Traffic Signal Timing Optimization

عن المشروع:تطوير نظام محاكاة وتحسين برمجي متكامل لنمذجة تدفق المركبات عبر التقاطعات المرورية والتحكم الديناميكي في أوقات الإشارات الضوئية. يجمع المشروع بين النمذجة الرياضية (Mathematical Modeling)، المحاكاة زمنية الخطوات (Discrete-Time Simulation)، وخوارزميات التحسين الذكية (Metaheuristic Optimization Algorithms) للتقليل من الازدحام وزمن الانتظار.

المميزات والحلول التقنية المطبقة:

صياغة المسألة والنمذجة المرورية (Problem Formulation): تعريف التقاطعات كعقد (Nodes) متغيرة الأزمنة (Green, Yellow, Red times) مع مراعاة قيود الدورة الموحدة (Cycle length) وحدود الأمان الدنيا للإشارة الخضراء.

نمذجة الحركة العشوائية للمركبات وطوابير الانتظار (Queue lengths) عند الإشارات الحمراء

.بيئة المحاكاة ودالة الهدف (Simulation & Objective Function): بناء محاكي مرور قائم على الخطوات الزمنية (Time-Step Engine) لتتبع حركة وتوقف المركبات.تصميم دالة تكيف (Fitness Function) مخصصة توازن بين تجربة السائق وكفاءة الشبكة:$$\text{Fitness} = \text{Average Wait Time} + 2 \times \text{Congestion}$$

خوارزميات التحسين الذكية (Optimization Algorithms):دمج خوارزميات جينات (Genetic Algorithm) وتحسين سرب الجسيمات (PSO) بالإضافة إلى الطرق الهجينة (Hybrid Methods) لتطوير وتحديد الأزمنة المثالية للإشارات.

الفصل الدقيق بين التمثيل الجيني (Genotype) والخطة المرورية الفعلية (Phenotype).

معمارية برمجية قابلة للتوسع (Object-Oriented Design): بناء هيكل برمجي نمطي (Modular Code) باستعمال Python يعتمد على البرمجة كائنية التوجه (Classes: Vehicle, Intersection, Simulation) لتسهيل توسيع النظام ليشمل شبكات مرورية معقدة.

التقنيات والأدوات المستخدمة (Tech Stack):اللغة: Pythonالمفاهيم: Object-Oriented Programming (OOP), Discrete-Time Simulationالخوارزميات: Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Hybrid Metaheuristics

تحليل البيانات: NumPy, Pandas, Matplotlib

نتائج المشروع والقيمة للعميل (Key Outcomes):تقليل قياسي في متوسط زمن انتظار المركبات وأطوال الطوابير عند التقاطعات.تقديم إطار محاكاة مرن وقابل للإعادة الاستخدام (Reusable Framework) لتخطيط وحلول المدن الذكية (Smart Cities).