简介本资源是一套面向本硕博阶段教研与算法实践者的MATLAB模糊控制教学案例聚焦十字路口红绿灯智能调度问题解决传统定时控制难以适应动态车流变化的痛点。压缩包共7个文件132KB含3个核心M函数主程序Runme.m、交通灯逻辑trafficlight.m、地图绘制map.m、2个FIS模糊推理系统文件greentime.fis与selectroad.fis、1段实操AVI录像及1份说明文本覆盖建模、规则设计、仿真可视化全流程。已有1701人学习下载配套操作视频详细演示MATLAB 2021a及以上版本下的运行路径设置、FIS加载与仿真调试全过程避免常见子函数误运行错误所有代码模块解耦清晰便于理解模糊输入变量车流量、等待时间、输出变量绿灯时长及隶属度函数设计逻辑是掌握模糊控制算法工程落地的典型入门范例。1. 项目缘起为什么用模糊控制来模拟红绿灯作为一名在交通仿真和控制领域摸爬滚打了十来年的工程师我经常被问到红绿灯控制不就是定时切换吗有什么好研究的这恰恰是最大的误解。传统的定时控制就像给一个活生生的人制定一份精确到分钟的作息表不管他是困了、饿了还是精力充沛都必须严格执行。这在交通流量稳定、可预测的郊区或许还行但在车流瞬息万变的城市十字路口定时控制就显得非常“笨拙”和“不近人情”。想象一下早高峰的场景东西向的主干道早已排起长龙而南北向的支路却只有零星几辆车。此时如果南北向的绿灯时间依然按照预设的“45秒”来执行那对东西向苦苦等待的司机们来说无疑是巨大的时间浪费和燃油消耗。这种“一刀切”的策略正是传统控制方法的痛点。于是我们引入了“模糊控制”。它不像传统逻辑那样非黑即白“车多”或“车少”而是允许“灰度”存在。它可以描述“车比较多”、“车非常多”、“车稍微有点多”这些更符合人类直觉的状态。基于这些模糊的判断再通过一套精心设计的规则例如“如果东西向车流‘非常多’且南北向车流‘非常少’则‘大幅增加’东西向绿灯时间”来自动、动态地调整信号灯的配时方案。这就像一个有经验的交警在现场指挥他能根据目测的车流情况灵活地延长或缩短某个方向的通行时间从而实现路口整体通行效率的最大化。这次我就带大家用MATLAB这个强大的工程计算与仿真平台亲手搭建一个基于模糊控制的十字路口红绿灯仿真模型。我们不仅会深入原理还会一步步写出代码并最终生成一个可视化的仿真视频让你直观地看到模糊控制是如何让交通“活”起来的。无论你是自动化、交通工程专业的学生还是对智能控制感兴趣的工程师这个项目都能让你获得从理论到实践的完整体验。2. 十字路口交通流建模仿真的基石在让模糊控制器大显身手之前我们必须先为它搭建一个“舞台”——一个能够真实反映车辆到达、排队、消散过程的十字路口仿真模型。这个模型的质量直接决定了我们后续控制算法验证的有效性。2.1 路口结构与参数定义我们模拟一个典型的四相位十字路口。为简化模型我们做以下合理假设每个进口道东、南、西、北都只有一条直行车道。忽略左转、右转及行人交通。车辆长度统一且遵循安全的跟车距离。首先我们需要在MATLAB中定义这个路口的核心参数。这些参数是仿真的“物理常量”。% 十字路口基础参数定义 simulation_time 1200; % 总仿真时间单位秒20分钟 dt 1; % 仿真步长单位秒。表示每1秒更新一次系统状态。 % 车道参数 lane_length 200; % 每个方向排队车道的最大长度单位米 vehicle_length 5; % 平均车长单位米 safe_gap 2; % 车辆间最小安全距离单位米 % 信号灯相位简化四相位 % Phase 1: 东西向直行绿灯其他红灯 % Phase 2: 南北向直行绿灯其他红灯 % 黄灯时间在控制逻辑中处理 phase_list {EW_Straight, NS_Straight}; current_phase 1; % 初始相位 phase_duration [0, 0]; % 由模糊控制器动态计算初始为0 % 车辆到达模型使用泊松过程模拟 % 每个进口道East, South, West, North的车辆到达率辆/秒可随时间变化模拟潮汐流 lambda_base 0.15; % 基础到达率例如0.15辆/秒 540辆/小时 % 定义一个简单的潮汐流模式前10分钟东西向繁忙后10分钟南北向繁忙 lambda.E zeros(1, simulation_time); lambda.S zeros(1, simulation_time); lambda.W zeros(1, simulation_time); lambda.N zeros(1, simulation_time); for t 1:simulation_time if t 600 % 前10分钟 lambda.E(t) lambda_base * 1.8; % 东西向高流量 lambda.W(t) lambda_base * 1.8; lambda.S(t) lambda_base * 0.4; % 南北向低流量 lambda.N(t) lambda_base * 0.4; else % 后10分钟 lambda.E(t) lambda_base * 0.4; lambda.W(t) lambda_base * 0.4; lambda.S(t) lambda_base * 1.8; % 南北向高流量 lambda.N(t) lambda_base * 1.8; end end % 初始化车辆队列用结构体数组存储每个车道的车辆信息 for dir {E, S, W, N} lanes.(dir{1}).queue []; % 排队车辆列表存储每辆车距停止线的距离 lanes.(dir{1}).departures 0; % 累计驶离车辆数 end注意这里用泊松过程模拟车辆到达是行业标准做法它能很好地刻画随机到达特性。lambda到达率随时间变化是为了模拟真实的“潮汐现象”早高峰进城方向流量大晚高峰出城方向流量大这让我们的仿真更贴近现实也能更好地测试模糊控制器的适应性。2.2 车辆生成、移动与消散逻辑在每个仿真步长1秒内我们需要完成以下子步骤步骤1车辆生成。根据当前时刻各进口道的到达率lambda利用随机数决定是否生成新车。MATLAB中可以用rand() lambda * dt来判断。% 在仿真主循环的每个时间步t中 for dir {E, S, W, N} dir_char dir{1}; if rand() lambda.(dir_char)(t) * dt % 生成一辆新车将其加入对应车道队列的末尾 % 新车的初始位置为车道长度lane_length表示在队列最后方 if isempty(lanes.(dir_char).queue) new_pos lane_length; else % 新车必须与前车保持安全距离 last_car_pos lanes.(dir_char).queue(end); new_pos last_car_pos vehicle_length safe_gap; end % 如果新车位置仍在车道范围内则加入队列 if new_pos lane_length lanes.(dir_char).queue [lanes.(dir_char).queue, new_pos]; end % 如果new_pos lane_length则表示上游拥堵车辆无法加入可记录为“溢出” end end步骤2车辆移动。根据当前信号灯相位决定哪些车道的排队车辆可以向前移动。绿灯车道的第一辆车最靠近停止线如果距离停止线大于0则可以“驶离”后续车辆依次前移。% 判断当前相位 if current_phase 1 % 东西向绿灯 green_dirs {E, W}; else % 南北向绿灯 green_dirs {S, N}; end % 处理绿灯方向车辆移动 for dir_char green_dirs dir_char dir_char{1}; if ~isempty(lanes.(dir_char).queue) % 检查第一辆车是否到达停止线位置0 if lanes.(dir_char).queue(1) 0 % 车辆驶离 lanes.(dir_char).queue(1) []; lanes.(dir_char).departures lanes.(dir_char).departures 1; end % 所有车辆向前移动一个“步长” % 假设车辆以恒定速度通过路口例如每秒通过一辆车简化 % 更复杂的模型可以引入加速度和速度 lanes.(dir_char).queue lanes.(dir_char).queue - 1; % 每秒前进1米 % 防止车辆位置小于0已通过路口 lanes.(dir_char).queue max(lanes.(dir_char).queue, -vehicle_length); end end % 红灯方向车辆不移动但新生成的车辆会持续加入队列导致排队长度增长。步骤3数据采集。为了给模糊控制器提供输入并评估控制效果我们需要实时记录关键数据。% 在每个时间步记录 metrics(t).time t; % 1. 排队长度各方向队列中的车辆数 metrics(t).queue_E length(lanes.E.queue); metrics(t).queue_S length(lanes.S.queue); metrics(t).queue_W length(lanes.W.queue); metrics(t).queue_N length(lanes.N.queue); % 2. 计算总排队车辆数作为模糊控制的一个输入 total_queue_EW metrics(t).queue_E metrics(t).queue_W; total_queue_NS metrics(t).queue_S metrics(t).queue_N; % 3. 记录当前相位和剩余时间 metrics(t).phase current_phase; metrics(t).phase_remaining phase_duration(current_phase) - phase_elapsed_time;通过以上代码我们就构建了一个能够动态运行、产生交通流数据的十字路口微观仿真模型。这个模型虽然做了简化但已经包含了车辆随机到达、排队、按信号灯通行等核心动力学过程为后续的模糊控制提供了可靠的测试环境。3. 模糊控制器设计让红绿灯学会“思考”有了交通流模型接下来就是为这个路口设计一个“大脑”——模糊控制器。它的任务是根据实时监测到的交通状况主要是各方向的排队长度自动决策每个相位的绿灯应该持续多久。我们将使用MATLAB的Fuzzy Logic Toolbox来直观地完成设计。3.1 确定输入与输出变量我们的控制器采用一个经典的双输入-单输出结构简单而有效输入1Input1Queue_EW。东西方向East-West的排队车辆总数。这是一个模糊变量。输入2Input2Queue_NS。南北方向North-South的排队车辆总数。同样是一个模糊变量。输出OutputGreen_Extension。当前绿灯相位的延长时间秒。注意我们控制的是“绿灯延长量”而不是绝对绿灯时间。我们设定一个最小绿灯时间例如15秒保证基本通行然后由模糊控制器决定在此基础上增加多少秒。为什么选择排队长度而不是流量在路口控制中排队长度直接反映了车辆的延误和路口的拥堵程度是比瞬时流量更稳定、更能体现累积效应的指标。控制目标就是平衡两个方向的排队长度。3.2 设计隶属度函数定义“多”与“少”模糊化的核心是将精确的输入值如“东西向有8辆车在排队”转化为模糊语言值如“车比较多”。这需要通过“隶属度函数”来实现。我们为每个输入输出变量定义几个模糊集合。对于输入Queue_EW和Queue_NS我们定义三个模糊集Short短/少Medium中Long长/多。它们的论域取值范围设定为[0, 20]意味着我们认为排队超过20辆就属于非常严重的拥堵。% 在MATLAB模糊逻辑设计器中操作或使用代码创建 fis mamfis(Name, traffic_light_fuzzy); % 添加输入变量 Queue_EW fis addInput(fis, [0 20], Name, Queue_EW); fis addMF(fis, Queue_EW, trapmf, [0 0 5 8], Name, Short); fis addMF(fis, Queue_EW, trimf, [5 10 15], Name, Medium); fis addMF(fis, Queue_EW, trapmf, [12 15 20 20], Name, Long); % 添加输入变量 Queue_NS (隶属度函数参数相同) fis addInput(fis, [0 20], Name, Queue_NS); fis addMF(fis, Queue_NS, trapmf, [0 0 5 8], Name, Short); fis addMF(fis, Queue_NS, trimf, [5 10 15], Name, Medium); fis addMF(fis, Queue_NS, trapmf, [12 15 20 20], Name, Long);对于输出Green_Extension我们定义五个模糊集VS很短S短M中L长VL很长。论域设为[0, 60]表示最大可延长60秒。% 添加输出变量 Green_Extension fis addOutput(fis, [0 60], Name, Green_Extension); fis addMF(fis, Green_Extension, trimf, [0 0 15], Name, VS); fis addMF(fis, Green_Extension, trimf, [5 15 25], Name, S); fis addMF(fis, Green_Extension, trimf, [15 30 45], Name, M); fis addMF(fis, Green_Extension, trimf, [25 45 60], Name, L); fis addMF(fis, Green_Extension, trimf, [45 60 60], Name, VL);实操心得隶属度函数形状和参数需要根据实际路口情况进行标定。梯形trapmf和三角形trimf函数最常用。初始参数可以凭经验设定后期通过仿真效果反复调整。例如如果发现控制器对“中等拥堵”反应不灵敏可以调整Medium集合的覆盖范围。3.3 制定模糊规则模仿交警的决策规则是模糊控制器的“灵魂”它用“IF-THEN”语句描述了人类的控制经验。我们的目标是哪边排队更长、更拥堵就给哪边更多的绿灯时间。我们制定9条核心规则基本覆盖了所有可能的输入组合规则编号IF (Queue_EW)AND (Queue_NS)THEN (Green_Extension)解释1ShortShortVS两边车都少绿灯延长很短时间快速切换。2ShortMediumS南北向中等拥堵东西向车少给南北向稍多时间。3ShortLongM南北向严重拥堵东西向车少给南北向较多时间。4MediumShortS东西向中等拥堵南北向车少给东西向稍多时间。5MediumMediumM两边拥堵程度相当给中等延长。6MediumLongL南北向远多于东西向给南北向长延长。7LongShortM东西向严重拥堵南北向车少给东西向较多时间。8LongMediumL东西向远多于南北向给东西向长延长。9LongLongVL两边都严重拥堵给予最长的绿灯延长避免频繁切换损失时间。在MATLAB中以字符串数组形式添加这些规则ruleList [ Queue_EWShort Queue_NSShort Green_ExtensionVS; Queue_EWShort Queue_NSMedium Green_ExtensionS; Queue_EWShort Queue_NSLong Green_ExtensionM; Queue_EWMedium Queue_NSShort Green_ExtensionS; Queue_EWMedium Queue_NSMedium Green_ExtensionM; Queue_EWMedium Queue_NSLong Green_ExtensionL; Queue_EWLong Queue_NSShort Green_ExtensionM; Queue_EWLong Queue_NSMedium Green_ExtensionL; Queue_EWLong Queue_NSLong Green_ExtensionVL; ]; fis addRule(fis, ruleList);注意事项规则的数量和精细程度需要权衡。规则太少控制粗糙规则太多可能产生冲突且调试复杂。通常先制定核心规则再通过仿真观察控制效果针对不理想的场景补充或修改规则。例如如果发现从“长排队”切换到“短排队”时绿灯时间仍然过长可以增加一条考虑“排队变化率”的规则。3.4 解模糊化从模糊建议到精确时间模糊推理引擎会根据输入值和规则计算出一个输出模糊集。我们需要通过“解模糊化”方法将这个模糊的输出集合转换成一个精确的数值绿灯延长时间。最常用的方法是重心法。% 在仿真主循环中每个控制周期例如每10秒评估一次调用 current_queue_EW total_queue_EW; % 从metrics中获取 current_queue_NS total_queue_NS; % 使用evalfis函数进行模糊推理 green_extension_time evalfis(fis, [current_queue_EW, current_queue_NS]); % 确保输出在合理范围内 green_extension_time max(0, min(green_extension_time, 60)); % 计算新的绿灯总时间 min_green_time 15; % 最小绿灯时间 new_green_duration min_green_time green_extension_time;至此一个完整的模糊控制器就设计好了。它能够像一位经验丰富的交警一样“感知”路口的拥堵状况并“思考”出合理的绿灯时长。4. MATLAB仿真集成与动态可视化现在我们将交通流模型和模糊控制器集成到同一个MATLAB仿真框架中并实现动态可视化让整个过程“活”起来。4.1 仿真主循环逻辑搭建主循环负责按时间步推进仿真在每个步长内依次调用车辆生成更新、模糊控制决策、车辆移动、数据记录和图形刷新。% 初始化图形窗口 figure(Position, [100, 100, 1200, 800]); subplot(2, 2, [1, 3]); % 左上大图路口动态 hold on; axis equal; axis([-50, 50, -50, 50]); title(十字路口交通流实时仿真 - 模糊控制); % 绘制静态路口省略详细绘图代码 plot([-20, 20], [0, 0], k-, LineWidth, 3); % 东西路 plot([0, 0], [-20, 20], k-, LineWidth, 3); % 南北路 % 绘制停止线、信号灯图例等... subplot(2, 2, 2); % 右上图排队长度实时曲线 queue_plot plot(1:simulation_time, zeros(1, simulation_time), LineWidth, 1.5); legend(EW Queue, NS Queue); xlabel(时间 (秒)); ylabel(排队车辆数); title(实时排队长度); grid on; subplot(2, 2, 4); % 右下图绿灯时间决策 phase_text text(0.1, 0.8, sprintf(当前相位: %s\n剩余时间: %.1f 秒, phase_list{current_phase}, phase_duration(current_phase)), FontSize, 12); decision_text text(0.1, 0.5, sprintf(模糊控制器输出:\nEW队列: %d\nNS队列: %d\n绿灯延长: %.1f 秒, 0, 0, 0), FontSize, 10); % 初始化记录数组 metrics struct(); control_interval 10; % 每10秒调用一次模糊控制器 last_control_time 0; % 主仿真循环 for t 1:simulation_time % 1. 车辆生成调用2.2节函数 generate_vehicles(t, lambda, lanes, lane_length, vehicle_length, safe_gap); % 2. 模糊控制决策每隔control_interval秒执行一次 if (t - last_control_time) control_interval || t 1 % 获取当前排队长度 current_queue_EW length(lanes.E.queue) length(lanes.W.queue); current_queue_NS length(lanes.S.queue) length(lanes.N.queue); % 调用模糊推理 green_extension evalfis(fis, [current_queue_EW, current_queue_NS]); green_extension max(0, min(green_extension, 60)); % 更新当前相位的绿灯总时间 % 注意只在当前相位为绿灯时才延长其时间 % 我们采用“感应控制”逻辑绿灯时间最小绿灯时间延长部分 % 每次决策都是重新计算当前绿灯相的剩余时间 new_duration 15 green_extension; % 最小15秒 % 如果当前绿灯时间已用完则切换相位 if phase_duration(current_phase) 0 % 切换相位前加入黄灯时间例如3秒 % 此处简化在可视化中用颜色区分 current_phase mod(current_phase, length(phase_list)) 1; % 为新相位计算绿灯时间基于另一对方向的排队长度 % 这里需要根据新相位对应的方向重新计算排队长度并调用模糊控制器 % 为简化假设新相位也获得一个基础时间模糊延长时间 % 实际应重新评估 phase_duration(current_phase) new_duration; phase_elapsed_time 0; else % 延长当前相位的绿灯时间 phase_duration(current_phase) new_duration; end last_control_time t; % 更新决策显示 set(decision_text, String, sprintf(模糊控制器输出:\nEW队列: %d\nNS队列: %d\n绿灯延长: %.1f 秒, current_queue_EW, current_queue_NS, green_extension)); end % 3. 更新相位计时器 phase_elapsed_time phase_elapsed_time dt; % 4. 车辆移动调用2.2节函数根据current_phase决定哪些车道通行 move_vehicles(lanes, current_phase, vehicle_length); % 5. 数据记录 metrics(t).queue_EW length(lanes.E.queue) length(lanes.W.queue); metrics(t).queue_NS length(lanes.S.queue) length(lanes.N.queue); metrics(t).phase current_phase; metrics(t).green_extension green_extension; % 6. 动态可视化更新 % 6.1 更新路口车辆位置用散点图表示车辆 % 省略详细的图形对象更新代码原理是清除上一帧的车辆点用新的lanes.queue数据重绘 % 6.2 更新信号灯颜色 % 根据current_phase和phase_elapsed_time判断是绿灯、黄灯还是红灯并改变对应图形对象的颜色 % 6.3 更新排队长度曲线 set(queue_plot(1), YData, [get(queue_plot(1), YData) metrics(t).queue_EW]); set(queue_plot(2), YData, [get(queue_plot(2), YData) metrics(t).queue_NS]); set(queue_plot(1), XData, 1:t); set(queue_plot(2), XData, 1:t); % 6.4 更新相位信息文本 remaining_time max(0, phase_duration(current_phase) - phase_elapsed_time); set(phase_text, String, sprintf(当前相位: %s\n剩余时间: %.1f 秒, phase_list{current_phase}, remaining_time)); % 7. 暂停一小段时间使动画可见 pause(0.01); % 控制动画速度 end4.2 生成与导出仿真操作视频静态的图形和曲线已经能说明问题但一个动态的视频演示无疑更具说服力。我们可以利用MATLAB的getframe和VideoWriter功能将整个仿真过程录制下来。% 在主循环开始前初始化视频写入对象 video_filename fuzzy_traffic_control_simulation.mp4; v VideoWriter(video_filename, MPEG-4); v.FrameRate 10; % 帧率根据仿真步长调整1秒仿真对应10帧 open(v); % 在主循环内部在完成每一帧的图形绘制后捕获当前图形窗口作为视频帧 % ... (完成所有图形更新后) drawnow; % 强制刷新图形 frame getframe(gcf); % 捕获整个图形窗口 writeVideo(v, frame); % 写入视频 % 在主循环结束后关闭视频文件 close(v); disp([仿真视频已保存至: , video_filename]);踩坑实录在录制视频时最容易遇到两个问题。一是帧率设置不当导致视频播放速度过快或过慢。我们的仿真步长dt1秒如果FrameRate1那么生成的视频就是1:1实时。但为了观看效果我们通常加速播放所以设为10。二是图形窗口大小和分辨率。如果窗口在录制过程中被手动调整会导致视频帧尺寸不一致。务必在仿真开始前用figure(Position, [x, y, width, height])固定窗口大小和位置。5. 性能分析与对比模糊控制到底强在哪仿真跑完了视频也生成了但我们不能只停留在“看热闹”的层面。必须用数据说话定量地分析模糊控制策略相对于传统定时控制策略的优势。我们选取两个最核心的交通性能指标平均排队长度和总通行车辆数。5.1 评价指标计算我们在仿真过程中已经记录了每个时间步的排队长度。现在从metrics结构体中提取数据进行分析。% 提取数据 time_steps 1:simulation_time; queue_EW [metrics.queue_EW]; queue_NS [metrics.queue_NS]; % 1. 计算平均排队长度 avg_queue_EW mean(queue_EW); avg_queue_NS mean(queue_NS); avg_queue_total mean(queue_EW queue_NS); fprintf(【模糊控制策略】\n); fprintf(东西向平均排队长度: %.2f 辆\n, avg_queue_EW); fprintf(南北向平均排队长度: %.2f 辆\n, avg_queue_NS); fprintf(路口总平均排队长度: %.2f 辆\n, avg_queue_total); % 2. 计算总通行车辆数即各车道累计驶离车辆之和 total_departures lanes.E.departures lanes.S.departures lanes.W.departures lanes.N.departures; fprintf(总通行车辆数: %d 辆\n, total_departures); % 3. 可选计算车辆平均延误 % 这需要记录每辆车的到达时间和离开时间模型需稍作复杂化。简化起见可以用平均排队长度间接反映。5.2 与传统定时控制策略对比为了进行公平对比我们需要在相同的车辆到达序列下运行两种控制策略。这意味着我们需要在仿真开始时保存随机数生成器的状态确保两次仿真中车辆到达的时机完全一致。% 保存随机数种子确保交通流可复现 rng_seed rng(shuffle); % 获取当前随机状态或使用固定种子如 rng(0) % 第一次运行模糊控制策略 % 运行上述完整的模糊控制仿真记录结果 fuzzy_avg_queue avg_queue_total; fuzzy_throughput total_departures; % 重置随机数生成器到相同状态 rng(rng_seed); % 第二次运行定时控制策略 % 修改主循环中的控制部分将模糊控制器替换为固定时长切换 % 例如每个相位固定绿灯30秒黄灯3秒 fixed_green_time 30; fixed_yellow_time 3; % ... (运行定时控制仿真使用相同的车辆生成逻辑) % 记录结果 fixed_avg_queue ...; % 计算出的总平均排队长度 fixed_throughput ...; % 计算出的总通行车辆数 % 对比分析 fprintf(\n 策略对比 \n); fprintf( | 模糊控制 | 定时控制 | 提升/变化\n); fprintf(平均总排队长度 | %7.2f | %7.2f | %6.2f%%\n, ... fuzzy_avg_queue, fixed_avg_queue, (fixed_avg_queue-fuzzy_avg_queue)/fixed_avg_queue*100); fprintf(总通行车辆数 | %7d | %7d | %6.2f%%\n, ... fuzzy_throughput, fixed_throughput, (fuzzy_throughput-fixed_throughput)/fixed_throughput*100);5.3 结果解读与控制器调优运行对比仿真后你可能会看到类似下面的结果【模糊控制策略】 东西向平均排队长度: 4.32 辆 南北向平均排队长度: 3.87 辆 路口总平均排队长度: 8.19 辆 总通行车辆数: 312 辆 策略对比 | 模糊控制 | 定时控制 | 提升/变化 平均总排队长度 | 8.19 | 12.45 | -34.22% 总通行车辆数 | 312 | 298 | 4.70%解读平均排队长度下降34%这是一个非常显著的改善。意味着在模糊控制下路口车辆的等待时间更短拥堵程度大大减轻。总通行车辆数提升4.7%在相同的仿真时间内通过了更多的车辆说明路口通行效率吞吐量提高了。如果结果不理想例如模糊控制效果甚至不如定时控制就需要回头审视我们的控制器设计检查隶属度函数Short,Medium,Long的划分是否合理对于你的交通流量水平排队5辆车算“少”还是“中”可能需要调整隶属度函数的交叉点。检查模糊规则规则是否覆盖了所有重要场景规则结论THEN部分的力度是否合适例如当Queue_EW为Long而Queue_NS为Short时给出的Green_ExtensionM是否足够长可以尝试将结论改为L。调整控制周期我们每10秒做一次决策是否太快或太慢决策太频繁可能导致信号灯频繁切换损失绿灯时间决策间隔太长则反应迟钝。可以尝试调整为5秒或15秒。引入更多输入变量除了当前排队长度是否可以加入“排队长度变化率”即车辆到达的紧迫程度作为输入让控制器更具预见性这个过程就是控制器的“调参”和“优化”也是工程实践中最花时间、最考验经验的部分。通过反复仿真-分析-调整最终让模糊控制器发挥出最佳性能。这个从零搭建的MATLAB模糊控制交通仿真项目不仅让你掌握了模糊逻辑工具箱的使用更深入理解了如何将一个智能控制想法通过建模、设计、集成、验证的完整流程实现出来。生成的代码和视频就是最好的学习和演示材料。你可以在此基础上继续扩展比如加入左转相位、考虑行人过街、或者尝试更先进的控制算法如模糊PID、强化学习探索智能交通的更多可能性。本文还有配套的精品资源点击获取
基于MATLAB的模糊控制十字路口红绿灯仿真建模与性能分析
简介本资源是一套面向本硕博阶段教研与算法实践者的MATLAB模糊控制教学案例聚焦十字路口红绿灯智能调度问题解决传统定时控制难以适应动态车流变化的痛点。压缩包共7个文件132KB含3个核心M函数主程序Runme.m、交通灯逻辑trafficlight.m、地图绘制map.m、2个FIS模糊推理系统文件greentime.fis与selectroad.fis、1段实操AVI录像及1份说明文本覆盖建模、规则设计、仿真可视化全流程。已有1701人学习下载配套操作视频详细演示MATLAB 2021a及以上版本下的运行路径设置、FIS加载与仿真调试全过程避免常见子函数误运行错误所有代码模块解耦清晰便于理解模糊输入变量车流量、等待时间、输出变量绿灯时长及隶属度函数设计逻辑是掌握模糊控制算法工程落地的典型入门范例。1. 项目缘起为什么用模糊控制来模拟红绿灯作为一名在交通仿真和控制领域摸爬滚打了十来年的工程师我经常被问到红绿灯控制不就是定时切换吗有什么好研究的这恰恰是最大的误解。传统的定时控制就像给一个活生生的人制定一份精确到分钟的作息表不管他是困了、饿了还是精力充沛都必须严格执行。这在交通流量稳定、可预测的郊区或许还行但在车流瞬息万变的城市十字路口定时控制就显得非常“笨拙”和“不近人情”。想象一下早高峰的场景东西向的主干道早已排起长龙而南北向的支路却只有零星几辆车。此时如果南北向的绿灯时间依然按照预设的“45秒”来执行那对东西向苦苦等待的司机们来说无疑是巨大的时间浪费和燃油消耗。这种“一刀切”的策略正是传统控制方法的痛点。于是我们引入了“模糊控制”。它不像传统逻辑那样非黑即白“车多”或“车少”而是允许“灰度”存在。它可以描述“车比较多”、“车非常多”、“车稍微有点多”这些更符合人类直觉的状态。基于这些模糊的判断再通过一套精心设计的规则例如“如果东西向车流‘非常多’且南北向车流‘非常少’则‘大幅增加’东西向绿灯时间”来自动、动态地调整信号灯的配时方案。这就像一个有经验的交警在现场指挥他能根据目测的车流情况灵活地延长或缩短某个方向的通行时间从而实现路口整体通行效率的最大化。这次我就带大家用MATLAB这个强大的工程计算与仿真平台亲手搭建一个基于模糊控制的十字路口红绿灯仿真模型。我们不仅会深入原理还会一步步写出代码并最终生成一个可视化的仿真视频让你直观地看到模糊控制是如何让交通“活”起来的。无论你是自动化、交通工程专业的学生还是对智能控制感兴趣的工程师这个项目都能让你获得从理论到实践的完整体验。2. 十字路口交通流建模仿真的基石在让模糊控制器大显身手之前我们必须先为它搭建一个“舞台”——一个能够真实反映车辆到达、排队、消散过程的十字路口仿真模型。这个模型的质量直接决定了我们后续控制算法验证的有效性。2.1 路口结构与参数定义我们模拟一个典型的四相位十字路口。为简化模型我们做以下合理假设每个进口道东、南、西、北都只有一条直行车道。忽略左转、右转及行人交通。车辆长度统一且遵循安全的跟车距离。首先我们需要在MATLAB中定义这个路口的核心参数。这些参数是仿真的“物理常量”。% 十字路口基础参数定义 simulation_time 1200; % 总仿真时间单位秒20分钟 dt 1; % 仿真步长单位秒。表示每1秒更新一次系统状态。 % 车道参数 lane_length 200; % 每个方向排队车道的最大长度单位米 vehicle_length 5; % 平均车长单位米 safe_gap 2; % 车辆间最小安全距离单位米 % 信号灯相位简化四相位 % Phase 1: 东西向直行绿灯其他红灯 % Phase 2: 南北向直行绿灯其他红灯 % 黄灯时间在控制逻辑中处理 phase_list {EW_Straight, NS_Straight}; current_phase 1; % 初始相位 phase_duration [0, 0]; % 由模糊控制器动态计算初始为0 % 车辆到达模型使用泊松过程模拟 % 每个进口道East, South, West, North的车辆到达率辆/秒可随时间变化模拟潮汐流 lambda_base 0.15; % 基础到达率例如0.15辆/秒 540辆/小时 % 定义一个简单的潮汐流模式前10分钟东西向繁忙后10分钟南北向繁忙 lambda.E zeros(1, simulation_time); lambda.S zeros(1, simulation_time); lambda.W zeros(1, simulation_time); lambda.N zeros(1, simulation_time); for t 1:simulation_time if t 600 % 前10分钟 lambda.E(t) lambda_base * 1.8; % 东西向高流量 lambda.W(t) lambda_base * 1.8; lambda.S(t) lambda_base * 0.4; % 南北向低流量 lambda.N(t) lambda_base * 0.4; else % 后10分钟 lambda.E(t) lambda_base * 0.4; lambda.W(t) lambda_base * 0.4; lambda.S(t) lambda_base * 1.8; % 南北向高流量 lambda.N(t) lambda_base * 1.8; end end % 初始化车辆队列用结构体数组存储每个车道的车辆信息 for dir {E, S, W, N} lanes.(dir{1}).queue []; % 排队车辆列表存储每辆车距停止线的距离 lanes.(dir{1}).departures 0; % 累计驶离车辆数 end注意这里用泊松过程模拟车辆到达是行业标准做法它能很好地刻画随机到达特性。lambda到达率随时间变化是为了模拟真实的“潮汐现象”早高峰进城方向流量大晚高峰出城方向流量大这让我们的仿真更贴近现实也能更好地测试模糊控制器的适应性。2.2 车辆生成、移动与消散逻辑在每个仿真步长1秒内我们需要完成以下子步骤步骤1车辆生成。根据当前时刻各进口道的到达率lambda利用随机数决定是否生成新车。MATLAB中可以用rand() lambda * dt来判断。% 在仿真主循环的每个时间步t中 for dir {E, S, W, N} dir_char dir{1}; if rand() lambda.(dir_char)(t) * dt % 生成一辆新车将其加入对应车道队列的末尾 % 新车的初始位置为车道长度lane_length表示在队列最后方 if isempty(lanes.(dir_char).queue) new_pos lane_length; else % 新车必须与前车保持安全距离 last_car_pos lanes.(dir_char).queue(end); new_pos last_car_pos vehicle_length safe_gap; end % 如果新车位置仍在车道范围内则加入队列 if new_pos lane_length lanes.(dir_char).queue [lanes.(dir_char).queue, new_pos]; end % 如果new_pos lane_length则表示上游拥堵车辆无法加入可记录为“溢出” end end步骤2车辆移动。根据当前信号灯相位决定哪些车道的排队车辆可以向前移动。绿灯车道的第一辆车最靠近停止线如果距离停止线大于0则可以“驶离”后续车辆依次前移。% 判断当前相位 if current_phase 1 % 东西向绿灯 green_dirs {E, W}; else % 南北向绿灯 green_dirs {S, N}; end % 处理绿灯方向车辆移动 for dir_char green_dirs dir_char dir_char{1}; if ~isempty(lanes.(dir_char).queue) % 检查第一辆车是否到达停止线位置0 if lanes.(dir_char).queue(1) 0 % 车辆驶离 lanes.(dir_char).queue(1) []; lanes.(dir_char).departures lanes.(dir_char).departures 1; end % 所有车辆向前移动一个“步长” % 假设车辆以恒定速度通过路口例如每秒通过一辆车简化 % 更复杂的模型可以引入加速度和速度 lanes.(dir_char).queue lanes.(dir_char).queue - 1; % 每秒前进1米 % 防止车辆位置小于0已通过路口 lanes.(dir_char).queue max(lanes.(dir_char).queue, -vehicle_length); end end % 红灯方向车辆不移动但新生成的车辆会持续加入队列导致排队长度增长。步骤3数据采集。为了给模糊控制器提供输入并评估控制效果我们需要实时记录关键数据。% 在每个时间步记录 metrics(t).time t; % 1. 排队长度各方向队列中的车辆数 metrics(t).queue_E length(lanes.E.queue); metrics(t).queue_S length(lanes.S.queue); metrics(t).queue_W length(lanes.W.queue); metrics(t).queue_N length(lanes.N.queue); % 2. 计算总排队车辆数作为模糊控制的一个输入 total_queue_EW metrics(t).queue_E metrics(t).queue_W; total_queue_NS metrics(t).queue_S metrics(t).queue_N; % 3. 记录当前相位和剩余时间 metrics(t).phase current_phase; metrics(t).phase_remaining phase_duration(current_phase) - phase_elapsed_time;通过以上代码我们就构建了一个能够动态运行、产生交通流数据的十字路口微观仿真模型。这个模型虽然做了简化但已经包含了车辆随机到达、排队、按信号灯通行等核心动力学过程为后续的模糊控制提供了可靠的测试环境。3. 模糊控制器设计让红绿灯学会“思考”有了交通流模型接下来就是为这个路口设计一个“大脑”——模糊控制器。它的任务是根据实时监测到的交通状况主要是各方向的排队长度自动决策每个相位的绿灯应该持续多久。我们将使用MATLAB的Fuzzy Logic Toolbox来直观地完成设计。3.1 确定输入与输出变量我们的控制器采用一个经典的双输入-单输出结构简单而有效输入1Input1Queue_EW。东西方向East-West的排队车辆总数。这是一个模糊变量。输入2Input2Queue_NS。南北方向North-South的排队车辆总数。同样是一个模糊变量。输出OutputGreen_Extension。当前绿灯相位的延长时间秒。注意我们控制的是“绿灯延长量”而不是绝对绿灯时间。我们设定一个最小绿灯时间例如15秒保证基本通行然后由模糊控制器决定在此基础上增加多少秒。为什么选择排队长度而不是流量在路口控制中排队长度直接反映了车辆的延误和路口的拥堵程度是比瞬时流量更稳定、更能体现累积效应的指标。控制目标就是平衡两个方向的排队长度。3.2 设计隶属度函数定义“多”与“少”模糊化的核心是将精确的输入值如“东西向有8辆车在排队”转化为模糊语言值如“车比较多”。这需要通过“隶属度函数”来实现。我们为每个输入输出变量定义几个模糊集合。对于输入Queue_EW和Queue_NS我们定义三个模糊集Short短/少Medium中Long长/多。它们的论域取值范围设定为[0, 20]意味着我们认为排队超过20辆就属于非常严重的拥堵。% 在MATLAB模糊逻辑设计器中操作或使用代码创建 fis mamfis(Name, traffic_light_fuzzy); % 添加输入变量 Queue_EW fis addInput(fis, [0 20], Name, Queue_EW); fis addMF(fis, Queue_EW, trapmf, [0 0 5 8], Name, Short); fis addMF(fis, Queue_EW, trimf, [5 10 15], Name, Medium); fis addMF(fis, Queue_EW, trapmf, [12 15 20 20], Name, Long); % 添加输入变量 Queue_NS (隶属度函数参数相同) fis addInput(fis, [0 20], Name, Queue_NS); fis addMF(fis, Queue_NS, trapmf, [0 0 5 8], Name, Short); fis addMF(fis, Queue_NS, trimf, [5 10 15], Name, Medium); fis addMF(fis, Queue_NS, trapmf, [12 15 20 20], Name, Long);对于输出Green_Extension我们定义五个模糊集VS很短S短M中L长VL很长。论域设为[0, 60]表示最大可延长60秒。% 添加输出变量 Green_Extension fis addOutput(fis, [0 60], Name, Green_Extension); fis addMF(fis, Green_Extension, trimf, [0 0 15], Name, VS); fis addMF(fis, Green_Extension, trimf, [5 15 25], Name, S); fis addMF(fis, Green_Extension, trimf, [15 30 45], Name, M); fis addMF(fis, Green_Extension, trimf, [25 45 60], Name, L); fis addMF(fis, Green_Extension, trimf, [45 60 60], Name, VL);实操心得隶属度函数形状和参数需要根据实际路口情况进行标定。梯形trapmf和三角形trimf函数最常用。初始参数可以凭经验设定后期通过仿真效果反复调整。例如如果发现控制器对“中等拥堵”反应不灵敏可以调整Medium集合的覆盖范围。3.3 制定模糊规则模仿交警的决策规则是模糊控制器的“灵魂”它用“IF-THEN”语句描述了人类的控制经验。我们的目标是哪边排队更长、更拥堵就给哪边更多的绿灯时间。我们制定9条核心规则基本覆盖了所有可能的输入组合规则编号IF (Queue_EW)AND (Queue_NS)THEN (Green_Extension)解释1ShortShortVS两边车都少绿灯延长很短时间快速切换。2ShortMediumS南北向中等拥堵东西向车少给南北向稍多时间。3ShortLongM南北向严重拥堵东西向车少给南北向较多时间。4MediumShortS东西向中等拥堵南北向车少给东西向稍多时间。5MediumMediumM两边拥堵程度相当给中等延长。6MediumLongL南北向远多于东西向给南北向长延长。7LongShortM东西向严重拥堵南北向车少给东西向较多时间。8LongMediumL东西向远多于南北向给东西向长延长。9LongLongVL两边都严重拥堵给予最长的绿灯延长避免频繁切换损失时间。在MATLAB中以字符串数组形式添加这些规则ruleList [ Queue_EWShort Queue_NSShort Green_ExtensionVS; Queue_EWShort Queue_NSMedium Green_ExtensionS; Queue_EWShort Queue_NSLong Green_ExtensionM; Queue_EWMedium Queue_NSShort Green_ExtensionS; Queue_EWMedium Queue_NSMedium Green_ExtensionM; Queue_EWMedium Queue_NSLong Green_ExtensionL; Queue_EWLong Queue_NSShort Green_ExtensionM; Queue_EWLong Queue_NSMedium Green_ExtensionL; Queue_EWLong Queue_NSLong Green_ExtensionVL; ]; fis addRule(fis, ruleList);注意事项规则的数量和精细程度需要权衡。规则太少控制粗糙规则太多可能产生冲突且调试复杂。通常先制定核心规则再通过仿真观察控制效果针对不理想的场景补充或修改规则。例如如果发现从“长排队”切换到“短排队”时绿灯时间仍然过长可以增加一条考虑“排队变化率”的规则。3.4 解模糊化从模糊建议到精确时间模糊推理引擎会根据输入值和规则计算出一个输出模糊集。我们需要通过“解模糊化”方法将这个模糊的输出集合转换成一个精确的数值绿灯延长时间。最常用的方法是重心法。% 在仿真主循环中每个控制周期例如每10秒评估一次调用 current_queue_EW total_queue_EW; % 从metrics中获取 current_queue_NS total_queue_NS; % 使用evalfis函数进行模糊推理 green_extension_time evalfis(fis, [current_queue_EW, current_queue_NS]); % 确保输出在合理范围内 green_extension_time max(0, min(green_extension_time, 60)); % 计算新的绿灯总时间 min_green_time 15; % 最小绿灯时间 new_green_duration min_green_time green_extension_time;至此一个完整的模糊控制器就设计好了。它能够像一位经验丰富的交警一样“感知”路口的拥堵状况并“思考”出合理的绿灯时长。4. MATLAB仿真集成与动态可视化现在我们将交通流模型和模糊控制器集成到同一个MATLAB仿真框架中并实现动态可视化让整个过程“活”起来。4.1 仿真主循环逻辑搭建主循环负责按时间步推进仿真在每个步长内依次调用车辆生成更新、模糊控制决策、车辆移动、数据记录和图形刷新。% 初始化图形窗口 figure(Position, [100, 100, 1200, 800]); subplot(2, 2, [1, 3]); % 左上大图路口动态 hold on; axis equal; axis([-50, 50, -50, 50]); title(十字路口交通流实时仿真 - 模糊控制); % 绘制静态路口省略详细绘图代码 plot([-20, 20], [0, 0], k-, LineWidth, 3); % 东西路 plot([0, 0], [-20, 20], k-, LineWidth, 3); % 南北路 % 绘制停止线、信号灯图例等... subplot(2, 2, 2); % 右上图排队长度实时曲线 queue_plot plot(1:simulation_time, zeros(1, simulation_time), LineWidth, 1.5); legend(EW Queue, NS Queue); xlabel(时间 (秒)); ylabel(排队车辆数); title(实时排队长度); grid on; subplot(2, 2, 4); % 右下图绿灯时间决策 phase_text text(0.1, 0.8, sprintf(当前相位: %s\n剩余时间: %.1f 秒, phase_list{current_phase}, phase_duration(current_phase)), FontSize, 12); decision_text text(0.1, 0.5, sprintf(模糊控制器输出:\nEW队列: %d\nNS队列: %d\n绿灯延长: %.1f 秒, 0, 0, 0), FontSize, 10); % 初始化记录数组 metrics struct(); control_interval 10; % 每10秒调用一次模糊控制器 last_control_time 0; % 主仿真循环 for t 1:simulation_time % 1. 车辆生成调用2.2节函数 generate_vehicles(t, lambda, lanes, lane_length, vehicle_length, safe_gap); % 2. 模糊控制决策每隔control_interval秒执行一次 if (t - last_control_time) control_interval || t 1 % 获取当前排队长度 current_queue_EW length(lanes.E.queue) length(lanes.W.queue); current_queue_NS length(lanes.S.queue) length(lanes.N.queue); % 调用模糊推理 green_extension evalfis(fis, [current_queue_EW, current_queue_NS]); green_extension max(0, min(green_extension, 60)); % 更新当前相位的绿灯总时间 % 注意只在当前相位为绿灯时才延长其时间 % 我们采用“感应控制”逻辑绿灯时间最小绿灯时间延长部分 % 每次决策都是重新计算当前绿灯相的剩余时间 new_duration 15 green_extension; % 最小15秒 % 如果当前绿灯时间已用完则切换相位 if phase_duration(current_phase) 0 % 切换相位前加入黄灯时间例如3秒 % 此处简化在可视化中用颜色区分 current_phase mod(current_phase, length(phase_list)) 1; % 为新相位计算绿灯时间基于另一对方向的排队长度 % 这里需要根据新相位对应的方向重新计算排队长度并调用模糊控制器 % 为简化假设新相位也获得一个基础时间模糊延长时间 % 实际应重新评估 phase_duration(current_phase) new_duration; phase_elapsed_time 0; else % 延长当前相位的绿灯时间 phase_duration(current_phase) new_duration; end last_control_time t; % 更新决策显示 set(decision_text, String, sprintf(模糊控制器输出:\nEW队列: %d\nNS队列: %d\n绿灯延长: %.1f 秒, current_queue_EW, current_queue_NS, green_extension)); end % 3. 更新相位计时器 phase_elapsed_time phase_elapsed_time dt; % 4. 车辆移动调用2.2节函数根据current_phase决定哪些车道通行 move_vehicles(lanes, current_phase, vehicle_length); % 5. 数据记录 metrics(t).queue_EW length(lanes.E.queue) length(lanes.W.queue); metrics(t).queue_NS length(lanes.S.queue) length(lanes.N.queue); metrics(t).phase current_phase; metrics(t).green_extension green_extension; % 6. 动态可视化更新 % 6.1 更新路口车辆位置用散点图表示车辆 % 省略详细的图形对象更新代码原理是清除上一帧的车辆点用新的lanes.queue数据重绘 % 6.2 更新信号灯颜色 % 根据current_phase和phase_elapsed_time判断是绿灯、黄灯还是红灯并改变对应图形对象的颜色 % 6.3 更新排队长度曲线 set(queue_plot(1), YData, [get(queue_plot(1), YData) metrics(t).queue_EW]); set(queue_plot(2), YData, [get(queue_plot(2), YData) metrics(t).queue_NS]); set(queue_plot(1), XData, 1:t); set(queue_plot(2), XData, 1:t); % 6.4 更新相位信息文本 remaining_time max(0, phase_duration(current_phase) - phase_elapsed_time); set(phase_text, String, sprintf(当前相位: %s\n剩余时间: %.1f 秒, phase_list{current_phase}, remaining_time)); % 7. 暂停一小段时间使动画可见 pause(0.01); % 控制动画速度 end4.2 生成与导出仿真操作视频静态的图形和曲线已经能说明问题但一个动态的视频演示无疑更具说服力。我们可以利用MATLAB的getframe和VideoWriter功能将整个仿真过程录制下来。% 在主循环开始前初始化视频写入对象 video_filename fuzzy_traffic_control_simulation.mp4; v VideoWriter(video_filename, MPEG-4); v.FrameRate 10; % 帧率根据仿真步长调整1秒仿真对应10帧 open(v); % 在主循环内部在完成每一帧的图形绘制后捕获当前图形窗口作为视频帧 % ... (完成所有图形更新后) drawnow; % 强制刷新图形 frame getframe(gcf); % 捕获整个图形窗口 writeVideo(v, frame); % 写入视频 % 在主循环结束后关闭视频文件 close(v); disp([仿真视频已保存至: , video_filename]);踩坑实录在录制视频时最容易遇到两个问题。一是帧率设置不当导致视频播放速度过快或过慢。我们的仿真步长dt1秒如果FrameRate1那么生成的视频就是1:1实时。但为了观看效果我们通常加速播放所以设为10。二是图形窗口大小和分辨率。如果窗口在录制过程中被手动调整会导致视频帧尺寸不一致。务必在仿真开始前用figure(Position, [x, y, width, height])固定窗口大小和位置。5. 性能分析与对比模糊控制到底强在哪仿真跑完了视频也生成了但我们不能只停留在“看热闹”的层面。必须用数据说话定量地分析模糊控制策略相对于传统定时控制策略的优势。我们选取两个最核心的交通性能指标平均排队长度和总通行车辆数。5.1 评价指标计算我们在仿真过程中已经记录了每个时间步的排队长度。现在从metrics结构体中提取数据进行分析。% 提取数据 time_steps 1:simulation_time; queue_EW [metrics.queue_EW]; queue_NS [metrics.queue_NS]; % 1. 计算平均排队长度 avg_queue_EW mean(queue_EW); avg_queue_NS mean(queue_NS); avg_queue_total mean(queue_EW queue_NS); fprintf(【模糊控制策略】\n); fprintf(东西向平均排队长度: %.2f 辆\n, avg_queue_EW); fprintf(南北向平均排队长度: %.2f 辆\n, avg_queue_NS); fprintf(路口总平均排队长度: %.2f 辆\n, avg_queue_total); % 2. 计算总通行车辆数即各车道累计驶离车辆之和 total_departures lanes.E.departures lanes.S.departures lanes.W.departures lanes.N.departures; fprintf(总通行车辆数: %d 辆\n, total_departures); % 3. 可选计算车辆平均延误 % 这需要记录每辆车的到达时间和离开时间模型需稍作复杂化。简化起见可以用平均排队长度间接反映。5.2 与传统定时控制策略对比为了进行公平对比我们需要在相同的车辆到达序列下运行两种控制策略。这意味着我们需要在仿真开始时保存随机数生成器的状态确保两次仿真中车辆到达的时机完全一致。% 保存随机数种子确保交通流可复现 rng_seed rng(shuffle); % 获取当前随机状态或使用固定种子如 rng(0) % 第一次运行模糊控制策略 % 运行上述完整的模糊控制仿真记录结果 fuzzy_avg_queue avg_queue_total; fuzzy_throughput total_departures; % 重置随机数生成器到相同状态 rng(rng_seed); % 第二次运行定时控制策略 % 修改主循环中的控制部分将模糊控制器替换为固定时长切换 % 例如每个相位固定绿灯30秒黄灯3秒 fixed_green_time 30; fixed_yellow_time 3; % ... (运行定时控制仿真使用相同的车辆生成逻辑) % 记录结果 fixed_avg_queue ...; % 计算出的总平均排队长度 fixed_throughput ...; % 计算出的总通行车辆数 % 对比分析 fprintf(\n 策略对比 \n); fprintf( | 模糊控制 | 定时控制 | 提升/变化\n); fprintf(平均总排队长度 | %7.2f | %7.2f | %6.2f%%\n, ... fuzzy_avg_queue, fixed_avg_queue, (fixed_avg_queue-fuzzy_avg_queue)/fixed_avg_queue*100); fprintf(总通行车辆数 | %7d | %7d | %6.2f%%\n, ... fuzzy_throughput, fixed_throughput, (fuzzy_throughput-fixed_throughput)/fixed_throughput*100);5.3 结果解读与控制器调优运行对比仿真后你可能会看到类似下面的结果【模糊控制策略】 东西向平均排队长度: 4.32 辆 南北向平均排队长度: 3.87 辆 路口总平均排队长度: 8.19 辆 总通行车辆数: 312 辆 策略对比 | 模糊控制 | 定时控制 | 提升/变化 平均总排队长度 | 8.19 | 12.45 | -34.22% 总通行车辆数 | 312 | 298 | 4.70%解读平均排队长度下降34%这是一个非常显著的改善。意味着在模糊控制下路口车辆的等待时间更短拥堵程度大大减轻。总通行车辆数提升4.7%在相同的仿真时间内通过了更多的车辆说明路口通行效率吞吐量提高了。如果结果不理想例如模糊控制效果甚至不如定时控制就需要回头审视我们的控制器设计检查隶属度函数Short,Medium,Long的划分是否合理对于你的交通流量水平排队5辆车算“少”还是“中”可能需要调整隶属度函数的交叉点。检查模糊规则规则是否覆盖了所有重要场景规则结论THEN部分的力度是否合适例如当Queue_EW为Long而Queue_NS为Short时给出的Green_ExtensionM是否足够长可以尝试将结论改为L。调整控制周期我们每10秒做一次决策是否太快或太慢决策太频繁可能导致信号灯频繁切换损失绿灯时间决策间隔太长则反应迟钝。可以尝试调整为5秒或15秒。引入更多输入变量除了当前排队长度是否可以加入“排队长度变化率”即车辆到达的紧迫程度作为输入让控制器更具预见性这个过程就是控制器的“调参”和“优化”也是工程实践中最花时间、最考验经验的部分。通过反复仿真-分析-调整最终让模糊控制器发挥出最佳性能。这个从零搭建的MATLAB模糊控制交通仿真项目不仅让你掌握了模糊逻辑工具箱的使用更深入理解了如何将一个智能控制想法通过建模、设计、集成、验证的完整流程实现出来。生成的代码和视频就是最好的学习和演示材料。你可以在此基础上继续扩展比如加入左转相位、考虑行人过街、或者尝试更先进的控制算法如模糊PID、强化学习探索智能交通的更多可能性。本文还有配套的精品资源点击获取