实用指南：多粒子模型--交通堵塞2
目录
书接上回
新增功能说明：
红绿灯参数设置：
light_pos：红绿灯在道路上的位置（元胞编号）green_duration：绿灯持续时间（单位：时间步）red_duration：红灯持续时间（单位：时间步）- 红绿灯按周期（绿 + 红）自动切换
红绿灯对车辆的影响：
- 绿灯时：车辆可正常利用红绿灯位置
- 红灯时：
- 禁止车辆进入红绿灯所在元胞
- 已凭借红绿灯的车辆可继续行驶
- 未通过的车辆需在红绿灯前等待（强制减速至停止）
可视化增强：
- 动画中用绿色圆圈标记绿灯，红色圆圈标记红灯位置
- 新增红绿灯状态显示区域（浅绿色背景 = 绿灯，浅红色 = 红灯）
- 分析图中增加红绿灯状态曲线，可直观观察红绿灯与交通流的关联
交通流特性变化：
- 红灯时会导致红绿灯前车辆聚集（密度升高）
- 绿灯亮起后会形成 “释放波”，流量短暂激增
- 整体交通流呈现周期性波动（与红绿灯周期同步）
可调整的参数实验：
对照
实验1
改变green_duration和red_duration，观察不同配时对拥堵的影响.
减少绿灯时间后，交通流量变少。
实验2
调整light_pos，测试红绿灯位置对整体交通流的影响
除最开始有些许区别，其他与对照组一致。
实验3
增大rho（初始密度），观察红绿灯前的拥堵程度变化
增大密度后行发现红灯前持续有拥堵现象。
通过依据这个模型，能够模拟现实中红绿灯导致的 “周期性拥堵” 现象，以及绿灯亮起后车辆逐步疏散的过程。
源码
% 带红绿灯的堵车过程模拟（基于元胞自动机模型）
clear; clc; close all;
%% 参数设置
L = 100; % 道路长度（元胞数）
T = 300; % 模拟时间步数
v_max = 5; % 最大车速
p_slow = 0.3; % 随机减速概率
rho = 0.3; % 初始车辆密度
light_pos = 50; % 红绿灯位置（道路上的元胞编号）
green_duration = 20; % 绿灯持续时间（时间步）
red_duration = 15; % 红灯持续时间（时间步）
%% 初始化
% 随机生成初始车辆位置（1表示有车，0表示无车）
road = rand(L, 1) < rho;
% 初始化车辆速度（0到v_max之间随机）
velocity = zeros(L, 1);
for i = 1:L
if road(i)
velocity(i) = randi(v_max);
end
end
% 存储每一步的道路状态和红绿灯状态
history = zeros(L, T);
history(:, 1) = road;
light_history = zeros(1, T); % 1=绿灯，0=红灯
%% 模拟主循环
for t = 2:T
% 1. 确定当前红绿灯状态（周期性切换）
cycle = green_duration + red_duration; % 红绿灯周期
t_in_cycle = mod(t-1, cycle); % 当前在周期中的位置（从0开始）
if t_in_cycle < green_duration
light_state = 1; % 绿灯
else
light_state = 0; % 红灯
end
light_history(t) = light_state;
% 2. 计算每辆车前方的空元胞数（与前车的距离，考虑红绿灯）
distance = zeros(L, 1);
for i = 1:L
if road(i)
d = 0;
j = i + 1;
while true
if j > L
j = 1; % 周期性边界条件
end
% 遇到红灯时，需在红绿灯前停车
red_light_stop = (light_state == 0) && (j == light_pos);
if road(j) || red_light_stop
break; % 遇到前车或红灯，停止计数
end
d = d + 1;
j = j + 1;
if d >= v_max % 超过最大车速时无需继续计算
break;
end
end
distance(i) = d;
end
end
% 3. 加速
for i = 1:L
if road(i)
velocity(i) = min(velocity(i) + 1, v_max);
end
end
% 4. 避免碰撞（根据前车距离减速）
for i = 1:L
if road(i)
velocity(i) = min(velocity(i), distance(i));
end
end
% 5. 随机减速
for i = 1:L
if road(i) && velocity(i) > 0
if rand < p_slow
velocity(i) = velocity(i) - 1;
end
end
end
% 6. 车辆移动（考虑红绿灯限制：红灯时不能进入红绿灯位置）
new_road = zeros(L, 1);
new_velocity = zeros(L, 1);
for i = 1:L
if road(i)
% 计算新位置（考虑周期性边界）
new_pos = i + velocity(i);
while new_pos > L
new_pos = new_pos - L;
end
% 红灯时，禁止进入红绿灯位置（允许离开）
if light_state == 0 && new_pos == light_pos
% 红灯时若要进入红绿灯位置，强制停在当前位置前
new_pos = i; % 停止不动
new_velocity(new_pos) = 0; % 速度归零
else
new_velocity(new_pos) = velocity(i);
end
new_road(new_pos) = 1;
end
end
% 更新状态
road = new_road;
velocity = new_velocity;
history(:, t) = road;
end
%% 动画展示（含红绿灯状态）
figure('Name', '带红绿灯的堵车过程模拟', 'Position', [100, 100, 800, 350]);
for t = 1:T
clf;
% 绘制道路和车辆
subplot(2,1,1);
imagesc(history(:, t)', [0, 1]);
colormap([1 1 1; 0 0 1]); % 白色=无车，蓝色=有车
axis xy;
xlim([1, L]);
ylim([0.5, 1.5]);
set(gca, 'YTick', [], 'XTick', 1:L);
xlabel('道路位置');
title(['车辆分布 (t = ', num2str(t), ')']);
% 标记红绿灯位置
hold on;
if light_history(t) == 1
plot(light_pos, 1, 'og', 'MarkerSize', 15, 'LineWidth', 2); % 绿灯
else
plot(light_pos, 1, 'or', 'MarkerSize', 15, 'LineWidth', 2); % 红灯
end
hold off;
% 显示当前红绿灯状态
subplot(2,1,2);
if light_history(t) == 1
text(0.5, 0.5, '当前：绿灯', 'FontSize', 16, 'HorizontalAlignment', 'center');
set(gca, 'Color', [0.9 1 0.9]); % 浅绿色背景
else
text(0.5, 0.5, '当前：红灯', 'FontSize', 16, 'HorizontalAlignment', 'center');
set(gca, 'Color', [1 0.9 0.9]); % 浅红色背景
end
axis off;
drawnow;
pause(0.05);
end
%% 交通流参数分析
flow = zeros(1, T);
for t = 2:T
moved = sum(history(:, t) & ~history(:, t-1));
flow(t) = moved / L;
end
figure('Name', '交通流特性（含红绿灯影响）');
subplot(3,1,1);
plot(1:T, light_history, 'r-', 'LineWidth', 1.5);
ylim([-0.1, 1.1]);
xlabel('时间步');
ylabel('红绿灯状态');
title('红绿灯状态（1=绿，0=红）');
subplot(3,1,2);
plot(1:T, mean(history, 1));
xlabel('时间步');
ylabel('平均密度');
title('交通密度随时间变化');
subplot(3,1,3);
plot(1:T, flow);
xlabel('时间步');
ylabel('交通流量');
title('交通流量随时间变化');
set(gcf, 'Position', [200, 200, 600, 700]);
drawnow;扩展
长路段多红绿灯的模型。模型
浙公网安备 33010602011771号