交通仿真软件：Aimsun_（7）.交通信号控制

交通信号控制

在交通仿真软件中，交通信号控制是模拟城市道路交通流的重要组成部分。通过合理的信号控制策略，可以显著提高交通系统的效率，减少拥堵，提高安全性。本节将详细介绍如何在Aimsun中进行交通信号控制的二次开发，包括信号相位配置、信号定时优化、自适应信号控制等内容。

信号相位配置

信号相位配置是指定义交通信号灯在不同时间段内的状态和顺序。在Aimsun中，可以通过Aimsun的API来配置信号相位。以下是一个示例，展示如何在Aimsun中配置一个简单的四相位交通信号。

示例：配置四相位交通信号

假设我们有一个交叉口，需要配置一个四相位的交通信号。每个相位的持续时间和相位顺序如下：

  1. 相位1：东向直行，持续时间15秒

  2. 相位2：西向直行，持续时间15秒

  3. 相位3：南向直行，持续时间15秒

  4. 相位4：北向直行，持续时间15秒

代码示例

# 导入Aimsun APIfromaimsun_input_readerimportaimsun_model# 获取模型model=aimsun_model.get_model()# 获取交叉口对象junction=model.get_object_by_name('MyJunction')# 获取信号控制器signal_controller=junction.get_signal_controller()# 创建信号相位phase1=signal_controller.create_phase('Phase1',15,['EastStraight'])phase2=signal_controller.create_phase('Phase2',15,['WestStraight'])phase3=signal_controller.create_phase('Phase3',15,['SouthStraight'])phase4=signal_controller.create_phase('Phase4',15,['NorthStraight'])# 设置信号相位顺序signal_controller.set_phase_sequence([phase1,phase2,phase3,phase4])# 保存配置signal_controller.save()

代码解释

  1. 导入Aimsun API：首先导入Aimsun的API模块，以便使用其提供的功能。

  2. 获取模型：使用aimsun_model.get_model()获取当前的Aimsun模型对象。

  3. 获取交叉口对象：通过模型对象获取名为MyJunction的交叉口对象。

  4. 获取信号控制器：从交叉口对象中获取信号控制器对象。

  5. 创建信号相位：使用create_phase方法创建每个相位。方法参数包括相位名称、持续时间（秒）和参与该相位的交通流方向。

  6. 设置信号相位顺序：使用set_phase_sequence方法设置信号相位的顺序。

  7. 保存配置：最后，使用save方法保存信号控制器的配置。

信号定时优化

信号定时优化是指通过调整信号相位的持续时间来优化交通流量。Aimsun提供了多种优化方法，包括基于固定时间的优化和基于实时流量的优化。以下是一个示例，展示如何使用Aimsun的API进行基于固定时间的信号定时优化。

示例：基于固定时间的信号定时优化

假设我们有一个交叉口，需要根据固定时间的流量数据来优化信号定时。流量数据如下：

  • 东向直行：每小时1200辆车

  • 西向直行：每小时1000辆车

  • 南向直行：每小时800辆车

  • 北向直行：每小时1100辆车

代码示例

# 导入Aimsun APIfromaimsun_input_readerimportaimsun_model# 获取模型model=aimsun_model.get_model()# 获取交叉口对象junction=model.get_object_by_name('MyJunction')# 获取信号控制器signal_controller=junction.get_signal_controller()# 获取流量数据east_flow=1200# 每小时1200辆车west_flow=1000# 每小时1000辆车south_flow=800# 每小时800辆车north_flow=1100# 每小时1100辆车# 计算每个方向的流量权重total_flow=east_flow+west_flow+south_flow+north_flow east_weight=east_flow/total_flow west_weight=west_flow/total_flow south_weight=south_flow/total_flow north_weight=north_flow/total_flow# 计算每个相位的持续时间phase_duration=60# 总周期时间60秒phase1_duration=int(phase_duration*east_weight)phase2_duration=int(phase_duration*west_weight)phase3_duration=int(phase_duration*south_weight)phase4_duration=int(phase_duration*north_weight)# 更新信号相位的持续时间phase1=signal_controller.get_phase_by_name('Phase1')phase2=signal_controller.get_phase_by_name('Phase2')phase3=signal_controller.get_phase_by_name('Phase3')phase4=signal_controller.get_phase_by_name('Phase4')phase1.set_duration(phase1_duration)phase2.set_duration(phase2_duration)phase3.set_duration(phase3_duration)phase4.set_duration(phase4_duration)# 保存配置signal_controller.save()

代码解释

  1. 导入Aimsun API：首先导入Aimsun的API模块。

  2. 获取模型：使用aimsun_model.get_model()获取当前的Aimsun模型对象。

  3. 获取交叉口对象：通过模型对象获取名为MyJunction的交叉口对象。

  4. 获取信号控制器：从交叉口对象中获取信号控制器对象。

  5. 获取流量数据：定义每个方向的流量数据。

  6. 计算每个方向的流量权重：根据流量数据计算每个方向的流量权重。

  7. 计算每个相位的持续时间：根据流量权重和总周期时间计算每个相位的持续时间。

  8. 更新信号相位的持续时间：使用set_duration方法更新每个相位的持续时间。

  9. 保存配置：最后，使用save方法保存信号控制器的配置。

自适应信号控制

自适应信号控制是指根据实时交通流量数据动态调整信号相位的持续时间。Aimsun提供了强大的API支持自适应信号控制的开发。以下是一个示例，展示如何实现基于实时流量的自适应信号控制。

示例：基于实时流量的自适应信号控制

假设我们有一个交叉口，需要根据实时流量数据动态调整信号相位的持续时间。流量数据每分钟更新一次。

代码示例

# 导入Aimsun APIfromaimsun_input_readerimportaimsun_modelimporttime# 获取模型model=aimsun_model.get_model()# 获取交叉口对象junction=model.get_object_by_name('MyJunction')# 获取信号控制器signal_controller=junction.get_signal_controller()# 获取流量检测器east_detector=model.get_object_by_name('EastDetector')west_detector=model.get_object_by_name('WestDetector')south_detector=model.get_object_by_name('SouthDetector')north_detector=model.get_object_by_name('NorthDetector')# 定义流量权重计算函数defcalculate_weight(flow,total_flow):returnflow/total_flow# 定义自适应信号控制函数defadaptive_signal_control():# 获取实时流量数据east_flow=east_detector.get_current_flow()west_flow=west_detector.get_current_flow()south_flow=south_detector.get_current_flow()north_flow=north_detector.get_current_flow()# 计算每个方向的流量权重total_flow=east_flow+west_flow+south_flow+north_flow east_weight=calculate_weight(east_flow,total_flow)west_weight=calculate_weight(west_flow,total_flow)south_weight=calculate_weight(south_flow,total_flow)north_weight=calculate_weight(north_flow,total_flow)# 计算每个相位的持续时间phase_duration=60# 总周期时间60秒phase1_duration=int(phase_duration*east_weight)phase2_duration=int(phase_duration*west_weight)phase3_duration=int(phase_duration*south_weight)phase4_duration=int(phase_duration*north_weight)# 更新信号相位的持续时间phase1=signal_controller.get_phase_by_name('Phase1')phase2=signal_controller.get_phase_by_name('Phase2')phase3=signal_controller.get_phase_by_name('Phase3')phase4=signal_controller.get_phase_by_name('Phase4')phase1.set_duration(phase1_duration)phase2.set_duration(phase2_duration)phase3.set_duration(phase3_duration)phase4.set_duration(phase4_duration)# 保存配置signal_controller.save()# 每分钟更新一次信号定时whileTrue:adaptive_signal_control()time.sleep(60)# 每分钟更新一次

代码解释

  1. 导入Aimsun API：首先导入Aimsun的API模块和时间模块。

  2. 获取模型：使用aimsun_model.get_model()获取当前的Aimsun模型对象。

  3. 获取交叉口对象：通过模型对象获取名为MyJunction的交叉口对象。

  4. 获取信号控制器：从交叉口对象中获取信号控制器对象。

  5. 获取流量检测器：定义每个方向的流量检测器对象。

  6. 定义流量权重计算函数：编写一个函数calculate_weight来计算每个方向的流量权重。

  7. 定义自适应信号控制函数：编写一个函数adaptive_signal_control来根据实时流量数据动态调整信号相位的持续时间。

  8. 获取实时流量数据：使用流量检测器对象获取当前的实时流量数据。

  9. 计算每个方向的流量权重：根据实时流量数据计算每个方向的流量权重。

  10. 计算每个相位的持续时间：根据流量权重和总周期时间计算每个相位的持续时间。

  11. 更新信号相位的持续时间：使用set_duration方法更新每个相位的持续时间。

  12. 保存配置：最后，使用save方法保存信号控制器的配置。

  13. 每分钟更新一次信号定时：使用while True循环每分钟调用一次adaptive_signal_control函数，更新信号定时。

信号控制策略的评估

在实现信号控制策略后，需要对其进行评估以确保其有效性。Aimsun提供了多种评估指标，包括平均等待时间、最大等待时间、车辆延误等。以下是一个示例，展示如何评估信号控制策略的性能。

示例：评估信号控制策略

假设我们已经实现了一个自适应信号控制策略，需要评估其在高峰时段和非高峰时段的性能。

代码示例

# 导入Aimsun APIfromaimsun_input_readerimportaimsun_model# 获取模型model=aimsun_model.get_model()# 获取交叉口对象junction=model.get_object_by_name('MyJunction')# 获取信号控制器signal_controller=junction.get_signal_controller()# 获取评估指标average_wait_time=signal_controller.get_average_wait_time()max_wait_time=signal_controller.get_max_wait_time()vehicle_delay=signal_controller.get_vehicle_delay()# 打印评估指标print(f'Average Wait Time:{average_wait_time}seconds')print(f'Max Wait Time:{max_wait_time}seconds')print(f'Vehicle Delay:{vehicle_delay}seconds')# 模拟高峰时段和非高峰时段defsimulate_peak_hours():# 设置高峰时段流量数据east_detector.set_flow(1500)# 每小时1500辆车west_detector.set_flow(1300)# 每小时1300辆车south_detector.set_flow(1000)# 每小时1000辆车north_detector.set_flow(1400)# 每小时1400辆车# 运行仿真model.run_simulation(3600)# 运行1小时# 获取评估指标peak_average_wait_time=signal_controller.get_average_wait_time()peak_max_wait_time=signal_controller.get_max_wait_time()peak_vehicle_delay=signal_controller.get_vehicle_delay()# 打印评估指标print(f'Peak Average Wait Time:{peak_average_wait_time}seconds')print(f'Peak Max Wait Time:{peak_max_wait_time}seconds')print(f'Peak Vehicle Delay:{peak_vehicle_delay}seconds')defsimulate_non_peak_hours():# 设置非高峰时段流量数据east_detector.set_flow(800)# 每小时800辆车west_detector.set_flow(700)# 每小时700辆车south_detector.set_flow(600)# 每小时600辆车north_detector.set_flow(750)# 每小时750辆车# 运行仿真model.run_simulation(3600)# 运行1小时# 获取评估指标non_peak_average_wait_time=signal_controller.get_average_wait_time()non_peak_max_wait_time=signal_controller.get_max_wait_time()non_peak_vehicle_delay=signal_controller.get_vehicle_delay()# 打印评估指标print(f'Non-Peak Average Wait Time:{non_peak_average_wait_time}seconds')print(f'Non-Peak Max Wait Time:{non_peak_max_wait_time}seconds')print(f'Non-Peak Vehicle Delay:{non_peak_vehicle_delay}seconds')# 运行评估simulate_non_peak_hours()simulate_peak_hours()

代码解释

  1. 导入Aimsun API：首先导入Aimsun的API模块。

  2. 获取模型：使用aimsun_model.get_model()获取当前的Aimsun模型对象。

  3. 获取交叉口对象：通过模型对象获取名为MyJunction的交叉口对象。

  4. 获取信号控制器：从交叉口对象中获取信号控制器对象。

  5. 获取评估指标：使用信号控制器对象获取平均等待时间、最大等待时间和车辆延误等评估指标。

  6. 打印评估指标：打印初始的评估指标。

  7. 定义高峰时段模拟函数：编写一个函数simulate_peak_hours来模拟高峰时段的流量数据，并运行仿真1小时。

  8. 设置高峰时段流量数据：使用流量检测器对象设置高峰时段的流量数据。

  9. 运行仿真：使用model.run_simulation方法运行仿真1小时。

  10. 获取评估指标：再次获取评估指标，打印高峰时段的评估指标。

  11. 定义非高峰时段模拟函数：编写一个函数simulate_non_peak_hours来模拟非高峰时段的流量数据，并运行仿真1小时。

  12. 设置非高峰时段流量数据：使用流量检测器对象设置非高峰时段的流量数据。

  13. 运行仿真：使用model.run_simulation方法运行仿真1小时。

  14. 获取评估指标：再次获取评估指标，打印非高峰时段的评估指标。

  15. 运行评估：调用simulate_non_peak_hours和simulate_peak_hours函数，分别评估非高峰时段和高峰时段的信号控制策略性能。

信号控制策略的参数优化

除了手动调整信号相位的持续时间，还可以通过参数优化来自动调整信号控制策略。Aimsun提供了优化工具和API，支持多种优化算法，如遗传算法、模拟退火算法等。以下是一个示例，展示如何使用遗传算法优化信号相位的持续时间，目标是最小化车辆延误。

示例：使用遗传算法优化信号相位持续时间

假设我们使用遗传算法来优化一个交叉口的信号相位持续时间，目标是最小化车辆延误。

代码示例

# 导入Aimsun API和优化库fromaimsun_input_readerimportaimsun_modelimportnumpyasnpfromdeapimportbase,creator,tools,algorithms# 获取模型model=aimsun_model.get_model()# 获取交叉口对象junction=model.get_object_by_name('MyJunction')# 获取信号控制器signal_controller=junction.get_signal_controller()# 定义优化目标creator.create('FitnessMin',base.Fitness,weights=(-1.0,))creator.create('Individual',list,fitness=creator.FitnessMin)# 初始化遗传算法工具箱toolbox=base.Toolbox()toolbox.register('attr_float',np.random.uniform,10,50)# 生成10到50秒之间的随机数toolbox.register('individual',tools.initRepeat,creator.Individual,toolbox.attr_float,n=4)# 生成4个相位持续时间toolbox.register('population',tools.initRepeat,list,toolbox.individual)# 定义评估函数defevaluate(individual):# 设置相位持续时间phase1=signal_controller.get_phase_by_name('Phase1')phase2=signal_controller.get_phase_by_name('Phase2')phase3=signal_controller.get_phase_by_name('Phase3')phase4=signal_controller.get_phase_by_name('Phase4')phase1.set_duration(int(individual[0]))phase2.set_duration(int(individual[1]))phase3.set_duration(int(individual[2]))phase4.set_duration(int(individual[3]))# 保存配置signal_controller.save()# 运行仿真model.run_simulation(3600)# 运行1小时# 获取评估指标vehicle_delay=signal_controller.get_vehicle_delay()# 返回评估指标returnvehicle_delay,# 注册评估函数toolbox.register('evaluate',evaluate)# 注册选择、交配、变异操作toolbox.register('select',tools.selTournament,tournsize=3)toolbox.register('mate',tools.cxBlend,alpha=0.5)toolbox.register('mutate',tools.mutGaussian,mu=0,sigma=10,indpb=0.2)# 定义遗传算法参数POPULATION_SIZE=100GENERATIONS=50CXPB=0.5# 交叉概率MUTPB=0.2# 变异概率# 运行遗传算法defoptimize_signal_control():# 初始化种群population=toolbox.population(n=POPULATION_SIZE)# 进化算法forgeninrange(GENERATIONS):# 选择下一代个体offspring=toolbox.select(population,len(population))offspring=list(map(toolbox.clone,offspring))# 应用交叉和变异forchild1,child2inzip(offspring[::2],offspring[1::2]):ifnp.random.random()<CXPB:toolbox.mate(child1,child2)delchild1.fitness.valuesdelchild2.fitness.valuesformutantinoffspring:ifnp.random.random()<MUTPB:toolbox.mutate(mutant)delmutant.fitness.values# 评估新一代个体invalid_individuals=[indforindinoffspringifnotind.fitness.valid]fitnesses=toolbox.map(toolbox.evaluate,invalid_individuals)forind,fitinzip(invalid_individuals,fitnesses):ind.fitness.values=fit# 替换旧种群population[:]=offspring# 打印每代的最佳个体best_ind=tools.selBest(population,1)[0]print(f'Generation{gen}: Best Individual ={best_ind}, Fitness ={best_ind.fitness.values[0]}')# 返回最佳个体best_individual=tools.selBest(population,1)[0]returnbest_individual# 运行优化best_signal_durations=optimize_signal_control()# 应用最佳信号持续时间phase1=signal_controller.get_phase_by_name('Phase1')phase2=signal_controller.get_phase_by_name('Phase2')phase3=signal_controller.get_phase_by_name('Phase3')phase4=signal_controller.get_phase_by_name('Phase4')phase1.set_duration(int(best_signal_durations[0]))phase2.set_duration(int(best_signal_durations[1]))phase3.set_duration(int(best_signal_durations[2]))phase4.set_duration(int(best_signal_durations[3]))# 保存配置signal_controller.save()# 再次运行仿真以验证优化效果model.run_simulation(3600)# 运行1小时vehicle_delay=signal_controller.get_vehicle_delay()print(f'Optimized Vehicle Delay:{vehicle_delay}seconds')

代码解释

  1. 导入Aimsun API和优化库：首先导入Aimsun的API模块和DEAP库，DEAP是一个用于遗传算法的Python库。

  2. 获取模型：使用aimsun_model.get_model()获取当前的Aimsun模型对象。

  3. 获取交叉口对象：通过模型对象获取名为MyJunction的交叉口对象。

  4. 获取信号控制器：从交叉口对象中获取信号控制器对象。

  5. 定义优化目标：使用DEAP的creator模块定义优化目标，即最小化车辆延误。

  6. 初始化遗传算法工具箱：使用DEAP的toolbox模块注册生成随机相位持续时间、个体和种群的方法。

  7. 定义评估函数：编写一个函数evaluate来评估每个个体的性能。该函数设置信号相位的持续时间，运行仿真，并返回车辆延误。

  8. 注册评估函数：将评估函数注册到工具箱中。

  9. 注册选择、交配、变异操作：注册选择、交配和变异操作，这些操作用于生成新一代个体。

  10. 定义遗传算法参数：定义种群大小、进化代数、交叉概率和变异概率。

  11. 运行遗传算法：编写一个函数optimize_signal_control来运行遗传算法。该函数初始化种群，进行多代进化，并每代选择最佳个体进行打印。

  12. 应用最佳信号持续时间：将遗传算法找到的最佳相位持续时间应用到信号控制器中，并保存配置。

  13. 再次运行仿真以验证优化效果：运行仿真1小时，获取并打印优化后的车辆延误。

通过上述步骤，我们可以自动优化信号相位的持续时间，从而提高交通系统的效率和安全性。遗传算法在这种优化问题中表现出色，能够找到接近最优的解决方案。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/1125406.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

计算机深度学习毕设实战-基于深度学习的玉米粒品质检测基于人工智能的玉米粒品质检测

计算机深度学习毕设实战-基于深度学习的玉米粒品质检测基于人工智能的玉米粒品质检测

博主介绍&#xff1a;✌️码农一枚 &#xff0c;专注于大学生项目实战开发、讲解和毕业&#x1f6a2;文撰写修改等。全栈领域优质创作者&#xff0c;博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java、小程序技术领域和毕业项目实战 ✌️技术范围&#xff1a;&am…
阅读更多...
Golang 构建学习

Golang 构建学习

Golang 构建学习 如何搭建Golang开发环境 1. 下载GOlang包 https://golang.google.cn/dl/ 在地址上下载Golang 2. 配置包环境 修改全局环境变量&#xff0c;GOPROXY&#xff0c;GOPATH&#xff0c;GOROOT GOPROXYhttps://goproxy.cn,direct GOROOT“” // go二进制文件的路…
阅读更多...
【异常】Unable to create ‘/.git/index.lock‘: File exists. Another git process seems to be running

【异常】Unable to create ‘/.git/index.lock‘: File exists. Another git process seems to be running

一、报错内容 添加文件时发生以下问题: Unable to create E:/00 Inbox/Winston Obsidian Vault/szu_education/.git/index.lock: File exists. Another git process seems to be running in this repository, e.g. an editor opened by git commit. Please make sure all …
阅读更多...
C语言全景解读：从诞生到现代应用，揭秘其核心优势、编程技巧与开发实践

C语言全景解读：从诞生到现代应用，揭秘其核心优势、编程技巧与开发实践

一、C语言的历史背景C语言诞生于1972年&#xff0c;由Dennis Ritchie在贝尔实验室开发&#xff0c;最初是作为UNIX操作系统的编程语言而设计的。C语言的诞生有其深刻的历史背景和技术动因。1. 从B语言到C语言的进化在C语言之前&#xff0c;存在着一门名为B语言的编程语言&#…
阅读更多...
docker启动redis

docker启动redis

最简单的方法 如果只是希望启动redis&#xff0c;不想去繁琐的配置&#xff0c;建议使用以下run命令 docker run --name redis --restartalways -d -p 6379:6379 redis:7.2 --requirepass 12345600这个命令会启动最新版redis 常规方法 1. 下载redis镜像 先到dockerhub官网…
阅读更多...
docker拉取mysql5.7镜像报错Error response from daemon Get “httpsregistry-1.docker.iov2“

docker拉取mysql5.7镜像报错Error response from daemon Get “httpsregistry-1.docker.iov2“

解决方法&#xff1a; 进入/etc/docker/daemon.json [vagrantlocalhost ~]$ sudo vi /etc/docker/daemon.json 修改配置文件&#xff08;删除源数据&#xff0c;直接复制粘贴&#xff0c;wq退出即可&#xff09; {"registry-mirrors": ["https://2a6bf1988cb64…
阅读更多...
智能体迈入 Agent RL 新架构时代，非常详细收藏这一篇就够了

智能体迈入 Agent RL 新架构时代，非常详细收藏这一篇就够了

0、序章&#xff1a;三大核心认知基石 在探索 Agent RL 技术浪潮之前&#xff0c;我们需先锚定三个根本性认知&#xff1a;人类的本质&#xff1a;生物界中&#xff0c;人类凭借高等智慧脱颖而出&#xff0c;而制造与使用工具的能力&#xff0c;正是人与动物的核心分野。 大模型…
阅读更多...
多模态基础篇VLMo详解，非常详细收藏我这一篇就好了

多模态基础篇VLMo详解，非常详细收藏我这一篇就好了

该模型提出了一种统一的视觉-语言预训练模型 VLMO&#xff08;Vision-Language Mixture-of-Experts&#xff09;&#xff0c;其核心创新在于引入了 Mixture-of-Modality-Experts&#xff08;MOME&#xff09;Transformer 架构&#xff0c;使得一个模型既能作为双编码器&#xf…
阅读更多...
docker设置redis密码

docker设置redis密码

docker设置redis密码 方法一&#xff1a;创建redis容器并设置密码 docker run -itd --name redis-6379 -p 6379:6379 redis --requirepass 123456说明: --name (启动容器的名称) -p 映射端口:redis启动端口 redis --requirepass 启动密码方法二&#xff1a;为现有的redis创建…
阅读更多...
Go-Gin Web 框架完整教程

Go-Gin Web 框架完整教程

1. 环境准备 1.1 Go 环境安装 Go 语言&#xff08;或称 Golang&#xff09;是一个开源的编程语言&#xff0c;由 Google 开发。在开始使用 Gin 框架之前&#xff0c;我们需要先安装 Go 环境。 安装步骤&#xff1a; 访问 Go 官网下载页面&#xff1a;https://golang.org/dl/根据…
阅读更多...
FlinkCDC实战：将 MySQL 数据同步至 ES

FlinkCDC实战：将 MySQL 数据同步至 ES

?? 当前需要处理的业务场景: 将订单表和相关联的表(比如: 商品表、子订单表、物流信息表)组织成宽表, 放入到 ES 中, 加速订单数据的查询. 同步数据到 es. 概述 1. 什么是 CDC 2. 什么是 Flink CDC 3. Flink CDC Connectors 和 Flink 的版本映射 实战 1. 宽表查询 1.1 …
阅读更多...
从原理切入，看大模型的未来，非常详细收藏我这一篇就够了

从原理切入，看大模型的未来，非常详细收藏我这一篇就够了

相信大家都接触过大模型&#xff0c;比如 DeepSeek、豆包、ChatGPT 等生成式 AI 应用&#xff0c;当用户输入相关信息后&#xff0c;大模型就会快速输出相应的结果&#xff1a;文字、图片&#xff0c;甚至是视频。这是大家对大模型最常见的认识——效率工具。可当笔者看到25年底…
阅读更多...
DBeaver连接本地MySQL、创建数据库表的基础操作

DBeaver连接本地MySQL、创建数据库表的基础操作

一、连接本地MySQL 1、新建连接 打开DBeaver,点击左上角的文件或者点击箭头所指的连接按钮。新建数据库连接-选择数据库&#xff08;mysql&#xff09;&#xff0c;点击“下一步”输入服务器地址、端口、用户名、密码(数据库自己选填&#xff0c;不填则连接所有数据库&#xff…
阅读更多...
docker网络模式及配置

docker网络模式及配置

一、Docker网络模式 docker run 创建docker容器时&#xff0c;可以用-net选项指定容器的网络模式&#xff0c;docker有以下4种网络模式&#xff1a; host 模式&#xff0c;使用-nethost指定。container模式&#xff0c;使用-netcontainer:NAME_or_ID指定。none模式&#xff0…
阅读更多...
docker中配置redis

docker中配置redis

1、常规操作 docker pull redis&#xff08;默认你的docker中没有redis&#xff09; 2、查看redis是否拉取成功 docker images redis 3、创建目录&#xff0c;在你的宿主机&#xff0c;&#xff08;我是在虚机中建的centos7&#xff09;为了给redis配置文件使用 4、下载redis…
阅读更多...
error @achrinzanode-ipc@9.2.5 The engine “node“ is incompatible with this module. 解决node.js版本不兼容问题

error @achrinzanode-ipc@9.2.5 The engine “node“ is incompatible with this module. 解决node.js版本不兼容问题

目录 很多人运行项目的时候会出现报错信息&#xff1a; 解决方案 然后再次运行就好了&#xff1a; 此时&#xff0c;我点击链接就可以看到了&#xff1a; 很多人运行项目的时候会出现报错信息&#xff1a; 这个错误是因为你的项目中使用了一个模块 achrinza/node-ipc&#…
阅读更多...
ERROR 1524 (HY000) Plugin ‘mysql_native_password‘ is not loaded

ERROR 1524 (HY000) Plugin ‘mysql_native_password‘ is not loaded

你遇到的错误是由于 MySQL 版本不再默认支持 mysql_native_password 认证插件导致的。从 MySQL 8.0 开始&#xff0c;默认的认证插件是 caching_sha2_password&#xff0c;而不是 mysql_native_password。 解释&#xff1a; 错误 ERROR 1524 (HY000): Plugin mysql_native_pass…
阅读更多...
docker下搭建redis集群

docker下搭建redis集群

1. 环境准备 准备好Linux系统机器&#xff0c;并安装好docker&#xff0c;阅读这篇文章前请先了解清楚docker的基本知识并且会熟悉运用docker的常用命令。学习docker基础知识可以参考这篇博文 安装好并启动docker后就可以开始搭建redis了 2. docker容器下安装redis 本篇文章…
阅读更多...
深度解析：为什么传统操作系统的最小权限原则在智能体世界失灵？

深度解析：为什么传统操作系统的最小权限原则在智能体世界失灵？

前言 如果我们把“AgentOS”理解为一种为智能体长期运行、持续决策、主动调用资源而设计的操作系统，那么它会暴露出一个根本性矛盾：我们正在用为“被动程序”设计的安全模型，去约束“主动行为体”。 传统操作系统的安全模型，无论是 Unix 时代的“用户-组-其他”，还是后来…
阅读更多...
交通仿真软件：Aimsun_（1）.Aimsun概述v1

交通仿真软件：Aimsun_（1）.Aimsun概述v1

Aimsun概述 1. Aimsun的基本功能 Aimsun是一款功能强大的交通仿真软件&#xff0c;广泛应用于交通规划、交通管理和交通研究等领域。它能够模拟从微观到宏观的交通流&#xff0c;提供详细的交通分析和优化建议。Aimsun的基本功能包括&#xff1a; 1.1 交通网络建模 Aimsun允许用…
阅读更多...
最新文章

Copyright @ 2022~2023