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
Pendahuluan Latar Belakang
Latar Belakang
Pendahuluan Latar Belakang
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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
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.
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
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.
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
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.
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.
Tinjauan Pustaka Model Jaringan Lalu Lintas Perkotaan
Gambar: Model Jaringan Lalu Lintas Perkotaan
Tinjauan Pustaka Model Jaringan Lalu Lintas Perkotaan
Gambar: Aliran Dinamis Lalu Lintas
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 σw ,z Sw C X i ∈Vw uj1,i(t)− Sz C X i ∈Vz uj2,i(t)+ez] (2)
Tinjauan Pustaka Model Jaringan Lalu Lintas Perkotaan
Menggeneralisasikan persamaan (2) untuk semua jaringan link ke dalam matriks dengan persamaan:
Tinjauan Pustaka Model Jaringan Lalu Lintas
Model Jaringan Lalu Lintas
Gambar: Model Jaringan Lalu Lintas
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
Tinjauan Pustaka Model Predictive Control
Gambar: Struktur Dasar MPC
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.
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∈ Rnm dan kendali lokal um ∈ Rnm
Tinjauan Pustaka Multi-Agent Model Predictive Control Formulasi MPC xm(t + 1) = Amxm(t) + X i ∈I (m) Bmiui(t) (4)
dimana I (m) = mS i : (i, m) ∈ E adalah himpunan imput tetangga dari
sub-sistem m. State jaringan adalah x = (x1, ..., xm) dan vektor kendalinya
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 m=1 Φm = M X m=1 K X k=1 1 2[xm(t + k|t) 0 Qmxm(t + k|t) + (5) um(t − 1|t) 0 Rmum(t + k − 1|t)]
Tinjauan Pustaka Multi-Agent Model Predictive Control Formulasi MPC Kendala: xm(t|t) = xm(t) (6) , m ∈ M xm(t + k + 1) = Amxm(t + k|t) + X i ∈I (m) Bmiui, m ∈ M, k ∈ K (7) Cmum(t + k|t) ≥ cm, m ∈ M, k ∈ K (8) Dmum(t + k|t) = dm, m ∈ M, k ∈ K (9)
Tinjauan Pustaka Multi-Agent Model Predictive Control
dengan
xm : prediksi state dari sub-sistem m saat t+k
um : 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
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) = Akmxm(t) + k X l =1 X i ∈I (m) Al −1m Bmiui(t + k − l |t) (10)
Tinjauan Pustaka Multi-Agent Model Predictive Control
Diberikan xm adalah variabel prediksi state dan um adalah kendali atas
waktu horizon.[3] xm= xm(t + 1) .. . xm(t + K ) dan um = um(t) .. . um(t + K − 1|t)
Tinjauan Pustaka Multi-Agent Model Predictive Control
Diberikan juga matriks A dan B secara berturut-turut adalah input keadaan dan input kendali.
Am = Am A2m .. . AKm dan Bmi = Bmi 0 0 · · · 0 AmBmi Bmi 0 · · · 0 .. . ... ... . .. 0 AK −1m Bmi AK −2m Bmi AK −3m Bmi · · · 0
Sehingga persamaan prediksi state diperoleh menjadi: xm(t) = Amxm(t) +
X
Tinjauan Pustaka Multi-Agent Model Predictive Control
Mensubstitusi xm(t) pada fungsi objektif menjadi :
φm = 1 2x 0 mQmxm+ 1 2u 0 mRmum = 1 2xm(t) 0 A 0 mQmAmxm(t) + X i ∈I (m) xm(t) 0 A 0 mQmBmiui(t) + 1 2 X i ∈I (m) X j ∈I (m) u0iB 0 miQmBmjuj + 1 2u 0 mRmum (12)
Tinjauan Pustaka Multi-Agent Model Predictive Control Lalu mendefinisikan: gmi = B 0 miQmAmxm (13) untuk i ∈ I (m) Hmij = B 0 miQmBmj (14) untuk i , j ∈ I (m), i 6= m atau j 6= m Hmmm = B 0 mmQmBmm+ Rm (15) c(t) = X m∈M 1 2xm(t) 0 A 0 mQmAmxm(t) (16)
Tinjauan Pustaka Multi-Agent Model Predictive Control
Sehingga P dapat dinyatakan menjadi:
P(t) : min1 2 X m∈M X i ∈I (m) X j ∈I (m) ui(t) 0 Hmijuj + X m∈M X i ∈I (m) gmi0 ui(t) + c(t) (17) Kendala : Cmum ≥ cm , m ∈ M Dmum= dm , m ∈ M dimana C = I × Cm , D = I × Dm dan u = (u1, ..., uM)
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
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.
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan A 0 0 0 0 0 0 0 0 0 0 0 0 0 B 0 0 0 0 0 0 0 0 0 0 0 0 0 C 0 0 0 0 0 0 0 0 0 0 D E F G 0 0 0 0 0 0 0 0 0 0 0 0 0 H II I 0 0 0 0 0 0 J K L 0 0 M 0 0 0 0 0 0 0 0 0 0 0 0 0 N O P 0 0 0 0 0 0 0 0 0 0 0 Q 0 0 0 0 0 0 0 0 0 0 0 0 0 R 0 0 0 0 0 0 0 0 0 0 0 S T U 0 0 0 V W X 0 0 0 0 0 0 0 Y 0 0 0 0 0 0 0 0 0 0 0 Z AA AB 0 AC AD AE 0 0 0 0 0 0 0 0 0 AF
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan dimana A = ∆T τ1,1 S1 C − S1 C B = ∆T τ2,2 S2 C − S2 C C = ∆T τ3,3 S3 C − S3 C D = ∆T τ1,4 S1 C E = ∆T τ2,4 S2 C F = ∆T τ3,4 S3 C G = ∆T −S4 C H = ∆T −S5 C
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan II = ∆T τ6,5 S6 C I = ∆T τ7,5 S7 C J = ∆T τ1,6 S1 C K = ∆T τ2,6 S2 C L = ∆T τ3,6 S3 C M = ∆T −S6 C N = ∆T −S7 C O = ∆T τ8,7 S8 C P = ∆T τ9,7 S9 C Q = ∆T τ8,8 S8 C u4,1(t) − S8 C R = ∆T τ9,9 S9 C − S9 C S = ∆T τ8,10 S8 C T = ∆T τ9,10 S9 C U = ∆T −S10 C
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan P = ∆T τ9,7 S9 C Q = ∆T τ8,8 S8 C u4,1(t) − S8 C R = ∆T τ9,9 S9 C − S9 C S = ∆T τ8,10 S8 C T = ∆T τ9,10 S9 C U = ∆T −S10 C V = ∆T τ1,11 S1 C W = ∆T τ2,11 S2 C
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan X = ∆T τ3,11 S3 C Y = ∆T −S11 C Z = ∆T τ10,12 S10 C AA = ∆T τ11,12 S11 C AB = ∆T −S12 C AC = ∆T τ1,13 S1 C AD = ∆T τ2,13 S2 C
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan diberikan: τ1,4 = 0.20 τ3,13 = 0.15 τ1,6 = 0.05 τ6,5 = 0.50 τ1,11 = 0.05 τ7,5 = 0.80 τ1,13 = 0.70 τ8,7 = 0.40 τ2,4 = 0.25 τ8,10 = 0.60 τ2,6 = 0.30 τ9,7 = 0.60 τ2,11 = 0.30 τ9,10 = 0.40 τ2,13 = 0.15 τ10,12 = 0.80 τ3,4 = 0.65 τ11,12 = 0.50
τ3,6 = 0.05 τ = 0, untuk τ yang lain
τ3,11 = 0.05
S1 = S2 = S3 = S4 = S5 = S7 = S8 = S9 = S10= S12= S13
= 3600
S6 = S11
= 1800
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan
dengan mengambil ∆T = 0.1 dan pembulatan sampai maksimal 4 angka di belakang koma, diperoleh
A = −1.875 B = −1.875 C = −1.875 D = 0.3750 E = 0.4688 F = 1.2188 G = −2.7149 H = −2.7149 I = 3.5165 J = 0.0938 K = 0.5625 L = 0.0938 M = −2.1978 N = −4.3956 O = 0.8696 P = 1.3043 Q = −2.1739 R = −2.1739 S = 1.3043 T = 0.8696 U = −3.9258 V = 0
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan
AA = 0.9815 AB = −2.7418
AC = 0 AD = 0.2813
AE = 0.2813 AF = 2.7418
II = 1.0989
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan
Selanjutnya, links dinyatakan ke dalam suatu subsistem menjadi :
x1 = x1 x2 x3 0 u1 = u1 u2 u3 0 x2 = x4 x5 0 u2 = u4 u5 0 x3 = x6 x7 0 u3 = u6 u7 0 x4 = x8 x9 0 u4 = u8 u9 0 x5 = x10 x11 0 u5 = u10 u11 0 x6 = x12 x13 0 u6 = u12 u13 0
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan
Dengan menggunakan persamaan (11), maka akan diperoleh:
x1(t) = A1x1(t) + B11u1(t) (18) x2(t) = A2x2(t) + B21u1(t) + B22u2(t) + B23u3(t) (19) x3(t) = A3x3(t) + B31u1(t) + B33u3(t) + B34u4(t) (20) x4(t) = A4x4(t) + B44u4(t) (21) x5(t) = A5x5(t) + B51u1(t) + B54u4(t) + B55u5(t) (22) x6(t) = A6x6(t) + B61u1(t) + B65u5(t) + B66u6(t) (23) (24)
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan
Selanjutnya akan diperoleh fungsi objektif sebagai berikut:
φ = 1 2u 0Hu + f0u dengan kendala : Cmum ≥ cm Dmum= dm
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan dimana: u =u1 u2 u3 u4 u5 u6 0 H = AG 0 H213 AH H615 0 0 0 0 0 0 0 H231 0 H233 0 0 0 AI 0 0 AJ 0 0 H651 0 0 0 H655 0 0 0 0 0 0 0 dan f = g11 g21 g31 0 g51 g61 0 g22 0 0 0 0 0 g23 g33 0 0 0 0 0 g34 g44 g54 0 0 0 0 g54 g55 g65 0 0 0 0 0 g66
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan dengan AG = H211+ H311+ H511+ H611 AH = H314+ H514 AI = H341+ H541 AJ = H344+ H544
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.
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
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan
Sehingga permasalahan local untuk agent m adalah Pm(t) : min fm= 1 2u 0 mHmum+ gm0 um dengan kendala : Cmum ≥ cm Dmum= dm
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan dimana: Hm= Hmmm+ X k∈I (m) Hkmm gm= 1 2gmm+ X i ∈I (m) gim
Hasil dan Pembahasan Model Jaringan Lalu Lintas Perkotaan
Hasil dari optimasi diatas menghasilkan : xm(t + 1|t), xm(t + 2|t), .., xm(t + N|t) dan
um(t|t), um(t + 1|t), .., um(t + N − 1|t)
Apabila optimasi Pm(t) diatas feasible, maka didapatkan penyelesaian
optimalnya adalah :
um∗ (t|t), um∗ (t + 1|t), .., um∗ (t + N − 1|t), xm∗ (t + 1|t), xm∗ (t +
2|t), .., xm∗ (t + N|t)
Sesuai dengan prinsip receding horizon pada MPC maka nilai kontrol yang didapatkan dari hasil optimisasi di atas adalah : um(t|t) = um∗ (t|t)
Dalam paper ini digunakan subroutine qoadprog yang ada pada MATLAB untuk menyelesaikan masalah optimisasi tersebut.
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
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.
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.
<http://www.das.ufsb.br/ camponog/papers/dmpc-tuc.pdf>. Camponogara, E., Jia, D., Krough, B.H., Talukdar, S.N. (2002). ”Distributed Model Predictive Control”. IEE Control System Magazine
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.