CN109460591A - 基于优化积极情绪感染的人群疏散仿真方法及装置 - Google Patents
基于优化积极情绪感染的人群疏散仿真方法及装置 Download PDFInfo
- Publication number
- CN109460591A CN109460591A CN201811246127.6A CN201811246127A CN109460591A CN 109460591 A CN109460591 A CN 109460591A CN 201811246127 A CN201811246127 A CN 201811246127A CN 109460591 A CN109460591 A CN 109460591A
- Authority
- CN
- China
- Prior art keywords
- node
- infection
- emotional appeal
- mood
- active mood
- 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
- 230000036651 mood Effects 0.000 title claims abstract description 131
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 82
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002996 emotional effect Effects 0.000 claims abstract description 100
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000013459 approach Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000007246 mechanism Effects 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000004438 eyesight Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001914 calming effect Effects 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medicines Containing Material From Animals Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于优化积极情绪感染的人群疏散仿真方法及装置，针对个体之间的信任关系，构建情绪感染网络；对于情绪感染网络，构建积极情绪感染计算模型；以参数化方式分析情绪感染过程，并使用连续时间马尔科夫链计算情绪感染网络中每个节点的感染概率；构建最大化积极情绪感染优化问题模型；利用人工蜂群优化情绪感染算法和每个节点的感染概率计算出最大化积极情绪感染优化问题模型中给定疏导员的最优目标函数值；利用给定疏导员的最优目标函数值，计算得到最佳的安全疏导员位置。本公开通过利用优化积极的情绪感染，为人群疏散提供指导，为解决公共安全问题提供了新的解决思路，并为应急管理提供指导。
Description
技术领域
本公开涉及一种人群疏散仿真方法，具体涉及一种基于优化积极情绪感染的人群疏散仿真方法及装置。
背景技术
近年来，自然灾害和人为灾害频繁发生。在这样的危机情境下，恐慌、焦虑等消极情绪会在人群中传播。如何通过最优化安全疏导员的积极情绪去平息人群的恐慌情绪，达到有序疏散人群、避免重大事故的发生是一个很有挑战性的问题。
积极情绪感染主要是指个体在安全疏导员的影响下从消极情绪中恢复过来的过程。然而，目前方法尚未考虑如何最好地利用安全疏导员的积极情绪平息人群的恐慌情绪，降低人群恐慌产生拥挤、踩踏等事故的潜在威胁。为此，我需要考虑影响紧急情况下积极情绪感染的特征。首先，个体之间的信任关系影响情绪感染过程。可以直观地理解为情绪恢复取决于个人是否信任具有积极情绪的人。其次，个体之间情绪感染的传播速度是多种多样的，因为它受许多因素影响，如个体的个性和传播过程中情绪的衰减。所有这些因素对于分析现实世界中的积极情绪感染至关重要。
综上所述，目前对于如何利用最优化积极情绪感染来进行人群疏散的问题，尚缺乏有效的解决方案。
发明内容
为了克服上述现有技术的不足，本公开提供了一种基于优化积极情绪感染的人群疏散仿真方法及装置，该方法通过利用优化积极的情绪感染，为人群疏散提供指导，为解决公共安全问题提供了新的解决思路，并为应急管理提供指导。
本公开所采用的技术方案是：
一种基于优化积极情绪感染的人群疏散仿真方法，该方法包括以下步骤：
针对个体之间的信任关系，构建情绪感染网络；
对于情绪感染网络，构建积极情绪感染计算模型；
以参数化方式分析情绪感染过程，并使用连续时间马尔科夫链计算情绪感染网络中每个节点的感染概率；
构建最大化积极情绪感染优化问题模型；
利用人工蜂群优化情绪感染算法和每个节点的感染概率计算出最大化积极情绪感染优化问题模型中最优目标函数值；以此该最优目标函数值进行人群疏散。
进一步的，所述情绪感染网络的构建方法为：
将情绪感染网络定义为一个有向图，其中每个节点代表人群中的个体；
构建情绪感染网络中任意两个节点之间的信任关系，若一个节点被另一个节点信任，则二者之间的信任关系为1，否则为0；
采用kd树方法计算情绪感染网络中任意两个节点之间的可见性；
在情绪感染网络中创建连接任意两个信任且具有可见性的节点的有向边，并计算有向边的权重，作为情绪感染的扩散速度。
进一步的，所述积极情绪感染计算模型的构建方法为：
获取情绪感染网络中每个节点的外向性和神经质性特征；
假设每个节点的外向性和神经质性都遵循正态分布，则每个节点表达积极情绪的能力εi和吸收积极情绪的能力αj均服从正态分布；
假设随着距离两个节点之间的距离增加，积极的情绪感染正在缓慢衰减，则当两个节点之间的距离小于等于可见性阈值时，这两个节点之间的情绪衰减Rij为当两个节点之间的距离大于等于可见性阈值时，这两个节点之间的情绪衰减Rij为0；
考虑情绪感染网络G(V,E)的有向边e(i,j)∈E，其中i是受感染节点，j是易感节点，则从i到j的情绪感染的传播速度是
vij＝εiRijαj
在这里，Rij表示情绪衰减，εi表示i表达积极情绪的能力，αj表示j吸收积极情绪的能力。
进一步的，所述使用连续时间马尔科夫链计算情绪感染网络中每个节点的感染概率的步骤包括：
构建连续时间马尔科夫链；
利用连续时间马尔科夫链构建连续PH分布的累积分布函数，基于连续PH分布的累积分布函数计算每个节点被感染的概率。
进一步的，所述连续时间马尔科夫链的构建方法为：
在积极情绪从安全疏导员开始传播到汇节点n的过程中，将情绪感染网络中向汇节点n传播积极情绪有贡献的节点组成不活动节点集合Rn(t|S,V)；将情绪感染网络中向汇节点n传播积极情绪没有贡献的节点组成无用节点集合Un(t|S,V)；
将不活动节点集合Rn(t|S,V)与无用节点集合Un(t|S,V)相合并，得到在时刻t，非活动的个体集合Xn(t|S,V)；
由于在时刻t处的所有无用节点Un(t|S,V)和不活动节点Rn(t|S,V)被Rn(t|S,V)阻挡，则给定一组安全疏导员S，情绪感染速度V，感染时间差模型g(Δt；υi,j)和汇聚节点n，得到{Xn(t|S,V)，t≥0}是一个具有状态空间Ω* n的连续时间马尔科夫链，其成矩阵Q＝[q(D,B)]，
其中，D,B∈Ω* n,C(D)是D与D＝V\D之间的唯一最小分割，Cj(D)＝{(i.j)∈C(D)}。
进一步的，所述每个个体被感染的概率的计算方法为：
令F(T)＝P(tn<T|S,V)为连续PH分布的累积分布函数，用{1，...，r，r+1}表示连续时间马尔科夫链的状态空间Ω* n，其中状态1是初始状态Xinitial，r+1是吸收状态Xabsorb；
连续时间马尔科夫链的初始概率向量为(a1,a2,…,ar,ar+1)＝(1,0,…,0,0)，令a＝(a1,...,ar)，ae+ar+1＝1，其中e为分量都是1的列向量，则连续PH分布的累积分布函数为：
F(T)＝P(tn<T|S,V)＝1-aexp(Q'T)e,T≥0,
其中，Q＝[q(D,B)]是连续时间马尔科夫链的生成矩阵，Q'是通过去除与吸收状态相关联的一行和一列而获得的无穷小生成矩阵Q的r×r子矩阵；向量d1＝-Q′e表示从瞬态到吸收状态的转换强度；
利用连续PH分布的累积分布函数，计算出节点i在T之前被感染的概率P(ti<T|S,V)。
进一步的，所述最大化积极情绪感染优化问题模型的构建方法为：
设I(S,T,V)为时间T内可感染的节点数量，在时间T之前感染的平均节点数量为I(S,T,V)的期望值，即目标函数μ(S,T,V)＝EI(S,T,V)，则最大化积极情绪感染优化问题模型为：
S0＝argmaxμ(S,T,V).
|S|＝m
任意一组安全员S的目标函数μ(S,T,V)为
其中，ti是节点i的感染时间，Cs是节点数量，P(ti<T|S,V)是时间T之前节点i的感染概率。
进一步的，所述利用人工蜂群优化情绪感染算法和每个节点的感染概率计算出最大化积极情绪感染优化问题模型中最优目标函数值的具体过程为：
从情绪感染网络中随机选择多个节点，采用人工蜂群优化情绪感染算法生成SN个解，组成最优解Yi；
人工蜂群优化情绪感染算法执行搜索优化迭代，每个引领蜂生成一个新的候选解Wi；如果候选解Wi的适应值大于最优解Yi的适应值，则用候选解Wi替换最优解Yi，否则最优解Yi保持不变；
依次循环执行搜索优化迭代，直到达到设定的最大迭代次数，将最优解映射到情绪感染网络中最近节点；
利用该最近节点的感染概率，计算出最大化积极情绪感染优化问题模型中最优目标函数值。
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的处理器加载并执行如上所述的人群疏散仿真方法。
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，所述指令用于执行如上所述的人群疏散仿真方法。
本公开的有益效果是：
(1)本公开综合考虑最优化积极情绪对人群疏散的影响，建立基于信任机制的情绪感染网络和基于积极情绪感染的计算模型，来描述安全疏导员的积极情绪如何平息人群的恐慌情绪，以捕捉积极情绪感染中信任关系和情绪感染速度的变化；
(2)本公开对情绪感染过程进行参数分析，并用连续时间马尔科夫链分析计算每个个体的感染概率，以此计算在时刻T之前被积极感染的人数的期望值；
(3)本公开构造一个情绪感染的优化问题，采用基于启发式人工蜂群情绪感染算法来解决这个优化问题，从而快速计算安全疏导人员的最优位置，能够最好地利用安全疏导员的积极情绪平息人群的恐慌情绪，克服人群恐慌产生拥挤、踩踏等事故的潜在威胁。
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是基于最优化积极情绪感染策略的人群疏散仿真方法流程图；
图2是构建积极情绪感染计算模型方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
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。
实施例一
本实施例一的目的是提供一种基于最优化积极情绪感染策略的人群疏散仿真方法。
为了实现上述目的，本实施例采用如下一种技术方案：
如图1所示，
一种基于最优化积极情绪感染策略的人群疏散仿真方法，该方法包括以下步骤：
S101，利用个体之间的信任关系，构建基于信任机制的情绪感染网络，对于情绪感染网络，构建积极情绪感染计算模型，计算每个个体的感染概率。
在本实施例步骤S101中构建一个积极情绪感染计算模型用来描述安全疏导员的积极情绪如何平息人群的恐慌情绪。如图2所示，所述步骤S101采用如下方式实现：
S1011，构建一个基于信任机制的情绪感染网络来描述个体之间的信任关系。
该基于信任机制的情绪感染网络G(V,E)定义为一个有向图，其中每个节点v∈V代表人群中的个体，并且从节点i到节点j的每个有向边e(i,j)∈E表示j信任i，而且i对j是可见的，这意味着j可以直接被i的积极情绪感染。所述步骤S1011中，基于信任机制的情绪感染网络的构建方法为：
(1-1)构建情绪感染网络中任意两个节点之间的信任关系。
信任关系包括两种情况：一种情况是，人与人之间的社会关系所产生的信任关系；另一种情况是，受到某些心理社会因素影响的信任关系。
当节点i被j信任时，设置Trust(i,j)＝1；当节点i不被j信任时，设置Trust(i,j)＝0。
(1-2)计算情绪感染网络中任意两个节点之间的可见性。
对于两个个体i和j，可见性表示i和j之间的距离dis(i,j)小于阈值γ，并且没有障碍物阻挡i和j之间的视线，允许情绪通过手势或面部表情传播。对于每一对个体而言，需要进行可见性计算来确定连接两个个体的线是否与环境中妨碍其视力的障碍物相交。
本实施例中采用kd树方法来计算任意两个节点之间的可见性。kd树是一棵二叉树，其中每个内部节点是一个k维度点，每个叶子节点存储可能遮挡个体在虚拟环境中视觉的对象的三维模型。
在本实施例中，每个k维点是一个三维点，并使用隐式生成的分裂超平面将空间拆分为两部分，即一个左子树和一个右子树，超平面的方向是从一个坐标轴中选择的。例如，如果X轴是超平面的方向，则具有比该节点的X值更小的X值的点将被放置在左子树中；否则，它将被放置在正确的子树中。通过k-d树数据结构，可以有效地搜索可能遮挡两个人视野的所有障碍物。由于这些障碍物位于两个人之间的局部空间内，因此可以通过在k-d树上执行二分搜索操作来高效地执行该计算，搜索附近障碍物的时间复杂度为O(logdM)，其中M是k-d树中障碍物的数量，d是维数。
(1-3)创建情绪感染网络中任意两个信任且具有可见性的节点之间连接的有向边。
如果节点i被j信任时Trust(i,j)＝1，i和j之间的距离dis(i,j)≤γ，并且没有障碍物遮蔽i和j之间的视线，则可以在情绪感染网络G(V,E)中创建有向边e(i,j)。在这种情况下，节点i和j之间通过边e(i,j)∈E连接。
有向边e(i,j)∈E的权重是情绪感染的扩散速度vij≥0。
S1012，构建一个积极情绪感染计算模型来描述情绪感染速度的变化。
该积极情绪感染计算模型中每个个体处于以下两种状态中的一种：感染(即积极情绪)和易感(即消极情绪)。考虑情绪感染网络G(V,E)的边e(i,j)∈E，其中i是受感染个体，j是易感个体。从个体i到j的情绪感染的传播速度是
vij＝εiRijαj(1)
式中，Rij表示情绪衰减度，εi表示i表达积极情绪的能力，αj表示j吸收积极情绪的能力。
所述步骤S1012中，积极情绪感染计算模型的构建方法为：
(2-1)获取个体的个性特征。
在积极情绪感染计算模型中，表达或吸收积极情绪的能力取决于个体的个性。
本实施例中使用两个个性特征：一个是“外向性”，用来描述表达积极情绪的能力；另一个是“神经质性”，用来描述了个体的敏感性，即吸收积极情绪的能力。
为了便于分析，本实施例假设“外向性”和“神经质性”都可以通过从指定的概率分布中得出的数值进行数值形式化。为了不失一般性，本实施例假设“外向性”和“神经质性”都遵循正态分布，这可以更好地控制和分析。因此，εi和αj可以表示为：
其中，με,Rij,σε分别是ε和α的均值和标准偏差。较大的值表示更强的表达或吸收积极情绪的能力。这两个参数可以通过调整其平均值和标准差来有效控制。
(2-2)计算情绪衰减度。
在公式(1)中，Rij是个体i和j之间的情绪衰减度。由于随着传输距离的增加，个体的视觉和听觉系统容易产生错误，因此，本实施例假设随着个体i和j之间的距离增加，积极的情绪感染正在缓慢衰减。本实施例简化了自由空间传播模型，这是一种常用的无线电波信号能量退化模型，如下所述量化Rij为
其中，l是i和j之间的距离，γ是可见性阈值，0≤Rij≤1。
很显然，当l＝0时Rij＝1，当l≥γ时Rij＝0。
S1013，以参数化方式分析情绪感染过程，并使用连续时间马尔科夫链计算每个个体的感染概率。
所述步骤S1013采用如下方式实现：
(3-1)构建连续时间马尔科夫链。
在构建连续时间马尔科夫链时，需要考虑个体n是如何被积极情绪感染的。在积极情绪从安全疏导员开始传播到汇节点n的过程中，向n传播积极情绪的个体可以根据他们是否有贡献分为两组：一组为Rn(t|S,V)，其包含导致情绪感染的感染者，对向节点n传播积极情绪的过程有贡献的个体，一旦这些人受到感染并传播积极的情绪，他们就会变成不活动节点，即他们不会受到感染并再次传播情绪，因此，Rn(t|S,V)被称为不活动节点集合；另一组为Un(t|S,V)，其包含对向节点n传播积极情绪的过程没有贡献的个体，即使这些人受到感染并传播积极的情绪，他们也只能到达不活动的节点，Un(t|S,V)被称为无用集合。由于集合Un(t|S,V)中个体传播的积极情绪不能到达节点n，所以无用集合Un(t|S,V)中的节点也是不活动的。因此，在时刻t，非活动的节点集合是
Xn(t|S,V)＝Rn(t|S,V)∪Un(t|S,V)(4)
其中，Xn(t|S,V)是情绪感染网络G(V,E)在时间t的状态。
给定使得任何一个安全疏导员s∈X和汇节点本实施例引入被X阻塞的节点集合为
Sn＝{i|任何从节点i到n的路径至少有一个节点在X中}(5)
很明显
Sn(·)允许描述情绪感染网络{Xn(t|S,V)}的状态演化，时刻t处的所有无用节点Un(t|S,V)和不活动节点Rn(t|S,V)被Rn(t|S,V)阻挡。
因此，令令状态空间Ωn *＝Ωn∪{V}；那么，时间t处的情绪感染网络的状态为：
给定一组安全疏导员S，情绪感染速度V和汇聚节点n，Xn(t|S,V)∈Ω* n；
给定一组安全疏导员S，感情感染速度V，感染时间差模型g(Δt；υi,j)，以及汇聚节点n，其中，感染时间差模型g(Δt；υi,j)为指数等待模型，表示为其中Δt＝tj-ti，vij为i和j之间情绪感染的速度，i是感染时间ti的受感染个体，j是在tj(tj>ti)可能被i感染的易感个体；{Xn(t|S,V),t≥0}是一个具有状态空间Ωn *的连续时间马尔科夫链，其无穷小生成矩阵Q＝[q(D,B)]，
其中，D表示情绪感染网络G(V,E)在时间t的状态，B表示情绪感染网络中某个个体被积极情绪感染后的情绪感染网络的状态，D,B∈Ω* n,C(D)是D与D＝V\D之间的唯一最小分割，Cj(D)＝{(i.j)∈C(D)}。
(3-2)基于连续的PH分布计算感染概率。
情绪传播会产生从S中任何安全疏导员开始并到达汇集节点n的有向路径，因此根据情绪传播过程可以从情绪感染网络G(V,E)导出有向无环图。假设tn为汇节点n的感染时间，那么从连续时间马尔科夫链的构建过程可得
tn＝min{t≥0:Xn(t|S,V)＝Xabsorb|Xn(t＝0|S,V)＝Xinitial}。
感染时间tn等于连续时间马尔科夫链在从Xinitial初始状态开始之后到Xabsorb吸收状态的时间。因此，计算概率P(tn<T|S,V)相当于计算达到连续时间马尔科夫链吸收状态的时间分布，可以通过使用连续的PH分布来计算。
令F(T)＝P(tn<T|S,V)为连续PH分布的累积分布函数。为了简化，连续时间马尔科夫链的状态空间Ω* n用{1，...，r，r+1}表示，其中状态1是初始状态Xinitial＝Xn(t＝0|S,V)以及r+1是吸收状态Xabsorb＝Xn(t|S,V)。连续时间马尔科夫链(CTMC)的初始概率向量为(a1,a2,…,ar,ar+1)＝(1,0,...,0,0)，令a＝(a1,...,ar)，则ae+ar+1＝1，其中e为分量都是1的列向量。从而连续PH分布的累积分布函数为：
F(T)＝P(tn<T|S,V)＝1-aexp(Q'T)e,T≥0,
其中，Q＝[q(D,B)]是等式(8)中的生成矩阵，并且Q'是通过去除与吸收状态相关联的一行和一列而获得的无穷小生成矩阵Q的r×r子矩阵Xabsorb.，r×1向量d1＝-Q′e表示从瞬态到吸收状态的转换强度；行矢量0完全由零组成，因为不会发生从吸收状态到任何瞬时状态的转变。这样，可计算出个体i在时间T之前被感染的概率P(ti<|S,V)。
S102，构建最大化积极情绪感染优化问题模型。
给定时间窗口T和拥有m个安全疏导员的恐慌人群，假设安全疏导员没有恐慌情绪，目标是为安全疏导员选择m个最佳位置，以最大限度地提高“恐慌情绪的平息”效果，即安全疏导员的积极情绪能够在给定时间T内平息最多恐慌情绪的个体。所述步骤S102中构建最大化积极情绪感染优化模型的具体步骤如下：
设I(S,T,V)为时间T内安全疏导员感染的个体数量，在时间T之前安全疏导员感染的平均个体数量定义为I(S,T,V)的期望值，即，目标函数μ(S,T,V)＝EI(S,T,V)。为了从人群中选出最佳的安全疏导员So，这样
其中，So为最佳安全疏导员，m为安全疏导员的个数；
为了优化公式(9)，需要计算任意一组安全疏导员S的目标函数μ(S,T,V)
其中，ti是个体i的感染时间，Cs是恐慌人群中个体总数量，P(ti<T|S,V)是时间T之前个体i被感染的概率。
从恐慌人群中选择So后，安全疏导员的位置可以直观地获得，因为个人的初始位置是给定的。
S103，基于人工蜂群优化情绪感染算法求解最大化积极情绪感染优化问题模型中优化问题，并通过使用连续的PH分布计算感染概率来分析最大化积极情绪感染优化问题模型中给定安全疏导员S的任何源集的目标函数μ(S,T,V)的值。
本实施例采用人工蜂群优化情绪感染算法(ABCEC算法)来解决最大化积极情绪感染优化问题模型中定义的优化问题，其具体过程如下所示：
在初始条件下，ABCEC算法生成SN个解。通过从情绪感染网络G(V,E)随机选择m个节点来产生每个解其中表示第jth(j＝1,…,m)个安全疏导员的位置，其适应度函数为
其中，S(Yi)是位于Yi的一组安全疏导员。具有较大适应值的解更为优化。
在初始化之后，ABCEC算法执行多次搜索优化迭代，直到满足终止标准。在每次迭代中，引领蜂、跟随蜂和侦察蜂通过两个步骤更新解，即计算新的候选位置然后将它们映射到人群中最近的个体。
每个引领蜂i通过生成一个新的候选解来更新解其中
这里，j∈{1,2,…,2m}是随机选择的上标索引；l∈{1,…,SN}，l≠i是随机选择的候选解的索引；φij是区间[-1,1]内的随机数。
接下来，通过将每个点(1≤j≤m)替换为最近的位置，被映射到情绪感染网络G(V,E)的最近节点o，
G(V,E)中的节点不能在解Wi中重复。因此，一旦一个节点被选择为一个点的最近节点，它将被标记为不可用，并且在随后的点的映射中只能选择剩余的节点。使用等式(11)评估新的候选解Wi，并且如果fitness(Wi)>fitness(Yi)，则将Yi替换为Wi。否则，Yi易保持不变。
跟随蜂进一步优化了每个雇佣蜂找到的解。如方程式(14)所示，每个跟随蜂都使用一个轮盘选择机制来选择每一只雇佣蜂，
这里，pi是第ith个引领蜂的选择概率。
观察到采用更好解的雇佣蜂被选择的概率较高，一旦跟随蜂选择了一只被雇佣蜂，它就使用公式(12)和(13)更新雇佣蜂找到的解。
最后，如果解Yi没有在预定数量的迭代中得到改进，那么相应的引领蜂i放弃该解，并成为一个侦察蜂，试图通过随机选择m个节点来寻找新的解，类似于在初始化步骤中应用。
该ABCEC算法迭代直到达到预定义的最大迭代次数maxcycle。在实践中，如果获得的最优解在一些预定的迭代次数上没有得到改善，算法也可能终止。将最终得到的最优解映射到情绪感染网络G(V,E)的最近节点o，利用最近节点o的感染时间和感染概率计算出最大化积极情绪感染优化问题模型中给定安全员S的目标函数μ(S,T,V)值，将目标函数μ(S,T,V)值带入公式(9)得到So。由于个人的初始位置是给定的，从人群中选择So后，安全疏导员的位置可以直观地获得。
本实施例提出的基于最优化积极情绪感染策略的人群疏散仿真方法，综合考虑最优化积极情绪对人群疏散的影响，建立基于积极情绪感染的计算模型来描述安全疏导员的积极情绪如何平息人群的恐慌情绪，在该计算模型中，首先构建了基于信任机制的情绪感染网络和异构情绪感染计算模型，以捕捉积极情绪感染的重要影响因素，其次，对情绪感染过程进行参数分析，并用连续时间马尔科夫链分析计算每个个体的感染概率。然后，构造一个情绪感染的优化问题，最后，采用基于启发式人工蜂群情绪感染算法来解决这个优化问题。该方法通过优化利用积极的情绪感染，期望为人群疏散提供指导，为解决公共安全问题提供了新的解决思路。该方法有望协助制定应急预案，并为应急管理提供指导。
实施例二：
本实施例二的目的是提供一种计算机可读存储介质。
为了实现上述目的，本实施例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：
针对个体之间的信任关系，构建情绪感染网络；
对于情绪感染网络，构建积极情绪感染计算模型；
以参数化方式分析情绪感染过程，并使用连续时间马尔科夫链计算情绪感染网络中每个节点的感染概率；
构建最大化积极情绪感染优化问题模型；
利用人工蜂群优化情绪感染算法和每个节点的感染概率计算出最大化积极情绪感染优化问题模型中给定疏导员的最优目标函数值；
利用给定疏导员的最优目标函数值，得到最佳的安全疏导员位置。
实施例三：
本实施例三的目的是提供一种终端设备。
为了实现上述目的，本实施例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：
针对个体之间的信任关系，构建情绪感染网络；
对于情绪感染网络，构建积极情绪感染计算模型；
以参数化方式分析情绪感染过程，并使用连续时间马尔科夫链计算情绪感染网络中每个节点的感染概率；
构建最大化积极情绪感染优化问题模型；
利用人工蜂群优化情绪感染算法和每个节点的感染概率计算出最大化积极情绪感染优化问题模型中给定疏导员的最优目标函数值；
利用给定疏导员的最优目标函数值，得到最佳的安全疏导员位置。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于优化积极情绪感染的人群疏散仿真方法，其特征是，包括以下步骤：
针对个体之间的信任关系，构建情绪感染网络；
对于情绪感染网络，构建积极情绪感染计算模型；
以参数化方式分析情绪感染过程，并使用连续时间马尔科夫链计算情绪感染网络中每个节点的感染概率；
构建最大化积极情绪感染优化问题模型；
利用人工蜂群优化情绪感染算法和每个节点的感染概率计算出最大化积极情绪感染优化问题模型中最优目标函数值；以此该最优目标函数值进行人群疏散。
2.根据权利要求1所述的基于优化积极情绪感染的人群疏散仿真方法，其特征是，所述情绪感染网络的构建方法为：
将情绪感染网络定义为一个有向图，其中每个节点代表人群中的个体；
构建情绪感染网络中任意两个节点之间的信任关系，若一个节点被另一个节点信任，则二者之间的信任关系为1，否则为0；
采用kd树方法计算情绪感染网络中任意两个节点之间的可见性；
在情绪感染网络中创建连接任意两个信任且具有可见性的节点的有向边，并计算有向边的权重，作为情绪感染的扩散速度。
3.根据权利要求1所述的基于优化积极情绪感染的人群疏散仿真方法，其特征是，所述积极情绪感染计算模型的构建方法为：
获取情绪感染网络中每个节点的外向性和神经质性特征；
假设每个节点的外向性和神经质性都遵循正态分布，则每个节点表达积极情绪的能力εi和吸收积极情绪的能力αj均服从正态分布；
假设随着距离两个节点之间的距离增加，积极的情绪感染正在缓慢衰减，则当两个节点之间的距离小于等于可见性阈值时，这两个节点之间的情绪衰减Rij为当两个节点之间的距离大于等于可见性阈值时，这两个节点之间的情绪衰减Rij为0；
考虑情绪感染网络G(V,E)的有向边e(i,j)∈E，其中i是受感染节点，j是易感节点，则从i到j的情绪感染的传播速度是
vij＝εiRijαj
在这里，Rij表示情绪衰减，εi表示i表达积极情绪的能力，αj表示j吸收积极情绪的能力。
4.根据权利要求1所述的基于优化积极情绪感染的人群疏散仿真方法，其特征是，所述使用连续时间马尔科夫链计算情绪感染网络中每个节点的感染概率的步骤包括：
构建连续时间马尔科夫链；
利用连续时间马尔科夫链构建连续PH分布的累积分布函数，基于连续PH分布的累积分布函数计算每个节点被感染的概率。
5.根据权利要求4所述的基于优化积极情绪感染的人群疏散仿真方法，其特征是，所述连续时间马尔科夫链的构建方法为：
在积极情绪从安全疏导员开始传播到汇节点n的过程中，将情绪感染网络中向汇节点n传播积极情绪有贡献的节点组成不活动节点集合Rn(t|S,V)；将情绪感染网络中向汇节点n传播积极情绪没有贡献的节点组成无用节点集合Un(t|S,V)；
将不活动节点集合Rn(t|S,V)与无用节点集合Un(t|S,V)相合并，得到在时刻t，非活动的个体集合Xn(t|S,V)；
由于在时刻t处的所有无用节点Un(t|S,V)和不活动节点Rn(t|S,V)被Rn(t|S,V)阻挡，则给定一组安全疏导员S，情绪感染速度V，感染时间差模型g(Δt；υi,j)和汇聚节点n，得到{Xn(t|S,V)，t≥0}是一个具有状态空间Ω* n的连续时间马尔科夫链，其成矩阵Q＝[q(D,B)]，
其中，D,B∈Ω* n,C(D)是D与D＝V\D之间的唯一最小分割，Cj(D)＝{(i.j)∈C(D)}。
6.根据权利要求4所述的基于优化积极情绪感染的人群疏散仿真方法，其特征是，所述每个个体被感染的概率的计算方法为：
令F(T)＝P(tn<T|S,V)为连续PH分布的累积分布函数，用{1，...，r，r+1}表示连续时间马尔科夫链的状态空间Ω* n，其中状态1是初始状态Xinitial，r+1是吸收状态Xabsorb；
连续时间马尔科夫链的初始概率向量为(a1,a2,…,ar,ar+1)＝(1,0,...,0,0)，令a＝(a1,...,ar)，ae+ar+1＝1，其中e为分量都是1的列向量，则连续PH分布的累积分布函数为：
F(T)＝P(tn<T|S,V)＝1-aexp(Q'T)e,T≥0,
其中，Q＝[q(D,B)]是连续时间马尔科夫链的生成矩阵，Q'是通过去除与吸收状态相关联的一行和一列而获得的无穷小生成矩阵Q的r×r子矩阵；向量d1＝-Q′e表示从瞬态到吸收状态的转换强度；
利用连续PH分布的累积分布函数，计算出节点i在T之前被感染的概率P(ti<T|S,V)。
7.根据权利要求1所述的基于优化积极情绪感染的人群疏散仿真方法，其特征是，所述最大化积极情绪感染优化问题模型的构建方法为：
设I(S,T,V)为时间T内可感染的节点数量，在时间T之前感染的平均节点数量为I(S,T,V)的期望值，即目标函数μ(S,T,V)＝EI(S,T,V)，则最大化积极情绪感染优化问题模型为：
S0＝arg maxμ(S,T,V).
|S|＝m
任意一组安全员S的目标函数μ(S,T,V)为
其中，ti是节点i的感染时间，Cs是节点数量，P(ti<T|S,V)是时间T之前节点i的感染概率。
8.根据权利要求1所述的基于优化积极情绪感染的人群疏散仿真方法，其特征是，所述利用人工蜂群优化情绪感染算法和每个节点的感染概率计算出最大化积极情绪感染优化问题模型中最优目标函数值的具体过程为：
从情绪感染网络中随机选择多个节点，采用人工蜂群优化情绪感染算法生成SN个解，组成最优解Yi；
人工蜂群优化情绪感染算法执行搜索优化迭代，每个引领蜂生成一个新的候选解Wi；如果候选解Wi的适应值大于最优解Yi的适应值，则用候选解Wi替换最优解Yi，否则最优解Yi保持不变；
依次循环执行搜索优化迭代，直到达到设定的最大迭代次数，将最优解映射到情绪感染网络中最近节点；
利用该最近节点的感染概率，计算出最大化积极情绪感染优化问题模型中最优目标函数值。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行根据权利要求1-8中任一项所述的方法。
10.一种终端设备，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，其特征在于，所述指令用于执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811246127.6A CN109460591A (zh) | 2018-10-24 | 2018-10-24 | 基于优化积极情绪感染的人群疏散仿真方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811246127.6A CN109460591A (zh) | 2018-10-24 | 2018-10-24 | 基于优化积极情绪感染的人群疏散仿真方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109460591A true CN109460591A (zh) | 2019-03-12 |
Family
ID=65608329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811246127.6A Pending CN109460591A (zh) | 2018-10-24 | 2018-10-24 | 基于优化积极情绪感染的人群疏散仿真方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109460591A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339668A (zh) * | 2020-02-28 | 2020-06-26 | 西南交通大学 | 基于情绪认知的人群疏散可视化方法 |
| CN112347626A (zh) * | 2020-10-28 | 2021-02-09 | 山东师范大学 | 一种人群疏散中恐慌情绪的最优化干预仿真方法及系统 |
| CN112669186A (zh) * | 2020-12-31 | 2021-04-16 | 山东师范大学 | 人群疏散中积极情绪和消极情绪的最优化干预方法及系统 |
| CN113290567A (zh) * | 2021-04-19 | 2021-08-24 | 山东师范大学 | 基于群体情绪识别的人群疏散引导机器人 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 山东师范大学 | 基于异构情绪感染模型的人群疏散仿真方法及系统 |
| CN108153945A (zh) * | 2017-12-11 | 2018-06-12 | 中山大学 | 一种基于多Agent的人群疏散仿真模型 |
-
2018
- 2018-10-24 CN CN201811246127.6A patent/CN109460591A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 山东师范大学 | 基于异构情绪感染模型的人群疏散仿真方法及系统 |
| CN108153945A (zh) * | 2017-12-11 | 2018-06-12 | 中山大学 | 一种基于多Agent的人群疏散仿真模型 |
Non-Patent Citations (1)
| Title |
|---|
| GUIJUAN ZHANG等: "Strategies to Utilize the Positive Emotional Contagion Optimally in Crowd Evacuation", 《IEEE TRANSACTIONS ON AFFECTIVE COMPUTING》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339668A (zh) * | 2020-02-28 | 2020-06-26 | 西南交通大学 | 基于情绪认知的人群疏散可视化方法 |
| CN112347626A (zh) * | 2020-10-28 | 2021-02-09 | 山东师范大学 | 一种人群疏散中恐慌情绪的最优化干预仿真方法及系统 |
| CN112347626B (zh) * | 2020-10-28 | 2022-10-11 | 山东师范大学 | 一种人群疏散中恐慌情绪的最优化干预仿真方法及系统 |
| CN112669186A (zh) * | 2020-12-31 | 2021-04-16 | 山东师范大学 | 人群疏散中积极情绪和消极情绪的最优化干预方法及系统 |
| CN112669186B (zh) * | 2020-12-31 | 2022-10-11 | 山东师范大学 | 人群疏散中积极情绪和消极情绪的最优化干预方法及系统 |
| CN113290567A (zh) * | 2021-04-19 | 2021-08-24 | 山东师范大学 | 基于群体情绪识别的人群疏散引导机器人 |
| CN113290567B (zh) * | 2021-04-19 | 2023-04-18 | 山东师范大学 | 基于群体情绪识别的人群疏散引导机器人 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460591A (zh) | 基于优化积极情绪感染的人群疏散仿真方法及装置 | |
| CN106789214B (zh) | 一种基于正余双弦算法的网络态势感知方法及装置 | |
| Patel et al. | A hybrid ACO/PSO based algorithm for QoS multicast routing problem | |
| Serrano et al. | A novel agent-based rumor spreading model in twitter | |
| CN106502799A (zh) | 一种基于长短时记忆网络的主机负载预测方法 | |
| Yong et al. | A novel bat algorithm based on cross boundary learning and uniform explosion strategy | |
| CN107256307B (zh) | 基于知识导航的人群疏散仿真方法及系统 | |
| Pavlenko et al. | Criterion of cyber-physical systems sustainability | |
| Barolli et al. | Complex, intelligent, and software intensive systems | |
| CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
| Shi et al. | Intervention optimization for crowd emotional contagion | |
| Cui et al. | An interpretation framework for autonomous vehicles decision-making via SHAP and RF | |
| Sun et al. | A complex network-based vaccination strategy for infectious diseases | |
| Liu et al. | DPRank centrality: finding important vertices based on random walks with a new defined transition matrix | |
| Dong | Dynamics and near-optimal control in a stochastic rumor propagation model incorporating media coverage and Lévy noise | |
| CN106127427A (zh) | 基于鼠疫传染病模型的多目标输送路径组合优化方法 | |
| CN104091123B (zh) | 一种社区网络的层次病毒免疫方法 | |
| CN115001978B (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
| CN106647411B (zh) | 信息物理融合系统CPS的Agent构造方法及装置 | |
| Huaihu et al. | Research on banking crisis contagion dynamics based on the complex network of system engineering | |
| Huo et al. | An improved artificial bee colony algorithm for numerical functions | |
| Rawther et al. | Cyber Attack Link Formation in a Network | |
| Zamli | A chaotic teaching learning based optimization algorithm for optimizing emergency flood evacuation routing | |
| Cheng et al. | An improved particle swarm optimization algorithm based on Cauchy operator and 3-opt for TSP | |
| Dong et al. | A study of evacuation model based on personnel vision change |
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: 20190312 |
|
| RJ01 | Rejection of invention patent application after publication |