CN106227958B - 人工蜂群与社会力模型结合的群组疏散仿真系统及方法 - Google Patents

人工蜂群与社会力模型结合的群组疏散仿真系统及方法 Download PDF

Info

Publication number
CN106227958B
CN106227958B CN201610601530.0A CN201610601530A CN106227958B CN 106227958 B CN106227958 B CN 106227958B CN 201610601530 A CN201610601530 A CN 201610601530A CN 106227958 B CN106227958 B CN 106227958B
Authority
CN
China
Prior art keywords
evacuation
group
crowd
grid
exit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610601530.0A
Other languages
English (en)
Other versions
CN106227958A (zh
Inventor
刘弘
李焱
郑向伟
张桂娟
陆佃杰
陈莉
吕蕾
吕晨
张宇昂
徐斌
柳广鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN201610601530.0A priority Critical patent/CN106227958B/zh
Publication of CN106227958A publication Critical patent/CN106227958A/zh
Application granted granted Critical
Publication of CN106227958B publication Critical patent/CN106227958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了人工蜂群与社会力模型结合的群组疏散仿真系统及方法，方法包括：获取疏散场景参数，构建疏散场景三维模型；在三维模型中，查找疏散场景的所有出口；根据个体间关系和距离出口的位置，将疏散场景中的待疏散人群划分成若干个群组，筛选各组中最接近出口位置的个体作为各群组的引领者；将疏散场景的各个出口作为食物源，引领者作为群组中的引领蜂，与人工蜂群中的各项参数建立一一映射；各群组在引领者的带领下，执行并行人工蜂群算法动态规划路径向出口移动。若引领者到达相应出口，则在出口等待，直至各群组中无个体，结束人群疏散仿真。本方法提高仿真效率及公共场所中通道的利用率，为真实的疏散演练提供帮助。

Description

人工蜂群与社会力模型结合的群组疏散仿真系统及方法
技术领域
本发明属于人群疏散计算仿真领域，尤其涉及人工蜂群与社会力模型结合的群组疏散仿真系统及方法。
背景技术
近年来，随着社会经济的高速发展，各种聚集了大量人群的大型公共活动不断增多，这其中的安全问题引起了越来越多的关注。在一些人员密集的公共建筑场所内，由于在建筑设计上的不合理，以及应急管理方面的不到位，当发生各种紧急突发事件，人员需要紧急撤离时，容易造成疏散人群的拥挤和阻塞，甚至发生严重的人员踩踏事故。研究突发事件下人群疏散的行为特征及运动规律，对于促进建筑物的合理设计，加强安全管理，从而有效地预防和减少各种突发情况下人员的伤亡，具有十分重要的意义。突发事件下的人群疏散运动是一个非常复杂的过程。组织人员进行疏散实验，虽然针对性强，获得的信息量大，但是实验费用和人员安全问题是不可回避的，所以计算机仿真模拟成为研究突发事件下人群疏散的最主要方法。
常用的人群疏散仿真模型有宏观模型和微观模型，宏观模型把疏散人群作为一个整体对待，疏散速度快，但是不能真实地对人群疏散运动仿真。微观模型要为每个疏散个体都作全局运动规划，计算开销太大，由于疏散人群数量大，每个个体计算路径导致的速度又过慢，这种微观模型往往只能用于处理较小规模的群体，并且在实时计算环境中很难应用。
中国发明专利(申请号：201610044959，专利名称：基于网格-密度-关系的疏散人群行为仿真系统及其方法)，虽然提及了人群行为仿真系统及其方法，但是其发明在于通过加权的关系值与加权的密度值对人群进行分组来模拟人群疏散出现自然分组以及人群出口处的拱形现象。该发明解决了人群分组问题，但没有解决人群疏散全局路径规划仿真问题。
中国发明专利(申请号：201610045914，专利名称：一种大规模人群疏散计算机仿真系统及其方法)，虽然提及了人群疏散计算机仿真系统及其方法，但是其发明在于在考虑人群关系的特性对人群进行分组的前提下，每组选出引领者，采用改进型社会力模型来模拟在突发事件人群疏散时群组移动的过程，侧重点在于对社会力模型进行改进，增加了群组吸引力。该发明解决了各单个群组移动及局部路径规划问题，但没有解决人群疏散全局路径规划仿真问题。
发明内容
为了解决现有技术的缺点，本发明提供人工蜂群与社会力模型结合的群组疏散仿真系统及方法。本发明结合宏观模型和微观模型的优点，全局路径规划与局部路径规划相结合，弥补两种模型在仿真大规模人群疏散时的不足。本方法整体采用多蜂群人工蜂群算法群组并行疏散，进行全局路径规划，群组内部采用有引领者的社会力模型向目标移动疏散，进行局部路径规划，能够有效提高仿真效率及公共场所中通道的利用率，有利于设计疏散预案，为真实的疏散演练提供帮助。
为实现上述目的，本发明采用以下技术方案：
人工蜂群与社会力模型结合的群组疏散仿真方法，包括：
步骤(1)：获取疏散场景参数，构建疏散场景三维模型；在疏散场景三维模型中，查找疏散场景的所有出口；
步骤(2)：根据人群个体间关系和个体与出口之间距离，将疏散场景中的待疏散人群划分成若干个群组，群组个数根据出口个数决定，筛选各群组中最接近出口位置的个体作为各群组的引领者；
步骤(3)：将疏散场景的各个出口作为食物源，引领者作为群组中的引领蜂，将人群疏散各项参数与人工蜂群算法中的各项参数建立一一映射；
步骤(4)：各群组在各群组所对应的引领者的带领下，执行并行人工蜂群算法动态规划路径，向出口移动；若引领者到达相应出口，则在出口等待，直至各群组中无个体，结束人群疏散仿真。
进一步的，所述步骤(1)的疏散场景参数包括疏散场景形状以及建筑结构信息。
进一步的，步骤(2)的人群个体间关系为：
对于两个个体pl和pm，关系值表示两个个体之间的紧密程度，取值为0到1，用rel(pl，pm)表示：
Figure BDA0001061563080000021
进一步的，步骤(2)将疏散场景中的待疏散人群划分成若干个群组，具体划分的步骤为：
步骤(2-1)：建立人群数据集与疏散场景三维模型中人群活动区域之间的映射关系，根据映射关系生成人群个体在人群活动区域的位置；
步骤(2-2)：根据疏散场景中所有出入口数量来确定人群分组数量，对疏散场景三维模型中人群活动区域进行网格划分；
步骤(2-3)：根据每个网格单元内的个体数量以及个体间关系，计算每个网格单元的网格密度值和网格关系值，对网格密度值和网格关系值进行加权叠加，获得每个网格单元的网格关系-密度值；
步骤(2-4)：将网格关系-密度值最大的网格为核心网格来构建组中心，根据个体与组中心的物理距离，将个体所在网格分配到各核心网格所在的组中，完成人群的分组。
所述步骤(2-4)中，将个体所在网格分配到各核心网格所在的组中的过程，包括：
步骤(2-4-1)：根据每个网格单元的网格关系-密度值的大小，从大到小对网格单元进行排序，形成待分组队列；
步骤(2-4-2)：选取待分组队列中第一个网格作为核心网格，从第二个网格开始直至待分组队列中最后一个网格，逐个判断是否为核心网格的邻接网格，若是，则将该网格并入核心网格，并在待分组队列删去该网格；将合并后的核心网格从待分组队列移到已分组队列，并标注组号；
步骤(2-4-3)：重复步骤(2-4-2)，直至待分组队列中网格个数为0，分组结束；否则进入下一步；
步骤(2-4-4)：待分组队列中网格个数为非零，且已分组队列网格个数等于已确定的分组数，则根据待分组队列的网格中每个个体与已分组队列中组中心的物理距离，将相应网格分配到各核心网格所在的组中，直至待分组队列中网格个数为0。
所述步骤(2-3)中，对网格密度值和网格关系值进行加权的权重分别为0.5和0.5。
所述步骤(2-4-1)中的待分组队列中网格的密度值均为非零值。
所述步骤(2-4)中，分组数等于待疏散平面区域的出口数的3倍。
所述步骤(2-4)中，对疏散场景三维模型中人群活动区域进行划分的单元网格数等于分组数的10倍。
所述步骤(2-3)中，每个网格单元的网格关系值等于该网格单元内所有个体之间的关系值之和除以2。
进一步的，所述步骤(3)的人群疏散各项参数包括：安全出口、危险源、1/出口拥挤度、群组引领者、群组中其他人员。群组中其他人员是指，群组中除了引领者以外的人员。
进一步的，所述步骤(3)的人工蜂群算法各项参数包括：食物源、废弃食物源、食物源收益度、引领蜂和跟随蜂。
进一步的，所述步骤(3)的一一映射是指：
人群疏散各项参数的安全出口与人工蜂群算法的食物源对应；
人群疏散各项参数的危险源与人工蜂群算法的废弃食物源对应；
人群疏散各项参数的1/出口拥挤度与人工蜂群算法的食物源收益度对应；
人群疏散各项参数的群组引领者与人工蜂群算法的引领蜂对应；
人群疏散各项参数的群组中其他人员与人工蜂群算法的跟随蜂对应；
进一步的，所述步骤(4)的并行人工蜂群算法的步骤为：
步骤(4-1)：初始化场景中出口的个数、出口的位置、待疏散人群个体的个数、待疏散人群个体间关系及待疏散人群个体的位置；
步骤(4-2)：根据场景中出口的个数、出口的位置、待疏散人群个体间的关系和待疏散人群个体的位置与出口之间的距离，将待疏散人群个体划分为若干个群组，并且根据个体的位置距离出口的距离，确定引领者；
步骤(4-3)：引领者依据各个出口的拥挤度以及距离的适应度值来选择出口，然后采用改进的社会力模型，跟随者跟随引领者向出口疏散，群组内部采用改进的社会力模型，以引领者作为群组的目标，保证了跟随者内部避免碰撞并且个体不掉队；
步骤(4-4)：如果在疏散过程中，由于出口拥堵，引领者的适应度值小于设定的阈值，则引领者找到新出口，比较选择新出口与当前出口的适应度值，以决定是否用新出口替换当前出口；
步骤(4-5)：检查是否全部个体到达出口，如果到达出口，则结束，否则回到步骤(4-3)。
所述适应度值的计算方法为：
适应度函数为多目标优化函数，采用公式(5)和(6)设定引领蜂的适应度值:
Figure BDA0001061563080000041
fiti＝min{goalposik} (6)
其中goalposik为第k个安全出口相对于引领者i的适应度值，xi表示第i个引领者，exitk表示第k个安全出口，count[k]为当前时间选择第k个安全出口作为逃生目标的个体总数，d为安全出口个数，goalposi为引领者i的目标位置，c1,c2为权重系数，fiti是第i个引领者的适应度值。
count[k]＝根据选择当前出口的引领者个数*群组中跟随者数(7)
由公式(5)(6)看出，引领者在进行目标选择时综合考虑了距离、人群密度和可达性等因素设定适应度值，在全局范围内自适应地选择适应度值最高的安全区域作为目标，提高了人群疏散的效率。
由公式(7)看出，可以根据选择某个出口的引领者个数及群组中的人数，预测出口的拥堵情况。
进一步的，所述社会力模型如下：
Figure BDA0001061563080000051
公式(1)表示个体i的运动受到自身驱动力
Figure BDA0001061563080000052
个体i与其他个体之间的作用力
Figure BDA0001061563080000053
个体与障碍物之间的作用力
Figure BDA0001061563080000054
以及扰动力
Figure BDA0001061563080000055
这四种力的影响。
在这四种力的共同作用下，个体的位置发生变化。令mi为个体i的质量，
Figure BDA0001061563080000056
表示个体i当前的速度，那么个体i的自身驱动力
Figure BDA0001061563080000057
为：
Figure BDA0001061563080000058
在移动过程中，个体i会不断调整个体当前的实际速度
Figure BDA0001061563080000059
期望以最大速率
Figure BDA00010615630800000510
向着目的地移动。τi是个体i的反应时间，
Figure BDA00010615630800000511
是目的地所在方向。
进一步的，所述改进的社会力模型如下：
改进的社会力模型为：
Figure BDA00010615630800000512
其中，mi是指个体i的质量，
Figure BDA00010615630800000513
是个体i当前的速度和方向，
Figure BDA00010615630800000514
是个体i与其他个体之间的作用力,
Figure BDA00010615630800000515
是个体与障碍物之间的作用力,
Figure BDA00010615630800000516
是扰动力。
其中
Figure BDA00010615630800000517
是群组内个体与群组引领者之间的吸引力，由公式(4)表示：
Figure BDA00010615630800000518
其中，
Figure BDA00010615630800000519
是个体i的实际速度，
Figure BDA00010615630800000520
是向着目的地移动的最大速率期望。τi是个体i的反应时间，
Figure BDA0001061563080000061
个体移动的方向，指向群组引领者的位置。改进主要是把群组中个体的移动方向，指向群组引领者。
本发明将人工蜂群算法与社会力模型结合，利用人工蜂群的群体智能寻优及交互机制，从宏观角度组织人群疏散，利用社会力模型的作用力聚集及避障，从微观角度更真实的仿真人群疏散。本发明结合宏观模型和微观模型的优点，全局路径规划与局部路径规划相结合，弥补两种模型在仿真大规模人群疏散时的不足。本方法整体采用多蜂群人工蜂群算法群组并行疏散，进行全局路径规划，群组内部采用有引领者的社会力模型向目标移动疏散，进行局部路径规划。因为大部分的计算针对群组而非个体，计算量大大减少，可以实时地模拟规模较大的群体，为疏散演练提供帮助。
人工蜂群与社会力模型结合的人群疏散仿真系统，包括：
疏散场景构建模块，其被配置为获取疏散场景参数，构建疏散场景三维模型；在疏散场景三维模型中，查找疏散场景的所有出口；
分组及引领个体筛选模块，其被配置为根据人群个体间关系和个体与出口之间距离，将疏散场景中的待疏散人群划分成若干个群组，群组个数根据出口个数决定，筛选各群组中最接近出口位置的个体作为各群组的引领者；
参数映射模块，其被配置为将疏散场景的各个出口作为食物源，引领者作为群组中的引领蜂，将人群疏散各项参数与人工蜂群算法中的各项参数建立一一映射；
路径规划及仿真模块，其被配置为各群组在各群组所对应的引领者的带领下，执行并行人工蜂群算法动态规划路径，向出口移动；若引领者到达相应出口，则在出口等待，直至各群组中无个体，结束人群疏散仿真。
所述疏散场景参数包括疏散场景形状以及建筑结构信息。
所述人群疏散各项参数包括：安全出口、危险源、1/出口拥挤度、群组引领者和群组中其他人员。
所述人工蜂群算法各项参数包括：食物源、废弃食物源、食物源收益度、引领蜂和跟随蜂。
所述一一映射是指：
人群疏散各项参数的安全出口与人工蜂群算法的食物源对应；
人群疏散各项参数的危险源与人工蜂群算法的废弃食物源对应；
人群疏散各项参数的1/出口拥挤度与人工蜂群算法的食物源收益度对应；
人群疏散各项参数的群组引领者与人工蜂群算法的引领蜂对应；
人群疏散各项参数的群组中其他人员与人工蜂群算法的跟随蜂对应。
本发明的有益效果为：
(1)将人工蜂群算法与社会力模型结合，利用人工蜂群的群体智能交互机制，从宏观角度组织人群疏散，利用社会力模型的作用力实现群组聚集及避障。本发明结合宏观模型和微观模型的优点，将宏观模型人工蜂群算法和微观模型社会力模型结合，弥补两种模型在仿真大规模人群疏散时的不足。
(2)本发明采用改进了的社会力模型，把群组中个体的目标点选定为引领者。这样，只需要为每个组的引领个体规划路径，组内其他成员执行社会力模型在引领个体的引导下移动。这就解决了大规模人群疏散计算机仿真系统为每个个体计算路径导致的速度过慢的问题。
(3)本发明将待疏散人群分为群组，以每个群组为一个蜂群，采用多蜂群机制并行执行人工蜂群算法，预测出口的拥堵并动态选择出口。因为大部分的计算针对群组而非个体，并行机制可以大大提高疏散效率，可以实时地模拟规模较大的群体，为疏散演练提供帮助。
附图说明
图1是本发明的人工蜂群算法与社会力模型结合的群组疏散方法流程示意图；
图2是本发明的人工蜂群算法与社会力模型结合的群组疏散系统结构示意图；
图3是本发明实施例中四个门的疏散场景的人群活动区域图；
图4是本发明实施例中疏散场景的人群活动区域划分为120个网格；
图5是本发明实施例中网格密度示意图；
图6是本发明实施例中网格关系值示意图；
图7是本发明实施例中核心网格的全部邻接网格示意图；
图8是本发明实施例中核心网格的面邻接网格示意图；
图9是本发明实施例中核心网格的点邻接网格示意图；
图10是人群疏散初始化的示意图；
图11是人群分组后在引领个体的引导下各组向出口移动的示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
人工蜂群算法是一种新的群智能进化算法，属于人群疏散宏观模型，具有全局收敛、适应范围宽、设置参数少、本质并行性等优点。人工蜂群算法是通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。它具有很强的发现最优解的能力，这是因为算法利用了引领蜂和跟随蜂寻路的正反馈机制，在一定程度上可以加快进化过程。而且蜜蜂间不断进行信息交流和传递，从而能够相互协作，有利于发现较好解。人工蜂群算法结合全局搜索和局部搜索的方法来使蜜蜂在食物源的探索和开采两个方面达到较好的平衡，性能优于蚁群算法和微粒群等算法。
社会力模型是由Helbing等人提出的模型，以经典Newton力学为基础，假设个体在疏散过程中受到三种力的作用：驱动力、人和人之间的作用力以及人和障碍物之间的作用力。所谓社会力，就是个体在疏散中受到的来自于其他人及周围环境的这些物理、心理、社会上的相互作用的统称。迄今为止，社会力模型已被公认为是对疏散时的个体动力学特征进行仿真模拟的最有代表性的数学模型，主要原因就是它能够很好地模拟出人群运动中诸如“快即是慢”、拱形拥堵等复杂现象。
本发明结合了宏观模型人工蜂群算法和微观模型社会力模型，两种模型的结合可以取长补短，既真实的进行仿真模拟，又具有较高的效率。
图1是本发明的人工蜂群算法与社会力模型结合的群组疏散方法及系统流程示意图，如图所示的人工蜂群算法与社会力模型结合的群组疏散方法，至少包括以下四个步骤：
步骤(1)：获取疏散场景参数，构建疏散场景三维模型；在疏散场景三维模型中，查找疏散场景的所有出口。
在具体实施过程中，疏散场景参数包括疏散场景形状以及建筑结构信息。在本实施例中，通过疏散场景形状以及建筑结构信息进行提取疏散场景的特征，进而得到疏散场景的三维模型。
根据疏散场景的出口特征，在疏散场景三维模型中能够查询到疏散场景的所有出口。
步骤(2)：根据个体间关系和个体与出口之间的距离，将疏散场景中的待疏散人群划分成若干个群组，群组个数根据出口个数决定，筛选各组中最接近出口位置的个体作为各群组的引领者。
以人群数据集P＝{pi,i＝1,2,…,N}为例：其中，pi＝(pi1,pi2,…pij…,pim)表示数据集中第i个个体，pij表示第i个个体的第j个属性。
人群个体间关系为：
对于两个个体pl和pm，关系值表示两个个体之间的紧密程度，取值为0到1，用rel(pl，pm)表示。
如果两个个体无关系，则关系值为0，如果是母子或恋人关系，则关系值趋近于1。为了反映紧急疏散时，查找导游或者一个团体的领导者，把旅游团队中的每个人与导游都建立关系，并且关系为1，同样的道理，每个集体的个体与领队之间，也都建立关系，并且关系值为1。待疏散人群数据集的个体之间的关系取值范围为：
Figure BDA0001061563080000091
(21)人群个体与疏散场景的人群活动区域的映射关系：
本发明疏散场景的人群活动区域定义为S＝L×W，是一个长为L，宽为W的矩形平面区域，上面的每一个点都可以用由两个数构成的坐标(x,y)来表示。
其中，P→S的映射为M：待疏散人群数据集P到平面区域的映射M＝{pi(x,y)}；
pi是待疏散人群数据集中的第i个个体，1≤i≤N，(x,y)是二维平面上的坐标，1≤x≤W，1≤y≤L，pi(x,y)表示第i个个体在平面区域上的位置是(x,y)。
(22)人群分组数以及网格单元数的确定：
根据疏散场景的人群活动区域的出口数E，确定分组数T及待划分的网格单元数G：如图3所示，疏散场景平面区域有4个出口，分组数T＝E×3，主要是考虑对应一个出口，可以有左，中，右三个方向的组向出口疏散。
网格数G＝T×10，该值是通过经验得出，还可以动态调整。
其中，网格划分的过程为：
将平面区域S均匀划分为h×k个矩形网格(尽量划分为正方形)，h×k＝G。
划分方法为：
S是一个长为L，宽为W的矩形平面区域，划分为G个网格单元，则每个网格单元的面积a＝(L×W)/G，边长为
Figure BDA0001061563080000092
h＝L/e,k＝W/e。
如图4所示，例如，一个长300，宽250的矩形平面区域，划分为120个网格，每个网格的面积a＝(300×250)/120，a＝625，边长
Figure BDA0001061563080000093
e＝25，区域在横向划分为h＝300/25，h＝12，纵向划分k＝10。
(23)网格单元：
不失一般性，设平面区域左下角的座标为(0,0)，每个矩形网格ci,j用左下角和右上角坐标表示为
Figure BDA0001061563080000101
xi＝xi-1+e，yj＝yj-1+e,1≤i≤h，1≤j≤k，则每个矩形网格格是一个网格单元。
(24)网格密度：
网格密度为该网格单元中的个体总数。
对于给定的网格单元ci,j，1≤i≤h，1≤j≤k，统计有多少个个体落在该网格单元中。个体pi(x,y)落在网格ci,j中，由x，y的坐标范围在
Figure BDA0001061563080000102
区间内来判断，即xi-1＜x≤xi，yi-1＜y≤yi。
如图5所示，网格密度den(ci,j)＝count(pi(x,y)),xi-1＜x≤xi，yi-1＜y≤yi，count是计数函数。
(25)网格的关系值：
网格的关系值：对于给定的网格单元ci,j，1≤i≤h，网格单元ci,j内个体之间的关系值之和除以2。
如图6所示，网格关系值
Figure BDA0001061563080000103
xi-1＜x1≤xi，yi-1＜y1≤yi，xi-1＜x2≤xi，yi-1＜y2≤yi。
网格单元ci,j内个体之间的关系值之和除以2，是因为如果pl(x1,y1)与pm(x2,y2)有关系，则pm(x2,y2)与pl(x1,y1)也有关系，而且是对称关系，因此，求和时，pl(x1,y1)与pm(x2,y2)之间的关系计算了两次。
(26)网格关系-密度值：
网格关系-密度值是加权的关系值与加权的密度值之和，
即RelDen(ci,j)＝w1×rel(ci,j)+w2×den(ci,j)。
其中，w1,w2分别是关系和密度的权重，一般取0.5,0.5,如果对分组速度要求比较高，则w2的权重增加，w1的权重减小。
根据对人群疏散仿真模型的人群分组的速度要求，网格关系值的加权权重大于0.5，网格密度值的加权权重小于0.5。
(27)关系距离值：
两个个体pl(x1,y1)，pm(x2,y2)之间的关系距离值为加权的关系值与加权的物理距离值之和，即：
RelDist(pl(x1,y1),pm(x2,y2))＝w1×rel(pl(x1,y1),pm(x2,y2))+w2×dist(pl(x1,y1),pm(x2,y2))其中：dist(pl(x1,y1),
Figure BDA0001061563080000111
步骤(2)中确定人群分组信息的过程，包括：
步骤(2.1)：建立人群数据集与疏散场景的三维模型中人群活动区域之间的映射关系，根据映射关系生成人群个体在人群活动区域的位置；
步骤(2.2)：根据疏散场景中所有出入口数量来确定人群分组数量，对疏散场景的三维模型中人群活动区域进行划分网格；
步骤(2.3)：根据每个网格单元内的个体数量以及个体间的关系值，计算每个网格单元的网格密度值和网格关系值，并对网格密度值和网格关系值进行加权叠加，获得每个网格单元的网格关系-密度值；
步骤(2.4)：将网格关系-密度值最大的网格为核心网格来构建组中心，根据个体与组中心的物理距离，将个体所在网格分配到各核心网格所在的组中，完成人群的分组。
比所有邻接网格关系-密度值高的网格称为核心网格,用core(ci,j)表示。其中，邻接网格分为全面邻接网格、面邻接网格和点邻接网格，分别如图7、图8和图9所示。
待分组队列WaitQueue中每个元素wqi是一个非空网格单元，即den(wqi)≠0。
已分组队列FinishQueue中元素fqi是已经确定所属组的网格单元。
步骤(2.4)中，将个体所在网格分配到各核心网格所在的组中的过程，包括：
第一步：排序：根据加权的网格关系-密度值，从高往低对网格进行排序，形成队列WaitQueue，对列中有u个元素。密度值为零的网格，即该网格中没有个体，不进入队列。
第二步：核心网格core(ci,j)选取与合并：选取待分组队列WaitQueue中第一个网格作为核心网格，从第二个网格开始，进行到第u-1个网格，逐个与核心网格进行比较，如果某个网格是核心网格的邻接网格，则把该网格并入核心网格，u＝u-1；循环完后，把合并后的核心网格从待分组队列WaitQueue移到已分组队列FinishQueue，并标注组号，u＝u-1；
第三步：重复第二步，直至待分组队列WaitQueue中网格个数为0或者已分组队列FinishQueue网格个数为T；
第四步：如果待分组队列WaitQueue网格个数为0，则已分组队列FinishQueue中的网格就是对个体的分组，转向第五步；否则，如果FinishQueue中网格个数为T，而WaitQueue中网格个数不为0，则从WaitQueue中，逐个取出网格，并且对网格中每个个体，逐个计算与FinishQueue中核心网格的中心点个体关系-距离值，并入与中心点个体关系-距离值最小的核心网格，直至WaitQueue元素个数为0。
第五步：结束分组过程。
步骤(3)：将疏散场景的各个出口作为食物源，引领者作为群组中的引领蜂，与人工蜂群中的各项参数建立一一映射。
Figure BDA0001061563080000121
步骤(4)：各群组在引领者的带领下，执行并行人工蜂群算法，引领者以出口作为食物源，跟随者以引领者作为目标点，执行改进的社会力模型，向出口移动。
在步骤(4)的具体实施过程中，跟随者以引领者作为目标点，执行改进的社会力模型如下：
根据牛顿第二定律，原始社会力模型的表达式如式(1)所示：
Figure BDA0001061563080000122
其中，主驱动力
Figure BDA0001061563080000123
由式(2)表示：
Figure BDA0001061563080000124
改进的社会力模型为：
Figure BDA0001061563080000125
其中
Figure BDA0001061563080000126
是群组内行人与群组引领者之间的吸引力，由公式(4)表示：
Figure BDA0001061563080000127
与原始社会力模型公式(2)中的
Figure BDA0001061563080000131
不同的是，公式(2)中的
Figure BDA0001061563080000132
指向最终目标，而改进的社会力模型公式(4)中的
Figure BDA0001061563080000133
指向群组引领者的位置。
并行的人工蜂群群组疏散算法如下：
Step 1初始化场景中出口的个数及位置，待疏散人群的个数，关系及位置。
Step 2根据场景中出口的个数及位置，以及待疏散个体之间的关系和离出口的距离，将个体划分为群组，并且根据个体距离出口的位置，确定引领者。
Step 3引领者依据各个出口的拥挤度以及距离的综合评价适应度值来选择出口，然后采用改进的社会力模型，跟随引领者向出口疏散，跟随者群组内部采用社会力模型，以跟随者作为群组的目标，保证了跟随者内部避免碰撞并且个体不掉队。
Step 4如果在疏散过程中，由于出口拥堵，引领者的适应度值小于设定的阈值，则根据疏散场景，动态找到新出口，比较选择新出口与当前出口的适应度值，以决定是否用新出口替换当前出口。
Step 5检查是否全部个体到达出口。如果到达出口，则终止程序，并输出结果，否则回到Step 3。
并行的人工蜂群群组疏散算法中：
适应度函数为多目标优化函数
根据疏散仿真的要求，采用公式(5)和(6)设定引领蜂的适应度值:
Figure BDA0001061563080000134
fiti＝min{goalposik} (6)
其中goalposik为第k个安全出口相对于引领者i的适应度值，xi表示第i个引领者，exitk表示第k个安全出口，count[k]为当前时间选择第k个安全出口作为逃生目标的个体总数，d为安全出口个数，goalposi为引领者i的目标位置，c1,c2为权重系数，一般取0.5，0.5。由公式(5)(6)可以看出，引领者在进行目标选择时综合考虑了距离、人群密度和可达性等因素设定适应度值，在全局范围内自适应地选择适应度值最高的安全区域作为目标，提高了人群疏散的效率。
count[k]＝根据选择当前出口的引领者个数*群组中跟随者数，可以根据选择某个出口的群组个数及群组中的人数，预测出口的拥堵情况。
如图2所示，人工蜂群算法与社会力模型结合的人群疏散系统，包括：
疏散场景构建模块，其被配置为获取疏散场景参数，构建疏散场景三维模型；在疏散场景三维模型中，查找疏散场景的所有出口；
分组及引领个体筛选模块，其被配置为根据个体间关系和距离出口的位置，将疏散场景中的待疏散人群划分成若干个群组，群组个数根据出口个数决定，筛选各组中最接近出口位置的个体作为各群组的引领者；
参数映射模块，其被配置为将疏散场景的各个出口作为食物源，引领者作为群组中的引领蜂，与人工蜂群中的各项参数建立一一映射；
路径规划及仿真模块，其被配置为各群组在引领者的带领下，执行并行人工蜂群算法动态规划路径，引领者以出口作为食物源，跟随者以引领者作为目标点，执行改进的社会力模型，向出口移动。若引领者到达相应出口，则在出口等待，直至各群组中无个体，结束群组疏散仿真。
下面提供一个仿真实施例：
由500个人在300×250的平面区域上进行计算机人群疏散仿真，如图10-图11所示。图10是一个初始化后的人群随机分布的情况；图11是各群组在引领个体的带领下向出口移动的状况。由图11可以看出，各组根据离各出口的最短距离及拥堵状况有引导的疏散，较好的避免了在出口处由于拥堵形成的拱形。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (3)

1.人工蜂群与社会力模型结合的群组疏散仿真方法，其特征是，包括：
步骤(1)：获取疏散场景参数，构建疏散场景三维模型；在疏散场景三维模型中，查找疏散场景的所有出口；
步骤(2)：根据人群个体间关系和个体与出口之间距离，将疏散场景中的待疏散人群划分成若干个群组，群组个数根据出口个数决定，筛选各群组中最接近出口位置的个体作为各群组的引领者；
步骤(2)将疏散场景中的待疏散人群划分成若干个群组，具体划分的步骤为：
步骤(2-1)：建立人群数据集与疏散场景三维模型中人群活动区域之间的映射关系，根据映射关系生成人群个体在人群活动区域的位置；
步骤(2-2)：根据疏散场景中所有出入口数量来确定人群分组数量，对疏散场景三维模型中人群活动区域进行网格划分；
步骤(2-3)：根据每个网格单元内的个体数量以及个体间关系，计算每个网格单元的网格密度值和网格关系值，对网格密度值和网格关系值进行加权叠加，获得每个网格单元的网格关系-密度值；
步骤(2-4)：将网格关系-密度值最大的网格为核心网格来构建组中心，根据个体与组中心的物理距离，将个体所在网格分配到各核心网格所在的组中，完成人群的分组；
所述步骤(2-4)中，将个体所在网格分配到各核心网格所在的组中的过程，包括：
步骤(2-4-1)：根据每个网格单元的网格关系-密度值的大小，从大到小对网格单元进行排序，形成待分组队列；
步骤(2-4-2)：选取待分组队列中第一个网格作为核心网格，从第二个网格开始直至待分组队列中最后一个网格，逐个判断是否为核心网格的邻接网格，若是，则将该网格并入核心网格，并在待分组队列删去该网格；将合并后的核心网格从待分组队列移到已分组队列，并标注组号；
步骤(2-4-3)：重复步骤(2-4-2)，直至待分组队列中网格个数为0，分组结束；否则进入下一步；
步骤(2-4-4)：待分组队列中网格个数为非零，且已分组队列网格个数等于已确定的分组数，则根据待分组队列的网格中每个个体与已分组队列中组中心的物理距离，将相应网格分配到各核心网格所在的组中，直至待分组队列中网格个数为0；
步骤(3)：将疏散场景的各个出口作为食物源，引领者作为群组中的引领蜂，将人群疏散各项参数与人工蜂群算法中的各项参数建立一一映射；
所述步骤(3)的人群疏散各项参数包括：安全出口、危险源、1/出口拥挤度、群组引领者和群组中其他人员；
所述步骤(3)的人工蜂群算法各项参数包括：食物源、废弃食物源、食物源收益度、引领蜂和跟随蜂；
所述步骤(3)的一一映射是指：
人群疏散各项参数的安全出口与人工蜂群算法的食物源对应；
人群疏散各项参数的危险源与人工蜂群算法的废弃食物源对应；
人群疏散各项参数的1/出口拥挤度与人工蜂群算法的食物源收益度对应；
人群疏散各项参数的群组引领者与人工蜂群算法的引领蜂对应；
人群疏散各项参数的群组中其他人员与人工蜂群算法的跟随蜂对应；
步骤(4)：各群组在各群组所对应的引领者的带领下，执行并行人工蜂群算法动态规划路径，向出口移动；若引领者到达相应出口，则在出口等待，直至各群组中无个体，结束人群疏散仿真；
所述步骤(4)的并行人工蜂群算法的步骤为：
步骤(4-1)：初始化场景中出口的个数、出口的位置、待疏散人群个体的个数、待疏散人群个体间关系及待疏散人群个体的位置；
步骤(4-2)：根据场景中出口的个数、出口的位置、待疏散人群个体间的关系和待疏散人群个体的位置与出口之间的距离，将待疏散人群个体划分为若干个群组，并且根据个体的位置距离出口的距离，确定引领者；
步骤(4-3)：引领者依据各个出口的拥挤度以及距离的适应度值来选择出口，然后采用改进的社会力模型，跟随者跟随引领者向出口疏散，群组内部采用改进的社会力模型，以引领者作为群组的目标，保证了跟随者内部避免碰撞并且个体不掉队；
步骤(4-4)：如果在疏散过程中，由于出口拥堵，引领者的适应度值小于设定的阈值，则引领者找到新出口，比较选择新出口与当前出口的适应度值，以决定是否用新出口替换当前出口；
步骤(4-5)：检查是否全部个体到达出口，如果到达出口，则结束，否则回到步骤(4-3)；
所述改进的社会力模型如下：
Figure FDF0000006972610000021
其中，mi是指个体i的质量，
Figure FDF0000006972610000031
是个体i当前的速度和方向，
Figure FDF0000006972610000032
是个体i与其他个体之间的作用力，
Figure FDF0000006972610000033
是个体与障碍物之间的作用力，
Figure FDF0000006972610000034
是扰动力；
其中
Figure FDF0000006972610000035
是群组内个体与群组引领者之间的吸引力，由公式(2)表示：
Figure FDF0000006972610000036
其中，
Figure FDF0000006972610000037
是个体i的实际速度，
Figure FDF0000006972610000038
是向着目的地移动的最大速率期望，τi是个体i的反应时间，
Figure FDF0000006972610000039
个体移动的方向，指向群组引领者的位置。
2.如权利要求1所述的方法，其特征是，所述步骤(1)的疏散场景参数包括疏散场景形状以及建筑结构信息。
3.一种实现如权利要求1所述的人工蜂群与社会力模型结合的群组疏散仿真方法的系统，其特征是，包括：
疏散场景构建模块，其被配置为获取疏散场景参数，构建疏散场景三维模型；在疏散场景三维模型中，查找疏散场景的所有出口；
分组及引领个体筛选模块，其被配置为根据人群个体间关系和个体与出口之间距离，将疏散场景中的待疏散人群划分成若干个群组，群组个数根据出口个数决定，筛选各群组中最接近出口位置的个体作为各群组的引领者；
参数映射模块，其被配置为将疏散场景的各个出口作为食物源，引领者作为群组中的引领蜂，将人群疏散各项参数与人工蜂群算法中的各项参数建立一一映射；
所述疏散场景参数包括疏散场景形状以及建筑结构信息；
所述人群疏散各项参数包括：安全出口、危险源、1/出口拥挤度、群组引领者和群组中其他人员；
所述一一映射是指：
人群疏散各项参数的安全出口与人工蜂群算法的食物源对应；
人群疏散各项参数的危险源与人工蜂群算法的废弃食物源对应；
人群疏散各项参数的1/出口拥挤度与人工蜂群算法的食物源收益度对应；
人群疏散各项参数的群组引领者与人工蜂群算法的引领蜂对应；
人群疏散各项参数的群组中其他人员与人工蜂群算法的跟随蜂对应；
路径规划及仿真模块，其被配置为各群组在各群组所对应的引领者的带领下，执行并行人工蜂群算法动态规划路径，向出口移动；若引领者到达相应出口，则在出口等待，直至各群组中无个体，结束人群疏散仿真。
CN201610601530.0A 2016-07-27 2016-07-27 人工蜂群与社会力模型结合的群组疏散仿真系统及方法 Active CN106227958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610601530.0A CN106227958B (zh) 2016-07-27 2016-07-27 人工蜂群与社会力模型结合的群组疏散仿真系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610601530.0A CN106227958B (zh) 2016-07-27 2016-07-27 人工蜂群与社会力模型结合的群组疏散仿真系统及方法

Publications (2)

Publication Number Publication Date
CN106227958A CN106227958A (zh) 2016-12-14
CN106227958B true CN106227958B (zh) 2020-05-05

Family

ID=57533107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610601530.0A Active CN106227958B (zh) 2016-07-27 2016-07-27 人工蜂群与社会力模型结合的群组疏散仿真系统及方法

Country Status (1)

Country Link
CN (1) CN106227958B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682371A (zh) * 2017-03-06 2017-05-17 山东师范大学 一种突发事件下的人群疏散仿真方法及系统
CN107103156B (zh) * 2017-05-19 2020-03-27 山东师范大学 一种考虑从众心理的人群疏散仿真方法及系统
CN107194086B (zh) * 2017-05-26 2020-12-22 中国科学院遥感与数字地球研究所 一种室内空间的配置方法及装置
CN107480320B (zh) * 2017-06-20 2020-09-29 山东师范大学 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统
CN107403049B (zh) * 2017-07-31 2019-03-19 山东师范大学 一种基于人工神经网络的Q-Learning行人疏散仿真方法及系统
CN107464021B (zh) * 2017-08-07 2019-07-23 山东师范大学 一种基于强化学习的人群疏散仿真方法、装置
CN107292064B (zh) * 2017-08-09 2019-01-11 山东师范大学 一种基于多蜂群算法的人群疏散仿真方法及系统
CN107480821B (zh) * 2017-08-14 2020-05-05 山东师范大学 基于实例学习的多Agent协作人群疏散仿真方法及装置
CN108388734A (zh) * 2018-02-28 2018-08-10 山东师范大学 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统
CN108491598B (zh) * 2018-03-09 2022-04-01 山东师范大学 一种基于路径规划的人群疏散仿真方法及系统
CN109145365B (zh) * 2018-07-05 2021-06-04 同济大学 基于微观-宏观转换模型的区域人群运动状态预测方法
CN109783856B (zh) * 2018-12-12 2023-05-26 山东师范大学 基于群体效应的应急人群疏散仿真方法及系统
CN111046562B (zh) * 2019-12-16 2023-06-16 湖北工业大学 基于蜂群算法的多目标引导人员疏散仿真方法及仿真系统
CN111400963B (zh) * 2020-03-04 2023-04-18 山东师范大学 基于鸡群算法和社会力模型的人群疏散仿真方法及系统
CN111400914A (zh) * 2020-03-17 2020-07-10 山东师范大学 一种基于视域的人群分组及人群疏散仿真系统及方法
CN112330043B (zh) * 2020-11-17 2022-10-18 山东师范大学 一种结合Q-learning与多蜂群算法的疏散路径规划方法及系统
CN114065614B (zh) * 2021-11-01 2024-04-30 哈尔滨工业大学 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质
CN115903885B (zh) * 2022-10-26 2023-09-29 中国人民解放军陆军炮兵防空兵学院 一种基于任务牵引的蜂群Agent模型的无人机飞控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于群体智能的人群疏散建模与仿真方法研究;胡春雨;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150915;第2015年卷(第9期);正文第1-5章 *

Also Published As

Publication number Publication date
CN106227958A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106227958B (zh) 人工蜂群与社会力模型结合的群组疏散仿真系统及方法
Guo et al. A new improved krill herd algorithm for global numerical optimization
CN107292064B (zh) 一种基于多蜂群算法的人群疏散仿真方法及系统
CN108491598B (zh) 一种基于路径规划的人群疏散仿真方法及系统
CN107463751B (zh) 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统
CN105740510B (zh) 基于网格-密度-关系的疏散人群行为仿真系统及其方法
Wu et al. A novel sparrow search algorithm for the traveling salesman problem
Hegazy et al. Comparative study between FPA, BA, MCS, ABC, and PSO algorithms in training and optimizing of LS-SVM for stock market prediction
CN109670270A (zh) 基于多智能体深度强化学习的人群疏散仿真方法及系统
Chen et al. Parallel simulation of complex evacuation scenarios with adaptive agent models
CN110688749B (zh) 一种人群疏散仿真方法及系统
CN107480821A (zh) 基于实例学习的多Agent协作人群疏散仿真方法及装置
CN111414681B (zh) 基于共享深度强化学习的建筑物内疏散仿真方法及系统
Zhang et al. Multi-agent based modeling and simulating for evacuation process in stadium
Zong et al. Indoor evacuation model based on visual-guidance artificial bee colony algorithm
Zhang et al. Knowledge-based crowd motion for the unfamiliar environment
He et al. A modified gravitational search algorithm for function optimization
Belciug et al. An artificial immune system approach for a multi-compartment queuing model for improving medical resources and inpatient bed occupancy in pandemics
Zhang et al. A reformed lattice gas model and its application in the simulation of evacuation in hospital fire
Liu et al. A grouping approach based on non‐uniform binary grid partitioning for crowd evacuation simulation
CN108595775B (zh) 人群疏散仿真过程中障碍物几何形状的优化方法及系统
Wang et al. Risk‐Field Based Modeling for Pedestrian Emergency Evacuation Combined with Alternative Route Strategy
Huo et al. An improved artificial bee colony algorithm for numerical functions
CN114995492A (zh) 一种多无人机抢灾救援规划方法
Oboshi et al. A simulation study on the form of fish schooling for escape from predator

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant