CN108388734A - 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 - Google Patents
基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 Download PDFInfo
- Publication number
- CN108388734A CN108388734A CN201810166081.0A CN201810166081A CN108388734A CN 108388734 A CN108388734 A CN 108388734A CN 201810166081 A CN201810166081 A CN 201810166081A CN 108388734 A CN108388734 A CN 108388734A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- crowd
- path
- model
- ant colony
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010835 comparative analysis Methods 0.000 claims abstract description 10
- 241000256844 Apis mellifera Species 0.000 claims description 49
- 230000004888 barrier function Effects 0.000 claims description 10
- 235000013305 food Nutrition 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010845 search algorithm Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007789 sealing Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于禁忌搜索蜂群算法的人群疏散仿真方法及系统，设置疏散场景参数信息和人物模型信息，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；设置基于禁忌搜索的蜂群算法的初始参数；宏观疏散仿真：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；微观疏散仿真：在初始路径的基础上，当疏散人群数量大于设定阈值时，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，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。
Description
技术领域
本发明涉及人群疏散仿真的技术领域，特别是涉及基于禁忌搜索蜂群算法的人群疏散仿真方法及系统。
背景技术
近些年来，随着社会经济的高速发展，公共场所内经常会出现大规模人群聚集现象，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。因此如何规避人群密集场景下的拥塞事件，减少生命财产的损失，一直是安全领域研究的热点问题。随着科学技术的发展，人群运动仿真技术成为研究的热点。通过仿真手段模拟研究人群疏散的行为规律，其费用开销小等优势对在紧急情况发生时人群的疏散具有重大的现实意义。
人工蜂群算法(artificial bee colony，ABC)是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群体智能领域新兴的智能优化技术，由于人工蜂群算法计算简单、便于实现和鲁棒性强的特点，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。人工蜂群算法是通过密封之间的相互合作寻找最优解的群智能算法，由蜜源、被雇佣峰(采蜜蜂)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，蜜源质量对应可行解的适应度。
禁忌搜索算法(tabu search algorithm,TS)是由Glover在1986年提出的一种全局逐步寻优算法。它从一个初始可行解出发，选择一系列的特定搜索方向作为试探，选择实现让特定的目标函数值变化最多的移动。为了避免陷入局部最优解，禁忌搜索中采用了一种灵活的“记忆”技术，对已经进行的优化过程进行记录和选择，指导下一步的搜索方向，这就是禁忌表的建立。也就是说，在禁忌搜索算法中，禁忌表是用来防止搜索过程中出现循环，避免陷入局部最优的。
基于禁忌搜索的蜂群算法就是把禁忌搜索算法中的禁忌表加入到蜂群算法中来，用来存储采蜜蜂已经搜索到的局部最优解，并对它进行标记，在下一次的搜索过程中利用禁忌表中的信息，不搜索或者有选择的搜索这些解，可以解决蜂群算法容易陷入局部最优的问题。
社会力模型作为微观仿真模型，其本身较宏观模型有显著的优势，一经提出，就受到了专家学者的广泛关注。社会力模型能够较为真实的模拟出疏散中的行人的行为，能够仿真出人群中产生的真实现象。它认为行人的行走并非收到外力作用，而是受到自身的驱动力，这种驱动力就是所谓的“社会力”。
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。宏观疏散仿真方法就是将人群作为一个整体处理，从而忽略了个体之间的交互与影响，因此计算复杂度较低，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。
综上所述，在现有技术的人群疏散仿真中对于如何将基于禁忌搜索的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
为了解决现有技术的不足，本发明提供了一种基于禁忌搜索蜂群算法的人群疏散仿真方法及系统，其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基于禁忌搜索的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，将基于禁忌搜索的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，为模拟重大事故下的疏散演练提供帮助。
基于禁忌搜索蜂群算法的人群疏散仿真方法，包括：
步骤(1)：设置疏散场景参数信息和人物模型信息，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；
步骤(2)：设置基于禁忌搜索的蜂群算法的初始参数；
步骤(3)：宏观疏散仿真：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；
步骤(4)：微观疏散仿真：在初始路径的基础上，当疏散人群数量大于设定阈值时，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，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；
步骤(5)：将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。
所述步骤(1)中疏散场景模型作为人群疏散的环境空间，包括：疏散场景的所有房间和出口，可所述环境空间下进行人群疏散的反复试验；所述人物模型作为疏散人群。
所述疏散场景参数信息，包括：场景位置、房间个数及位置、出口个数及位置、场景面积；所述人物模型信息，包括：个体半径和个体重量；
所述步骤(2)初始参数包括种群规模、最大迭代次数、蜜源停留最大限制搜索次数limit和空的禁忌表。
所述步骤(3)的步骤为：
根据搜索的环境空间随机产生若干当前解，即食物源；
然后，采蜜蜂在当前解的邻域进行搜索产生若干候选解，计算跟随蜂对当前解的跟随概率，跟随概率最高的成为当前全局最优解；
跟随蜂转换为采蜜蜂，再次对产生的若干候选解进行邻域搜索，计算跟随蜂跟随概率，产生最优候选解；
如果最优候选解优于当前全局最优解，且最优候选解经limit次未更新，则将最优候选解代替当前全局最优解加入禁忌表；
否则，将当前全局最优解代替当前解加入禁忌表，更新禁忌表内容，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。
所述步骤(4)在步骤(3)的得到的初始路径的基础上，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，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。
基于禁忌搜索蜂群算法的人群疏散仿真系统，包括：
场景和人物构建模块：设置疏散场景参数信息和人物模型信息，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；
初始参数设置模块：设置基于禁忌搜索的蜂群算法的初始参数；
宏观路径规划模块：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；
微观人群运动模块：在初始路径的基础上，当疏散人群数量大于设定阈值时，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，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；
数据导出模块：将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。
所述宏观路径规划模块：
根据搜索的环境空间随机产生若干当前解，即食物源；
然后，采蜜蜂在当前解的邻域进行搜索产生若干候选解，计算跟随蜂对当前解的跟随概率，跟随概率最高的成为当前全局最优解；
跟随蜂转换为采蜜蜂，再次对产生的若干候选解进行邻域搜索，计算跟随蜂跟随概率，产生最优候选解；
如果最优候选解优于当前全局最优解，且最优候选解经limit次未更新，则将最优候选解代替当前全局最优解加入禁忌表；
否则，将当前全局最优解代替当前解加入禁忌表，更新禁忌表内容，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。
所述微观人群运动模块在宏观路径规划模块的得到的初始路径的基础上，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，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。
基于禁忌搜索蜂群算法的人群疏散仿真系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时完成以下步骤：
步骤(1)：设置疏散场景参数信息和人物模型信息，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；
步骤(2)：设置基于禁忌搜索的蜂群算法的初始参数；
步骤(3)：宏观疏散仿真：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；
步骤(4)：微观疏散仿真：在初始路径的基础上，当疏散人群数量大于设定阈值时，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，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；
步骤(5)：将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。
本发明的有益效果：
(1)本发明的一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用，将基于禁忌搜索的蜂群算法和社会力模型结合，利用基于禁忌搜索的蜂群算法进行宏观路径规划，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)本发明的一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用，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，形成基于禁忌搜索的蜂群算法，能够有效模拟真实场景中人们往一个出口挤的现象，加入禁忌表之后再次邻域搜索，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。
(3)本发明的一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用，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，利用基于禁忌搜索的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只往一个出口挤的现象，基于禁忌搜索的蜂群算法在人工蜂群中加入禁忌表后，标记当前局部最优解，可以有效避免重复的搜索已经搜索过的局部最优解，提高了算法的寻优精度，避免算法陷入局部最优。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为本发明的基于禁忌搜索的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为本发明的人群初始化后人群的随机分布情况图；
图4为本发明的宏观路径规划的方法流程示意图；
图5为本发明的人群在引领个体的带领下向出口的移动情况图；
图6为本发明的人群在引领个体的带领下接近出口的移动情况图；
图7为的基于禁忌搜索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，本文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。
本发明为了解决上述问题，本发明提供一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用，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基于禁忌搜索的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，将基于禁忌搜索的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，为模拟重大事故下的疏散演练提供帮助。
本发明提供了一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用。
(1)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。
(2)设置基于禁忌搜索的蜂群算法的初始参数。
(3)初始化初始参数，采用基于禁忌搜索的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。
(4)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，产生无碰撞的疏散运动。
(5)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1所示，在本实施例中，具体通过五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)：根据设置的疏散人群参数信息进行人群初始化，如图3所示为人群初始化后人群的随机分布情况图；
采用基于禁忌搜索的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4所示，在步骤(3)中的采用基于禁忌搜索的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、跟随蜂各N/2)，最大迭代次数MaxCycle，蜜源停留最大限制次数Limit等参数。
参数初始化，根据搜索空间随机产生一个当前解，即食物源；然后采蜜蜂进行邻域搜索产生若干候选解，计算跟随蜂对当前解的跟随概率；跟随蜂转换为采蜜蜂，再次进行邻域搜索；如果最优候选解优于当前全局最优解且最优候选解经limit次未更新，则将其代替当前全局最优解，并加入禁忌表；若没有则当前全局最优解代替当前解加入禁忌表，同时更新禁忌表，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。
在禁忌搜索算法中，禁忌表是用来防止搜索过程中出现循环，避免陷入局部最优的。禁忌表的更新过程是：如果该食物源的最优候选解经limit次没有更新，则把将该最优候选解放入禁忌表。随后，采蜜蜂变成侦查蜂随机寻找新的食物源，产生新解，依次计算新解与禁忌表中解的欧式距离，取当前解得最小解的欧氏距离作为阈值，和新产生的解与禁忌表中的解进行比较，若小于阈值，则将新解放入禁忌表。如此循环，直至新产生的解不属于禁忌表范围。
步骤(4)：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边界或障碍物的相互作用力共同驱动。
自身驱动力：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。行人的自身驱动力为：
其中Fgoal为行人所受目标驱动力，mi为行人的质量，vdi为行人的期望速率，vi为行人的实际速度，τi为适应时间。
行人之间的相互作用力：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FSi。而当行人间距离较大时，行人之间的作用力则变为引力FGi。主要包括行人身体间的相互挤压力和当行人i靠近行人j时阻止相互切向运动的摩擦力，其中：
εij＝rij-(Ri+Rj)；
Fsi为排斥力，FGi为引力，Np表示行人数量，A表示相互作用的强度，B表示排斥力的范围，Ri和Rj表示行人的半径，rij代表行人i与行人j中心间的距离，εij表示距离差，表示法线方向，表示切线方向，kn和kt是很大的常数，g(εij)表示行人是否接触，当εij<0时，g(εij)＝1，否则，g(εij)＝0。
因此行人i受周围其他行人的作用力为：
Fhuman＝FSi+FGi
其中Fhuman表示行人所受作用力，Fsi为排斥力，FGi为引力。
行人与障碍物的相互作用力Fobstacle：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Fobstacle表达式：
其中Fobstacle表示行人与障碍物的相互作用力，Nw表示行人数量，A表示相互作用的强度，B表示排斥力的范围，εiw表示行人与障碍物之间的距离差，表示法线方向，表示切线方向，kn和kt是很大的常数，g(εiw)表示行人是否接触，当εiw<0时，g(εiw)＝1，否则，g(εiw)＝0。
步骤(5)：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5所示，为在引领个体的带领下向出口的移动情况图；图6是在引领个体的带领下接近出口的移动情况图。通过图5和图6可以看出，人群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。
在本实施例中，该终端设备及一种基于禁忌搜索的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、宏观路径规划模块、微观人群运动模块、数据导出模块五个模块。
如图7所示，其中：
场景和人物建模模块，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；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。
初始参数设置模块：设置基于禁忌搜索的蜂群算法的初始参数；
宏观路径规划模块，采用基于禁忌搜索的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、跟随蜂各N/2)，最大迭代次数MaxCycle，蜜源停留最大限制次数Limit等参数。
参数初始化，根据搜索空间随机产生一个当前解，即食物源；然后采蜜蜂进行邻域搜索产生若干候选解，计算跟随蜂对当前解的跟随概率；跟随蜂转换为采蜜蜂，再次进行邻域搜索；如果最优候选解优于当前全局最优解且最优候选解经limit次未更新，则将其代替当前全局最优解，并加入禁忌表，；若没有则当前全局最优解代替当劝解加入禁忌表，同时更新禁忌表，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。
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)本发明的一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用，将基于禁忌搜索的蜂群算法和社会力模型结合，利用基于禁忌搜索的蜂群算法进行宏观路径规划，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)本发明的一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用，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，形成基于禁忌搜索的蜂群算法，能够有效模拟真实场景中人们往一个出口挤的现象，加入禁忌表之后再次邻域搜索，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。
(3)本发明的一种基于禁忌搜索的蜂群算法在人群疏散仿真中的应用，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，利用基于禁忌搜索的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只往一个出口挤的现象，基于禁忌搜索的蜂群算法在人工蜂群中加入禁忌表后，标记当前局部最优解，可以有效避免重复的搜索已经搜索过的局部最优解，提高了算法的寻优精度，避免算法陷入局部最优。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 (10)
1.基于禁忌搜索蜂群算法的人群疏散仿真方法，其特征是，包括：
步骤(1)：设置疏散场景参数信息和人物模型信息，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；
步骤(2)：设置基于禁忌搜索的蜂群算法的初始参数；
步骤(3)：宏观疏散仿真：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；
步骤(4)：微观疏散仿真：在初始路径的基础上，当疏散人群数量大于设定阈值时，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，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；
步骤(5)：将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。
2.如权利要求1所述的基于禁忌搜索蜂群算法的人群疏散仿真方法，其特征是，所述步骤(1)中疏散场景模型作为人群疏散的环境空间，包括：疏散场景的所有房间和出口，可所述环境空间下进行人群疏散的反复试验；所述人物模型作为疏散人群。
3.如权利要求1所述的基于禁忌搜索蜂群算法的人群疏散仿真方法，其特征是，所述疏散场景参数信息，包括：场景位置、房间个数及位置、出口个数及位置、场景面积；所述人物模型信息，包括：个体半径和个体重量。
4.如权利要求1所述的基于禁忌搜索蜂群算法的人群疏散仿真方法，其特征是，所述步骤(2)初始参数包括种群规模、最大迭代次数、蜜源停留最大限制搜索次数limit和空的禁忌表。
5.如权利要求1所述的基于禁忌搜索蜂群算法的人群疏散仿真方法，其特征是，所述步骤(3)的步骤为：
根据搜索的环境空间随机产生若干当前解，即食物源；
然后，采蜜蜂在当前解的邻域进行搜索产生若干候选解，计算跟随蜂对当前解的跟随概率，跟随概率最高的成为当前全局最优解；
跟随蜂转换为采蜜蜂，再次对产生的若干候选解进行邻域搜索，计算跟随蜂跟随概率，产生最优候选解；
如果最优候选解优于当前全局最优解，且最优候选解经limit次未更新，则将最优候选解代替当前全局最优解加入禁忌表；
否则，将当前全局最优解代替当前解加入禁忌表，更新禁忌表内容，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。
6.如权利要求1所述的基于禁忌搜索蜂群算法的人群疏散仿真方法，其特征是，所述步骤(4)在步骤(3)的得到的初始路径的基础上，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，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.基于禁忌搜索蜂群算法的人群疏散仿真系统，其特征是，包括：
场景和人物构建模块：设置疏散场景参数信息和人物模型信息，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；
初始参数设置模块：设置基于禁忌搜索的蜂群算法的初始参数；
宏观路径规划模块：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；
微观人群运动模块：在初始路径的基础上，当疏散人群数量大于设定阈值时，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，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；
数据导出模块：将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。
8.如权利要求7所述的系统，其特征是，所述宏观路径规划模块：
根据搜索的环境空间随机产生若干当前解，即食物源；
然后，采蜜蜂在当前解的邻域进行搜索产生若干候选解，计算跟随蜂对当前解的跟随概率，跟随概率最高的成为当前全局最优解；
跟随蜂转换为采蜜蜂，再次对产生的若干候选解进行邻域搜索，计算跟随蜂跟随概率，产生最优候选解；
如果最优候选解优于当前全局最优解，且最优候选解经limit次未更新，则将最优候选解代替当前全局最优解加入禁忌表；
否则，将当前全局最优解代替当前解加入禁忌表，更新禁忌表内容，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。
9.如权利要求7所述的系统，其特征是，所述微观人群运动模块在宏观路径规划模块的得到的初始路径的基础上，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，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。
10.基于禁忌搜索蜂群算法的人群疏散仿真系统，其特征是，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时完成以下步骤：
步骤(1)：设置疏散场景参数信息和人物模型信息，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；
步骤(2)：设置基于禁忌搜索的蜂群算法的初始参数；
步骤(3)：宏观疏散仿真：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；
步骤(4)：微观疏散仿真：在初始路径的基础上，当疏散人群数量大于设定阈值时，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，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；
步骤(5)：将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810166081.0A CN108388734A (zh) | 2018-02-28 | 2018-02-28 | 基于禁忌搜索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 |
|---|---|---|---|
| CN201810166081.0A CN108388734A (zh) | 2018-02-28 | 2018-02-28 | 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108388734A true CN108388734A (zh) | 2018-08-10 |
Family
ID=63069082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810166081.0A Pending CN108388734A (zh) | 2018-02-28 | 2018-02-28 | 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108388734A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046562A (zh) * | 2019-12-16 | 2020-04-21 | 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 |
| CN111460670A (zh) * | 2020-04-03 | 2020-07-28 | 中国科学技术大学深圳研究院 | 一种基于cuda平台的大规模人群疏散模拟计算方法 |
| CN112330043A (zh) * | 2020-11-17 | 2021-02-05 | 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 |
| CN113689696A (zh) * | 2021-08-12 | 2021-11-23 | 北京交通大学 | 基于车道管理的多模式交通协同疏散方法 |
| CN114065614A (zh) * | 2021-11-01 | 2022-02-18 | 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 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 |
| CN107450498A (zh) * | 2017-09-11 | 2017-12-08 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
-
2018
- 2018-02-28 CN CN201810166081.0A patent/CN108388734A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 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 |
| CN107450498A (zh) * | 2017-09-11 | 2017-12-08 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘蓓蕾 等: "基于禁忌搜索的人工蜂群算法及其应用", 《计算机应用研究》 * |
| 李艳娟 等: "基于禁忌搜索的人工蜂群算法", 《计算机工程与应用》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046562A (zh) * | 2019-12-16 | 2020-04-21 | 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 |
| 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 |
| CN111460670A (zh) * | 2020-04-03 | 2020-07-28 | 中国科学技术大学深圳研究院 | 一种基于cuda平台的大规模人群疏散模拟计算方法 |
| CN112330043A (zh) * | 2020-11-17 | 2021-02-05 | 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 |
| 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 |
| CN113689696A (zh) * | 2021-08-12 | 2021-11-23 | 北京交通大学 | 基于车道管理的多模式交通协同疏散方法 |
| CN113689696B (zh) * | 2021-08-12 | 2022-07-29 | 北京交通大学 | 基于车道管理的多模式交通协同疏散方法 |
| CN114065614A (zh) * | 2021-11-01 | 2022-02-18 | 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 |
| 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 |
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 | |
| CN108388734A (zh) | 基于禁忌搜索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 | |
| 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 | |
| Qingge et al. | Simulating crowd evacuation with a leader-follower model | |
| CN103679264A (zh) | 基于人工鱼群算法的人群疏散路径规划方法 | |
| CN106650915B (zh) | 基于网格智能体的人群行为模拟方法 | |
| CN101188025B (zh) | 一种高效实时的群体动画系统 | |
| CN105740510A (zh) | 基于网格-密度-关系的疏散人群行为仿真系统及其方法 | |
| CN107220447B (zh) | 基于疏散路径集合的人群疏散仿真方法及系统 | |
| CN105468801A (zh) | 公共场所人群疏散仿真方法及系统 | |
| CN105808852A (zh) | 一种基于元胞自动机的室内行人微观仿真方法 | |
| CN110795833B (zh) | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 | |
| CN101216951A (zh) | 虚拟场景中的智能群体运动模拟方法 | |
| 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 | |
| CN112307622A (zh) | 一种用于计算机生成兵力的自主规划系统及规划方法 | |
| 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 | |
| Fu et al. | Crowd simulation for evacuation behaviors based on multi-agent system and cellular automaton | |
| CN108153966A (zh) | 基于gpu的多出口势能场模型人群实时疏散仿真方法 | |
| CN103927778B (zh) | 一种虚拟人环境感知的仿真方法及系统 | |
| Bo et al. | A multi-agent and PSO based simulation for human behavior in emergency evacuation | |
| 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 | |
| Zeng et al. | Real-time traffic signal control with dynamic evolutionary computation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180810 |
|
| RJ01 | Rejection of invention patent application after publication |