkotaan
Gambar: Aliran Dinamis Lalu Lintas
∆xz (t + 1) = ∆T (qz (t) + dz (t) − pz (t) − cz (t))
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
(1)
11 / 52
Tinjauan Pustaka
Model Jaringan Lalu Lintas Perkotaan
Permintaan dz dan aliran keluar cz disatukan menjadi sebuah gangguan atau disturbance, sebut saja ez . Dengan mengasumsikan bahwa aliran masuk dan aliran keluar dari link z dengan hak untuk berjalan sama dengan derajat kejenuhan atau saturation flow Sz , maka persamaan (1) menjadi: xz (t +1) = xz (t)+∆T [
X w ∈Ij1
Zendhiastara A. (1210100032) (ITS)
σw ,z
Sw X Sz X uj1 ,i (t)− uj2 ,i (t)+ez ] (2) C C i∈Vw
SEMINAR TUGAS AKHIR
i∈Vz
18 Juli 2014
12 / 52
Tinjauan Pustaka
Model Jaringan Lalu Lintas Perkotaan
Menggeneralisasikan persamaan (2) untuk semua jaringan link ke dalam matriks dengan persamaan: x(t + 1) = Ax(t) + Bu(t) + e(t)
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
(3)
18 Juli 2014
13 / 52
Tinjauan Pustaka
Model Jaringan Lalu Lintas
Model Jaringan Lalu Lintas
Gambar: Model Jaringan Lalu Lintas
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
14 / 52
Tinjauan Pustaka
Model Predictive Control
Model Predictive Control
Model Predictive Control Model Predictive Contol atau MPC adalah suatu metode proses control lanjutan yang banyak diterapkan pada proses industri. Dari sekian banyak algoritma multivariable control, MPC adalah salah satunya. Lima konsep yang dilakukan di dalam MPC yaitu[2]: 1
Model proses dan disturbance
2
Performance index
3
Pengendalian/penanganan constraint
4
Optimalisasi
5
Receding horizon principle
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
15 / 52
Tinjauan Pustaka
Model Predictive Control
Gambar: Struktur Dasar MPC
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
16 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Multi-Agent Model Predictive Control
Definisi Umum Pada umumnya Multi-Agent MPC [2]diasumsikan bahwa sistem yang terkontrol dapat dibagi menjadi sub-sistem dan setiap agent telah ditugaskan pada setiap sub-sistem. Setiap agent menggunakan MPC untuk menentukan tindakan.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
17 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Formulasi MPC Jaringan dinamis dari aliran lalu lintas diperoleh dari pendekatan model store-and-forward ditunjukkan oleh sebuah sistem dari M inter-koneksi sub-sistem yang membentuk sebuah graf berarah G = (V,E) dimana sub-sistem adalah simpul di V dan setiap belokan (i, j) ∈ E mendefinisikan sebuah pasangan sub-sistem i dan j dimana sinyal kontrol sub-sistem i mempengaruhi secara langsung sub-sistem j. Dan didefinisikan state lokal xm ∈ R nm dan kendali lokal um ∈ R nm
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
18 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Formulasi MPC xm (t + 1) = Am xm (t) +
X
Bmi ui (t)
(4)
i∈I (m)
S dimana I (m) = m i : (i, m) ∈ E adalah himpunan imput tetangga dari sub-sistem m. State jaringan adalah x = (x1 , ..., xm ) dan vektor kendalinya adalah u = (u1 , ..., um ).
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
19 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Formulasi MPC MPC mendapatkan sinyal kendali untuk waktu t dengan menyelesaikan masalah Quadratic Programming (QP)[2]: P(t) : min
M X
Φm =
m=1
M X K X 1 m=1 k=1
2
0
[xm (t + k|t) Qm xm (t + k|t) + (5) 0
um (t − 1|t) Rm um (t + k − 1|t)]
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
20 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Formulasi MPC Kendala: xm (t|t) = xm (t)
(6)
,m∈M xm (t + k + 1) = Am xm (t + k|t) +
X
Bmi ui , m ∈ M, k ∈ K
(7)
i∈I (m)
Cm um (t + k|t) ≥ cm , m ∈ M, k ∈ K
(8)
Dm um (t + k|t) = dm , m ∈ M, k ∈ K
(9)
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
21 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
dengan x m : prediksi state dari sub-sistem m saat t+k u m : prediksi sinyal kendali Qm : bobot untuk state vector Rm : bobot untuk control vector Cm : matriks dan cm adalah sebuah vektor bersesuaian dengan constraint pertaksamaan Dm : matriks dan dm adalah sebuah vektor bersesuaian dengan constraint persamaan M : 1, .. , M adalah himpunan yang menandakan sub-sistem K : 0, .. , K-1 adalah waktu horizon
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
22 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
State prediction dari subsistem m pada saat t + k adalah fungsi keadaannya pada saat t dan sinyal kendali atas waktu t + k adalah: xm (t + k|t) = Akm xm (t) +
k X X
Al−1 m Bmi ui (t + k − l|t)
(10)
l=1 i∈I (m)
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
23 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Diberikan x m adalah variabel prediksi state dan u m adalah kendali atas waktu horizon.[3] xm (t + 1) um (t) .. .. xm = dan um = . . xm (t + K ) um (t + K − 1|t)
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
24 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Diberikan juga matriks A dan B secara berturut-turut adalah input keadaan dan input kendali. Am A2 m Am = .. dan . AK m
0 0 B mi = 0 −1 K −2 K −3 AK m Bmi Am Bmi Am Bmi · · · 0 Sehingga persamaan prediksi state diperoleh menjadi: X xm (t) = Am xm (t) + B mi ui (t)
Bmi Am Bmi .. .
0 Bmi .. .
··· ··· .. .
0 0 .. .
(11)
i∈I (m)
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
25 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Mensubstitusi x m (t) pada fungsi objektif menjadi : φm = =
1 0 1 0 xm Q m xm + um R m um 2 2 X 1 0 0 0 0 xm (t) Am Q m Am xm (t) + xm (t) Am Q m B mi ui (t) + 2 i∈I (m)
1 X 2
X
i∈I (m) j∈I (m)
Zendhiastara A. (1210100032) (ITS)
1 0 0 ui B mi Q m B mj uj + um R m um 2 0
SEMINAR TUGAS AKHIR
(12)
18 Juli 2014
26 / 52
Tinjauan Pustaka
Lalu mendefinisikan:
Multi-Agent Model Predictive Control
0
gmi = B mi Q m Am xm
(13)
untuk i ∈ I (m) 0
Hmij = B mi Q m B mj
(14)
untuk i, j ∈ I (m), i 6= m atau j 6= m 0
Hmmm = B mm Q m B mm + R m c(t) =
(15)
X 1 0 0 xm (t) Am Q m Am xm (t) 2
(16)
m∈M
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
27 / 52
Tinjauan Pustaka
Multi-Agent Model Predictive Control
Sehingga P dapat dinyatakan menjadi: P(t) : min
1 X X 2
X
0
u i (t) Hmij u j +
m∈M i∈I (m) j∈I (m)
X X
0
gmi u i (t) + c(t)
m∈M i∈I (m)
(17) Kendala : C m um ≥ c m , m ∈ M D m um = d m , m ∈ M dimana C = I × Cm , D = I × Dm dan u = (u 1 , ..., u M )
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
28 / 52
Metode Penelitan
Metode Penelitian
Metode Penelitian
Metode penelitian yang digunakan dalam penulisan tugas akhir ini adalah sebagai berikut: Studi Literatur Mengkaji Model Matematika serta Menyelesaikan Masalah Optimasi Simulasi dan Analisis Penulisan Laporan Tugas Akhir
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
29 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Hasil dan Pembahasan
Dengan menggunakan persamaan (2) dan mensubstitusikan berdasarkan jumlah links yang digunakan pada tugas akhir ini diperoleh matriks input keadaan A = I dan matriks input kendali B yang berukuran 13x13.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
30 / 52
Hasil dan Pembahasan
A 0 0 D 0 J 0 0 0 0 V 0 AC
0 0 B 0 0 C E F 0 0 K L 0 0 0 0 0 0 0 0 W X 0 0 AD AE
Zendhiastara A. (1210100032) (ITS)
0 0 0 G 0 0 0 0 0 0 0 0 0
Model Jaringan Lalu Lintas Perkotaan
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 H II I 0 0 0 M 0 0 0 0 0 N O P 0 0 0 Q 0 0 0 0 0 R 0 0 0 S T 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
SEMINAR TUGAS AKHIR
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 U 0 0 0 0 Y 0 0 Z AA AB 0 0 0 0 AF
18 Juli 2014
31 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
dimana A = ∆T B = ∆T C
= ∆T
D = ∆T E
= ∆T
F
= ∆T
G
= ∆T
H = ∆T Zendhiastara A. (1210100032) (ITS)
S1 τ1,1 − C S2 τ2,2 − C S3 τ3,3 − C S1 τ1,4 C S2 τ2,4 C S3 τ3,4 C S4 − C S5 − C
SEMINAR TUGAS AKHIR
S1 C S2 C S3 C
18 Juli 2014
32 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
II I
=
J = K
=
L = M = N = O = Zendhiastara A. (1210100032) (ITS)
S6 C S7 ∆T τ7,5 C S1 ∆T τ1,6 C S2 ∆T τ2,6 C S3 ∆T τ3,6 C S6 ∆T − C S7 ∆T − C S8 ∆T τ8,7 C SEMINAR AKHIR TUGAS
= ∆T
τ6,5
18 Juli 2014
33 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
P = ∆T Q = ∆T R = ∆T S
= ∆T
T
= ∆T
U = ∆T V
= ∆T
W
= ∆T
Zendhiastara A. (1210100032) (ITS)
S9 C S8 S8 τ8,8 u4,1 (t) − C C S9 S9 τ9,9 − C C S8 τ8,10 C S9 τ9,10 C S10 − C S1 τ1,11 C S2 τ2,11 C τ9,7
SEMINAR TUGAS AKHIR
18 Juli 2014
34 / 52
Hasil dan Pembahasan
S3 τ3,11 C S11 Y = ∆T − C S10 Z = ∆T τ10,12 C S11 AA = ∆T τ11,12 C S12 AB = ∆T − C S1 AC = ∆T τ1,13 C S2 AD = ∆T τ2,13 C S3 AE = ∆T τ3,13 C SEMINAR TUGAS AKHIR X
Zendhiastara A. (1210100032) (ITS)
Model Jaringan Lalu Lintas Perkotaan
= ∆T
18 Juli 2014
35 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
diberikan: τ1,4 τ1,6 τ1,11 τ1,13 τ2,4 τ2,6 τ2,11 τ2,13 τ3,4 τ3,6 τ3,11
= = = = = = = = = = =
0.20 0.05 0.05 0.70 0.25 0.30 0.30 0.15 0.65 0.05 0.05
τ3,13 τ6,5 τ7,5 τ8,7 τ8,10 τ9,7 τ9,10 τ10,12 τ11,12 τ
= = = = = = = = = =
0.15 0.50 0.80 0.40 0.60 0.60 0.40 0.80 0.50 0, untuk τ yang lain
S1 = S2 = S3 = S4 = S5 = S7 = S8 = S9 = S10 = S12 = S13 = 3600 S6 = S11 = 1800 Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
36 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
dengan mengambil ∆T = 0.1 dan pembulatan sampai maksimal 4 angka di belakang koma, diperoleh A C E G I K M O Q S U W Y
Zendhiastara A. (1210100032) (ITS)
= = = = = = = = = = = = =
−1.875 −1.875 0.4688 −2.7149 3.5165 0.5625 −2.1978 0.8696 −2.1739 1.3043 −3.9258 0.5625 −1.9629
B D F H J L N P R T V X Z
= = = = = = = = = = = = =
SEMINAR TUGAS AKHIR
−1.875 0.3750 1.2188 −2.7149 0.0938 0.0938 −4.3956 1.3043 −2.1739 0.8696 0 0.0938 3.1407
18 Juli 2014
37 / 52
Hasil dan Pembahasan
AA AC AE II
Zendhiastara A. (1210100032) (ITS)
= = = =
0.9815 0 0.2813 1.0989
Model Jaringan Lalu Lintas Perkotaan
AB AD AF
= = =
SEMINAR TUGAS AKHIR
−2.7418 0.2813 2.7418
18 Juli 2014
38 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Selanjutnya, links dinyatakan ke dalam suatu subsistem menjadi : x1 x2 x3 x4 x5 x6
= = = = = =
x 1 x 4 x 6 x 8 x 10 x12
Zendhiastara A. (1210100032) (ITS)
x2 x3 0 x5 0 x7 0 x9 0 x11 0 x13
0
u1 u2 u3 u4 u5 u6
= = = = = =
SEMINAR TUGAS AKHIR
u 1 u 4 u 6 u 8 u 10 u12
u2 u3 0 u5 0 u7 0 u9 0 u11 0 u13
0
18 Juli 2014
39 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Dengan menggunakan persamaan (11), maka akan diperoleh: x1 (t) = A1 x1 (t) + B 11 u1 (t)
(18)
x2 (t) = A2 x2 (t) + B 21 u1 (t) + B 22 u2 (t) + B 23 u3 (t)
(19)
x3 (t) = A3 x3 (t) + B 31 u1 (t) + B 33 u3 (t) + B 34 u4 (t)
(20)
x4 (t) = A4 x4 (t) + B 44 u4 (t)
(21)
x5 (t) = A5 x5 (t) + B 51 u1 (t) + B 54 u4 (t) + B 55 u5 (t)
(22)
x6 (t) = A6 x6 (t) + B 61 u1 (t) + B 65 u5 (t) + B 66 u6 (t)
(23) (24)
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
40 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Selanjutnya akan diperoleh fungsi objektif sebagai berikut: 1 φ = u0 Hu + f 0 u 2 dengan kendala : C m um ≥ c m D m um = d m
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
41 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
dimana: 0 u = u1 u2 u3 u4 u5 u6 AG 0 H213 AH H615 0 0 0 0 0 0 0 H231 0 H233 0 0 0 dan H= AI 0 0 AJ 0 0 H651 0 0 0 H655 0 0 0 0 0 0 0 g11 g21 g31 0 g51 g61 0 g22 0 0 0 0 0 g23 g33 0 0 0 f = 0 g34 g44 g54 0 0 0 0 0 g54 g55 g65 0 0 0 0 0 g66
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
42 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
dengan AG
= H211 + H311 + H511 + H611
AH = H314 + H514 AI
= H341 + H541
AJ = H344 + H544
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
43 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Untuk distribusi tersebar, seorang agent m menentukan nilai dari variabel kendali lokal dari subsistem m . Nilai dari um didapatkan dengan menyelesaikan sebuah masalah optimasi lokal Pm (t) di setiap waktu. Desain dari himpunan Pm (t) dan pasangan antar agent disebut formulasi dekomposisi. Formulasi dikatakan perfect jika setiap subsistem Pm (t) menjamin semua kendala pada fungsi objektif P(t) yang bergantung pada um .
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
44 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Untuk perfect dekomposisi, diberikan: I (m) = i : m ∈ I (i), i 6= m adalah himpunan output tetangga dari subsistem m yang mana sebarang subsistem i dengan keadaan xi dipengaruhi oleh um . C (m)=(i, j ∈ I (m)xI (m) : i = m atau j = m adalah subsistem berpasangan dari quadratic yang bergantung pada um . C (m, k)=(i, j) ∈ I (k)xI (k) : i = m atau j = m adalah pasangan dari quadratic dengan k ∈ I (m) yang bergantung pada um .
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
45 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Sehingga permasalahan local untuk agent m adalah 1 0 u Pm (t) : min fm = u0m Hm um + gm m 2 dengan kendala : C m um ≥ c m D m um = d m
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
46 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
dimana:
Hm = Hmmm +
X
Hkmm
k∈I (m)
X 1 gm = gmm + gim 2 i∈I (m)
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
47 / 52
Hasil dan Pembahasan
Model Jaringan Lalu Lintas Perkotaan
Hasil dari optimasi diatas menghasilkan : x m (t + 1|t), x m (t + 2|t), .., x m (t + N|t) dan u m (t|t), u m (t + 1|t), .., u m (t + N − 1|t) Apabila optimasi Pm (t) diatas feasible, maka didapatkan penyelesaian optimalnya adalah : u m ∗ (t|t), u m ∗ (t + 1|t), .., u m ∗ (t + N − 1|t), x m ∗ (t + 1|t), x m ∗ (t + 2|t), .., x m ∗ (t + N|t) Sesuai dengan prinsip receding horizon pada MPC maka nilai kontrol yang didapatkan dari hasil optimisasi di atas adalah : u m (t|t) = u m ∗ (t|t) Dalam paper ini digunakan subroutine qoadprog yang ada pada MATLAB untuk menyelesaikan masalah optimisasi tersebut.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
48 / 52
Hasil dan Pembahasan
Hasil Simulasi
Gambar diatas merupakan hasil simulasi model pada subsistem 3 dengan m = 3. Subsistem 3 dipengaruhi oleh input dari subsistem 1,3 dan 4 serta output menuju subsistem 2. State awal yang digunakan adalah sebanyak 10 kendaraan dengan kendali awal yang diberikan adalah 30 detik.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
49 / 52
Hasil dan Pembahasan
Kesimpulan
Daerah yang diamati pada paper ini adalah daerah pada subsistem 3 dimana dipengaruhi oleh subsistem 1,2,3 dan 4. Berdasarkan hasil simulasi, diperoleh bahwa pada subsistem 3, kendali yang dihasilkan tidak melebih waktu sikel pada subsistem tersebut.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
50 / 52
Daftar Pustaka
Daftar Pustaka
Aboudolas, K., Papageorgiou, M., Kosmatopoulos, E. (2007). ”Control and Optimization Methods for Traffic Signal Control in Large-Scale Congested Urban Road Network”. in Proceeding of American Control Conference, New York, USA, July, pp.3132-3138. Camacho, E.F., Bordons, C. (2004). ”Model Predictive Control” . Springer-Verlag 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 Cybernatics - Part A.
. Camponogara, E., Jia, D., Krough, B.H., Talukdar, S.N. (2002). ”Distributed Model Predictive Control”. IEE Control System Magazine 22(1), 44-52.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
51 / 52
Daftar Pustaka
Daftar Pustaka
Diakaki, C., Papageorgiou, M., Aboudolas, K. (2002). ”A Multivariate Regulator Approach to Traffic-Responsive Network-Wide Signal Control”. Control Engineering Practice 10(2), 183-195. de Oliveira, L., B., Camponogara, E. (2010). ”Multi-Agent Model Predictive Control of Signaling Split in Urban Traffic Network”. Transportation Research Part C, Emerging Technologies, v.18, p.120-139. Negenborn, R., R., Schutter, B., D., Hellendoorn, J. (2007). ”Multi-Agent Model Predictive COntrol for Transportation Networks : Serial versus Parallel Scheme” to appear in Engineering Application of Artificial Intelligence.
Zendhiastara A. (1210100032) (ITS)
SEMINAR TUGAS AKHIR
18 Juli 2014
52 / 52