CN108491598A - 一种基于路径规划的人群疏散仿真方法及系统 - Google Patents

一种基于路径规划的人群疏散仿真方法及系统 Download PDF

Info

Publication number
CN108491598A
CN108491598A CN201810193834.7A CN201810193834A CN108491598A CN 108491598 A CN108491598 A CN 108491598A CN 201810193834 A CN201810193834 A CN 201810193834A CN 108491598 A CN108491598 A CN 108491598A
Authority
CN
China
Prior art keywords
evacuation
crowd
model
bee colony
scene
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.)
Granted
Application number
CN201810193834.7A
Other languages
English (en)
Other versions
CN108491598B (zh
Inventor
刘弘
王守娜
高开周
张桂娟
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 CN201810193834.7A priority Critical patent/CN108491598B/zh
Publication of CN108491598A publication Critical patent/CN108491598A/zh
Application granted granted Critical
Publication of CN108491598B publication Critical patent/CN108491598B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于路径规划的人群疏散仿真方法及系统，包括：创建疏散场景三维模型；创建三维人物模型，将三维人物模型导入疏散场景三维模型中；根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。该方法能够实现不同场景下的大规模人群疏散仿真。

Description

一种基于路径规划的人群疏散仿真方法及系统
技术领域
本发明涉及属于人群疏散仿真领域，特别是涉及一种基于路径规划的人群疏散仿真方法及系统。
背景技术
在社会生活中,火灾、地震、踩踏事件时有发生,疏散不及时会造成大量的人员伤亡和财产损失。对人群疏散运动进行深入的研究,具有很大的现实意义和实用价值.传统的人群疏散演练不仅耗时耗力,而且可能会造成人员伤亡,所以人群动画仿真成为了研究人群疏散的热门方向。通过对真实场景的仿真,不仅能够快速简便地对真实场景进行观察,而且可以为人群疏散提出更好的建议。
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,算法计算简单、便于实现、鲁棒性强,在复杂组合优化问题中有明显的优势,目前已经成功应用到模糊聚类、人工神经网络、传感器网络等多个领域中。与其他群体智能算法一样,ABC算法也存在收敛速度慢、易陷入局部最优等问题,针对以上问题,已有学者提出了不同的改进算法,有助于人工蜂群算法的改进,在一定程度上提高了算法的收敛速度、寻优精度,改善了算法的性能,但是上述改进没有考虑到算法在实际场景中的应用。
在真实的大规模疏散场景中,疏散人群会有从众心理,会受到周围个体及环境的影响,关系较为密切的个体在疏散过程中会自动聚集成团,运动受到出口或者最早安全撤离个体的影响。很多人群疏散仿真方法忽略了人群中的小团体现象以及在这个团体中被引领的现象。在加入群组的基础上进一步对个体运动受力进行研究,才能更好地进行仿真。
人群疏散模型主要分为宏观模型和微观模型两大类,宏观模型从全局角度研究整个系统,难以表示人与人之间的相互作用,典型的模型有用流体刻画行人流、研究人群连续性运动行为的流体动力学模型和采用离散事件情况下的蒙特卡洛仿真方法构建的排队网络模型；微观模型从个体行为角度研究群体运动,在一定程度上弥补了宏观模型的不足,典型的模型有元胞自动机模型、社会力模型和基于Agent的模型。由于人群疏散是一个非常复杂的物理过程，至今为止，还没有任何一个疏散仿真模型能够完完全全地描述疏散过程中的各种行为细节。因此，构建涵盖更多真实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。
发明内容
人群疏散作为应急领域研究的热点问题,社会力模型是目前应用最广泛的微观疏散模型,该模型不仅能很好地适应于复杂的仿真环境,而且能很好地重现恐慌状态时的人群行为特点。人工蜂群算法具有较强的全局寻优能力,而且操作简单,便于实现。所以本发明针对人群疏散仿真提出的方法是结合社会力模型和人工蜂群算法,利用人工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及引领现象,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,该方法能够实现不同景下的大规模人群疏散仿真。
为实现上述目的，本发明采用以下技术方案：
一种基于路径规划的人群疏散仿真方法，包括：
创建疏散场景三维模型；
创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
本发明将人工蜂群算法和社会力模型结合，利用人工蜂群算法进行宏观路径规划，同时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。
进一步的，所述创建疏散场景三维模型的步骤为：
设置场景尺寸参数、场景出口的位置和场景出口的个数。
进一步的，所述创建三维人物模型的步骤为：
设置三维人物的动作，其动作为在三维疏散场景中的运动动作。
进一步的，所述根据个体距离出口的位置，将待疏散人群划分成若干个群组，步骤为：
利用K均值算法的思想对蜂群进行分割，形成多个子群；
根据人工蜂群算法中，引领蜂个数＝跟随蜂个数＝蜜源个数＝SN，我们将SN定义为聚类样本数据集，种群分割步骤如下：
步骤(a):随机初始化个簇中心，取整数，为疏散人群的群组个数；
步骤(b):根据蜜源与聚类中心从小到大的欧氏距离，将蜜源依次划分到每个聚类中心，其中聚类中心由K均值算法得出；
步骤(c):计算簇内所有节点的算数平均值，得到更新后的个簇的中心点；
步骤(d):计算当前所有蜜源到相应的簇中心的均方差之和E，其中xi代表样本中的一个蜜源，mj代表第j个簇的聚类中心；
E＝∑∑||xi-mj||2
步骤(e):如果当前迭代次数的均方差之和E与前一次相同，结束聚类，转到步骤(f)，否则转到步骤(b)；
步骤(f):输出蜜源聚类结果。
进一步的，针对每个群组选择引领者的步骤为：
引领蜂被跟随蜂选择的概率公式为：
其中，pg,i代表第g组中第i个蜜源被选择的概率，fitnessg,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，fg,i是第g组中第i个解的目标函数值，SN代表蜜源的个数。
进一步的，建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系，步骤为：
将人群疏散的结伴逃生与人工蜂群算法的种群分割对应；
将人群疏散的出口位置与人工蜂群算法的蜜源位置对应；
将人群疏散的引领者与人工蜂群算法的引领蜂对应；
将人群疏散的疏散时间与人工蜂群算法的适应度值对应；
进一步的，采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；步骤为：
(1)设置人工蜂群算法参数，所述参数包括：粒子个数、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；
(2)初始化参数，根据疏散场景三维模型随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群；
(3)每个子种群的引领蜂根据全局信息更新蜜源位置；
(4)更新子种群位置，迭代次数加一，返回步骤(2)，直至迭代次数达到最大迭代次数完成收敛，终止。
进一步的，采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动，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。
本发明利用人工蜂群算法指导宏观方面的路径规划，结合社会力模型可以真实有效地对人群疏散场景进行仿真。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。该方法能够根据疏散场景出口中的拥挤度、路径长度等因素为人群疏散提供合理的逃生路径，达到快速、有效地进行疏散的效果。
一种基于路径规划的人群疏散仿真系统，包括：
三维模型创建模块，被配置为创建疏散场景三维模型；
三维人物模型创建模块，被配置为创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
群组划分模块，被配置为根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
映射模块，被配置为建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
宏观路径规划模块，被配置为采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
微观路径规划模块，被配置为采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
一种基于路径规划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：
创建疏散场景三维模型；
创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
一种计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成以下步骤：
创建疏散场景三维模型；
创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动
本发明的有益效果为：
(1)本发明利用人工蜂群算法指导宏观方面的路径规划，结合社会力模型可以真实有效地对人群疏散场景进行仿真。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。该方法能够根据疏散场景出口中的拥挤度、路径长度等因素为人群疏散提供合理的逃生路径，达到快速、有效地进行疏散的效果。
(2)本发明利用人工蜂群算法和种群分割为基础，通过协同进化策略加强子种群之间的交互，将全局通信和局部通信方式相结合，子种群之间的局部通信可以扩展解方案的多样性，全局通信可以加速收敛，克服了原始人工蜂群算法的不足之处。
(3)本发明利用将选择同一个蜜源的蜜蜂划分为一组，即在复杂场景路径规划中将选择相同出口的个体划分为一组，引领蜂的角色代表组内引领个体，在疏散过程中引领粒子的引领作用起到了至关重要的作用。
(4)本发明利用在多个出口的场景中，引领粒子会综合考虑优先选择疏散时间更快的出口，避免部分出口过度拥挤，其他出口没有充分利用的情况。计算针对群组而非个体，使得计算量大大减少，可以实时地模拟规模较大的群体，为疏散演练提供帮助。
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是本发明的基于路径规划的人群疏散仿真方法流程示意图；
图2是本发明的基于路径规划的人群疏散仿真系统结构示意图；
图3(a)和图3(b)是本发明的人群疏散仿真平台三维场景模型图；
图4(a)和图4(b)是本发明的算法与其他路径规划算法的对比图；
图5(a)和图5(b)是本发明的人群初始化后人群的随机分布情况图；
图6(a)和图6(b)是各个群组在引领个体的带领下向出口的移动情况图；
图7(a)和图7(b)是各个群组在引领个体的带领下接近出口的移动情况图。
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。
图1是本发明的基于路径规划的人群疏散仿真方法流程示意图，如图所示的基于路径规划的人群疏散仿真方法，至少包括以下步骤：
步骤(1)：设置疏散场景参数，创建疏散场景三维模型，该疏散场景模型是人群疏散的环境空间，可在该环境空间下进行人群疏散的反复试验。
在具体实施过程中，采用基于拓扑图的场景区域构建方法进行人群运动仿真的实现，包括路径规划和粒子运动。主要由人工蜂群算法为引领粒子提供疏散路径知识，底层由改进社会力模型驱动粒子运动。在Visual Studio 2012+OpenSceneGraph2.3.1环境中进行人群疏散仿真。该方法可以在复杂场景中指导完成人群的疏散运动，疏散效果逼真，提高疏散效率。
在疏散场景三维模型中，设置疏散场景的出口，包括不同的出口个数和不同的出口位置。
在具体实施过程中，在模型设计软件Maya中进行出口个数和出口位置的设置，再将其导入到疏散场景模型中。
步骤(2)：设置三维人物模型，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成若干个群组，将该信息存储到信息空间中。
本发明利用K均值算法的思想对蜂群进行分割，形成多个子群。假设引领蜂个数＝跟随蜂个数＝蜜源个数＝SN，将SN定义为聚类样本数据集，种群分割步骤如下：
步骤1随机初始化(取整数)个簇中心；
步骤2将蜜源按照基于欧氏距离的方法依次划分到每个聚类中心；
步骤3重新计算簇内所有节点的算数平均值，得到更新后的个簇的中心点；
步骤4利用以下公式计算得到当前所有蜜源到相应的簇中心的均方差之和E，其中xi代表样本中的一个蜜源，mj代表第j个簇的聚类中心；
E＝∑∑||xi-mj||2
步骤5如果当前迭代次数的均方差之和E与前次相同，结束聚类，转到步骤6，否则转到步骤2；
步骤6输出蜜源聚类结果。
步骤(4)：将人群疏散的各项参数和人工蜂群算法中的各项参数建立一一映射，将疏散场景中的各个出口作为食物源，引领者作为群组中的引领蜂。
本发明在疏散场景中把相似度高的人员划分为一组，该组内的成员具有相同的疏散目标，符合现实场景中距离较近的个体熟悉度较高，会出现结伴同行的现象。之后以组为单位进行引领蜂的选取、角色转换和路径评价，同一组内进行最优路径的信息传递，即在疏散过程中设置引领及逃生的过程。
引领蜂被跟随蜂选择的概率公式更改为：
公式中，pg,i代表第g组中第i个蜜源被选择的概率，fitnessg,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，计算公式如下，fg,i是第g组中第i个解的目标函数值，SN代表蜜源的个数。
加入上述种群分割策略后，行人疏散仿真能够模拟出真实的疏散过程，场景内行人的疏散路径能够与实际人群疏散路径达成一致，算法通过多群组并行计算，能够提高算法的收敛速度和寻优精度。
步骤(5)：根据设置的疏散人群参数信息进行人群初始化后，采用人工蜂群算法进行宏观路径规划，搜索初始点到目标点的路径。
所述步骤(5)中，采用人工蜂群算法进行宏观路径规划的过程为：
设置多蜂群算法初始化参数，所述参数包括种群规模、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，子每个子种群中分别运行ABC算法；
领蜂根据全局信息矩阵更新蜜源位置；
更新子种群状态，迭代次数加一，返回步骤2，直至迭代次数达到最大迭代次数完成收敛，终止。
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，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。
1995年，Helbing等人在其论文中构建了社会力行人流模型，个体的运动由其自身驱动力、个体与个体之间的力、个体与环境之间的力等这些力的合力驱动。根据牛顿第二定律，个体i受力的数学表达式如式(1)所示：
其中，
其中，mi为个体i的质量，为个体当前运动速度。为目标驱动力，表示个体为达到和保持自身期望速度向目标运动的力，为个体i与j之间的相互作用力，为个体和障碍物之间的作用力。其中，表示个体朝向期望运动方向运动的期望速度，τi为行人适应实际行走速度的“松弛时间”。代表由行人j指向行人i的单位向量，其中，代表个体i的位置，表示切线方向，表示了两人在切线方向的速率差。
图2是本发明的一种基于路径规划的人群疏散仿真系统，包括：
三维模型创建模块，被配置为创建疏散场景三维模型；
三维人物模型创建模块，被配置为创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
群组划分模块，被配置为根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
映射模块，被配置为建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
宏观路径规划模块，被配置为采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
微观路径规划模块，被配置为采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
表1人群疏散与人工蜂群算法的对应关系表；
表1是本发明的人群疏散与人工蜂群算法的对应关系图，如表1所示的对应关系包括：种群分割对应人群疏散过程中结伴同行的小团体现象；人工蜂群算法中的蜜源位置对应人群疏散仿真中的出口位置；引领蜂对应疏散过程中的引领粒子；算法的适应度值和疏散时间相对应。
图3(a)和图3(b)是本发明的人群疏散仿真平台三维场景模型图，如图所示的三维场景模型图包括两门场景和四门场景。仿真过程在该两种模型中进行，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。
图4(a)和图4(b)是本发明的算法与其他路径规划算法的对比图，如图所示的对比图包括：
图中分别采用目前应用较广泛的蚁群算法(ACO)、粒子群算法(PSO)和本发明中的人工蜂群算法(ABC)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50次实验平均得来。
本发明利用人工蜂群算法指导宏观方面的路径规划，结合社会力模型可以真实有效地对人群疏散场景进行仿真。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。该方法能够根据疏散场景出口中的拥挤度、路径长度等因素为人群疏散提供合理的逃生路径，达到快速、有效地进行疏散的效果。
本发明利用人工蜂群算法和种群分割为基础，通过协同进化策略加强子种群之间的交互，将全局通信和局部通信方式相结合，子种群之间的局部通信可以扩展解方案的多样性，全局通信可以加速收敛，克服了原始人工蜂群算法的不足之处。
本发明利用将选择同一个蜜源的蜜蜂划分为一组，即在复杂场景路径规划中将选择相同出口的个体划分为一组，引领蜂的角色代表组内引领个体，在疏散过程中引领粒子的引领作用起到了至关重要的作用。
本发明利用在多个出口的场景中，引领粒子会综合考虑优先选择疏散时间更快的出口，避免部分出口过度拥挤，其他出口没有充分利用的情况。计算针对群组而非个体，使得计算量大大减少，可以实时地模拟规模较大的群体，为疏散演练提供帮助。
图5(a)和图5(b)是本发明的人群初始化后人群的随机分布情况图；图6(a)和图6(b)是各个群组在引领个体的带领下向出口的移动情况图；图7(a)和图7(b)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6(a)、图6(b)、图7(a)和图7(b)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。
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)

1.一种基于路径规划的人群疏散仿真方法，其特征是，包括：
创建疏散场景三维模型；
创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
2.如权利要求1所述的一种基于路径规划的人群疏散仿真方法，其特征是，所述创建疏散场景三维模型的步骤为：
设置场景尺寸参数、场景出口的位置和场景出口的个数。
3.如权利要求1所述的一种基于路径规划的人群疏散仿真方法，其特征是，所述创建三维人物模型的步骤为：
设置三维人物的动作，其动作为在三维疏散场景中的运动动作。
4.如权利要求1所述的一种基于路径规划的人群疏散仿真方法，其特征是，所述根据个体距离出口的位置，将待疏散人群划分成若干个群组，步骤为：
利用K均值算法的思想对蜂群进行分割，形成多个子群；
根据人工蜂群算法中，引领蜂个数＝跟随蜂个数＝蜜源个数＝SN，我们将SN定义为聚类样本数据集，种群分割步骤如下：
步骤(a):随机初始化个簇中心，取整数，为疏散人群的群组个数；
步骤(b):根据蜜源与聚类中心从小到大的欧氏距离，将蜜源依次划分到每个聚类中心，其中聚类中心由K均值算法得出；
步骤(c):计算簇内所有节点的算数平均值，得到更新后的个簇的中心点；
步骤(d):计算当前所有蜜源到相应的簇中心的均方差之和E，其中xi代表样本中的一个蜜源，mj代表第j个簇的聚类中心；
E＝∑∑||xi-mj||2
步骤(e):如果当前迭代次数的均方差之和E与前一次相同，结束聚类，转到步骤(f)，否则转到步骤(b)；
步骤(f):输出蜜源聚类结果。
5.如权利要求1所述的一种基于路径规划的人群疏散仿真方法，其特征是，建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系，步骤为：
将人群疏散的结伴逃生与人工蜂群算法的种群分割对应；
将人群疏散的出口位置与人工蜂群算法的蜜源位置对应；
将人群疏散的引领者与人工蜂群算法的引领蜂对应；
将人群疏散的疏散时间与人工蜂群算法的适应度值对应。
6.如权利要求1所述的一种基于路径规划的人群疏散仿真方法，其特征是，采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；步骤为：
(1)设置人工蜂群算法参数，所述参数包括：粒子个数、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；
(2)初始化参数，根据疏散场景三维模型随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群；
(3)每个子种群的引领蜂根据全局信息更新蜜源位置；
(4)更新子种群位置，迭代次数加一，返回步骤(2)，直至迭代次数达到最大迭代次数完成收敛，终止。
7.如权利要求1所述的一种基于路径规划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，产生无碰撞的人群疏散仿真运动，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。
8.一种基于路径规划的人群疏散仿真系统，其特征是，包括：
三维模型创建模块，被配置为创建疏散场景三维模型；
三维人物模型创建模块，被配置为创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
群组划分模块，被配置为根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
映射模块，被配置为建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
宏观路径规划模块，被配置为采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
微观路径规划模块，被配置为采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
9.一种基于路径规划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：
创建疏散场景三维模型；
创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
10.一种计算机可读存储介质，其特征是，其上运行有计算机指令，所述计算机指令被处理器运行时，完成以下步骤：
创建疏散场景三维模型；
创建三维人物模型，将三维人物模型导入疏散场景三维模型中；
根据个体距离出口的位置以及个体之间的距离，将待疏散人群划分成若干个群组，并且针对每个群组选择引领者；
建立人群疏散的各项参数与人工蜂群算法各项参数之间的一一映射关系；
采用人工蜂群算法进行宏观路径规划，搜索每个个体初始点到目标点的路径；
采用社会力模型进行微观人群运动指导，产生无碰撞的人群疏散仿真运动。
CN201810193834.7A 2018-03-09 2018-03-09 一种基于路径规划的人群疏散仿真方法及系统 Expired - Fee Related CN108491598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810193834.7A CN108491598B (zh) 2018-03-09 2018-03-09 一种基于路径规划的人群疏散仿真方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810193834.7A CN108491598B (zh) 2018-03-09 2018-03-09 一种基于路径规划的人群疏散仿真方法及系统

Publications (2)

Publication Number Publication Date
CN108491598A true CN108491598A (zh) 2018-09-04
CN108491598B CN108491598B (zh) 2022-04-01

Family

ID=63338176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810193834.7A Expired - Fee Related CN108491598B (zh) 2018-03-09 2018-03-09 一种基于路径规划的人群疏散仿真方法及系统

Country Status (1)

Country Link
CN (1) CN108491598B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543285A (zh) * 2018-11-20 2019-03-29 山东师范大学 一种融合数据驱动与强化学习的人群疏散仿真方法和系统
CN109584667A (zh) * 2018-12-10 2019-04-05 成都运达科技股份有限公司 一种地铁大客流演练仿真培训系统及方法
CN110648025A (zh) * 2019-09-25 2020-01-03 赵娜 一种应急疏散调度方法
CN110956684A (zh) * 2019-11-27 2020-04-03 山东师范大学 基于残差网络的人群运动疏散仿真方法及系统
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
CN111369071A (zh) * 2020-03-17 2020-07-03 蒋慧灵 一种基于疏散时间预测和火灾探测模型的智慧疏导系统和方法
CN111400963A (zh) * 2020-03-04 2020-07-10 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
CN112130942A (zh) * 2020-09-09 2020-12-25 中盈优创资讯科技有限公司 一种前端拓扑图路径动画的实现方法及装置
CN112231968A (zh) * 2020-09-09 2021-01-15 山东师范大学 基于深度强化学习算法的人群疏散仿真方法及系统
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
CN112631324A (zh) * 2020-11-19 2021-04-09 一飞(海南)科技有限公司 一种集群无人机分组路径规划方法、系统、终端及介质
CN112668768A (zh) * 2020-12-24 2021-04-16 宁波工程学院 基于导航点和rvo模型的人群疏散仿真方法
CN112966363A (zh) * 2021-02-02 2021-06-15 同济大学 面向随机扰动的交通枢纽候车厅人群流动仿真方法及装置
CN113156931A (zh) * 2020-12-21 2021-07-23 重庆邮电大学 给含有离子-人工蜂群算法的移动机器人配置路径的方法
CN114545932A (zh) * 2022-01-28 2022-05-27 北京交通大学 一种路径修正方法、装置、设备及可读存储介质
CN114548497A (zh) * 2022-01-13 2022-05-27 山东师范大学 一种实现场景自适应的人群运动路径规划方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372348A1 (en) * 2011-12-15 2014-12-18 Northeastern University Real-time anomaly detection of crowd behavior using multi-sensor information
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
CN106326577A (zh) * 2016-08-26 2017-01-11 上海中威天安公共安全科技有限公司 一种基于危化品事故扩散模型的短期风速计算方法
CN106339776A (zh) * 2016-08-26 2017-01-18 上海中威天安公共安全科技有限公司 一种基于危化品事故应急指挥调度模型的计算方法
CN106780501A (zh) * 2016-12-16 2017-05-31 中国人民解放军装甲兵工程学院 基于改进人工蜂群算法的图像分割方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372348A1 (en) * 2011-12-15 2014-12-18 Northeastern University Real-time anomaly detection of crowd behavior using multi-sensor information
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
CN106326577A (zh) * 2016-08-26 2017-01-11 上海中威天安公共安全科技有限公司 一种基于危化品事故扩散模型的短期风速计算方法
CN106339776A (zh) * 2016-08-26 2017-01-18 上海中威天安公共安全科技有限公司 一种基于危化品事故应急指挥调度模型的计算方法
CN106780501A (zh) * 2016-12-16 2017-05-31 中国人民解放军装甲兵工程学院 基于改进人工蜂群算法的图像分割方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JOHANSSON A 等: "Specification of the social force pedestrian model by evolutionary adjustment to video tracking data", 《ADVANCES IN COMPLEX SYSTEMS》 *
MIN Z 等: "Modeling of Crowd Evacuation With Assailants via a Fuzzy Logic Approach", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
徐斌: "基于人工蜂群算法的复杂场景路径规划研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李梅莲 等: "基于闻香识源的改进人工蜂群聚类算法", 《河南大学学报(自然科学版)》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543285A (zh) * 2018-11-20 2019-03-29 山东师范大学 一种融合数据驱动与强化学习的人群疏散仿真方法和系统
CN109584667A (zh) * 2018-12-10 2019-04-05 成都运达科技股份有限公司 一种地铁大客流演练仿真培训系统及方法
CN110648025A (zh) * 2019-09-25 2020-01-03 赵娜 一种应急疏散调度方法
CN110648025B (zh) * 2019-09-25 2020-07-03 赵娜 一种应急疏散调度方法
CN110956684B (zh) * 2019-11-27 2023-07-28 山东师范大学 基于残差网络的人群运动疏散仿真方法及系统
CN110956684A (zh) * 2019-11-27 2020-04-03 山东师范大学 基于残差网络的人群运动疏散仿真方法及系统
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
CN111400963A (zh) * 2020-03-04 2020-07-10 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
CN111369071A (zh) * 2020-03-17 2020-07-03 蒋慧灵 一种基于疏散时间预测和火灾探测模型的智慧疏导系统和方法
CN111369071B (zh) * 2020-03-17 2023-12-12 北京科技大学 一种基于疏散时间预测和火灾探测模型的智慧疏导系统和方法
CN112130942A (zh) * 2020-09-09 2020-12-25 中盈优创资讯科技有限公司 一种前端拓扑图路径动画的实现方法及装置
CN112231968A (zh) * 2020-09-09 2021-01-15 山东师范大学 基于深度强化学习算法的人群疏散仿真方法及系统
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
CN112631324B (zh) * 2020-11-19 2023-05-02 一飞(海南)科技有限公司 一种集群无人机分组路径规划方法、系统、终端及介质
CN112631324A (zh) * 2020-11-19 2021-04-09 一飞(海南)科技有限公司 一种集群无人机分组路径规划方法、系统、终端及介质
CN113156931A (zh) * 2020-12-21 2021-07-23 重庆邮电大学 给含有离子-人工蜂群算法的移动机器人配置路径的方法
CN113156931B (zh) * 2020-12-21 2022-09-09 重庆邮电大学 给含有离子-人工蜂群算法的移动机器人配置路径的方法
CN112668768A (zh) * 2020-12-24 2021-04-16 宁波工程学院 基于导航点和rvo模型的人群疏散仿真方法
CN112966363A (zh) * 2021-02-02 2021-06-15 同济大学 面向随机扰动的交通枢纽候车厅人群流动仿真方法及装置
CN114548497A (zh) * 2022-01-13 2022-05-27 山东师范大学 一种实现场景自适应的人群运动路径规划方法及系统
CN114545932A (zh) * 2022-01-28 2022-05-27 北京交通大学 一种路径修正方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN108491598B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN108491598B (zh) 一种基于路径规划的人群疏散仿真方法及系统
CN107292064B (zh) 一种基于多蜂群算法的人群疏散仿真方法及系统
CN101188025B (zh) 一种高效实时的群体动画系统
Bhattacharyya et al. Simulating emergent properties of human driving behavior using multi-agent reward augmented imitation learning
CN110795833B (zh) 基于猫群算法的人群疏散仿真方法、系统、介质及设备
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
Qingge et al. Simulating crowd evacuation with a leader-follower model
CN109543285B (zh) 一种融合数据驱动与强化学习的人群疏散仿真方法和系统
CN105740514A (zh) 一种大规模人群疏散计算机仿真系统及其方法
CN111461437B (zh) 基于生成对抗网络的数据驱动人群运动仿真方法
CN106227958A (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
CN108446469B (zh) 一种基于视频驱动的群组行为疏散仿真方法及装置
CN103679264A (zh) 基于人工鱼群算法的人群疏散路径规划方法
CN107220447A (zh) 基于疏散路径集合的人群疏散仿真方法及系统
CN112348285B (zh) 一种基于深度强化学习的动态环境下人群疏散模拟方法
CN107679306B (zh) 视频驱动的人群疏散行为仿真方法及系统
CN108388734A (zh) 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统
CN110688749A (zh) 一种人群疏散仿真方法及系统
CN111339668B (zh) 基于情绪认知的人群疏散可视化方法
CN116430891A (zh) 一种面向多智能体路径规划环境的深度强化学习方法
CN107103150B (zh) 一种具有避让机制的双向行人流仿真方法及系统
Christiansen et al. Space segmentation and multiple autonomous agents: a Minecraft settlement generator
Lyu et al. Toward modeling emotional crowds
An et al. Deep reinforcement learning-based panic crowd evacuation simulation
Tang et al. Crowd Intelligent Grouping Collaboration Evacuation via Multi-agent Reinforcement Learning

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: 20220401