روز افزون شهرها، جابجایی انسان و کالا تبدیل به یک مسئله روزمره شده است، که پیچیدگی آن دائماً در حال افزایش است. در دهه های گذشته، ترافیک شهری به دلیل افزایش تعداد وسایل نقلیه رشد صعودی داشته، که این امر منجربه آلودگی صوتی، آلودگی هوا، اتلاف وقت رانندگان و آسیب جدی به جامعه شده است. در سالهای اخیر، استفاده از روشها و تکنیک های مختلف هوش مصنوعی در حوزه سیستم های حمل و نقل هوشمند، به طور گسترده مورد توجه قرار گرفته است. تاثیرراه حـل های تراکم ترافیـک موجود، مبتنی بر یادگیری عمیق که تنها برسیگنال های چراغ های راهنمایی تمرکز می کنند، به اندازه کـافی جـامع نیستند، زیـرا ارتباط بین عامل ها در شبکه کنترل ترافیک را نمی توان نادیده گرفت. شبکه ترافیکی مورد نظر شامل۲ مشخصه اصلی عبارت اند از، وسایل نقلیه و چراغ راهنمایی است. کنترل ترافیک این امکان را فراهم می کند، که زیر ساخت های محدود جاده ای به طور مستمر در حداکثر ظرفیت بهینه خود عمل کنند. با توجه به این مسئله، در این پایان نامه الگوریتم اصلاح شده بهینه سازی سیاست همجواری ارائه شده است. این الگوریتم بصورت ایده آل به عنوان طرح کنترل ترافیک SD-IOT ، ترکیبی از شبکه نرم افزارمحور و اینترنت اشیا، مطرح شده است. ابرپارامتر های محدود شده بصورت تطبیقی تنظیم می شوند تا مرز بین سیاست فعلی و سیاست بعدی را محدود کنند، علاوه بر این، براساس داده های جمع آوری شده SD-IOT، الگوریتم ارائه شده از چراغ راهنمایی و وسایل نقلیه را در یک دید سراسری برای پیشبرد عملکرد کنترل ترافیک شهری استفاده می کند. نتایج تجربی با بررسی تعداد متفاوتی از وسایل نقلیه نشان می دهد، که روش ارائه شده رقابتی تر و پایدار تر از الگوریتم اصلی بهینه سازی سیاست همجواری است .
