CN110598307A - 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统 - Google Patents

一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统 Download PDF

Info

Publication number
CN110598307A
CN110598307A CN201910843019.5A CN201910843019A CN110598307A CN 110598307 A CN110598307 A CN 110598307A CN 201910843019 A CN201910843019 A CN 201910843019A CN 110598307 A CN110598307 A CN 110598307A
Authority
CN
China
Prior art keywords
wolf
evacuation
crowd
scene
parameter information
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
Application number
CN201910843019.5A
Other languages
English (en)
Inventor
刘弘
李信金
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 CN201910843019.5A priority Critical patent/CN110598307A/zh
Publication of CN110598307A publication Critical patent/CN110598307A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Abstract

本公开提供了一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统，获取实时真实场景数据，通过真实场景数据中的实时视频数据获取实时场景图和人群参数信息；根据实时场景图和人群参数信息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建立带人物的疏散场景模型，将人群参数信息作为预设疏散人群参数信息进行狼群初始化；利用狼群算法模拟人群疏散，根据带人物的疏散场景模型的出口拥挤度，计算狼群目标函数值，根据目标函数值函数选择最优出口；当最终出口的疏散人数等于总人数时疏散过程结束；本公开能够有效的识别拥挤度过高的疏散出口，指导人群进行疏散，从而实现了更高效的疏散，避免了过分拥堵。

Description

一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统
技术领域
本公开涉及人群疏散仿真领域，尤其涉及一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
随着人口数目持续增长，拥堵成为了生活中的常态。当在公共场所发生地震、火灾等自然灾害时，由于人群密集，缺乏安全意识以及对周围环境的不熟悉等因素，极易造成较大的人员伤亡，因此如何实现人员安全的快速的疏散成为当务之急。对于人流量大、人员构成复杂多变的公共场所，人们往往对环境不够了解，然而采用传统的疏散演练方法存在很大的局限性，如：复杂的个体运动导致试验过程无再现性、演习人员的安全无法得到有效的保障等，因此具有安全、重复、易于改变环境等优点的计算机仿真技术近年来逐渐应用到个体疏散理论的科学研究。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。因而国内外学者针对疏散问题开发出许多计算机模型和软件。狼群算法是基于狼群群体智能，模拟狼群捕食行为及其猎物分配方式，抽象出游走、召唤、围攻三种智能行为以及“胜者为王”的头狼产生规则，提出的一种新的群体智能算法。狼群算法自提出以来，已经在机器人路径规划，车辆调度等问题上得到了广泛应用，展示了其良好的搜索能力。
当意外情况发生时，人群疏散效率与疏散策略是否合理有很大关系。当疏散策略合理时，人群有序快速进行疏散，疏散效率高。我们从疏散视频中应该了解到，个体的疏散速度具有差异性，对周围环境熟悉的人疏散速度快，对周围环境不熟悉的人疏散速度慢，如果有熟悉环境的人能根据具体的拥堵情况动态的规划疏散路线与人群，那么疏散效率将会大大提升。同时，若仅让疏散者按照疏散路线自行疏散，在从众心理的影响下会导致大量人群向某个出口聚集，从而使疏散更加缓慢，甚至造成拥挤踩踏等事故。然而在现有技术的人群疏散仿真中对于如何更加高效有序的整体疏散人群，以及如何更加真实地再现现实生活中的人群疏散状态的问题，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，本公开提供了一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统，首先获取真实场景数据，追踪真实场景数据的视频中的人群得到人群参数信息，并初始化狼群，然后将头狼评定函数与拥挤检测相结合，在狼群围攻行为中若拥挤度过高，则通过比对其他探狼的拥挤度并产生新的头狼，即当某一出口产生拥堵现象时，将疏散人群向其他出口扩散，极大的提高了疏散的效率。
为了实现上述目的，本公开采用如下技术方案：
第一方面，本申请提供了一种基于狼群算法与拥挤检测的人群仿真疏散方法；
一种基于狼群算法与拥挤检测的人群仿真疏散方法，步骤如下：
获取实时真实场景数据，通过对真实场景数据中的实时视频数据进行检测，获取实时场景图和人群参数信息；
根据实时场景图和人群参数信息设置疏散场景参数信息，利用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建立带人物的疏散场景模型；
将人群参数信息作为预设疏散人群参数信息进行狼群初始化，利用狼群算法模拟人群疏散，根据带人物的疏散场景模型的出口拥挤度，计算狼群目标函数值，根据目标函数值函数选择最优出口；
当最终出口的疏散人数等于总人数时疏散过程结束。
作为可能的一些实现方式，利用Faster-RCNN目标检测方法和粒子滤波器对某出口疏散的行人进行检测跟踪，从所述实时视频数据中提取人群参数信息，在疏散场景每个出口处均安装CCD摄像机，对行人进行全方位的检测跟踪。
作为进一步的限定，获取视频数据后，首先利用卷积神经网络提取行人特征，获得人群中每个个人疏散运动的初始化坐标，用粒子滤波器进行跟踪，对于每个行人，根据当前帧和前一帧该行人的位置差异换算实际位移，根据所述实际位移和视频的拍摄帧频，获得行人速度与运动路径。
作为可能的一些实现方式，狼群初始化包括狼的类别、所在位置、游走步长、奔袭步长、围攻步长以及出口拥挤度。
进一步的，通过计算出口到达人数与疏散人数的比值获得带人物的疏散场景模型的出口拥挤度。
进一步的，在初始化时，狼的类别按照工作人员与游客进行划分的，工作人员为探狼，头狼诞生于探狼，初始位置是通过本公开所述的Faster-RCNN目标检测方法检测获得每个个人的初始坐标。
作为可能的一些实现方式，所述狼群算法包括探狼游走、头狼召唤和猛狼围攻；
在探狼游走过程中，探狼通过“由粗到细”的游走机制按照不同的步长搜索猎物，若当探狼到达某位置时目标函数值大于当前头狼的目标函数值，该探狼更新为头狼，同时向周围的猛狼发出召唤行为；若未发现，探狼继续游走直到达到最大游走次数，头狼在原本的位置发出召唤行为。
作为进一步的限定，探狼通过“由粗到细”的游走机制按照不同的步长搜索猎物具体为：在探狼i探索周围q个方向中，如果周围q个方向的函数值都大于探狼i的目标函数值，则在探狼i周围可能存在极小值，此时缩短搜索距离，再次探索周围q个方向，如果周围q个方向的函数值仍然都大于探狼i的目标函数值，则再次缩短搜索距离并探索周围q个方向。
作为更进一步的限定，当猛狼听到头狼召唤时以较大的步长快速向头狼聚集，若在途中猛狼的目标函数值大于当前头狼的目标函数值，该探狼更新为头狼，同时向周围的猛狼发出召唤行为；若未发现，猛狼将继续向头狼汇合直至进入围攻半径范围。
第二方面，本公开提供了一种基于狼群算法与拥挤检测的人群仿真疏散系统，包括：
数据预处理模块，被配置为：获取实时真实场景数据，通过对真实场景数据中的实时视频数据进行检测，获取实时场景图和人群参数信息；
模型构建模块，被配置为：根据实时场景图和人群参数信息设置疏散场景参数信息，根据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建立带人物的疏散场景模型；
数据数理模块，被配置为：将人群参数信息作为预设疏散人群参数信息进行狼群初始化，利用狼群算法模拟人群疏散，根据疏散场景模型的出口拥挤度，计算狼群目标函数值，根据目标函数值函数选择最优出口，当最终出口的疏散人数等于总人数时疏散过程结束。
第三方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开所述的基于狼群算法与拥挤检测的人群仿真疏散方法。
第四方面，本公开提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本公开所述的基于狼群算法与拥挤检测的人群仿真疏散方法。
与现有技术相比，本公开的有益效果是：
本公开将狼群算法与拥挤检测结合，利用狼群算法进行疏散规划，利用拥挤检测进行出口选择，两者共同完成复杂场景下的人群疏散仿真。
本公开考虑到实际疏散中人群的从众心理，将出口拥挤度作为选择疏散结点的重要指标，用拥挤检测获得出口疏散的真实情况，为疏散结点的选择提供依据，更大程度的提高了出口的利用率并且极大地避免了拥挤的产生，高了疏散效率。
本公开利用狼群算法模拟疏散过程，有较快的寻优速度和良好的全局寻优能力，通过引入对拥挤度的判断，狼群在选择头狼时除了要考虑位置还要考虑该猎物周围的拥挤情况；相对应于人群疏散中，行人在选择下一个位置时，考虑出口拥挤对疏散效率的影响，选择使目标函数得到最优值的行为，展现了一种高效的寻优方法。
附图说明
图1是本公开实施例1所述的人群仿真疏散方法的流程图。
图2是本公开实施例1所述的人群仿真疏散方法的疏散场景模型。
图3是本公开实施例1所述的人群仿真疏散方法中人群在场景中初始化随机分布示意图。
图4和图5是本公开实施例1所述的人群仿真疏散方法中人群按照规则疏散示意图。
图6是本公开实施例1所述的人群仿真疏散方法中人群疏散结束时刻示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行完整地描述。需要注意的是所描述的实施例仅仅是本公开一部分实施例，而并非全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
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公开的示例性实施方式。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1：
本公开实施例1提供了一种基于狼群算法与拥堵检测的人群仿真疏散方法，考虑到实际疏散中人群的从众心理，将拥挤程度作为出口选择的一个重要指标。狼群算法(WolfColony Algorithm，WCA)是2011年提出的一种群智能优化算法，现已实现在医学、三维传感器优化、人工神经网络、水利水电优化等众多领域上的应用，并获得优质的实验效果，使其成为目前比较流行、前景广阔的智能计算方法之一。
如图1所示，本公开实施例1提供了基于狼群算法与拥挤检测的人群仿真疏散方法，步骤如下：
(1)接收真实场景数据，通过对实时视频进行检测，获取人群实时参数信息。
获取指定区域的视频录像组成真实场景数据库，所述真实场景数据库包括若干真实场景视频信息，生成实时场景图，如图2所示，其中出口为当前可安全逃离的出口；
利用Faster-RCNN目标检测方法和粒子滤波器对某出口疏散的行人进行检测跟踪，从所述实时视频数据中提取人群参数信息，在疏散场景每个出口处均安装CCD摄像机，对行人进行全方位的检测跟踪。
获取视频数据后，首先利用卷积神经网络提取行人特征，获得人群中每个个人疏散运动的初始化坐标，用粒子滤波器进行跟踪，对于每个行人，根据当前帧和前一帧该行人的位置差异换算实际位移，根据所述实际位移和视频的拍摄帧频，获得行人速度与运动路径。
(2)根据预设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建立带人物的疏散场景模型。
设置疏散场景参数信息，创建疏散场景模型和狼群模型，所述疏散场景模型作为人群疏散的环境空间，并将狼群模型导入疏散场景模型中建立带人物的疏散场景模型，所述狼群模型作为疏散人群，如图3所示。
在创建的带人物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；
所述拥挤度为通过带人物的疏散场景模型出口的人的个数与相应出口疏散的人群个体数总值的比值。
(3)将人群参数信息作为预设疏散人群参数信息进行狼群初始化，利用狼群算法模拟人群疏散，包括探狼游走、头狼召唤、猛狼围攻行为，并根据出口拥挤度，计算狼群目标函数值，根据评价函数选择最优出口。
狼群初始化时，动态的获取人群中每个个人的空间位置与实时速度，分别计算人群中每个个人到达每一出口所需要时间，通过每个探狼(工作人员)到达每一出口所需要时间进行头狼的选择，选择到达任意一个出口的时间最短的探狼为头狼。
在狼群游走过程中探狼通过“由粗到细”的游走机制按照不同的步长搜索猎物(即拥挤度较低的出口)，若当探狼到达某位置时目标函数值小于当前头狼的目标函数值，该探狼更新为头狼，同时向周围的猛狼发出召唤行为；若未发现，探狼继续游走直到达到最大游走次数，头狼在原本的位置发出召唤行为。
狼群游走步长计算公式如下：
其中为游走步长，为奔袭步长，为攻击步长，d表示的是空间位置，maxd与mind指的是空间位置d的最大值与最小值，S为步长因子。
当猛狼听到头狼召唤时以较大的步长快速向头狼聚集，若在途中猛狼的目标函数值大于当前头狼的目标函数值，该头狼更新为头狼，同时向周围的猛狼发出召唤行为；若未发现，猛狼将继续向头狼汇合直至进入围攻范围(即出口附近)。
进入围攻范围内的探狼以及猛狼配合头狼对猎物进行围捕(即完成疏散)，围捕过程中若其他狼的目标函数值小于头狼的目标函数值，则该狼更新为头狼，同时向周围的猛狼发出召唤行为，直到捕获猎物，人群按照规则疏散如图4和5所示。
在狼群中头狼的产生由到猎物的距离与当前猎物周围的拥挤度共同决定，上述目标函数为：
在公式(1)中s(i)表示狼与猎物的距离；stepa(i)表示狼的游走速度；ESum表示到达猎物位置的狼群的数量；ESum'表示获得猎物的狼的数量；δ和γ表示权重系数，并且δ+γ＝1。
选择目标函数最小的行为执行狼群的汇合。
执行探狼游走、头狼召唤、猛狼围攻的公式为：
1)游走行为
除头狼外最佳的S_sum匹人工狼视为探狼，S_sum随机取[n/α+1，n/α]之间的整数，α为探狼比例因子。
计算探狼的目标函数值W(i)，如果大于头狼目标函数值，则该探狼更新为头狼，即Wlead＝W(i)，同时向周围的猛狼发出召唤行为；若Wlead>W(i)，则继续展开游走，在原始算法中探狼采取贪婪式游走策略，即探狼始终朝向比当前位置更优的方向前进，容易发生贪婪过度而陷入局部最优的位置从而无法继续开辟探索空间，降低了算法的全局搜索能力。
因此本实施例对原始算法进行了优化，探狼按照“由粗到细”的游走机制展开游走，其基本思想如下：在探狼i探索周围q个方向中，如果周围q个方向的函数值都大于探狼i的目标函数值，则在探狼i周围可能存在极小值，此时缩短搜索距离，再次探索周围q个方向，如果周围q个方向的函数值仍然都大于探狼i的目标函数值，则再次缩短搜索距离并探索周围q个方向。游走公式如下：
其中k为迭代次数(k＝1,2,3……，kmax)；p为方向；η∈(-0.5,0.5)；ω∈(0，p/q)；q∈(3,8)且为整数；(1-k/kmax+η)为相位因子，改善了探狼搜索的灵活性、随机性、遍历性。
2)召唤行为
头狼召集猛狼向自己所在位置迅速靠拢，猛狼以相对较大的奔袭步长快速逼近头狼所在位置。但是狼群算法在运行前期收敛速度较快，而后期收敛速度明显下降，这是因为猛狼的围攻行为是在围攻区域内进行的，而围攻区域由判定距离限定，随着猛狼围攻行为的不断更新判定距离也在动态变化。因此在本实施例中取消了判定距离，而采用围攻半径SR，计算公式如下：
其中β为狼群更新比例因子，SL为距离头狼最近的狼的数量，D为维度总数，N为狼的总数，wL为距离头狼最近的SL只狼的空间位置，η为距离判定因子。
3)围攻行为
在围攻过程中需要对狼的空间位置进行更新，计算公式如下：
其中Ld m为第m代头狼在d个空间位置的坐标位置；μ∈(0,2)。
经过奔袭的猛狼距离猎物较近，此时需要对猎物进行围攻。在狼群算法中将头狼的位置视为猎物移动的位置。具体地，对于第k代狼群，设猎物的位置为Lk，则狼群的围攻行为如下：
wi(m+1)＝wi(m)+λ·(Stepc)·|Lk-wi(m)|
其中λ∈[0,1]的随机数；stepc为狼群的攻击步长。
(4)当最终出口的疏散人数等于总人数时疏散过程结束，即当从最终出口出来的人数等于总人数时结束，如图6所示。
实施例2：
本公开实施例2提供了一种基于狼群算法与拥挤检测的人群仿真疏散系统，包括：
数据预处理模块，被配置为：获取实时真实场景数据，通过对真实场景数据中的实时视频数据进行检测，获取实时场景图和人群参数信息；
模型构建模块，被配置为：根据实时场景图和人群参数信息设置疏散场景参数信息，根据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建立带人物的疏散场景模型；
数据数理模块，被配置为：将人群参数信息作为预设疏散人群参数信息进行狼群初始化，利用狼群算法模拟人群疏散，根据疏散场景模型的出口拥挤度，计算狼群目标函数值，根据目标函数值函数选择最优出口，当最终出口的疏散人数等于总人数时疏散过程结束。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例1所述的基于狼群算法与拥挤检测的人群仿真疏散方法。
本实施例所述计算机可读存储介质应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开实施例1中的任一方法。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本公开实施例1所述的基于狼群算法与拥挤检测的人群仿真疏散方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于狼群算法与拥挤检测的人群仿真疏散方法，其特征在于，步骤如下：
获取实时真实场景数据，通过对真实场景数据中的实时视频数据进行检测，获取实时场景图和人群参数信息；
根据实时场景图和人群参数信息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以建立带有人物的疏散场景模型；
将人群参数信息作为预设疏散人群参数信息进行狼群初始化，利用狼群算法模拟人群疏散，根据带有人物的疏散场景模型的出口拥挤度，计算狼群目标函数值，根据目标函数值函数选择最优出口；
当最终出口的疏散人数等于总人数时疏散过程结束。
2.如权利要求1所述的基于狼群算法与拥挤检测的人群仿真疏散方法，其特征在于，利用Faster-RCNN目标检测方法和粒子滤波器对某出口疏散的行人进行检测跟踪以获得人群参数信息，所述人群参数信息包括人群疏散运动每个个人的初始化坐标、初始速度和运动路径。
3.如权利要求2所述的基于狼群算法与拥挤检测的人群仿真疏散方法，其特征在于，利用卷积神经网络提取行人特征，获得人群中每个个人疏散运动的初始化坐标，用粒子滤波器进行跟踪，对于每个行人，根据当前帧和前一帧该行人的位置差异换算实际位移，根据所述实际位移和视频的拍摄帧频，获得行人速度与运动路径。
4.如权利要求1所述的基于狼群算法与拥挤检测的人群仿真疏散方法，其特征在于：狼群初始化包括：狼的类别、所在位置、游走步长、奔袭步长、围攻步长以及出口拥挤度；
进一步的，获取通道出口处视频数据，通过计算到达人数与疏散人数的比值获得带人物的疏散场景模型的出口拥挤度；
进一步的，所述狼的类别按照工作人员与游客进行划分的，工作人员为探狼，头狼诞生于探狼；
进一步的，分别计算人群中每个个人到达每一出口所需要时间，以每个工作人员到达每一出口所需要时间进行头狼的选择。
5.如权利要求1所述的基于狼群算法与拥挤检测的人群仿真疏散方法，其特征在于，所述狼群算法包括探狼游走、头狼召唤和猛狼围攻；
在探狼游走过程中，探狼通过“由粗到细”的游走机制按照不同的步长搜索猎物，若当探狼到达某位置时目标函数值大于当前头狼的目标函数值，该探狼更新为头狼，同时向周围的猛狼发出召唤行为；若未发现，探狼继续游走直到达到最大游走次数，头狼在原本的位置发出召唤行为。
6.如权利要求5所述的基于狼群算法与拥挤检测的人群仿真疏散方法，其特征在于，探狼通过“由粗到细”的游走机制按照不同的步长搜索猎物具体为：在探狼i探索周围q个方向中，如果周围q个方向的函数值都大于探狼i的目标函数值，则在探狼i周围可能存在极小值，此时缩短搜索距离，再次探索周围q个方向，如果周围q个方向的函数值仍然都大于探狼i的目标函数值，则再次缩短搜索距离并探索周围q个方向。
7.如权利要求6所述的基于狼群算法与拥挤检测的人群仿真疏散方法，其特征在于，当猛狼听到头狼召唤时以较大的步长快速向头狼聚集，若在途中猛狼的目标函数值大于当前头狼的目标函数值，该探狼更新为头狼，同时向周围的猛狼发出召唤行为；若未发现，猛狼将继续向头狼汇合直至进入围攻半径范围。
8.一种基于狼群算法与拥挤检测的人群仿真疏散系统，其特征在于，包括：
数据预处理模块，被配置为：获取实时真实场景数据，通过对真实场景数据中的实时视频数据进行检测，获取实时场景图和人群参数信息；
模型构建模块，被配置为：根据实时场景图和人群参数信息设置疏散场景参数信息，根据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建立带人物的疏散场景模型；
数据数理模块，被配置为：将人群参数信息作为预设疏散人群参数信息进行狼群初始化，利用狼群算法模拟人群疏散，根据带人物的疏散场景模型的出口拥挤度，计算狼群目标函数值，根据目标函数值函数选择最优出口，当最终出口的疏散人数等于总人数时疏散过程结束。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于狼群算法与拥挤检测的人群仿真疏散方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于狼群算法与拥挤检测的人群仿真疏散方法。
CN201910843019.5A 2019-09-06 2019-09-06 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统 Pending CN110598307A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910843019.5A CN110598307A (zh) 2019-09-06 2019-09-06 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910843019.5A CN110598307A (zh) 2019-09-06 2019-09-06 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统

Publications (1)

Publication Number Publication Date
CN110598307A true CN110598307A (zh) 2019-12-20

Family

ID=68858026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910843019.5A Pending CN110598307A (zh) 2019-09-06 2019-09-06 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统

Country Status (1)

Country Link
CN (1) CN110598307A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580308A (zh) * 2022-05-07 2022-06-03 西南交通大学 一种人员疏散时间预测方法、装置、存储介质及终端设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580308A (zh) * 2022-05-07 2022-06-03 西南交通大学 一种人员疏散时间预测方法、装置、存储介质及终端设备

Similar Documents

Publication Publication Date Title
Sedighizadeh et al. Particle swarm optimization methods, taxonomy and applications
CN110737968B (zh) 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统
CN103679264B (zh) 基于人工鱼群算法的人群疏散路径规划方法
CN109271683B (zh) 一种面向日照约束的建筑群自动排布算法
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
Sarmady et al. Modeling groups of pedestrians in least effort crowd movements using cellular automata
Zhong et al. Density-based evolutionary framework for crowd model calibration
CN111158401A (zh) 一种分布式鼓励时空数据探索的无人机路径规划系统及方法
CN109242183B (zh) 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置
CN110210462A (zh) 一种基于卷积神经网络的仿生海马认知地图构建方法
CN115775085B (zh) 一种基于数字孪生的智慧城市管理方法及系统
Niese et al. Procedural urban forestry
CN109117791A (zh) 一种基于膨胀卷积的人群密度图生成方法
CN109657147A (zh) 基于萤火虫和加权极限学习机的微博异常用户检测方法
Liu et al. Robot search path planning method based on prioritized deep reinforcement learning
CN110598307A (zh) 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统
CN110956684A (zh) 基于残差网络的人群运动疏散仿真方法及系统
Li et al. Multi-mechanism swarm optimization for multi-UAV task assignment and path planning in transmission line inspection under multi-wind field
Chen et al. A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification
Zeng et al. Real-time traffic signal control with dynamic evolutionary computation
CN108629121B (zh) 基于避免恐怖谷效应的虚拟现实人群仿真方法和系统
Lau Optimal search in structured environments
CN111046562A (zh) 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
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
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220