Metaheurísticas para Smart Mobility: Reducción de Emisiones y Consumo de Carburantes en el Tráfico Urbano

Metaheur´ısticas para Smart Mobility: Reducci´on de Emisiones y Consumo de Carburantes en el Tr´afico Urbano Jos´e Garc´ıa-Nieto and Enrique Alba Dept. de Lenguajes y Ciencias de la Computaci´on, Universidad de M´alaga, E.T.S.I. Inform´atica, B. Louis Pasteur 35, 29071, Espa˜na {jnieto,eat}@lcc.uma.es Resumen Hoy en d´ıa, la mejora del tr´afico vehicular supone una labor ineludible en nuestras ciudades a la hora de mitigar problemas como la excesiva emisi´on de gases contaminantes y el consumo no sostenible de carburantes. El concepto de Smart Mobility enmarca el conjunto de acciones, t´ecnicas e infraestructuras encaminadas a la mejora de la movilidad y organizaci´on del tr´afico en las ciudades. En este contexto, proponemos en este trabajo una estrategia de optimizaci´on basada en t´ecnicas metaheur´ısticas de Inteligencia Colectiva para la programaci´on de ciclos en los sem´aforos desplegados en grandes zonas metropolitanas. De esta forma, pretendemos mejorar el flujo del tr´afico de los veh´ıculos con el objetivo global de reducir las emisiones de gases contaminantes (CO2yNOx) y el consumo de combustible en las ´areas observadas. En este estudio seguimos el modelo de referencia en la Uni´on Europea para las emisiones de tr´afico HBEFA y nos centramos en dos ´areas urbanas localizadas en las ciudades de M´alaga y Sevilla. Tras varias comparativas entre diferentes t´ecnicas de optimizaci´on y con soluciones dadas por expertos en el dominio, comprobamos c´omo nuestra propuesta es capaz de obtener reducciones significativas en t´erminos de emisiones contaminantes y de consumo de carburante. Keywords: Programaci´on de Sem´aforos, Particle Swarm Optimization, Simulador de Tr´afico SUMO, Modelo de Emisiones de Tr´afico HBEFA 1. Introducci´on En las ´ultimas d´ecadas, el elevado nivel de contaminaci´on del aire y el consumo de hidrocarburos derivado del tr´afico urbano est´an desembocando en serios problemas que directamente afectan a la salud de los ciudadanos, a la econom´ıa global y al mantenimiento de nuestras ciudades. Por tanto, la mejora de la movilidad supone una tarea fundamental en las grandes ´areas metropolitanas, lo cual repercute en la gesti´on eficiente del tr´afico vehicular. Debido a que la modernizaci´on de las infraestructuras f´ısicas es muy costosa y no es siempre abordable, los esfuerzos en este sentido deben dirigirse en gran medida hacia una planificaci´on eficiente de los sem´aforos. De esta forma se puede agilizar, con un bajo coste, la circulaci´on de veh´ıculos en las ciudades [7,8,9]. No obstante, el n´umero de sem´aforos operativos est´a creciendo y su planificaci´on conjunta es cada vez m´as compleja debido a la gran cantidad de combinaciones de periodos de colores que se deben manejar. Por tanto, la utilizaci´on de sistemas autom´aticos inteligentes para la programaci´on ´optima de ciclos de sem´aforos es una tarea indispensable en la gesti´on del tr´afico vehicular. En este sentido, el empleo de t´ecnicas inteligentes de optimizaci´on, como los algoritmos metaheur´ısticos [1], ha ido ganando importancia con el tiempo ya que se ha demostrado su adecuaci´on en la planificaci´on de sem´aforos [3,9,10]. Sin embargo, en ning´un caso (seg´un nuestro conocimiento) se ha tratado la optimizaci´on de los programas de ciclos desde la perspectiva medioambiental, para la reducci´on de emisiones contaminantes y de consumo de fuel. Adem´as, en la mayor´ıa de los casos, el uso de dichos sistemas inteligentes se ha limitado por lo general a la optimizaci´on de instancias acad´emicas peque˜nas, con uno o dos cruces y con 8 sem´aforos como mucho, o que est´an dise˜nados en exclusiva para zonas muy espec´ıficas, impidiendo estudios de ciudades completas. Por tanto, la motivaci´on principal de este trabajo es la de proponer una estrategia de optimizaci´on, basada en un algoritmo de C´umulo de Part´ıculas (o PSO, Particle Swarm Optimization) [5], para la obtenci´on de programas de ciclos de sem´aforos eficientes desde el punto de vista de varios factores medioambientales: emisiones de CO2yNOx, adem´as de la cantidad total de combustible consumido por los veh´ıculos. Lo haremos adem´as sobre grandes ´areas urbanas y para un elevado n´umero de sem´aforos y veh´ıculos, demostrando que las metaheur´ısticas son una tecnolog´ıa clave para el escalado futuro en este dominio de aplicaci´on. PSO es un algoritmo de f´acil configuraci´on que por lo general desarrolla una r´apida convergencia a soluciones de calidad [5]. Esto es una caracter´ıstica deseable ya que nos permite obtener soluciones satisfactorias en fases tempranas de optimizaci´on. Para la evaluaci´on de los programas de ciclos generados (codificados como vectores soluci´on), hemos utilizado el simulador de tr´afico microsc´opico SUMO (Simulator of Urban Mobility) [6], mediante el que se obtiene una fuente de informaci´on constante sobre el flujo de veh´ıculos. Esto es fundamental para poner usar un algoritmo avanzado y hacer planificaci´on autom´atica. Adem´as, SUMO nos permite trabajar con el modelo est´andar de emisiones HBEFA (Hand- Book Emission FActors) [4], a trav´es del cual obtenemos la informaci´on sobre las emisiones de poluci´on y el consumo de combustible, que ser´a utilizada por el algoritmo de optimizaci´on para la evaluaci´on de soluciones. Para este estudio hemos utilizado dos instancias localizadas en los centros urbanos de M´alaga y Sevilla, con cientos de sem´aforos y diferentes densidades de tr´afico (entre 250 y 500 veh´ıculos circulando en tiempo de simulaci´on). Los resultados y comparaciones con otras t´ecnicas: Evoluci´on Diferencial (DE) [11], Random Search (RANDOM) y Sumo Cycle Program Generator (SCPG) [6], ponen de relieve las mejoras significativas obtenidas por nuestra propuesta en t´erminos de emisiones de CO2yNOx, as´ı como de consumo de combustible. Figura 1. Programa de ciclos en una intersecci´on Este trabajo se organiza de la siguiente manera. En la Secci´on 2 se presenta el problema de la programaci´on ´optima de ciclos en sem´aforos y se introduce el modelo de emisiones HBEFA. La Secci´on 3 describe nuestra estrategia de optimizaci´on. La Secci´on 4 est´a dedicada a los experimentos y an´alisis de soluciones. Las conclusiones globales y el trabajo futuro se resumen en la Secci´on 5. 2. Programas de Ciclos y Modelo de Emisi´on HBEFA En la red vial de tr´afico, los sem´aforos se sit´uan en las intersecciones y controlan el flujo del tr´afico mediante sus programas de estados de colores y periodos de duraci´on. Dentro de una misma intersecci´on, todos los sem´aforos se gobiernan por un programa com´un, ya que deben estar necesariamente sincronizados por motivos de seguridad. Adem´as, para todos los sem´aforos en una misma intersecci´on, la combinaci´on de colores durante un periodo de ciclo debe ser siempre v´alida, siguiendo las reglas de tr´afico espec´ıficas con el fin de evitar colisiones y accidentes en general. En nuestro modelo trabajamos exclusivamente con combinaciones v´alidas de estados de colores para cada intersecci´on, las cuales permanecen constantes durante el proceso de optimizaci´on. As´ı se evita la aparici´on de combinaciones de estado no v´alidas y se restringe la optimizaci´on ´unicamente a la b´usqueda de estados factibles. En este contexto, nuestro principal objetivo consiste en encontrar programas de ciclos optimizados para todos los sem´aforos situados en una determinada ´area urbana. Definimos un ciclo como el periodo de tiempo en el que un conjunto de sem´aforos (en un cruce) permanecen con sus estados de luces/colores fijos. Al mismo tiempo, estos programas deben tambi´en coordinarse con sem´aforos en intersecciones adyacentes, mejorando as´ı el flujo de veh´ıculos que circulan conforme a la regulaci´on vial establecida. - Codificaci´on. Siguiendo la especificaci´on de SUMO para la programaci´on de ciclos, hemos codificado las posibles soluciones como vectores de naturales. De esta forma, cada elemento del vector (variable) representa una duraci´on de fase de los sem´aforos implicados en una determinada intersecci´on. La Figura 1 muestra un ejemplo de codificaci´on representando la intersecci´on “i”, la cual consta de 12 sem´aforos con estado actual “Grr GGGr rrG GG”, es decir 7 sem´aforos en verde (G) y los otros 5 en rojo (r), durante 36 segundos. La siguiente fase cambiar´a el estado de los sem´aforos a otra combinaci´on v´alida “yGG rrry GGr yy” (siendo ’y’ ´ambar), durante 6 segundos. Tras finalizar la ´ultima fase en una intersecci´on (el n´umero de fases en cada intersecci´on puede ser diferente), vuelve a tomar la primera actuando de manera c´ıclica. Esta representaci´on nos permite adem´as tener en cuenta la interdependencia entre variables, no s´olo para duraciones de fase en una misma intersecci´on, sino que tambi´en para sem´aforos en intersecciones adyacentes. Por otra parte, SUMO nos permite simular factores medioambientales basados en el modelo HBEFA (HandBook Emission Factors for Road Transport) [4]. A trav´es de este modelo podemos simular diferentes condiciones de veh´ıculos con informaci´on sobre aceleraciones, deceleraciones, frenado, velocidades m´aximas, as´ı como su repercusi´on en las emisiones basadas en HBEFA: hidrocarburos, part´ıculas emitidas, niveles de CO,CO2,NOxy otros agentes de poluci´on. En este estudio nos hemos centrado en los agentes contaminantes CO2yNOx, adem´as del consumo de combustible (Fuel =F). - Funci´on de Fitness. Para evaluar cada programa de ciclos se ha formulado la siguiente funci´on de fitness f(s), mediante la cual se considera la informaci´on del tr´afico obtenida por simulaci´on con datos reales de la ciudad: f(s) = ∥∑VlCO2(s)∥l+∥∑VlNOx(s)∥l+∥∑VlF(s)∥l #edges +ρ·V(s) (1) El objetivo principal consiste en minimizar los niveles de emisiones y consumo general en los escenarios estudiados. Como puede observarse en la Ecuaci´on 1, en primer t´ermino se consideran los c´omputos de cada indicador de emisi´on por veh´ıculo (V), normalizados por la longitud de la v´ıa (l) en la que se obtienen dichos niveles de emisi´on, CO2yNOxen mg/s, adem´as del consumo Fen l/s. Esta suma de tres t´erminos se divide adem´as entre el n´umero de v´ıas/calles (#edges) transitadas por los veh´ıculos. Finalmente, se considera el producto de los veh´ıculos que no llegan al destino en tiempo de observaci´on (V), por una constante de gasto medioambiental ρ. Debido a que no es posible computar los niveles medioambientales de los veh´ıculos que quedan atascados (no llegan en tiempo de simulaci´on), se ha calculado esta constante ρ= 0,75 como el gasto aproximado medio por veh´ıculo en recorrer su ruta en diferentes condiciones de densidad de tr´afico. 3. Estrategia de Optimizaci´on Nuestra estrategia de optimizaci´on se compone por dos partes principales: la optimizaci´on con Particle Swarm Optimization (PSO) [5] y la obtenci´on de datos desde SUMO. Para el desarrollo de nuestro PSO hemos seguido las especificaciones del ´ultimo est´andar 2011 [2]. En este algoritmo, cada posici´on de part´ıcula xise actualiza cada iteraci´on gmediante la Ecuaci´on 2. xi g+1 =xi g+vi g+1 (2) donde el t´ermino vi g+1 se calcula por la actualizaci´on de la velocidad: vi g+1 =w·vi g+Gri g−xi g+HS(Gr, ∥Gr −xg∥) (3) con Gri g=xi g+p′i g+l′i g 3, p′i g=xi g+c·(pi g−xi g), l′i g=xi g+c·(li g−xi g) (4) En esta f´ormula, pi ges la mejor soluci´on que la part´ıcula iha obtenido en toda su historia, li ges la mejor part´ıcula dentro de un vecindario de dimensi´on k= 3 seleccionada aleatoriamente (uniforme) del c´umulo y wes el factor de inercia (decrece linealmente con el n´umero de iteraciones de 0,5a0,1). El coeficiente de aceleraci´on c > 1 es un valor aleatorio normal con µ= 1/2 y ρ= 1/12. Este coeficiente se actualiza de nuevo para cada componente en el vector de velocidad. Por ´ultimo, HS es un generador de n´umeros aleatorios en una hiperesfera (Hyper-Sphere), con Gr como centro de gravedad. Es decir, Gr se calcula como el punto equidistante entre p′ g,l′ gyxg. Con este mecanismo se consigue la independencia sobre el sistema de coordenadas, mejorando este aspecto sobre las anteriores versiones de PSO [2]. Debido a que la optimizaci´on de programas de ciclos se codifica mediante vectores de n´umeros naturales (representando ciclos de duraci´on de fase), hemos utilizado el m´etodo de cuantificaci´on (quantisation) provisto en la especificaci´on del est´andar PSO 2011 [2]. El m´etodo de cuantificaci´on se aplica a cada nueva part´ıcula (generada con la Ecuaci´on 2) y transforma las variables continuas a discretas. B´asicamente consiste en un cuantificador uniforme de Mid-Thread como se especifica en la Ecuaci´on 5, con paso de cuantificaci´on ∆= 0,5. Q(x) = ∆· ⌊x/∆ + 0,5⌋(5) La simulaci´on se utiliza para asignar un valor de calidad fitness a las soluciones codificadas en las part´ıculas, para un determinado escenario urbano. Esta simulaci´on se lleva a cabo instanciando SUMO con datos de la ciudad. As´ı, cuando el algoritmo PSO genera una nueva soluci´on con un nuevo programa de ciclos, se inicia SUMO para procesar distintos escenarios de tr´afico sobre la ciudad con: calles, direcciones, sem´aforos, veh´ıculos, rutas, etc., respecto al nuevo programa de ciclos. Tras el procesado de diferentes escenarios, SUMO devuelve los valores necesarios para computar la funci´on de fitness (Ecuaci´on 1). Cada nuevo programa de ciclos se carga en cada proceso de simulaci´on. En este sentido, lo demandado actualmente en ingenier´ıa civil son programas de ciclos constantes para ´areas y para franjas horarias preestablecidas (hora punta, horario nocturno, festivos, etc.), lo cual nos llev´o a abordar el problema con este enfoque. 4. Experimentos En este trabajo hemos generado dos escenarios de tr´afico con informaci´on real a partir de mapas digitalizados (ilustrados en la Figura 2). Estos escenarios est´an f´ısicamente localizados en las ciudades de M´alaga y Sevilla cubriendo ´areas similares de aproximadamente 0,75 km2. Figura 2. Instancias de M´alaga y Sevilla exportadas al formato de SUMO La informaci´on utilizada para ello consiste en: reglas de tr´afico regulado, situaci´on de las se˜nales, direcciones, calles, intersecciones, etc. Adem´as, se ha determinado el n´umero de veh´ıculos circulando, as´ı como sus velocidades a partir de las especificaciones de las Delegaciones de Movilidad de estas ciudades 1. Dichas ´areas contienen las siguientes caracter´ısticas: 1. M´alaga. Localizado entre las avenidas Andaluc´ıa y Aurora, este escenario (Figura 2, arriba) se compone de avenidas y calles con diferente longitud y n´umero de vias, adem´as de varias rotondas. Contiene intersecciones incluyendo desde 4 a 16 sem´aforos cada una. 2. Sevilla. Cubre el c´entrico distrito de Nervi´on (Figura 2, abajo). Se compone de intersecciones con entre 4 y 17 sem´aforos cada una. El n´umero de intersecciones estudiadas es de 70 en ambos escenarios aunque, cabe clarificar, que el n´umero de sem´aforos no es el mismo ya que dichas intersecciones son muy diferentes entre s´ı, sumando 304 sem´aforos en M´alaga y 323 en el caso de Sevilla. Adem´as, para cada escenario hemos generado dos instancias con diferentes densidades de tr´afico con 250 y 500 veh´ıculos circulando en un tiempo de estudio de 1.200 segundos (iteraciones de microsimulaci´on). Este tiempo de duraci´on fue determinado como el tiempo m´aximo que tarda un coche en completar su ruta, incluso si ´este debiera parar en todos los sem´aforos que encontrara y con la densidad de tr´afico inicial. Cuando un veh´ıculo abandona el recorrido del escenario, ya no volver´a a aparecer de nuevo durante el tiempo de observaci´on. Cada uno de los veh´ıculos recorre su propia ruta con una velocidad m´axima de 50 km/h (velocidad t´ıpica en la ´areas urbanas). Para la ejecuci´on del algoritmo hemos utilizado la implementaci´on en C++ de PSO (Standard 2011) que provee la biblioteca MALLBA [1]. La fase de simulaci´on se realiza mediante el simulador SUMO en su versi´on 0.12.0 para Linux. 1M´alaga(http://movilidad.malaga.eu/), Sevilla (http://www.trajano.com/). Esta informaci´on se obtuvo a partir de puntos sensorizados en ciertas calles de la ciudad, calculando as´ı una medida de la densidad de tr´afico en varios intervalos temporales. Los experimentos se realizaron en clusters de m´aquinas, en su mayor´ıa equipadas con procesadores Quad Core (4 n´ucleos), 2GB de RAM y S.O. Linux Debian. Para cada escenario se realizaron 30 ejecuciones independientes de nuestro PSO. El tama˜no del c´umulo es de 30 part´ıculas, realizando 300 iteraciones de optimizaci´on (resultando de esta manera 9.000 evaluaciones de SUMO) por ejecuci´on e instancia. Como ya comentamos en la secci´on anterior, el tama˜no de la part´ıcula depende directamente del n´umero de fases en cada programa de ciclos de los sem´aforos, siendo 312 y 368 para las instancias de M´alaga y Sevilla, respectivamente. De manera adicional, hemos implementado para esta experimentaci´on un algoritmo de Evoluci´on Diferencial (DE) [11] en su versi´on Can´onica DE\rand\1 y otro de Random Search, los dos en el ´ambito de la biblioteca MALLBA. De esta forma, sometiendo estos algoritmos al mismo procedimiento experimental que a PSO esperamos obtener algunos indicios sobre la potencia de nuestra propuesta, respecto a otra metaheur´ıstica (en el caso de DE) con modelo de aprendizaje cercano al de PSO, as´ı como respecto al un algoritmo puramente estoc´astico, como en el caso de Random Search (RAND). El n´umero m´aximo de evaluaciones a realizar por estos dos algoritmos fue tambi´en de 9.000. Por ´ultimo, a˜nadimos un cuarto algoritmo a la comparaci´on que consiste en el generador de programas de ciclos de SUMO (SCPG). Este ´ultimo algoritmo consiste b´asicamente en asignar a las duraciones de fase de los sem´aforos nuevos valores en el rango (6,31), de acuerdo a tres factores diferentes: la proporci´on de estados en verde de las fases, el n´umero de v´ıas de entrada en las intersecciones y el tiempo de frenado de los veh´ıculos cuando se acercan a los sem´aforos2. De esta forma, podemos contrastar tambi´en el rendimiento de nuestra propuesta frente al modelo humano que SCPG representa. 4.1. Resultados y Comparaciones En primer lugar, analizamos en esta secci´on el comportamiento de nuestra propuesta desde el punto de vista de su rendimiento computacional. En la Tabla 1 podemos ver los resultados, en cuanto a valor de calidad (fitness), obtenidos por nuestro PSO. Estos resultados consisten en el m´aximo (Max.), la mediana (Med.), el m´ınimo (Min.), la media (Mea.) y la desviaci´on T´ıpica (Std.) de las distribuciones obtenidas para los escenarios de M´alaga y Sevilla, con densidades de tr´afico de 250 y 500 veh´ıculos. Junto a estos resultados se disponen adem´as los obtenidos utilizando DE, RAND y SCPG, siguiendo el mismo procedimiento de optimizaci´on y sobre las diferentes instancias. Adem´as, en esta misma tabla, las ´ultimas filas para cada instancia contienen el resultado de realizar tests estad´ısticos (no-param´etricos) [12] de Friedman y Holm para determinar qu´e algoritmo muestra mejor ranking y si existen diferencias significativas con respecto a ´este y los dem´as. En concreto, estos resultados consisten en los p-valores ajustados por el test de Holm (HAp) para un valor de confianza estad´ıstica α= 0,05. 2La informaci´on completa sobre el funcionamiento del algoritmo SCPG en [6]. Tabla 1. Valores de calidad obtenidos para M´alaga y Sevilla con 250 y 500 veh´ıculos Ciudad Valor Densidad de tr´afico (N´umero de veh´ıculos) 250 500 PSO DE RAND SCPG PSO DE RAND SCPG Max, 1,04E+02 1,08E+02 1,11E+02 1,05E+02 2,95E+02 3,06E+02 3,42E+02 5,59E+02 Med, 9,76E+01 1,02E+02 1,08E+02 1,05E+02 2,41E+02 2,62E+02 3,07E+02 5,59E+02 M´alaga Min, 9,12E+01 9,83E+01 1,04E+02 1,05E+02 1,92E+02 2,25E+02 2,66E+02 5,59E+02 Mea, 9,72E+01 1,02E+02 1,08E+02 1,05E+02 2,41E+02 2,64E+02 3,04E+02 5,59E+02 Std, 3,00E+00 1,93E+00 1,50E+00 0,00E+00 2,50E+01 1,94E+01 1,95E+01 0,00E+00 HAp-1,42E-02 1,78E-08 1,33E-16 -1,09E-01 5,20E-06 5,49E-16 Max, 2,04E+02 2,19E+02 2,16E+02 3,96E+02 5,89E+02 5,91E+02 5,58E+02 7,27E+02 Med, 1,73E+02 1,89E+02 2,10E+02 3,96E+02 4,74E+02 5,00E+02 5,34E+02 7,27E+02 Sevilla Min, 1,54E+02 1,79E+02 1,97E+02 3,96E+02 4,21E+02 4,79E+02 5,09E+02 7,27E+02 Mea, 1,78E+02 1,92E+02 2,08E+02 3,96E+02 4,75E+02 5,10E+02 5,36E+02 7,27E+02 Std, 1,49E+01 9,08E+00 5,79E+00 0,00E+00 3,17E+01 2,96E+01 9,55E+00 0,00E+00 HAp-7,18E-02 1,52E-07 6,82E-17 -9,32E-03 9,58E-07 1,89E-17 Como primera observaci´on de la Tabla 1, podemos destacar que nuestra estrategia de optimizaci´on con PSO obtiene el mejor fitness (minimizando) para todos lo escenarios de tr´afico, siendo las diferencias entre las distribuciones de resultados de los algoritmos estad´ısticamente significativas. Existe una excepci´on en el escenario de Sevilla con 250 veh´ıculos para el cual, los resultados de DE son estad´ısticamente similares (p-valor = 7,18E-02 ) a los de PSO, aunque con peor ranking para DE. Precisamente, el algoritmo DE obtiene el segundo mejor ranking, seguido por RAND y SCPG. En este sentido, una segunda interesante observaci´on consiste en que todos los algoritmos de b´usqueda con componente estoc´astica obtienen, por lo general, mejor resultado que el propio generador de SUMO (SCPG), de operaci´on determinista. Podemos ver que incluso el algoritmo RAND genera, tras cierto numero de simulaciones, mejores configuraciones de sem´aforos que SCPG. Estos resultados nos dan cierta confianza respecto a la eficacia de nuestra estrategia de optimizaci´on, ya que en la gran mayor´ıa de los experimentos, PSO nos proporciona beneficios cuantitativos respecto al m´etodo utilizado actualmente. 4.2. An´alisis de los Factores Medioambiantales En esta secci´on pasamos a analizar el impacto directo sobre los factores medioambientales estudiados. Para ello utilizaremos los programas de ciclos resultantes tras la experimentaci´on. Tal y como se contempla en el modelo HBEFA [4], las emisiones de CO2 yNOxson los compuestos qu´ımicos con m´as concentraci´on detectados en los tests de tubo de escape en veh´ıculos de gasolina y diesel, respectivamente3. Por tanto, para este estudio hemos contabilizado las trazas de estos dos compuestos generados por todos los veh´ıculos circulando en nuestros escenarios. La Figura 3 (derecha) contiene las gr´aficas de barras de concentraciones generales (g/s) de los mejores programas de ciclos generados por cada algoritmo, para los escenarios de M´alaga y Sevilla. Adem´as, se disponen tambi´en los valores de consumo de carburantes (Fuel en l/s). 3Las emisiones de CO son proporcionales a las de CO2en HBEFA. 25 30 35 40 45 50 55 60 0 50 100 150 200 250 300 EmisionesCO2(g/s) NúmerodeIteraciones PSOparaMálaga(250vehículos) PSO(Total) PSO(Media) SCPG(Total) 80 100 120 140 160 180 200 220 0 50 100 150 200 250 300 EmisionesCO2(g/s) NúmerodeIteraciones PSOparaMálaga(500vehículos) PSO(Total) PSO(Media) SCPG(Total) 50 60 70 80 90 100 110 120 130 140 150 160 0 50 100 150 200 250 300 EmisionesCO2(g/s) NúmerodeIteraciones PSOparaSevilla(250vehículos) PSO(Total) PSO(Medio) SCPG(Total) 160 180 200 220 240 260 280 300 0 50 100 150 200 250 300 EmisionesCO2(g/s) NúmerodeIteraciones PSOparaSevilla(500vehículos) PSO(Total) PSO(Medio) SCPG(Total) Figura 3. Trazas de emisi´on de CO2(izq.) y coste medioambiental general (der.) De manera general, se puede observar c´omo el gasto medioambiental de los programas de ciclos generados por PSO es inferior al de las dem´as estrategias. Si bien, es SCPG el que provoca un empeoramiento cualitativo mayor respecto a todos los factores de poluci´on y consumo. Estas diferencias se incrementan para los casos con m´as densidad de veh´ıculos (500), lo cual refleja que el margen de mejora de PSO podr´ıa ser a´un mayor en escenarios de gran escala, con miles de veh´ıculos y grandes ´areas metropolitanas. En concreto, en el caso de Sevilla con 500 veh´ıculos, la mejora obtenida por PSO para el CO2con respecto a SCPG es del 43,2 %; la mejora respecto al NOxes del 40,9 %; y la mejora respecto al consumo de carburante es del 43,4 %. Como caso particular, en la Figura 3 (izquierda-centro) se disponen las gr´aficas de evoluci´on de CO2para cada instancia producidas por los programas de ciclos generados mediante PSO. En el caso de Sevilla, se puede observar una mayor variabilidad en los programas de ciclos obtenidos por PSO que para el escenario de M´alaga. Esto nos da idea de la diferencia en la complejidad entre los dos escenarios. No obstante, para ambos casos, ya desde las primeras etapas de optimizaci´on, nuestra propuesta consigue mejorar los niveles de poluci´on con respecto a la soluci´on de SUMO (representada mediante l´ıneas de puntos). 5. Conclusiones En este trabajo, proponemos una estrategia de optimizaci´on basada en PSO y simulaci´on con SUMO para la generaci´on de programas de ciclos de sem´aforos. El objetivo es reducir las emisiones de CO2yNOx, as´ı como el consumo de carburantes mediante la mejora del tr´afico rodado. Como casos de estudio hemos seguido modelos de tr´afico realistas localizados en dos ´areas de 0,75km2en las ciudades de M´alaga y Sevilla, con densidades de tr´afico de 250 y 500 veh´ıculos.