CN108536986A - 一种基于人工鱼群算法的层次化疏散仿真优化方法 - Google Patents
一种基于人工鱼群算法的层次化疏散仿真优化方法 Download PDFInfo
- Publication number
- CN108536986A CN108536986A CN201810358880.8A CN201810358880A CN108536986A CN 108536986 A CN108536986 A CN 108536986A CN 201810358880 A CN201810358880 A CN 201810358880A CN 108536986 A CN108536986 A CN 108536986A
- Authority
- CN
- China
- Prior art keywords
- node
- artificial fish
- evacuation
- behavior
- swarm algorithm
- 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
- 238000013517 stratification Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 235000019688 fish Nutrition 0.000 claims description 145
- 230000006399 behavior Effects 0.000 claims description 71
- 241000251468 Actinopterygii Species 0.000 claims description 26
- 235000013305 food Nutrition 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000019637 foraging behavior Effects 0.000 claims description 14
- FBOUIAKEJMZPQG-AWNIVKPZSA-N (1E)-1-(2,4-dichlorophenyl)-4,4-dimethyl-2-(1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1Cl FBOUIAKEJMZPQG-AWNIVKPZSA-N 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241001062472 Stokellia anisodon Species 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000003643 water by type Substances 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于人工鱼群算法的层次化疏散仿真优化方法,该方法包括:获取疏散场景;根据疏散场景构建三维层次化疏散网络;根据三维层次化疏散网络获取可容纳疏散者的空间,将所述可容纳疏散者的空间抽象为节点,将各所述容纳疏散者的空间之间的通道抽象为连接节点之间的边;根据所述节点和所述边之间的邻接关系建立逻辑疏散网络拓扑图;根据所述拓扑图获取所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级,采用人工鱼群算法对人员疏散进行模拟,得到最优疏散方案。
Description
技术领域
本发明涉及疏散仿真优化领域,特别是涉及一种基于人工鱼群算法的层次化疏散仿真优化方法。
背景技术
疏散研究主要是针对突发状况时疏散个体从事发地紧急撤离至出口的过程,人员疏散仿真是其中极为重要的部分,需要研究外部环境和内部属性对人运动规律的影响。目前国内外所用到的研究方法主要分为宏观上路径规划、优化疏散时间等全局目标值,微观上仿真人群行为,将人作为智能体,使其具有特征属性、思维能力和对环境的反应能力。由于宏观上忽略了疏散个体的差异性,微观上又在把控系统全局上有缺陷。因此,在实际应用中迫切需要将宏观微观相结合的仿真方法。目前将仿生演化算法应用在复杂的大型建筑物内人员疏散问题的研究并不多,尤其是人工鱼群算法(AFSA)起步较晚并且属于连续解域寻优,鲜有用于疏散建模。考虑到人工鱼群算法具有较快的收敛速度,既可兼顾全局性路径选择,又可模拟微观个体行为选择,所以对人工鱼群算法在疏散问题上的研究具有非常重要的现实意义。
人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)是由我国学者李晓磊等人在2002年模仿鱼类行为特点提出的一种基于动物自治体的优化策略。该算法的基本思想来源于在自然界的一片水域中,鱼群寻找食物的过程。鱼儿在觅食的时候依靠视觉和嗅觉判断食物的浓度,根据食物浓度判断来源并定位,鱼类聚集最多的地方一般就是这片水域中食物浓度最为丰富的地方;根据鱼类的这个特点构造人工鱼,模拟鱼群的觅食、聚群、追尾等行为,通过人工鱼群在虚拟水域中游动实现寻优。
人工鱼群算法是一种群智能多点并行搜索优化算法,寻优速度快。该算法的主要特点是不需要了解问题的特殊信息,只需要对问题进行优劣的比较,有着较快的收敛速度,具有克服局部极值获得全局极值的能力。
虽然人工鱼群算法具有上述的种种优点,但是在将其应用到大型公共场所的疏散问题上,我们还应该要有更加细致的考虑。现实中比较大规模的公共场所往往不止一个出入口,因此人员疏散过程是一个多重多层次多源多汇的现象,而传统人工鱼群算法的人工鱼群的感知范围都局限在智能体当前位置局部区域的信息,容易选择局部最优导致盲目兜转,并且公告板中的行为选择仅仅考虑代价过于单一。由于时空复杂性和人行为的不确定性将影响到人群的整体动向,本发明采用一种层次化的网络疏散模型,并且综合考虑移动时间、堵塞等待时间、疏散距离、路径繁忙度、拥挤度等多个影响因子来决定人工鱼的行为,使最终得到的疏散方案更加准确合理。
发明内容
本发明的目的是提供一种基于人工鱼群算法的层次化疏散仿真优化方法,实现对大型公共场所疏散路径的优化。
为实现上述目的,本发明提供了如下方案:
一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述方法包括:
获取疏散场景;
根据疏散场景构建三维层次化疏散网络;
根据三维层次化疏散网络获取可容纳疏散者的空间,将所述可容纳疏散者的空间抽象为节点,将各所述容纳疏散者的空间之间的通道抽象为连接节点之间的边;
根据所述节点和所述边之间的邻接关系建立逻辑疏散网络拓扑图;
根据所述拓扑图获取所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级;
根据所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级采用人工鱼群算法对人员疏散进行模拟,得到最优疏散方案,具体包括:
初始化人工鱼群算法中的参数;
设疏散人员的数量为m,将疏散人员抽象为人工鱼,生成规模为m的人工鱼群;
获取同层节点到出口节点的所有路径Lexit和非同层节点到出口节点的所有路径Ladj;
根据同层节点到出口节点的所有路径和非同层节点到出口节点的所有路径计算每个所述节点的食物浓度Yi;
获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数;
根据所述各节点和各边的人工鱼的个数计算所述节点和所述边的拥挤度;
根据所述边的拥挤度计算人工鱼的疏散速度;
执行人工鱼群算法中的觅食行为、聚群行为、追尾行为、等待行为;
根据所述觅食行为、聚群行为、追尾行为、等待行为计算适应度值,得到耗时最短的人工鱼行为;
根据所述适应度值更新公告板;
根据所述公告板更新人工鱼的位置;
判断所述更新后的人工鱼的位置是否为出口位置,得到第一判断结果,若第一判断结果表示更新后的人工鱼的位置为出口位置,则标记该人工鱼“成功撤离”,若第一判断结果表示更新后的人工鱼的位置不是出口位置,则人工鱼P计数加1,P=P+1,若P≤m,则未遍历人工鱼群中的所有人工鱼,执行所述获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数;若p>m则判断当前鱼群中所有的人工鱼是否“成功撤离”,得到第二判断结果,若第二判断结果表示成功撤离则根据所述更新后的公告板得到人工鱼疏散路径,若第二判断结果表示没有成功撤离,则迭代计数器gen加1;
判断当前迭代次数是否小于等于最大迭代次数,得到第三判断结果,若第三判断结果表示当前迭代次数小于等于最大迭代次数则执行所述获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数,若第三判断结果表示当前迭代次数大于最大迭代次数,输出最优疏散方案。
可选的,所述初始化人工鱼群算法中的参数具体包括:
初始化人工鱼数量m,时间默认递增步长、默认初始速度vij(0)、拥挤度因子δ、默认逆行因子γ1、默认速度影响因子γ2、节点等待时间忍耐因子θ。
可选的,所述根据同层节点到出口节点的所有路径和非同层节点到出口节点的所有路径计算每个所述节点的食物浓度Yi,具体包括:
其中k表示从当前节点到出口节点共有k条路径,Lexit为同层节点到出口节点的所有路径,Ladj非为同层节点到出口节点的所有路径。
可选的,所述根据所述各节点和各边的人工鱼的个数计算所述节点和所述边的拥挤度,具体包括:
其中Sumi(t)为节点i人工鱼的个数,Ci为节点i的最大容量;
其中Sumi(t)为有效边ij人工鱼的个数,Cij为有效边ij的最大容量。
可选的,所述根据所述边的拥挤度计算人工鱼的疏散速度具体包括:
其中vij(0)为默认初始速度,δij为边的拥挤度,γ1为默认逆行因子,γ2为默认速度影响因子。
可选的,所述执行人工鱼群算法中的觅食行为具体包括:
计算人工鱼下一跳的位置,其中为当前节点位置,为下一跳节点位置,Visual为人工鱼的视野范围,Rand()为0到1的随机数;
计算人工鱼从当前位置到下一跳位置的疏散时间Ts
其中tn为节点等待时间,tl为边等待时间,为边移动时间,lij为节点i到节点j之间的连接边的路径长度,为人工鱼的疏散速度,(xi,yi)和(xj,yj)为节点i和节点j的坐标;
所述执行人工鱼群算法中的聚群行为具体包括:
计算人工鱼下一跳的位置其中Visual为人工鱼的视野范围,Sumj(t)为t时刻节点j人工鱼的个数;
计算人工鱼从当前位置到下一跳位置所用的疏散时间
Tswarm=Ts
所述执行人工鱼群算法中的追尾行为具体包括:
计算人工鱼的下一跳位置其中Visual为人工鱼的视野范围,Yj为人工鱼视野内节点的食物浓度;
计算人工鱼从当前位置到下一跳位置所用的疏散时间
Tfollow=Ts
所述执行人工鱼群算法中的等待行为具体包括:
获取人工鱼视野范围内食物浓度最小的节点,如果出边中的拥挤度因子δ≤δi≤1,则说明所述出边处于堵塞状态,若节点等待时间满足则执行等待行为,计算人工鱼下一跳的位置节点等待时间即为人工鱼当前位置到下一跳位置的疏散时间
可选的,所述根据所述觅食行为、聚群行为、追尾行为、等待行为计算适应度值,得到耗时最短的人工鱼行为,具体包括:
其中,Yj为节点j的食物浓度,tn为节点等待时间,tl为边等待时间,为人工鱼的疏散速度。
可选的,所述根据所述适应度值更新公告板具体包括:
确定耗时最短的人工鱼行为,并执行所述耗时最短的人工鱼行为,得到人工鱼下一跳的节点和最优边,将所述节点和最优边加入到第P条人工鱼的疏散路径中,记录疏散时间Ts和路径长度lij。
可选的,所述方法还包括:
根据所述疏散时间Ts计算所有人工鱼的疏散时间
其中为第p个人工鱼的初始节点,Pathp为第p个人工鱼的疏散路径,Ts为人工鱼从节点i到节点j所用的时间;
根据所述疏散路径Pathp计算所有人工鱼疏散路径总长度
其中为第p个人工鱼的初始节点,Pathp为第p个人工鱼的疏散路径,lij为节点i和节点j之间的边的长度。
可选的,所述根据所述公告板更新人工鱼的位置具体包括:
其中为节点当前位置,为节点下一跳位置,lij为当前节点到下一跳节点的距离,为人工鱼的疏散速度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采用基于人工鱼群算法的层次化疏散网络,能够更好地模拟大型公共场所中的建筑物结构复杂等情况,并且可以通过同层和不同层移动来避免陷入局部最优解。
本发明中通过计算非同层之间的路径,与传统的人工鱼群算法相比,对人工鱼在同层之间的移动做了限制,防止来回兜转造成路径的重复和阻碍他人运动。
本发明与传统的人工鱼群算法相比,执行等待行为,充分考虑人的行为偏好,即一些即对疏散环境熟悉且性格保守的行人在较优节点或边处于堵塞状态时,更倾向于选择在堵塞处等待而不是绕道而行或者盲目从众,基于此本发明自定义了一种等待行为,在一定的条件下,人工鱼选择不移动。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于人工鱼群算法的层次化疏散仿真优化方法流程图;
图2为本发明实施例采用人工鱼群算法得到最优疏散方案流程图;
图3为本发明实施例疏散网络图;
图4为本发明实施例层次化疏散网络节点分层框架示意图;
图5是本发明实施例层次化人工鱼群算法与基本人工鱼群算法疏散路径长度对比图;
图6为本发明实施例不同人数疏散模拟中单种行为的执行次数示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于人工鱼群算法的层次化疏散仿真优化方法,实现对大型公共场所疏散路径的优化。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于人工鱼群算法的层次化疏散仿真优化方法流程图,图2为本发明实施例采用人工鱼群算法得到最优疏散方案流程图,如图1和图2所示,所述方法包括:
步骤101:获取疏散场景;
步骤102:根据疏散场景构建三维层次化疏散网络;
步骤103:根据三维层次化疏散网络获取可容纳疏散者的空间,将所述可容纳疏散者的空间抽象为节点,将各所述容纳疏散者的空间之间的通道抽象为连接节点之间的边;根据所述节点和所述边之间的邻接关系建立逻辑疏散网络拓扑图;
步骤104:根据所述拓扑图获取所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级;
步骤105:根据所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级采用人工鱼群算法对人员疏散进行模拟,得到最优疏散方案。
下面,对上述各步骤做详细介绍:
步骤102:根据疏散场景构建三维层次化疏散网络,将可以容纳疏散者的空间抽象为节点N={1,2,…,n1},将各空间相连接的通道抽象为节点之间的边L={1,2,…n2}。
步骤105:根据所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级采用人工鱼群算法对人员疏散进行模拟,得到最优疏散方案,具体包括:
步骤1051:初始化人工鱼群算法中的参数;
具体包括:初始化人工鱼数量m,时间默认递增步长、默认初始速度vij(0)、拥挤度因子δ、默认逆行因子γ1、默认速度影响因子γ2、节点等待时间忍耐因子θ。
步骤1052:设疏散人员的数量为m,将疏散人员抽象为人工鱼,生成规模为m的人工鱼群;
步骤1053:获取同层节点到出口节点的所有路径Lexit和非同层节点到出口节点的所有路径Ladj;
步骤1054:根据同层节点到出口节点的所有路径和非同层节点到出口节点的所有路径计算每个所述节点的食物浓度Yi;
其中k表示从当前节点到出口节点共有k条路径,Lexit为同层节点到出口节点的所有路径,Ladj非为同层节点到出口节点的所有路径。
步骤1055:获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数;
步骤1056:根据所述各节点和各边的人工鱼的个数计算所述节点和所述边的拥挤度;
其中Sumi(t)为节点i人工鱼的个数,Ci为节点i的最大容量;
其中Sumi(t)为有效边ij人工鱼的个数,Cij为有效边ij的最大容量。
步骤1057:根据所述边的拥挤度计算人工鱼的疏散速度;
其中vij(0)为默认初始速度,δij为边的拥挤度,γ1为默认逆行因子,γ2为默认速度影响因子。
步骤1058:执行人工鱼群算法中的觅食行为、聚群行为、追尾行为、等待行为;
步骤1059:根据所述觅食行为、聚群行为、追尾行为、等待行为计算适应度值,得到耗时最短的人工鱼行为;
所述执行人工鱼群算法中的觅食行为具体包括:
计算人工鱼下一跳的位置,其中为当前节点位置,为下一跳节点位置,Visual为人工鱼的视野范围,Rand()为0到1的随机数;
计算人工鱼从当前位置到下一跳位置的疏散时间Ts
其中tn为节点等待时间,tl为边等待时间,为边移动时间,lij为节点i到节点j之间的连接边的路径长度,为人工鱼的疏散速度,(xi,yi)和(xj,yj)为节点i和节点j的坐标;
所述执行人工鱼群算法中的聚群行为具体包括:
计算人工鱼下一跳的位置其中Visual为人工鱼的视野范围,Sumj(t)为t时刻节点j人工鱼的个数;
计算人工鱼从当前位置到下一跳位置所用的疏散时间
Tswarm=Ts
所述执行人工鱼群算法中的追尾行为具体包括:
计算人工鱼的下一跳位置其中Visual为人工鱼的视野范围,Yj为人工鱼视野内节点的食物浓度;
计算人工鱼从当前位置到下一跳位置所用的疏散时间
Tfollow=Ts
所述执行人工鱼群算法中的等待行为具体包括:
获取人工鱼视野范围内食物浓度最小的节点,如果出边中的拥挤度因子δ≤δi≤1,则说明所述出边处于堵塞状态,若节点等待时间满足则执行等待行为,计算人工鱼下一跳的位置节点等待时间即为人工鱼当前位置到下一跳位置的疏散时间
其中,Yj为节点j的食物浓度,tn为节点等待时间,tl为边等待时间,为人工鱼的疏散速度。
步骤1060:根据所述适应度值更新公告板;
确定耗时最短的人工鱼行为,并执行所述耗时最短的人工鱼行为,得到人工鱼下一跳的节点和最优边,将所述节点和最优边加入到第P条人工鱼的疏散路径中,记录疏散时间Ts和路径长度lij。
步骤1061:根据所述公告板更新人工鱼的位置;
其中为节点当前位置,为节点下一跳位置,lij为当前节点到下一跳节点的距离,为人工鱼的疏散速度。
步骤1062:判断所述更新后的人工鱼的位置是否为出口位置,得到第一判断结果,若第一判断结果表示更新后的人工鱼的位置为出口位置,则标记该人工鱼“成功撤离”,若第一判断结果表示更新后的人工鱼的位置不是出口位置,则人工鱼P计数加1,P=P+1,若P≤m,则未遍历人工鱼群中的所有人工鱼,执行所述获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数;若p>m则判断当前鱼群中所有的人工鱼是否“成功撤离”,得到第二判断结果,若第二判断结果表示成功撤离则根据所述更新后的公告板得到人工鱼疏散路径,若第二判断结果表示没有成功撤离,则迭代计数器gen加1;
步骤1063:判断当前迭代次数是否小于等于最大迭代次数,得到第三判断结果,若第三判断结果表示当前迭代次数小于等于最大迭代次数则执行所述获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数。
具体的,所述方法还包括:
根据所述疏散时间Ts计算所有人工鱼的疏散时间
其中为第p个人工鱼的初始节点,Pathp为第p个人工鱼的疏散路径,Ts为人工鱼从节点i到节点j所用的时间;
根据所述疏散路径Pathp计算所有人工鱼疏散路径总长度
其中为第p个人工鱼的初始节点,Pathp为第p个人工鱼的疏散路径,lij为节点i和节点j之间的边的长度。
具体的,人工鱼的视野范围Visual为当前节点相连接的同层节点和非同层节点,节点等待时间tn和边等待时间tl是通过递归算法找到此条路径最前方第一个出去进入移动状态的疏散个体,根据公式 计算到达下一个节点的剩余时间,则递归到处于等待状态的个体加上该剩余时间,以此方法得到节点等待时间和边等待时间,由于出口节点容量为无穷大,不会堵塞,故等待时间最大可递归到出口处。
具体的本发明选取武汉沌口体育中心作为大型公共场所应急疏散环境进行实验。本发明的参数设置为:疏散人员数量m=5000~40000人,时间默认递增步长RUN_TIME_STEP=0.1s,默认初始速度vij(0)=2.0,拥挤度因子δ=0.8,允许同层移动最大次数a=3,默认逆行因子γ1=2,默认速度影响因子γ1=0.75,节点等待时间忍耐因子θ=1.5。
图3为本发明实施例疏散网络图,如图2所示,将武汉沌口体育中心抽象为层次化疏散网络,包括二维和三维的疏散网络节点图,其中,形状相同的点集代表这些节点均处于同一等级,位于二维图中最外层和三维图中最底层的亮圆形节点是体育馆的10个出口,通过对结构的划分和信息的采集,将节点相关属性存入体育馆的内部数据库中。
图4为本发明实施例层次化疏散网络节点分层框架示意图。本框架是根据大型公共场所内部布局图确定,通过实地测量得到各节点的相关属性数据,包括节点集、两节点之间的路段集、路段的权值和节点层级,人工鱼在不同层级之间进行有向移动,即选择同层移动和向下层移动,本发明中使用深度优先路径和广度优先路径来确定可能的疏散路径。
图5是本发明实施例层次化人工鱼群算法与基本人工鱼群算法疏散路径长度对比图。图5(a)是本发明实施例层次化人工鱼群算法与基本人工鱼群算法疏散总路径长度对比图,图5(b)是本发明实施例层次化人工鱼群算法与基本人工鱼群算法疏散人均路径长度对比图,图5(c)是本发明实施例层次化人工鱼群算法与基本人工鱼群算法疏散最短路径长度对比图,图5(d)是本发明实施例层次化人工鱼群算法与基本人工鱼群算法疏散最长路径长度对比图。分析图中的数据发现虽然基于基本人工鱼群算法的人员疏散模型中个体最短路径要优于本发明的方法,但是其个体最长路径远远大于层次化人工鱼群算法,这一部分疏散路径较长的个体在实际情况中就面临很大的危险,且基本人工鱼群算法疏散模型的疏散总路径长度和人员平均疏散路径长度均约为层次化疏散模型的两倍,说明本方法在疏散效率上远高于基本的人工鱼群算法。
图6为本发明实施例不同人数疏散模拟中单种行为的执行次数示意图。图中展示了从5000人到35000人的疏散过程中觅食行为prey、聚群行为Swarm、追尾行为follow、等待行为wait四种行为执行次数的增加趋势。其中等待行为和觅食行为执行次数居一、二位,其次是聚群行为,追尾行为执行的次数最少。由此可以看出,基于人工鱼群算法的层次化疏散模型很好的模拟了现实中的疏散情况,追尾行为是选择离出口最短的路径撤离,做出这种行为选择的逃生者一般是对场地十分熟悉的工作人员或安全意识较强自救知识丰富的人员,这类人员往往占很小的数目,因此追尾行为出现最少;聚群行为次数的控制则体现了良好的拥挤度控制效果,为了防止过度拥挤,聚群行为执行次数同样偏少;觅食行为充满了随机性,以前进即可为原则,故出现次数较多;等待行为是疏散个体已经选择好的较短路径已堵塞,其在该路径上排队等待的行为,在整体疏散效率较高的情况下等待行为执行数量最多,可以看出在疏散过程中疏散个体在较小代价的路径中有序排队撤离比盲目乱跑及盲目从众更加的科学和高效。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述方法包括:
获取疏散场景;
根据疏散场景构建三维层次化疏散网络;
根据三维层次化疏散网络获取可容纳疏散者的空间,将所述可容纳疏散者的空间抽象为节点,将各所述容纳疏散者的空间之间的通道抽象为连接节点之间的边;
根据所述节点和所述边之间的邻接关系建立逻辑疏散网络拓扑图;
根据所述拓扑图获取所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级;
根据所述节点总数、有效边的总数、节点的入边数目、节点的出边数目、节点编号、节点容量、节点坐标、节点层级采用人工鱼群算法对人员疏散进行模拟,得到最优疏散方案,具体包括:
初始化人工鱼群算法中的参数;
设疏散人员的数量为m,将疏散人员抽象为人工鱼,生成规模为m的人工鱼群;
获取同层节点到出口节点的所有路径Lexit和非同层节点到出口节点的所有路径Ladj;
根据同层节点到出口节点的所有路径和非同层节点到出口节点的所有路径计算每个所述节点的食物浓度Yi;
获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数;
根据所述各节点和各边的人工鱼的个数计算所述节点和所述边的拥挤度;
根据所述边的拥挤度计算人工鱼的疏散速度;
执行人工鱼群算法中的觅食行为、聚群行为、追尾行为、等待行为;
根据所述觅食行为、聚群行为、追尾行为、等待行为计算适应度值,得到耗时最短的人工鱼行为;
根据所述适应度值更新公告板;
根据所述公告板更新人工鱼的位置;
判断所述更新后的人工鱼的位置是否为出口位置,得到第一判断结果,若第一判断结果表示更新后的人工鱼的位置为出口位置,则标记该人工鱼“成功撤离”,若第一判断结果表示更新后的人工鱼的位置不是出口位置,则人工鱼P计数加1,P=P+1,若P≤m,则未遍历人工鱼群中的所有人工鱼,执行所述获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数;若p>m则判断当前鱼群中所有的人工鱼是否“成功撤离”,得到第二判断结果,若第二判断结果表示成功撤离则根据所述更新后的公告板得到人工鱼疏散路径,若第二判断结果表示没有成功撤离,则迭代计数器加1;
判断当前迭代次数是否小于等于最大迭代次数,得到第三判断结果,若第三判断结果表示当前迭代次数小于等于最大迭代次数则执行所述获取当前疏散网络拓扑图中的各节点和各边的人工鱼的个数,若第三判断结果表示当前迭代次数大于最大迭代次数,输出最优疏散方案。
2.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述初始化人工鱼群算法中的参数具体包括:
初始化人工鱼数量m,时间默认递增步长、默认初始速度vij(0)、拥挤度因子δ、默认逆行因子γ1、默认速度影响因子γ2、节点等待时间忍耐因子θ。
3.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述根据同层节点到出口节点的所有路径和非同层节点到出口节点的所有路径计算每个所述节点的食物浓度Yi,具体包括:
其中k表示从当前节点到出口节点共有k条路径,Lexit为同层节点到出口节点的所有路径,Ladj非为同层节点到出口节点的所有路径。
4.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述根据所述各节点和各边的人工鱼的个数计算所述节点和所述边的拥挤度,具体包括:
其中Sumi(t)为节点i人工鱼的个数,Ci为节点i的最大容量;
其中Sumi(t)为有效边ij人工鱼的个数,Cij为有效边ij的最大容量。
5.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述根据所述边的拥挤度计算人工鱼的疏散速度具体包括:
其中vij(0)为默认初始速度,δij为边的拥挤度,γ1为默认逆行因子,γ2为默认速度影响因子。
6.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述执行人工鱼群算法中的觅食行为具体包括:
计算人工鱼下一跳的位置,其中为当前节点位置,为下一跳节点位置,Visual为人工鱼的视野范围,Rand()为0到1的随机数;
计算人工鱼从当前位置到下一跳位置的疏散时间Ts
其中tn为节点等待时间,tl为边等待时间,为边移动时间,lij为节点i到节点j之间的连接边的路径长度,为人工鱼的疏散速度,(xi,yi)和(xj,yj)为节点i和节点j的坐标;
所述执行人工鱼群算法中的聚群行为具体包括:
计算人工鱼下一跳的位置其中Visual为人工鱼的视野范围,Sumj(t)为t时刻节点j人工鱼的个数;
计算人工鱼从当前位置到下一跳位置所用的疏散时间
Tswarm=Ts
所述执行人工鱼群算法中的追尾行为具体包括:
计算人工鱼的下一跳位置其中Visual为人工鱼的视野范围,Yj为人工鱼视野内节点的食物浓度;
计算人工鱼从当前位置到下一跳位置所用的疏散时间
Tfollow=Ts
所述执行人工鱼群算法中的等待行为具体包括:
获取人工鱼视野范围内食物浓度最小的节点,如果出边中的拥挤度因子δ≤δi≤1,则说明所述出边处于堵塞状态,若节点等待时间满足则执行等待行为,计算人工鱼下一跳的位置节点等待时间即为人工鱼当前位置到下一跳位置的疏散时间
7.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述根据所述觅食行为、聚群行为、追尾行为、等待行为计算适应度值,得到耗时最短的人工鱼行为,具体包括:
其中,Yj为节点j的食物浓度,tn为节点等待时间,tl为边等待时间,为人工鱼的疏散速度。
8.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述根据所述适应度值更新公告板具体包括:
确定耗时最短的人工鱼行为,并执行所述耗时最短的人工鱼行为,得到人工鱼下一跳的节点和最优边,将所述节点和最优边加入到第P条人工鱼的疏散路径Pathp中,记录疏散时间Ts和路径长度lij。
9.根据权利要求8所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述方法还包括:
根据所述疏散时间Ts计算所有人工鱼的疏散时间
其中为第p个人工鱼的初始节点,Pathp为第p个人工鱼的疏散路径,Ts为人工鱼从节点i到节点j所用的时间;
根据所述疏散路径Pathp计算所有人工鱼疏散路径总长度
其中为第p个人工鱼的初始节点,Pathp为第p个人工鱼的疏散路径,lij为节点i和节点j之间的边的长度。
10.根据权利要求1所述的一种基于人工鱼群算法的层次化疏散仿真优化方法,其特征在于,所述根据所述公告板更新人工鱼的位置具体包括:
其中为节点当前位置,为节点下一跳位置,lij为当前节点到下一跳节点的距离,为人工鱼的疏散速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810358880.8A CN108536986A (zh) | 2018-04-20 | 2018-04-20 | 一种基于人工鱼群算法的层次化疏散仿真优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810358880.8A CN108536986A (zh) | 2018-04-20 | 2018-04-20 | 一种基于人工鱼群算法的层次化疏散仿真优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108536986A true CN108536986A (zh) | 2018-09-14 |
Family
ID=63478049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810358880.8A Pending CN108536986A (zh) | 2018-04-20 | 2018-04-20 | 一种基于人工鱼群算法的层次化疏散仿真优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108536986A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190851A (zh) * | 2018-10-25 | 2019-01-11 | 上海电机学院 | 一种基于改进鱼群算法的独立风光储微网的优化配置算法 |
CN109740455A (zh) * | 2018-12-19 | 2019-05-10 | 山东师范大学 | 一种人群疏散仿真方法和装置 |
CN111066698A (zh) * | 2020-01-14 | 2020-04-28 | 清华大学 | 一种用于斑马鱼模拟人群流动的方形组合复层式实验装置 |
CN111754039A (zh) * | 2020-06-23 | 2020-10-09 | 北京交通大学 | 纯电动公交线网综合集成优化设计的方法 |
CN115775055A (zh) * | 2023-02-10 | 2023-03-10 | 西南交通大学 | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866384A (zh) * | 2010-06-18 | 2010-10-20 | 杭州电子科技大学 | 一种基于车辆路径规划的改进人工鱼群优化方法 |
CN103679264A (zh) * | 2013-12-23 | 2014-03-26 | 山东师范大学 | 基于人工鱼群算法的人群疏散路径规划方法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
-
2018
- 2018-04-20 CN CN201810358880.8A patent/CN108536986A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866384A (zh) * | 2010-06-18 | 2010-10-20 | 杭州电子科技大学 | 一种基于车辆路径规划的改进人工鱼群优化方法 |
CN103679264A (zh) * | 2013-12-23 | 2014-03-26 | 山东师范大学 | 基于人工鱼群算法的人群疏散路径规划方法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
Non-Patent Citations (1)
Title |
---|
蒋颖丽: "基于人工鱼群算法的应急疏散模型及优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190851A (zh) * | 2018-10-25 | 2019-01-11 | 上海电机学院 | 一种基于改进鱼群算法的独立风光储微网的优化配置算法 |
CN109190851B (zh) * | 2018-10-25 | 2021-08-03 | 上海电机学院 | 一种基于改进鱼群算法的独立风光储微网的优化配置方法 |
CN109740455A (zh) * | 2018-12-19 | 2019-05-10 | 山东师范大学 | 一种人群疏散仿真方法和装置 |
CN109740455B (zh) * | 2018-12-19 | 2020-11-20 | 山东师范大学 | 一种人群疏散仿真方法和装置 |
CN111066698A (zh) * | 2020-01-14 | 2020-04-28 | 清华大学 | 一种用于斑马鱼模拟人群流动的方形组合复层式实验装置 |
CN111754039A (zh) * | 2020-06-23 | 2020-10-09 | 北京交通大学 | 纯电动公交线网综合集成优化设计的方法 |
CN111754039B (zh) * | 2020-06-23 | 2023-10-17 | 北京交通大学 | 纯电动公交线网综合集成优化设计的方法 |
CN115775055A (zh) * | 2023-02-10 | 2023-03-10 | 西南交通大学 | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
CN115775055B (zh) * | 2023-02-10 | 2023-04-28 | 西南交通大学 | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536986A (zh) | 一种基于人工鱼群算法的层次化疏散仿真优化方法 | |
CN107292064B (zh) | 一种基于多蜂群算法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 | |
CN105056528B (zh) | 一种虚拟角色的移动方法及装置 | |
Lima et al. | A cellular automata ant memory model of foraging in a swarm of robots | |
CN104548598B (zh) | 一种虚拟现实场景中寻路的方法 | |
CN106650915B (zh) | 基于网格智能体的人群行为模拟方法 | |
CN103679264B (zh) | 基于人工鱼群算法的人群疏散路径规划方法 | |
CN106792750B (zh) | 一种基于导向粒子群算法的节点部署方法 | |
Sarmady et al. | Simulating crowd movements using fine grid cellular automata | |
CN108037758A (zh) | 一种基于改进afsa的移动机器人路径规划方法 | |
CN110231824A (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
CN109974737A (zh) | 基于安全疏散标志和强化学习结合的路径规划方法及系统 | |
KR20140071835A (ko) | 3차원 공간 기반의 화재 피난 시뮬레이션 시스템 및 시뮬레이션 방법 | |
CN102901500A (zh) | 基于概率a星与智能体混合的飞行器最优路径确定方法 | |
CN105468801A (zh) | 公共场所人群疏散仿真方法及系统 | |
CN108268042A (zh) | 一种基于改进可视图构造的路径规划算法 | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN108388734A (zh) | 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 | |
CN112469050B (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
Spartalis et al. | Ca crowd modeling for a retirement house evacuation with guidance | |
CN109104737A (zh) | 一种基于时变网络的集群对抗能力评估方法 | |
CN109343532A (zh) | 一种动态随机环境的路径规划方法和装置 | |
CN109155846A (zh) | 一种场景的三维重建方法、装置、电子设备及存储介质 | |
CN114599069B (zh) | 一种基于能量自收集的水下无线传感器网络路由方法 |
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: 20180914 |
|
RJ01 | Rejection of invention patent application after publication |