CN107292064B - 一种基于多蜂群算法的人群疏散仿真方法及系统 - Google Patents
一种基于多蜂群算法的人群疏散仿真方法及系统 Download PDFInfo
- Publication number
- CN107292064B CN107292064B CN201710676018.7A CN201710676018A CN107292064B CN 107292064 B CN107292064 B CN 107292064B CN 201710676018 A CN201710676018 A CN 201710676018A CN 107292064 B CN107292064 B CN 107292064B
- Authority
- CN
- China
- Prior art keywords
- evacuation
- population
- crowd
- model
- sub
- 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.)
- Expired - Fee Related
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000033001 locomotion Effects 0.000 claims abstract description 43
- 241000256844 Apis mellifera Species 0.000 claims description 84
- 230000004888 barrier function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 235000013305 food Nutrition 0.000 claims description 7
- 239000003623 enhancer Substances 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 5
- 238000004321 preservation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000012907 honey Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于多蜂群算法的人群疏散仿真方法及系统，该方法包括：设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真。该方法能够真实有效地实现复杂场景下的人群疏散仿真，减少疏散时间并且增加出口的利用率，能够为真实地疏散演练提供帮助。
Description
技术领域
本发明属于人群疏散仿真的技术领域，尤其涉及一种基于多蜂群算法的人群疏散仿真方法及系统。
背景技术
近些年来，随着各种火灾事故和紧急事件频繁的发生，人群聚集的公共场合中突发事件的安全疏散仿真模拟越来越受到重视。模拟真实场景下的人群疏散行为有着重要的社会意义，可以帮助应急部门制定相应的应急预案，指导场景的设计，避免灾难的发生，减少人员的伤亡。通过计算机仿真技术来进行场景建模、路径寻优以及人群运动行为建模，可以在达到最佳疏散演练效果的同时将成本最小化。因此,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。
人群疏散仿真主要包括两种方法：宏观疏散仿真方法与微观疏散仿真方法。宏观疏散仿真方法将人群作为一个整体处理，忽略个体之间的交互与影响，因此计算复杂度较低，但其仿真程度也较差。微观疏散仿真方法中的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。由于人群疏散是一个非常复杂的物理过程，到目前为止，还没有任何一个仿真模型能够完整地描述疏散过程中的各种行为细节。因此，构建涵盖更多行为细节的疏散仿真模型是疏散仿真领域的主要研究趋势。
人工蜂群算法(artificial bee colony，ABC)是群体智能领域新兴的智能优化技术，D.Karaboga在2005年将蜜蜂的觅食行为应用到函数优化问题中而提出的，算法计算简单、便于实现、鲁棒性强，因此受到了国内外专家学者的持续关注，其应用范围也从最初的数值优化领域被逐步扩展到工程优化、机器学习、图形学和数据挖掘等领域。人工蜂群算法是模拟蜜蜂的采蜜行为提出的一种智能优化算法，由蜜源、被雇佣峰(引领蜂)和未被雇佣峰(跟随蜂、侦查蜂)三项基本元素构成，同时引入三种基本的行为模式：搜索蜜源、招募蜜源和放弃蜜源.其中蜜源的位置代表优化问题的可行解，蜜源质量对应解的适应度。
多蜂群算法以种群分割为基础，通过分割后的子种群之间的相互制约、自动调节和自适应原理提高种群内部及全局性能。子种群以其它种群作为参照，通过合作与竞争的方式引入精英个体，激励自身进化过程，能够有效弥补群体智能单一种群作业模式的缺陷。
综上所述，在现有技术的人群疏散仿真中对于如何将多蜂群算法应用于人群疏散仿真方法，以及如何提高公共场所中人群疏散的效率以及危机情况下的疏散人群的安全性的问题，尚缺乏有效的解决方案。
发明内容
本发明为了解决上述问题，本发明提供一种基于多蜂群算法的人群疏散仿真方法及系统，本发明将宏观疏散仿真方法与微观疏散仿真方法进行结合，有效弥补两种疏散仿真方法在仿真大规模人群疏散时的不足，在宏观疏散仿真方法中运用多蜂群算法进行宏观路径规划，在微观疏散仿真方法中运用社会力模型进行微观个体运动指导，将多蜂群算法和社会力模型结合有效地提高公共场所中人群疏散的效率以及危机情况下的疏散人群的安全性，有利于设计疏散方案，为真实的疏散演练提供帮助。
本发明的第一目的是提供一种基于多蜂群算法的人群疏散仿真方法。
为了实现上述目的，本发明采用如下一种技术方案：
一种基于多蜂群算法的人群疏散仿真方法，该方法包括：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真。
本发明中，将多蜂群算法和社会力模型结合，利用多蜂群算法进行宏观路径规划并实现真实场景人群疏散过程中的结伴同行现象，利用社会力模型进行微观个体运动指导，共同完成复杂场景下的人群疏散仿真。实验结果表明，该方法能够真实有效地实现复杂场景下的人群疏散仿真。
作为进一步的优选方案，在该方法中，根据设置的疏散场景参数信息，采用模型设计软件创建疏散场景模型，并对创建的疏散场景模型进行渲染；所述疏散场景模型为二维场景模型或三维场景模型；所述疏散场景模型包括疏散场景的所有房间和出口。
在本发明中，所述疏散场景模型作为人群疏散的环境空间，用户可在该环境空间下进行人群疏散的反复试验。
作为进一步的优选方案，在该方法中，在创建的疏散场景模型的每一个疏散出口处设置计数器，用于统计每个出口疏散的人群个体数。
作为进一步的优选方案，在该方法中，根据每个出口疏散的人群个体数，分别计算出口处的拥挤度；所述拥挤度为正常情况下通过出口的预设个数与相应出口疏散的人群个体数总值的比值。
作为进一步的优选方案，在该方法中，将疏散人群划分群组具体为：根据个体距离出口的位置以及个体之间的距离将疏散人群划分群组；
在每个群组中筛选出引领蜂具体为：在每个群组中，筛选距离出口最近的个体作为引领蜂。
作为进一步的优选方案，在该方法中，采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：
设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；
初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；
将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；
更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。
在本发明中，多蜂群算法在蜂群中加入分组后形成多个子种群，每个子种群分别独立运行人工蜂群算法，以提高算法的收敛速度，并在种群中加入辅助种群以增强子种群间的通信，提高算法的寻优精度，避免算法陷入局部最优，算法分组后的子种群体现真实场景人群疏散过程中的结伴同行现象。该方法能够体现真实的仿真效果，能够有效地提高疏散时间，对紧急情况下的人群疏散具有良好的指导意义。
作为进一步的优选方案，所述初始参数中，种群中的采蜜蜂规模与侦查蜂规模各占种群规模的二分之一；
在初始化初始参数后，根据搜索的环境空间随机产生种群规模数量的可能解，每个解是一个D维向量。
作为进一步的优选方案，采用社会力模型进行微观人群运动指导的具体步骤为：
对于每个群组内的个体行人，通过社会力受力公式计算行人自身的驱动力、行人之间的排斥力和行人受墙或障碍物的力的所受合力；
群组内的个体行人按照计算的所受合力进行行为运动。
在本发明中，当疏散人群数量较多时，个体之间不可避免地会发生碰撞，采用社会力模型进行微观人群运动指导，产生无碰撞的人群运动。
作为进一步的优选方案，在该方法中，实时存储疏散人群总数、疏散时间、人群疏散路径，存储的信息可导出保存，用于后续人群疏散的运动展示和对比分析。
本发明的第二目的是提供一种计算机可读存储介质。
为了实现上述目的，本发明采用如下一种技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备设备的处理器加载并执行以下处理：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真。
本发明的第三目的是提供一种终端设备。
为了实现上述目的，本发明采用如下一种技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下处理：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真。
本发明的有益效果：
(1)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，将多蜂群算法和社会力模型结合，利用多蜂群算法进行宏观路径规划并实现真实场景人群疏散过程中的结伴同行现象，利用社会力模型进行微观个体运动指导，共同完成复杂场景下的人群疏散仿真。实验结果表明，该方法能够真实有效地实现复杂场景下的人群疏散仿真。
(2)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，结合宏观疏散仿真方法与微观疏散仿真方法的优点，建立了一种宏微观相结合的方法，弥补两种方法在大规模人群疏散仿真时的不足，采用该模型实现人群疏散仿真。该方法能够快速有效地进行疏散，减少疏散时间并且增加出口的利用率，能够为真实地疏散演练提供帮助。
(3)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，利用应用较为广泛的人工蜂群算法进行宏观路径规划，并在原始算法的基础上进行改进，形成多蜂群算法，能够有效模拟真实场景中成群结队的小团体现象，加入分组后的群体分别执行人工蜂群算法并用社会力模型实现避障，能实现真实地仿真效果并且提高了疏散效率。
(4)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，利用人工蜂群算法较强的全局寻优能力，而且操作简单，便于实现的优点，利用多蜂群算法进行宏观路径规划并实现真实场景人群疏散过程中的结伴同行现象，多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，提高算法的寻优精度，避免算法陷入局部最优，算法分组后的子种群体现真实场景人群疏散过程中的结伴同行现象。算法适应度体现人群疏散时间，把疏散时间作为疏散效率评价标准，利用社会力模型进行微观个体运动指导，共同完成复杂场景下的人群疏散仿真。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的基于多蜂群算法的人群疏散仿真方法流程示意图；
图2为本发明的人群疏散仿真平台三维场景模型图；
图3为本发明的人群疏散仿真平台语义提取结果图；
图4为本发明的人群初始化后人群的随机分布情况图；
图5为本发明的宏观路径规划的方法流程示意图；
图6为本发明的多蜂群算法和原始人工蜂群算法的对比图；
图7为本发明的多蜂群算法与其他路径规划算法的对比图；
图8为本发明的各个群组在引领个体的带领下向出口的移动情况图；
图9为本发明的各个群组在引领个体的带领下接近出口的移动情况图；
图10为的基于多蜂群算法的人群疏散仿真系统结构示意图。
具体实施方式：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。
本发明为了解决背景技术所介绍的问题，本发明提供一种基于多蜂群算法的人群疏散仿真方法及系统，本发明将宏观疏散仿真方法与微观疏散仿真方法进行结合，有效弥补两种疏散仿真方法在仿真大规模人群疏散时的不足，在宏观疏散仿真方法中运用多蜂群算法进行宏观路径规划，在微观疏散仿真方法中运用社会力模型进行微观个体运动指导，将多蜂群算法和社会力模型结合有效地提高公共场所中人群疏散的效率以及危机情况下的疏散人群的安全性，有利于设计疏散方案，为真实的疏散演练提供帮助。
实施例1：
本发明的第一目的是提供一种基于多蜂群算法的人群疏散仿真方法。
为了实现上述目的，本发明采用如下一种技术方案：
一种基于多蜂群算法的人群疏散仿真方法，该方法包括：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真。
本发明中，将多蜂群算法和社会力模型结合，利用多蜂群算法进行宏观路径规划并实现真实场景人群疏散过程中的结伴同行现象，利用社会力模型进行微观个体运动指导，共同完成复杂场景下的人群疏散仿真。实验结果表明，该方法能够真实有效地实现复杂场景下的人群疏散仿真。
如图1所示，
在本实施例中，具体通过七个步骤实现人群疏散仿真。
在本实施例中，系统的运行环境是以Visual Studio 2012+OSG作为开发工具，在Windows7操作系统环境下进行，实现复杂场景下的人群疏散仿真。仿真实验参数设置：办公室场景大小为30m*30m，个体半径为0.2m，个体质量为80kg，社会力参数A＝2500N，B＝0.08m。C＝2000N，D＝0.05m，α＝0.7。
步骤(1)：设置疏散场景参数，办公室场景大小为30m*30m，用模型设计软件创建三维场景模型，包括疏散场景的所有房间和出口，并对其进行渲染，该疏散场景模型作为人群疏散的环境空间，用户可在该环境空间下进行人群疏散的反复试验。
如图2所示，为人群疏散仿真平台三维场景模型图；
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，采基于单幅图像的三维场景建模方法进行场景建模，主要包括基元构建和真实感处理两方面的内容，对得到的场景模型可以进行旋转、移动等交互式操作，场景模型满足用户的需要。
在每个出口处配置一个用于统计从相应出口疏散的个体数量的计数器。若引领个体到达相应出口，则相应出口处的计数器加1。根据出口处的计数器的数值，得到出口的拥挤度；其中，拥堵度等于正常情况下通过相应出口的预设个数与出口相匹配的群组内个体总数的比值。
步骤(2)：用模型设计软件创建三维人物模型，个体半径为0.2m，个体质量为80kg，用动作编辑软件绑定人物动作，将人物模型导入到疏散场景模型中作为疏散人群。
在具体实施过程中，首先需要根据真实人物特征在模型设计软件Maya中进行人体建模，其次用用动作编辑软件绑定人物动作，使其可以运动，最后将其导入到疏散场景模型中作为疏散人群。
步骤(3)：针对已经建模的疏散场景进行语义信息的提取，提取出的语义信息将作为人群疏散中的静态环境信息使用，如图3所示，是本发明的人群疏散仿真平台语义提取结果图；
在获得场景模型对应的语义信息后，可在该场景下设置疏散人群的参数信息。
步骤(4)：将疏散场景中的疏散人群存储到种群空间中，根据个体距离出口的位置以及个体之间的距离划分群组，筛选每个群组中距离出口最近的个体作为引领，并将该信息存储到信息空间中。
本发明中在人工蜂群算法中引入分组策略，根据行人所选出口及距出口的距离进行分组。算法初始化后，选择同一出口个体划分为一组；对每组行人，根据组内个体数量及距目标距离再次进行分组，疏散过程中组号保持不变；以组为单位进行引领蜂的选取、剩余个体角色转换、路径评价及最优路径的信息传递。在原始人工蜂群算法种群初始化后，将选择同一个蜜源的个体划分为一组，以组为单位进行引领蜂选取、剩余个体角色转换，同组内进行最优路径的信息交流与传递。显然分组之后的种群收敛速度以及种群多样性降低，所以为了增加全局通信能力，引入辅助种群使得最优解的传递速度加快，加快算法收敛速度，同时提高了种群多样性。
引领蜂被选择的概率公式变为：
公式中，pg,i代表第g组中第i个蜜源被选择的概率，fitg,i代表第g组中第i个蜜源的质量，即第g组中第i个解的适应度值，Ng代表第g组中解的个数。
步骤(5)：根据设置的疏散人群参数信息进行人群初始化，如图4所示为人群初始化后人群的随机分布情况图；
采用多蜂群算法进行宏观路径规划，搜索初始点到目标点的路径，路径由一系列关键点组成。
如图5所示，
在步骤(5)中的采用多蜂群算法进行宏观路径规划的过程为：
设置种群规模N(采蜜蜂、侦查蜂各N/2)，最大迭代次数MaxCycle，适应度阈值Limit，子种群的规模Ng等参数。
参数初始化，根据搜索空间随机产生N个可能解，即食物源，每个解是一个D维向量，将种群划分为Ng个子种群，并在每个子种群中分别运行人工蜂群ABC算法。
将各个子种群中的引领个体信息通过矩阵传递到增设的辅助种群中，辅助种群中包含引领个体的信息。
辅助种群将引领个体按照适应度值进行优劣排序，选择2Ng个优秀个体随机分配到子种群中。
子种群状态更新，继续运行多蜂群算法，若满足终止条件则执行下一步，若不满足终止条件则返回Step2。
迭代，直到算法迭代次数达到MaxCycle完成收敛则终止。
在最短路径上选取下一个位置作为相应组的目标。
如图6所示，是本发明的多蜂群算法和原始人工蜂群算法的对比图，如图所示的对比图包括：
为了测试改进后算法的性能，采用4组标准测试函数Sphere、Rosenbrock、Griewank、Rastrigin，在MATLABR2014a中对ABC和IABC进行适应度对比测试.实验初始化时种群规模为100，其中引领蜂和跟随蜂的数目均为50，迭代次数为1000，适应度阈值为50，维度为50.ABC、IABC算法分别独立运行30次，得到各自的适应度最大值、最小值、平均值和方差，其中最大值和最小值反映算法的质量，平均值反映算法的收敛速度和寻优精度，方差反映算法的稳定性和数据的离散程度。
多蜂群算法在单模和多模函数测试中，函数优化的平均值、方差、最小值均优于ABC算法，表明算法的寻优精度更高，且具有更好的稳定性，多蜂群算法中在蜂群中加入分组，多个种群并行计算，算法性能在收敛速度和寻优精度上均有了明显的提高。通过图6可以更直观地看出，多蜂群算法的收敛性能最好，可以快速收敛到蜜源所在区域，寻优精度也有很大的提高。
图7是本发明的多蜂群算法与其他路径规划算法的对比图，如图7所示的对比图包括：
图7中分别采用目前应用较广泛的蚁群算法(ACO)、粒子群算法(PSO)和本发明中的多蜂群算法(IABC)针对不同数量的人群进行疏散时间对比，实验数据由每种算法对于不同数量疏散人群分别进行20次实验平均得来。
步骤(6)：当疏散人群数量较多时，个体之间不可避免地会发生碰撞，设置社会力参数，社会力参数A＝2500N，B＝0.08m,C＝2000N，D＝0.05m，α＝0.7，采用社会力模型进行微观人群运动指导，产生无碰撞的人群运动。
社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力，将行人运动描述为力相互作用的结果，包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动。
在行人主观意愿作用下，行人总是期望以最优行走速度朝着期望目的地移动，所以行人自身的驱动力可以看作行人施加在自身的一个虚拟心理力.行人自身驱动力公式为：
当行人在人群中行走时，无法避免会与其他行人发生相互作用，当与其他行人过近，其他行人就会产生一个排斥力.而当行人间距离较大时，行人之间的作用力则变为引力.行人之间的相互作用力公式为：
行走过程中，为保证自身安全和舒适性，行人会与障碍物保持一定的距离.这意味着行人运动中会受到障碍物对行人的作用力.行人与障碍物的相互作用力公式为：
根据牛顿第二定律，社会力模型公式为：
步骤(7)：将疏散人数、疏散时间、疏散路径等参数信息导出并保存，用于人群疏散的运动展示和对比分析。
如图8所示，为各个群组在引领个体的带领下向出口的移动情况图；图9是各个群组在引领个体的带领下接近出口的移动情况图。通过图8和图9可以看出，各组在引领个体的带领下进行快速有效的疏散，避免了出口的拥堵现象，而且出口的利用率很高，减少了疏散因拥堵和出口选择不当而引起的疏散时间增加。
实施例2：
本发明的第二目的是提供一种计算机可读存储介质。
为了实现上述目的，本发明采用如下一种技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备设备的处理器加载并执行以下处理：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真。
在该方法中，根据设置的疏散场景参数信息，采用模型设计软件创建疏散场景模型，并对创建的疏散场景模型进行渲染；所述疏散场景模型为二维场景模型或三维场景模型；所述疏散场景模型包括疏散场景的所有房间和出口。
所述疏散场景模型作为人群疏散的环境空间，用户可在该环境空间下进行人群疏散的反复试验。
在该方法中，在创建的疏散场景模型的每一个疏散出口处设置计数器，用于统计每个出口疏散的人群个体数。
在该方法中，根据每个出口疏散的人群个体数，分别计算出口处的拥挤度；所述拥挤度为正常情况下通过出口的预设个数与相应出口疏散的人群个体数总值的比值。
在该方法中，将疏散人群划分群组具体为：根据个体距离出口的位置以及个体之间的距离将疏散人群划分群组；
在每个群组中筛选出引领蜂具体为：在每个群组中，筛选距离出口最近的个体作为引领蜂。
在该方法中，采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：
设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；
初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；
将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；
更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。
所述初始参数中，种群中的采蜜蜂规模与侦查蜂规模各占种群规模的二分之一；在初始化初始参数后，根据搜索的环境空间随机产生种群规模数量的可能解，每个解是一个D维向量。
采用社会力模型进行微观人群运动指导的具体步骤为：
对于每个群组内的个体行人，通过社会力受力公式计算行人自身的驱动力、行人之间的排斥力和行人受墙或障碍物的力的所受合力；
群组内的个体行人按照计算的所受合力进行行为运动。
当疏散人群数量较多时，个体之间不可避免地会发生碰撞，采用社会力模型进行微观人群运动指导，产生无碰撞的人群运动。
在该方法中，实时存储疏散人群总数、疏散时间、人群疏散路径，存储的信息可导出保存，用于后续人群疏散的运动展示和对比分析。
实施例3：
本发明的第三目的是提供一种终端设备。
为了实现上述目的，本发明采用如下一种技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下处理：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真。
在本实施例中，该终端设备及一种基于多蜂群算法的人群疏散仿真系统包括场景建模模块、人物建模模块、语义提取模块、引领筛选模块、宏观路径规划模块、微观人群运动模块、数据导出模块七个模块。
如图10所示，
其中：
场景建模模块，其被配置为设置疏散场景参数，用模型设计软件Maya创建三维场景模型，包括疏散场景的所有房间和出口，并对其进行渲染，该疏散场景模型作为人群疏散的环境空间，用户可在该环境空间下进行人群疏散的反复试验。
人物建模模块，其被配置为用模型设计软件Maya创建三维人物模型，用动作编辑软件MotionBuilder绑定人物动作，将人物模型导入到疏散场景模型中作为疏散人群。
语义提取模块，其被配置为针对已经建模的疏散场景进行语义信息的提取，提取出的语义信息将作为人群疏散中的静态环境信息使用，在获得场景模型对应的语义信息后，可在该场景下设置疏散人群的参数信息。
引领筛选模块，其被配置为将疏散场景中的疏散人群存储到种群空间中，根据个体距离出口的位置以及个体之间的距离划分群组，筛选每个群组中距离出口最近的个体作为引领，并将该信息存储到信息空间中。
宏观路径规划模块，其被配置为根据设置的疏散人群参数信息进行人群初始化后，采用多蜂群算法进行宏观路径规划，搜索初始点到目标点的路径，路径由一系列关键点组成。
微观人群运动模块，其被配置为当疏散人群数量较多时，个体之间不可避免地会发生碰撞，采用社会力模型进行微观人群运动指导，产生无碰撞的人群运动。
数据导出模块，其被配置为将疏散人数、疏散时间、疏散路径等参数信息导出并保存，用于人群疏散的运动展示和对比分析。
宏观路径规划模块包括：
设置种群规模N(采蜜蜂、侦查蜂各N/2)，最大迭代次数MaxCycle，适应度阈值Limit，子种群的规模Ng等参数。
参数初始化，根据搜索空间随机产生N个可能解，即食物源，每个解是一个D维向量，将种群划分为Ng个子种群，并在每个子种群中分别运行ABC算法。
将各个子种群中的引领个体信息通过矩阵传递到增设的辅助种群中，辅助种群中包含引领个体的信息。
辅助种群将引领个体按照适应度值进行优劣排序，选择2Ng个优秀个体随机分配到子种群中。
子种群状态更新，继续运行IABC算法.若满足终止条件则执行下一步，若不满足终止条件则返回Step2。
该系统还包括计数器，其配置在每个出口处，用于统计从相应出口疏散的个体数量。根据出口处的计数器的数值，得到出口的拥挤度；其中，拥堵度等于正常情况下通过相应出口的预设个数与出口相匹配的群组内个体总数的比值。
本发明的有益效果：
(1)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，将多蜂群算法和社会力模型结合，利用多蜂群算法进行宏观路径规划并实现真实场景人群疏散过程中的结伴同行现象，利用社会力模型进行微观个体运动指导，共同完成复杂场景下的人群疏散仿真。实验结果表明，该方法能够真实有效地实现复杂场景下的人群疏散仿真。
(2)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，结合宏观疏散仿真方法与微观疏散仿真方法的优点，建立了一种宏微观相结合的方法，弥补两种方法在大规模人群疏散仿真时的不足，采用该模型实现人群疏散仿真。该方法能够快速有效地进行疏散，减少疏散时间并且增加出口的利用率，能够为真实地疏散演练提供帮助。
(3)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，利用应用较为广泛的人工蜂群算法进行宏观路径规划，并在原始算法的基础上进行改进，形成多蜂群算法，能够有效模拟真实场景中成群结队的小团体现象，加入分组后的群体分别执行人工蜂群算法并用社会力模型实现避障，能实现真实地仿真效果并且提高了疏散效率。
(4)本发明的一种基于多蜂群算法的人群疏散仿真方法及系统，利用人工蜂群算法较强的全局寻优能力，而且操作简单，便于实现的优点，利用多蜂群算法进行宏观路径规划并实现真实场景人群疏散过程中的结伴同行现象，多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，提高算法的寻优精度，避免算法陷入局部最优，算法分组后的子种群体现真实场景人群疏散过程中的结伴同行现象。算法适应度体现人群疏散时间，把疏散时间作为疏散效率评价标准，利用社会力模型进行微观个体运动指导，共同完成复杂场景下的人群疏散仿真。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于多蜂群算法的人群疏散仿真方法，其特征是：该方法包括：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真；
所述多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
所述社会力模型中的社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力，将行人运动描述为力相互作用的结果，包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动；
采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：
设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；
初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；
将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；
更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。
2.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，根据设置的疏散场景参数信息，采用模型设计软件创建疏散场景模型，并对创建的疏散场景模型进行渲染；所述疏散场景模型为二维场景模型或三维场景模型；所述疏散场景模型包括疏散场景的所有房间和出口。
3.如权利要求2所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，在创建的疏散场景模型的每一个疏散出口处设置计数器，用于统计每个出口疏散的人群个体数；
根据每个出口疏散的人群个体数，分别计算出口处的拥挤度；所述拥挤度为正常情况下通过出口的预设个数与相应出口疏散的人群个体数总值的比值。
4.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，将疏散人群划分群组具体为：根据个体距离出口的位置以及个体之间的距离将疏散人群划分群组；
在每个群组中筛选出引领蜂具体为：在每个群组中，筛选距离出口最近的个体作为引领蜂。
5.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：所述初始参数中，种群中的采蜜蜂规模与侦查蜂规模各占种群规模的二分之一；
在初始化初始参数后，根据搜索的环境空间随机产生种群规模数量的可能解，每个解是一个D维向量。
6.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：采用社会力模型进行微观人群运动指导的具体步骤为：
对于每个群组内的个体行人，通过社会力受力公式计算行人自身的驱动力、行人之间的排斥力和行人受墙或障碍物的力的所受合力；
群组内的个体行人按照计算的所受合力进行行为运动。
7.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，实时存储疏散人群总数、疏散时间、人群疏散路径，存储的信息可导出保存，用于后续人群疏散的运动展示和对比分析。
8.一种计算机可读存储介质，其中存储有多条指令，其特征是：所述指令适于由终端设备设备的处理器加载并执行以下处理：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真；
所述多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
所述社会力模型中的社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力，将行人运动描述为力相互作用的结果，包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动；
采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：
设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；
初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；
将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；
更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。
9.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征是：所述指令适于由处理器加载并执行以下处理：
设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；
提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；
将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真；
所述多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
所述社会力模型中的社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力，将行人运动描述为力相互作用的结果，包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动；
采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：
设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；
初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；
将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；
辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；
更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710676018.7A CN107292064B (zh) | 2017-08-09 | 2017-08-09 | 一种基于多蜂群算法的人群疏散仿真方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710676018.7A CN107292064B (zh) | 2017-08-09 | 2017-08-09 | 一种基于多蜂群算法的人群疏散仿真方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292064A CN107292064A (zh) | 2017-10-24 |
| CN107292064B true CN107292064B (zh) | 2019-01-11 |
Family
ID=60104744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710676018.7A Expired - Fee Related CN107292064B (zh) | 2017-08-09 | 2017-08-09 | 一种基于多蜂群算法的人群疏散仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292064B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108446469B (zh) * | 2018-03-07 | 2022-02-08 | 山东师范大学 | 一种基于视频驱动的群组行为疏散仿真方法及装置 |
| CN108459616B (zh) * | 2018-03-07 | 2021-08-03 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
| 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 |
| CN108491972A (zh) * | 2018-03-21 | 2018-09-04 | 山东师范大学 | 一种基于Sarsa算法的人群疏散仿真方法及装置 |
| 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 |
| CN109489665B (zh) * | 2018-11-07 | 2020-07-24 | 深圳先进技术研究院 | 一种基于资源分配的人避难行踪的位置预测方法及其系统 |
| CN109190325B (zh) * | 2018-11-20 | 2019-05-28 | 山东师范大学 | 基于行人拥挤度分析的人群疏散路径规划仿真方法 |
| CN109859558B (zh) * | 2019-01-21 | 2020-12-29 | 北京科技大学 | 一种考虑人员物理影响的建筑火灾虚拟疏散训练方法 |
| CN110543975B (zh) * | 2019-08-13 | 2022-09-20 | 同济大学 | 一种基于群智能算法和疏散熵的人群疏散路径优化方法 |
| CN110795833B (zh) * | 2019-10-15 | 2023-04-18 | 山东师范大学 | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 |
| 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 |
| CN111165395B (zh) * | 2020-01-08 | 2021-04-30 | 清华大学 | 一种使用斑马鱼模拟人群流动的实验方法 |
| 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 |
| CN112149305A (zh) * | 2020-09-25 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 轨道车辆火灾人员疏散仿真方法及系统 |
| 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 |
| CN112926116B (zh) * | 2021-03-01 | 2023-02-17 | 哈尔滨工业大学 | 一种基于虚拟现实的体育馆火灾疏散行为数据收集系统及其收集方法 |
| CN113536613B (zh) * | 2021-09-17 | 2022-04-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种人群疏散模拟方法、装置、终端设备及存储介质 |
| CN116401941B (zh) * | 2023-03-27 | 2024-02-02 | 青岛理工大学 | 一种地铁站闸机疏散能力的预测方法 |
| CN116880572B (zh) * | 2023-09-07 | 2023-11-14 | 江西财经大学 | 一种虚拟蜜蜂飞行控制方法 |
| CN117725812B (zh) * | 2023-11-07 | 2024-08-16 | 青岛理工大学 | 一种水灾情况地铁站内乘客疏散路径分布式鲁棒优化方法 |
| CN117631667B (zh) * | 2023-11-29 | 2024-05-14 | 北京建筑大学 | 一种应用于多层建筑人员的动态引导避障疏散方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740514A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 一种大规模人群疏散计算机仿真系统及其方法 |
| CN106096168A (zh) * | 2016-06-21 | 2016-11-09 | 哈尔滨工业大学 | 一种基于听觉感知的空间人群疏散模拟方法 |
| CN106202751A (zh) * | 2016-07-15 | 2016-12-07 | 山东师范大学 | 文化算法与微粒群算法结合的人群疏散仿真方法及系统 |
| CN106227958A (zh) * | 2016-07-27 | 2016-12-14 | 山东师范大学 | 人工蜂群与社会力模型结合的群组疏散仿真系统及方法 |
-
2017
- 2017-08-09 CN CN201710676018.7A patent/CN107292064B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740514A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 一种大规模人群疏散计算机仿真系统及其方法 |
| CN106096168A (zh) * | 2016-06-21 | 2016-11-09 | 哈尔滨工业大学 | 一种基于听觉感知的空间人群疏散模拟方法 |
| CN106202751A (zh) * | 2016-07-15 | 2016-12-07 | 山东师范大学 | 文化算法与微粒群算法结合的人群疏散仿真方法及系统 |
| CN106227958A (zh) * | 2016-07-27 | 2016-12-14 | 山东师范大学 | 人工蜂群与社会力模型结合的群组疏散仿真系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于人工蜂群算法的疏散运动仿真;张鹏等;《计算机工程》;20130731;第39卷(第7期);第261-264,283页 |
| 基于改进萤火虫算法的人群疏散仿真;晁素娜;《山东师范大学学报（自然科学版）》;20150331;第30卷(第1期);第33-37页 |
| 多蜂群协同进化算法及其应用研究;张鹏;《全国优秀硕士学位论文全文数据库（信息科技辑）》;20140915(第9期);I140-90 |
| 融合社会力与人工蜂群的人群疏散仿真方法;徐斌等;《小型微型计算机系统》;20160831;第37卷(第8期);第1725-1729页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292064A (zh) | 2017-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Qingge et al. | Simulating crowd evacuation with a leader-follower model | |
| CN104361178B (zh) | 一种基于势能驱动元胞蚁群算法的室内疏散仿真优化方法 | |
| CN103679264B (zh) | 基于人工鱼群算法的人群疏散路径规划方法 | |
| 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 | |
| Lima et al. | A cellular automata ant memory model of foraging in a swarm of robots | |
| 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 | |
| CN104077797B (zh) | 三维游戏动画系统 | |
| CN107403049B (zh) | 一种基于人工神经网络的Q-Learning行人疏散仿真方法及系统 | |
| CN108388734A (zh) | 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 | |
| Patel et al. | A hybrid ACO/PSO based algorithm for QoS multicast routing problem | |
| CN100440257C (zh) | 一种虚拟人群运动的三维可视化方法 | |
| CN107464021A (zh) | 一种基于强化学习的人群疏散仿真方法、装置 | |
| CN107480821A (zh) | 基于实例学习的多Agent协作人群疏散仿真方法及装置 | |
| CN107679306B (zh) | 视频驱动的人群疏散行为仿真方法及系统 | |
| CN101216951A (zh) | 虚拟场景中的智能群体运动模拟方法 | |
| CN101188025A (zh) | 一种高效实时的群体动画框架 | |
| CN108153966B (zh) | 基于gpu的多出口势能场模型人群实时疏散仿真方法 | |
| CN106202751A (zh) | 文化算法与微粒群算法结合的人群疏散仿真方法及系统 | |
| CN107665269A (zh) | 基于地理信息的快速人群疏散仿真方法和装置 | |
| CN105701314A (zh) | 一种基于自适应智能体模型的复杂人群疏散行为仿真方法 | |
| CN108446469A (zh) | 一种基于视频驱动的群组行为疏散仿真方法及装置 | |
| CN111157002B (zh) | 基于多智能体进化算法的飞行器3d路径规划方法 | |
| CN107103156A (zh) | 一种考虑从众心理的人群疏散仿真方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190111 |