AI 助理
备案控制台
开发者社区 云计算 文章 正文

【仿真建模】第二课：AnyLogic入门基础课程 - 行人仿真空间逻辑讲解

2022-12-07 909
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 每个智能体都有个属性index，从0到n，所以我们创建多层建筑没必要一层一层建立，只需要把一层建筑封装成一个类，然后拖动出来，使用类似for循环的机制，去复制即可。指定初始位置，index*20，代表每层高度为20，通过index自增的索引进行高度自增。这里要注意，一定要将矩形墙的中心对准原点，因为在复制封装好的类时，它会以原点为参考原点。设置墙的颜色（大家自己选一个颜色即可），透明度设置为100（主要是为了能看清建筑内部）在工程面板找到刚新建的层，然后修改dZ为40（高度为40）

@[toc]

一、屏幕尺寸和空间尺寸的比例设置

新建模型
在这里插入图片描述
创建矩形墙，填充类型设置为无填充

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

二、墙体高度设置

在这里插入图片描述

三、Text鼠标事件切换视角

先建立如下图所示的简单场景

在这里插入图片描述
拖出视角区域（分别修改名称为view2D和view3D）

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
拽出文本，设置文本内容、文本大小和鼠标点击事件

在这里插入图片描述
同样的方法

在这里插入图片描述
点击运行，查看效果

在这里插入图片描述
还可以设置模型一启动就切换到哪个视角

在这里插入图片描述

四、Ground / Level 设置

拽出一个矩形区域

在这里插入图片描述
把它设置为斜的（变为斜坡）

在这里插入图片描述
设置斜坡提升高度为40

在这里插入图片描述
再拖一个矩形区域出来

在这里插入图片描述
绘制一段路径

在这里插入图片描述
在这里插入图片描述
拽出一个矩形，表示高层的地板

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

新建层

在这里插入图片描述

在工程面板找到刚新建的层，然后修改dZ为40（高度为40）

在这里插入图片描述
修改名字为groundHight

在这里插入图片描述
修改路径的层为groundHight

在这里插入图片描述

修改暂停区的层为groundHight

在这里插入图片描述

修改高层目的地的层为groundHight

在这里插入图片描述
开始布置行人

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
运行查看效果

在这里插入图片描述

在这里插入图片描述

五、多层建筑

每个智能体都有个属性index，从0到n，所以我们创建多层建筑没必要一层一层建立，只需要把一层建筑封装成一个类，然后拖动出来，使用类似for循环的机制，去复制即可
在这里插入图片描述
新建模型

在这里插入图片描述
把刚刚建立的模型复制过来

在这里插入图片描述
多余的东西删除，只留下两个视角
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
这里要注意，一定要将矩形墙的中心对准原点，因为在复制封装好的类时，它会以原点为参考原点

用两条直线找到矩形墙的中点，然后对齐原点

在这里插入图片描述
对齐原点后，把两条直线删掉

在这里插入图片描述
设置墙的颜色（大家自己选一个颜色即可），透明度设置为100（主要是为了能看清建筑内部）
在这里插入图片描述

回到Main窗口，拖拽出Builder智能体
在这里插入图片描述

调整位置到视角中
在这里插入图片描述

设置为智能体群

在这里插入图片描述
指定初始位置，index*20，代表每层高度为20，通过index自增的索引进行高度自增

在这里插入图片描述

把建筑智能体和视角一起移动到原点
在这里插入图片描述
运行查看效果

在这里插入图片描述

文章标签：
索引
WSKH0929
目录
相关文章
流烟默
MySQL8.0新特性之公用表表达式学习
公用表表达式（或通用表表达式）简称为CTE（Common Table Expressions）。CTE是一个命名的临时结果集，作用范围是当前语句。CTE可以理解成一个可以复用的子查询，当然跟子查询还是有点区别的，CTE可以引用其他CTE，但子查询不能引用其他子查询。所以，可以考虑代替子查询。
流烟默
262 0
虫无涯
|
JavaScript Java 测试技术
『App自动化测试之Appium基础篇』| 从定义、原理、环境搭建、安装问题排查等深入了解Appium
『App自动化测试之Appium基础篇』| 从定义、原理、环境搭建、安装问题排查等深入了解Appium
虫无涯
4559 0
Deephub
|
4月前
|
机器学习/深度学习 网络架构
PINN应用案例：神经网络求解热扩散方程高质量近似解
本文探讨了物理信息神经网络(PINN)在求解一维热扩散方程中的应用，对比分析了多层感知器(MLP)、残差网络(ResNet)和Wang2020架构的性能。PINN通过构建损失函数整合偏微分方程残差、边界条件和初始条件，实现对物理系统的近似求解。实验结果表明，传统架构如MLP和ResNet虽能大致还原解析解，但在部分区域存在显著偏差；而Wang2020架构因专门设计以应对PINN训练挑战，表现更为优越，与解析解高度一致。研究还揭示了PINN训练中“平台期后突变”的优化特性，并提出通过构造满足约束条件的网络架构以简化多目标优化问题，为未来研究提供了新方向。
Deephub
312 3
PINN应用案例：神经网络求解热扩散方程高质量近似解
Deephub
|
6月前
|
机器学习/深度学习 自然语言处理 算法
PyTorch PINN实战：用深度学习求解微分方程
物理信息神经网络（PINN）是一种将深度学习与物理定律结合的创新方法，特别适用于微分方程求解。传统神经网络依赖大规模标记数据，而PINN通过将微分方程约束嵌入损失函数，显著提高数据效率。它能在流体动力学、量子力学等领域实现高效建模，弥补了传统数值方法在高维复杂问题上的不足。尽管计算成本较高且对超参数敏感，PINN仍展现出强大的泛化能力和鲁棒性，为科学计算提供了新路径。文章详细介绍了PINN的工作原理、技术优势及局限性，并通过Python代码演示了其在微分方程求解中的应用，验证了其与解析解的高度一致性。
Deephub
864 5
PyTorch PINN实战：用深度学习求解微分方程
Echo_Wish
|
11月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型：智能质量检测与控制
使用Python实现深度学习模型：智能质量检测与控制 【10月更文挑战第8天】
Echo_Wish
725 62
使用Python实现深度学习模型：智能质量检测与控制
小王老师呀
|
10月前
|
C++
vs code常见的查找快捷键大全
【11月更文挑战第1天】本文介绍了 VS Code 中的基本查找和替换操作，包括在当前文件中查找（Ctrl + F）、查找替换（Ctrl + H）、查找下一个（F3）和查找上一个（Shift + F3）。还涵盖了在多个文件中查找（Ctrl + Shift + F）和查找替换（Ctrl + Shift + H），以及符号查找相关操作，如转到符号（Ctrl + T）和在文件中查找符号（Ctrl + Shift + O）。这些快捷键和功能帮助用户高效地管理和编辑代码。
小王老师呀
1504 2
小徐在进步
|
存储
子网划分问题(实战超详解)_主机分配地址
本文详细介绍了子网划分的核心思想及步骤，通过实例演示如何根据所需主机数量借位生成子网，并确定每个子网的网络地址、广播地址及可用 IP 范围。以一个自治系统的具体需求为例，展示了子网划分的实际应用过程。
小徐在进步
737 13
1442573646622176
|
11月前
|
数据采集 监控 数据安全/隐私保护
数据污染不容小觑，数据治理策略助你轻松应对！
企业应成立专门的数据治理团队，负责数据质量的管理和监控。同时，制定数据治理的流程和规范，明确数据的质量管理流程、责任分工和协作机制，确保数据治理工作的有序进行。
1442573646622176
331 0
游客mldfis24krfue
|
存储 缓存 Kubernetes
在K8S中，有状态服务与无状态服务都是怎么使用pv和pvc？（可以通过应用场景说明一下）
在K8S中，有状态服务与无状态服务都是怎么使用pv和pvc？（可以通过应用场景说明一下）
游客mldfis24krfue
187 0
屿小夏
|
Java 测试技术
【Java】已解决java.lang.NullPointerException异常
【Java】已解决java.lang.NullPointerException异常
屿小夏
1695 0