AI 助理
备案控制台
开发者社区 人工智能 文章 正文

m十字路口多功能控制交通系统,包括基于遗传算法优化的红绿灯时长模糊控制器和基于BP神经网络的车牌识别算法

2023-04-26 193
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： m十字路口多功能控制交通系统,包括基于遗传算法优化的红绿灯时长模糊控制器和基于BP神经网络的车牌识别算法

1.算法仿真效果
matlab2022a仿真结果如下：

88ddda0f2fd72a401a767f6aee1385b0_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
83ddf1bb4c7ce5903a06b5e113f7dde3_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
1826cec5975b7ab00824665b0ab3e3d0_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
9b88790ec1353f40c452de76302b2cef_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
379240020dd3c634ab4f9fb0d8913c33_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
c9970f600089dcc39411f05fdcf00994_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
5fadb8bcbcd730144cb3d9765b5a3108_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

2.算法涉及理论知识概要
单十字路口：

099a51793b2acc610fcc0d3d76918358_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg

    其中第一级控制为两个并行模块：绿灯交通强度控制模块与红灯交通强度控制模块。绿灯交通强度控制模块的输入为绿灯相位的排队长度与入口流量，输出绿灯相位的交通强度；红灯相位模块的输入为红灯相位的排队长度，输出为红灯相位的交通强度。

   第二级控制是在第一级控制基础上的一个总控制模块,做出是否转换当前相位的决定。其输入为第一级两个模块的输出即绿灯相位交通强度与红灯相位交通强度，输出为是否转换该改相位的决策，该决策的结果只有两个，要么终止当前相位转到下一相位，要么把该相位延长一个延长绿时间，继续显示该相位。

设东西南北四向各车道的车流量（到达率）：

East-throught=0.09+0.15sin(0.03t);

East-left=0.09+0.2cos(0.1t);

West-throught=0.15-0.17sin(0.02t)

West_left=0.11+0.14cos(0.08*t);

North-throught=0.12-0.12sin(0.08t);

North-left=0.075+0.12sin(40+0.1t);

South-left=0.07-0.11cos(60+0.05t);

其中t是时间（单位为s）

排队长度计算公式：

f3c1926adc64ad7cfe32db352b5da964_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

r——红灯时间，s

s——饱和流率，辆/h

v——到达率，辆/h

L——车辆长度（包括车辆间的距离、），m

n——车道数；

Fu——车道利用系数。

最大排队长度Q=vr/3600;(v是平均到达率；r是有效红灯时间)

    模糊控制器首先采用人工初始设置的隶属度函数进行模糊控制, 同时历史数据库开始积累各时间段的交叉口入口交通参数. 每经过一定的时间间隔,交通流模拟器利用历史数据库中记忆的历史交通参数进行交通再现模拟, 同时采用遗传算法对交通流模拟器中模糊隶属度函数进行寻优, 找出适合于当前交通流的模糊隶属度函数, 并且将调整后的隶属度函数送入模糊控制器加以更新。

13bb8aa07197634e701365c150e7221e_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg

3.MATLAB核心程序

for i = 1:length(Times) 
    t = Times(i);
 
    % r%红灯时间，s
    r = 30;
    % g%——绿灯时间；
    g = 60;   
    
    % ld%——绿信比(绿灯时间与周期的比值)；
    ld= g/C;
    % y%——流量比，y=q/s; 
    y = q/s;
    % s%——饱和流量（s=0.4辆/s）
    S = s/3600;
    %排队长度计算公式
    Q = v/3600 * (r-6) * (1 + 1/(s/v-1)) * L/n/Fu;
    %统计平均延误时间
    d(i) = C*(1-ld)^2/(2*(1-y)) + X^2/(2*q*(1-X)) - 0.65*(C/q/q)^(1/3)*X^(2+5*g/C);
end
...........................................................
%加入模糊控制器的对比
Tmin = 10;
Tmax = 20;
Gj   = 60;
 
RR   = readfis('Red_controller'); 
GG   = readfis('Green_controller'); 
RG   = readfis('GA_FNN.fis'); 
 
figure(2);
subplot(311);plotmf(RG,'input',1);  title('R隶属函数变化-GA优化前');
subplot(312);plotmf(RG,'input',2);  title('G隶属函数变化-GA优化前');
subplot(313);plotmf(RG,'output',1); title('RG隶属函数变化-GA优化前');
 
 
for i = 1:length(Times) 
    t = Times(i);
    %控制器初始状态
    if  i == 1
        % r%红灯时间，s
        r = 30;
        % g%——绿灯时间；
        g = Gj;   
 
        % s%饱和流率，辆/h
        s = 300;
        % v%到达率，辆/h
        v = 290;
        % L%车辆长度（包括车辆间的距离、）
        L = 4.8;
        % n%车道数
        n = 4;
        % Fu%车道利用系数
        Fu= 0.6; 
        % X%——饱和度；
        X = 0.9;
        % C%——周期时长；
        C = g + r;
        % q%——流量；
        if mod(i,5) == 1;
           q = 80 + 10*sin(2*pi*t) + 5*randn;  
        end
 
        % ld%——绿信比(绿灯时间与周期的比值)；
        ld= g/C;
        % y%——流量比，y=q/s; 
        y = q/s;
        % s%——饱和流量（s=0.4辆/s）
        S = s/3600;
    else
        %调用控制器    
        %绿灯排队长度计算公式
        Qg           = v/3600 * (g-6) * (1 + 1/(s/v-1)) * L/n/Fu;    
        %路口流量
        traffic_flow = q;
...................................................................................
        %最终控制输出
        gout;
        %总的判决
        if g >= Tmin & g <= Tmax
           g = gout; 
        end
        if g <= Tmin
           g = Tmin;
        end
        if g >= Tmax
           g = Tmax;
        end
        %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        % r%红灯时间，s
        r = 30;
        % s%饱和流率，辆/h
        s = 300;
        % v%到达率，辆/h
        v = 290;
        % L%车辆长度（包括车辆间的距离、）
        L = 4.8;
        % n%车道数
        n = 4;
        % Fu%车道利用系数
        Fu= 0.6; 
        % X%——饱和度；
        X = 0.9;
        % C%——周期时长；
        C = g + r;
        % q%——流量；
        if mod(i,5) == 1;
           q = 80 + 10*sin(2*pi*t) + 5*randn;  
        end
 
        % ld%——绿信比(绿灯时间与周期的比值)；
        ld= g/C;
        % y%——流量比，y=q/s; 
        y = q/s;
        % s%——饱和流量（s=0.4辆/s）
        S = s/3600;
    end
 
    %统计平均延误时间
    d(i) = C*(1-ld)^2/(2*(1-y)) + X^2/(2*q*(1-X)) - 0.65*(C/q/q)^(1/3)*X^(2+5*g/C);
    d(i) = d(i)/2;
end
 
 
 
figure(1);
hold on;
plot(Times,d,'k');
hold on;
 
 
 
 
 
 
%加入GA+模糊控制器的对比
%加入GA+模糊控制器的对比
%加入GA+模糊控制器的对比
%加入GA+模糊控制器的对比
Tmin = 10;
Tmax = 20;
Gj   = 60;
 
RR   = readfis('Red_controller'); 
GG   = readfis('Green_controller'); 
RG   = readfis('GA_FNN.fis'); 
 
figure(2);
subplot(311);plotmf(RG,'input',1);  title('R隶属函数变化-GA优化前');
subplot(312);plotmf(RG,'input',2);  title('G隶属函数变化-GA优化前');
subplot(313);plotmf(RG,'output',1); title('RG隶属函数变化-GA优化前');
 
%GA优化
RG_opt   = readfis('GA_FNN_OPT.fis'); 
figure(3);
subplot(311);plotmf(RG_opt,'input',1);  title('R隶属函数变化-GA优化后');
subplot(312);plotmf(RG_opt,'input',2);  title('G隶属函数变化-GA优化后');
subplot(313);plotmf(RG_opt,'output',1); title('RG隶属函数变化-GA优化后');
 
for i = 1:length(Times) 
    t = Times(i);
    %控制器初始状态
    if  i == 1
        % r%红灯时间，s
        r = 30;
        % g%——绿灯时间；
        g = Gj;   
 
        % s%饱和流率，辆/h
        s = 300;
        % v%到达率，辆/h
        v = 290;
        % L%车辆长度（包括车辆间的距离、）
        L = 4.8;
        % n%车道数
        n = 4;
        % Fu%车道利用系数
        Fu= 0.6; 
        % X%——饱和度；
        X = 0.9;
        % C%——周期时长；
        C = g + r;
        % q%——流量；
        if mod(i,5) == 1;
           q = 80 + 10*sin(2*pi*t) + 5*randn;  
        end
 
        % ld%——绿信比(绿灯时间与周期的比值)；
        ld= g/C;
        % y%——流量比，y=q/s; 
        y = q/s;
        % s%——饱和流量（s=0.4辆/s）
        S = s/3600;
    else
        %调用控制器    
        %绿灯排队长度计算公式
        Qg           = v/3600 * (g-6) * (1 + 1/(s/v-1)) * L/n/Fu;    
        %路口流量
        traffic_flow = q;
 
        %红灯排队长度计算公式
        Qr = v/3600 * (r-6) * (1 + 1/(s/v-1)) * L/n/Fu;            
        
        %绿灯相位控制器
        G_Power = evalfis([Qg,traffic_flow],GG); 
        %红灯相位控制器,红灯排队长度越长，那么红灯强度减弱，红灯排队长度越短，那么红灯强度减强，
        R_Power = evalfis(Qr,RR); 
        
        
        %GA模糊控制器，输出gout
        gout   = evalfis([G_Power,R_Power],RG_opt); 
        
    
        %最终控制输出
        gout;
        %总的判决
        if g >= Tmin & g <= Tmax
           g = gout; 
        end
        if g <= Tmin
           g = Tmin;
        end
        if g >= Tmax
           g = Tmax;
        end
        %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        % r%红灯时间，s
        r = 30;
        % s%饱和流率，辆/h
        s = 300;
        % v%到达率，辆/h
        v = 290;
        % L%车辆长度（包括车辆间的距离、）
        L = 4.8;
        % n%车道数
        n = 4;
        % Fu%车道利用系数
        Fu= 0.6; 
        % X%——饱和度；
        X = 0.9;
        % C%——周期时长；
        C = g + r;
        % q%——流量；
        if mod(i,5) == 1;
           q = 80 + 10*sin(2*pi*t) + 5*randn;  
        end
 
        % ld%——绿信比(绿灯时间与周期的比值)；
        ld= g/C;
        % y%——流量比，y=q/s; 
        y = q/s;
        % s%——饱和流量（s=0.4辆/s）
        S = s/3600;
    end
 
    %统计平均延误时间
    d(i) = C*(1-ld)^2/(2*(1-y)) + X^2/(2*q*(1-X)) - 0.65*(C/q/q)^(1/3)*X^(2+5*g/C);
    d(i) = d(i)/2;
end
figure(1);
hold on;
plot(Times,d,'r');
legend('不加控制器的平均延误时间','加控制器的平均延误时间','加控制器(GA优化)的平均延误时间');
 
xlabel('times');
ylabel('平均延误时间');
grid on;
hold on;
文章标签：
vr&ar
机器学习/深度学习
算法
关键词：
系统算法
优化算法
神经网络bp
网络算法
系统网络算法
我爱matlab
目录
相关文章
软件算法开发
|
1月前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测，使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络，展示了三者的误差和预测曲线差异。核心程序结合遗传算法（GA）与BP神经网络，利用GA优化BP网络的初始权重和阈值，提高预测精度。GA通过选择、交叉、变异操作迭代优化，防止局部收敛，增强模型对金融市场复杂性和不确定性的适应能力。
软件算法开发
174 80
软件算法开发
|
15天前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
本项目基于MATLAB2022A，利用CNN卷积神经网络对金融数据进行预测，并与BP、RBF和LSTM网络对比。核心程序通过处理历史价格数据，训练并测试各模型，展示预测结果及误差分析。CNN通过卷积层捕捉局部特征，BP网络学习非线性映射，RBF网络进行局部逼近，LSTM解决长序列预测中的梯度问题。实验结果表明各模型在金融数据预测中的表现差异。
软件算法开发
63 10
软件算法开发
|
24天前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测，使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络（e1, e2）协同工作，结合遗传算法优化，提高预测精度。实验展示了三个算法的误差对比结果，验证了该方法的有效性。
软件算法开发
39 10
简简单单做算法
|
8天前
|
算法 数据安全/隐私保护 计算机视觉
基于Retinex算法的图像去雾matlab仿真
本项目展示了基于Retinex算法的图像去雾技术。完整程序运行效果无水印，使用Matlab2022a开发。核心代码包含详细中文注释和操作步骤视频。Retinex理论由Edwin Land提出，旨在分离图像的光照和反射分量，增强图像对比度、颜色和细节，尤其在雾天条件下表现优异，有效解决图像去雾问题。
简简单单做算法
101 70
软件算法开发
|
8天前
|
算法 数据可视化 安全
基于DWA优化算法的机器人路径规划matlab仿真
本项目基于DWA优化算法实现机器人路径规划的MATLAB仿真，适用于动态环境下的自主导航。使用MATLAB2022A版本运行，展示路径规划和预测结果。核心代码通过散点图和轨迹图可视化路径点及预测路径。DWA算法通过定义速度空间、采样候选动作并评估其优劣（目标方向性、障碍物距离、速度一致性），实时调整机器人运动参数，确保安全避障并接近目标。
软件算法开发
104 68
简简单单做算法
|
18天前
|
算法 数据安全/隐私保护
室内障碍物射线追踪算法matlab模拟仿真
### 简介 本项目展示了室内障碍物射线追踪算法在无线通信中的应用。通过Matlab 2022a实现，包含完整程序运行效果（无水印），支持增加发射点和室内墙壁设置。核心代码配有详细中文注释及操作视频。该算法基于几何光学原理，模拟信号在复杂室内环境中的传播路径与强度，涵盖场景建模、射线发射、传播及接收点场强计算等步骤，为无线网络规划提供重要依据。
简简单单做算法
107 69
简简单单做算法
|
19天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测，采用CNN-GRU-SAM网络结构。卷积层提取局部特征，GRU层处理长期依赖，自注意力机制捕捉全局特征。完整代码含中文注释和操作视频，运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数，最终输出预测结果。适用于金融市场、气象预报等领域。
简简单单做算法
42 11
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
软件算法开发
|
19天前
|
算法
基于龙格库塔算法的锅炉单相受热管建模与matlab数值仿真
本设计基于龙格库塔算法对锅炉单相受热管进行建模与MATLAB数值仿真，简化为喷水减温器和末级过热器组合，考虑均匀传热及静态烟气处理。使用MATLAB2022A版本运行，展示自编与内置四阶龙格库塔法的精度对比及误差分析。模型涉及热传递和流体动力学原理，适用于优化锅炉效率。
软件算法开发
44 14
软件算法开发
|
17天前
|
移动开发 算法 计算机视觉
基于分块贝叶斯非局部均值优化(OBNLM)的图像去噪算法matlab仿真
本项目基于分块贝叶斯非局部均值优化（OBNLM）算法实现图像去噪，使用MATLAB2022A进行仿真。通过调整块大小和窗口大小等参数，研究其对去噪效果的影响。OBNLM结合了经典NLM算法与贝叶斯统计理论，利用块匹配和概率模型优化相似块的加权融合，提高去噪效率和保真度。实验展示了不同参数设置下的去噪结果，验证了算法的有效性。
软件算法开发
47 10
软件算法开发
|
16天前
|
算法 决策智能
基于SA模拟退火优化算法的TSP问题求解matlab仿真,并对比ACO蚁群优化算法
本项目基于MATLAB2022A，使用模拟退火（SA）和蚁群优化（ACO）算法求解旅行商问题（TSP），对比两者的仿真时间、收敛曲线及最短路径长度。SA源于金属退火过程，允许暂时接受较差解以跳出局部最优；ACO模仿蚂蚁信息素机制，通过正反馈发现最优路径。结果显示SA全局探索能力强，ACO在路径优化类问题中表现优异。
软件算法开发
43 4

热门文章

最新文章

  • 1
    机器学习算法的优化与改进：提升模型性能的策略与方法
  • 2
    局域网屏幕监控系统中的Python数据结构与算法实现
  • 3
    室内障碍物射线追踪算法matlab模拟仿真
  • 4
    单目标问题的烟花优化算法求解matlab仿真,对比PSO和GA
  • 5
    基于Retinex算法的图像去雾matlab仿真
  • 6
    基于DWA优化算法的机器人路径规划matlab仿真
  • 7
    架构学习：7种负载均衡算法策略
  • 8
    调研180多篇论文，这篇综述终于把大模型做算法设计理清了
  • 9
    员工上网行为监控中的Go语言算法：布隆过滤器的应用
  • 10
    通过算法备案之后就万事大吉了么？
  • 1
    【Python实战】——神经网络识别手写数字（三）
    69
  • 2
    【Python实战】——神经网络识别手写数字（二）
    107
  • 3
    【Python实战】——神经网络识别手写数字（一）
    122
  • 4
    用人工神经网络对混凝土的强度进行建模
    86
  • 5
    LabVIEW利用人工神经网络辅助进行结冰检测
    52
  • 6
    LabVIEW开发基于神经网络的自动汽车制动系统
    62
  • 7
    Python深度学习基于Tensorflow（6）神经网络基础
    73
  • 8
    使用Python实现循环神经网络（RNN）的博客教程
    853
  • 9
    使用Python实现卷积神经网络（CNN）
    676
  • 10
    MATLAB|【免费】概率神经网络的分类预测--基于PNN的变压器故障诊断
    77

    • 相关课程

    更多
  • 智能运维赛（复赛）：利用数据和算法，快速定位系统异常并进行根因分析
  • 智能创作赛（复赛）：相册应用中的视频故事生成算法介绍
  • 智能创作赛（初赛）：相册应用中的故事生成算法介绍
  • 相册服务中的故事生成算法介绍
  • Go语言核心编程 - 数据结构和算法
  • 神经网络概览及算法详解

    • 相关电子书

    更多
  • 基于神经网络的语言合成
  • 机器能理解上下文吗-RNN和LSTM神经网络的原理及应用
  • 改善弱网络-探索移动互联网下弱网络处理方式

    • 相关实验场景

    更多
  • 基于阿里云E-HPC和OpenFoam进行流体仿真实验
  • 使用Swing算法实现商品推荐
  • RSA密码算法设计与实现
  • RSA非对称加密算法
  • 欧拉图的构造性证明与算法实现
  • 容器的共享网络模型
    • 下一篇
    阿里云oss简介和如何对接使用