CN111400963A - 基于鸡群算法和社会力模型的人群疏散仿真方法及系统 - Google Patents

基于鸡群算法和社会力模型的人群疏散仿真方法及系统 Download PDF

Info

Publication number
CN111400963A
CN111400963A CN202010143026.7A CN202010143026A CN111400963A CN 111400963 A CN111400963 A CN 111400963A CN 202010143026 A CN202010143026 A CN 202010143026A CN 111400963 A CN111400963 A CN 111400963A
Authority
CN
China
Prior art keywords
subgroup
evacuation
leader
crowd
hen
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
CN202010143026.7A
Other languages
English (en)
Other versions
CN111400963B (zh
Inventor
刘弘
张桂娟
陆佃杰
吕蕾
吕晨
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 CN202010143026.7A priority Critical patent/CN111400963B/zh
Publication of CN111400963A publication Critical patent/CN111400963A/zh
Application granted granted Critical
Publication of CN111400963B publication Critical patent/CN111400963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了一种基于鸡群算法和社会力模型的人群疏散仿真方法及系统，包括获取疏散场景参数特征，创建疏散场景模型，在疏散场景模型中，进行全局路径规划，得到疏散场景的出口数量；根据出口数量，对疏散场景模型内的人群采用鸡群算法进行分组，得到各群组的引领者、子群引领者以及子群跟随者；根据各群组中个体的角色，采用相应的社会力模型动态规划个体的运动路径，进行人群疏散仿真。针对人群疏散中的小群体现象，采用鸡群算法对疏散人群分类，并且对分类后的人群采用不同的社会力模型进行疏散；真实的反映疏散人群的各种关系，并在引领者的引领下进行疏散，提高疏散效率。

Description

基于鸡群算法和社会力模型的人群疏散仿真方法及系统
技术领域
本公开涉及疏散仿真技术领域，特别是涉及一种基于鸡群算法和社会力模型的人群疏散仿真方法及系统。
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信息，不必然构成在先技术。
近年来，随着社会经济的高速发展，各种聚集了大量人群的大型公共活动不断增多，在一些人员密集的公共建筑场所内，由于在建筑设计上的不合理，以及应急管理方面的不到位，当发生各种紧急突发事件，人员需要紧急撤离时，容易造成疏散人群的拥挤和阻塞，甚至发生严重的人员踩踏事故。
突发事件下的人群疏散是一项复杂的系统工程，在实际应用中通常使用疏散实验的方式获取合适的疏散预案。该方式具有针对性强、信息量丰富等特点。然而，由于存在人员安全无法保障、实验投入大等不可避免的问题，计算机仿真成为研究突发事件下人群疏散的最有效的方法。
鸡群算法(chicken swarm optimization，CSO)是一个新兴的群智能算法，2014年由中国学者孟献兵通过模拟鸡群中等级制度和群体觅食行为而提出。在一个鸡群中公鸡、母鸡、小鸡有着不同的等级和职责：公鸡属于鸡群最高等级，它的职责是领导鸡群寻找食物和抵御入侵者；母鸡处于鸡群的中间等级，它的职责一般是追随公鸡并保护小鸡；小鸡处于鸡群的最低等级，它的职责主要是跟着鸡妈妈去觅食。
利用计算机仿真人群疏散问题需要考虑到众多影响群体运动的因素，根据社会心理学的观点，群体可以分为具有不同特征的小群体。在公共场所内，人群中的行为簇现象会更加明显，而行人的聚集也会造成小群体，这些特征不论在模型搭建还是仿真模拟时都需要加以考虑。小群体可分为两类：第一类小群体从人群进入建筑物时就形成，成员一般由家人、情侣和朋友等组成，这类小群体成员少、内部联系紧密，定义为紧密型小团体；第二类小群体在逃生时形成，成员一般由对附近环境熟悉的人员吸引周围的人聚集成了小群体一起逃生，这类小群体成员多、内部联系不紧密，定义为逃生型小团体。
在现有技术的人群疏散仿真中，据发明人了解，在人群疏散仿真的真实性问题上，如何真实反映人群分组行为以优化疏散过程，以及如何提高疏散效率，尚缺乏有效的解决方案。
发明内容
为了解决上述问题，本公开提出了一种基于鸡群算法和社会力模型的人群疏散仿真方法及系统，针对人群疏散中的小群体现象，采用鸡群算法对疏散人群分类，并且对分类后的人群采用不同的社会力模型进行疏散；真实的反映疏散人群的各种关系，并在引领者的引领下进行疏散，提高疏散效率。
为了实现上述目的，本公开采用如下技术方案：
第一方面，本公开提供一种基于鸡群算法和社会力模型的人群疏散仿真方法，包括：
获取疏散场景参数，创建疏散场景模型，在疏散场景模型中，进行全局路径规划，得到疏散场景的出口数量；
根据出口数量，对疏散场景模型内的人群采用鸡群算法进行分组，得到各群组的引领者、子群引领者以及子群跟随者；
根据各群组中个体的角色，采用相应的社会力模型动态规划个体的运动路径，进行人群疏散仿真。
第二方面，本公开提供一种基于鸡群算法和社会力模型的人群疏散仿真系统，包括：
疏散建模模块，被配置为获取疏散场景参数，创建疏散场景模型，在疏散场景模型中，进行全局路径规划，得到疏散场景的出口数量；
分组模块，被配置为根据出口数量，对疏散场景模型内的人群采用鸡群算法进行分组，得到各群组的引领者、子群引领者以及子群跟随者；
路径规划模块，被配置为根据各群组中个体的角色，采用相应的社会力模型动态规划个体的运动路径，进行人群疏散仿真。
第三方面，本公开提供一种电子设备，包括存储器和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，完成一种基于鸡群算法和社会力模型的人群疏散仿真方法所述的步骤。
第四方面，本公开提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于鸡群算法和社会力模型的人群疏散仿真方法所述的步骤。
与现有技术相比，本公开的有益效果为：
(1)本公开考虑突发事件下有亲情关系的紧密型小群体和自发形成的逃生型小群体现象，采用鸡群算法对疏散人群分类，真实反映人群分组行为，使人群疏散仿真方法更贴近真实的疏散场景。
(2)本公开把人群分类为群组引领者，子群引领者以及跟随者，执行不同的社会力模型进行疏散，避免碰撞，测算真实的疏散时间，提高疏散效率，为疏散管理决策提供支持。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于鸡群算法和社会力模型的人群疏散仿真方法的流程示意图。
具体实施方式：
下面结合附图与实施例对本公开做进一步说明。
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。
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
鸡群算法CSO是一个新兴的群智能算法，2014年由中国学者孟献兵通过模拟鸡群中等级制度和群体觅食行为而提出。
在一个鸡群中公鸡、母鸡、小鸡有着不同的等级和职责：公鸡属于鸡群最高等级，它的职责是领导鸡群寻找食物和抵御入侵者；母鸡处于鸡群的中间等级，它的职责一般是追随公鸡并保护小鸡；小鸡处于鸡群的最低等级，它的职责主要是跟着鸡妈妈去觅食。鸡群算法的主要包括：
(1)一个大的鸡群由若干个群组鸡群构成的，一个群组鸡群包括一只公鸡、若干母鸡和小鸡。
(2)根据适应度函数值的好坏来划分鸡群中的个体是属于公鸡、母鸡还是小鸡。鸡群中适应度值好的若干个体当做公鸡，若干小鸡适应度值最差，剩余的个体当做母鸡。母鸡想要追随的公鸡及母鸡、小鸡的关系都是随机确立的。
(3)鸡群中的等级制度、领导关系、小鸡和母鸡的母子关系建立完成后，将维持数代，数代以后更新。
(4)每一个群组中的公鸡引领母鸡子群去寻找食物，其他个体围绕着公鸡觅食同时防止自己的食物被抢，小鸡在鸡妈妈身边觅食，鸡群中优势个体优先找到食物。
社会力模型是Dirk Helbing根据人群行为特征，以牛顿力学为基础建立的。社会力是指一个人运动时受到所处环境(包括环境中的人和物)对其施加的力，依据行人不同的动机和在环境中受到的影响，共有四种作用力的影响：自身驱动力、人和人之间的作用力、人和障碍物之间的作用力以及扰动力。这些力的合力作用于行人，产生一个加速度。在整个个体行走过程中，以及个体和个体之间始终存在一定的力的作用。例如，驱动力会引导个体朝目标方向前进；在个体身体接触之前，人和人之间的作用力使人群中的个体避免相互碰撞；人和环境之间的作用力使人群中的个体避免与障碍物碰撞。
本实施例提供了基于鸡群算法和社会力模型的人群疏散仿真方法。本实施例针对人群疏散中的小群体现象，采用鸡群算法对疏散人群分类，并且对分类后的人群采用不同的社会力模型进行疏散，提出一种基于鸡群算法和社会力模型的人群疏散仿真方法；
如图1所示，该方法包括：
S1：获取疏散场景参数，创建疏散场景模型，在疏散场景模型中，进行全局路径规划，得到疏散场景的出口数量；
S2：根据出口数量，对疏散场景模型内的人群采用鸡群算法进行分组，得到各群组的引领者、子群引领者以及子群跟随者；
S3：根据各群组中个体的角色，采用相应的社会力模型动态规划个体的运动路径，进行人群疏散仿真。
所述步骤S1中，疏散场景参数包括疏散场景大小、形状以及建筑结构信息。在本实施例中，通过疏散场景大小、形状以及建筑结构信息进行提取疏散场景的特征，构建疏散场景的三维模型；
根据疏散场景的三维模型对疏散场景进行全局路径规划，计算疏散场景中所有出入口的全局路径，得到出口数量。
所述步骤S2中，执行鸡群算法，对疏散场景内的人群进行划分：
(1)引领者的筛选过程包括：根据个体对疏散场景的熟悉度及距离出口的位置构建适应度函数，对求解出的适应度值排序，选择前N个个体作为引领者。
适应度函数定义为：
Figure BDA0002399747630000071
其中，w1和w2分别是个体对环境的熟悉程度的权重和距离出口的位置的权重值，w1+w2＝1。在本实施例中，设w1＝0.5，w2＝0.5。k(xi)是个体xi对场景的熟悉程度,d(xij)是个体xi距离出口j的位置。
将待疏散个体按适应度值进行排序，选适应度值排序高的N个个体作为引领者(公鸡)；N与疏散场景的大小及出口数有关，一般不小于出口数E*3。
(2)子群引领者的筛选过程包括：根据亲情关系划分子群，根据子群中个体的年龄、性别和身体强壮值构建适应度函数，选择适应度值最高的个体作为子群引领者。
适应度值函数定义为：
fit(xi)＝w1×Age(xi)+w2×Sex(xi)+w3×Robust(xi) (2)
其中：Age(xi)是个体xi的年龄，按年龄段划分为4段：
Figure BDA0002399747630000072
Sex(xi)是个体xi的性别，在本实施例中，男性为1，女性为0.5；
Robust(xi)身体强壮值，按强壮程度从高往低取值为{1.0，0.8，0.6，0.4，0.2，0.0}；
w1、w2和w3分别是个体的年龄、性别及身体强壮程度的权重值；在本实施例中，设w1＝0.3，w2＝0.3，w3＝0.4；
将子群内待疏散个体按适应度值进行排序，选适应度值最高的个体作为子群引领者(母鸡)。
(3)子群跟随者按亲情关系和位置归并到各个子群中；与子群引领者(母鸡)有亲情关系的个体(小鸡)，归并到其引领的子群中，其余的个体(小鸡)按与周边子群引领者(母鸡)的位置计算，归并到距离最近的子群中；
若子群中和子群引领者(母鸡)没有亲情关系的，则在跟随一段时间后，动态调整所跟随的子群。
所述步骤S3中，在疏散人群中有三种角色，即引领者、子群引领者和子群跟随者，针对三种不同的角色，保持群组中的个体跟随引领者向出口移动，采用不同的社会力模型计算在仿真过程中个体的运动方向；群组引领者(公鸡)以疏散出口作为目标，子群引领者(母鸡)以本群组的引领者作为目标，其余个体(小鸡)以子群引领者(母鸡)作为目标。
(1)原始的社会力模型表达式如下：
Figure BDA0002399747630000081
式中，mi为行人i的质量，
Figure BDA0002399747630000082
表示行人i当前的速度；公式(3)表示行人i的运动受到自身驱动力
Figure BDA0002399747630000083
行人i与其他行人j之间的作用力
Figure BDA0002399747630000084
行人i与障碍物w之间作用力
Figure BDA0002399747630000085
以及扰动力
Figure BDA0002399747630000086
这四种力的影响。
其中，行人i的自身驱动力为：
Figure BDA0002399747630000087
在移动的过程中，行人i会不断调整自己当前的实际速度
Figure BDA0002399747630000091
期望以最大速率
Figure BDA0002399747630000092
向着目的地移动；τi是行人i的反应时间，
Figure BDA0002399747630000093
是目的地所在的方向。
其中：
Figure BDA0002399747630000094
Figure BDA0002399747630000095
群组引领者(公鸡)采用原始的社会力模型，即采用公式(3)；自驱动力以出口做为目标，即采用公式(4)。
(2)第k个群组中第i个子群引领者(母鸡)Henki对应的社会力模型为：
Figure BDA0002399747630000096
子群引领者(母鸡)Henki自驱动力公式为：
Figure BDA0002399747630000097
其中，自驱动力以母鸡Henki所在的第k个群组引领者Cockk(公鸡)的位置作为目标，
Figure BDA0002399747630000098
是群组引领者Cockk(公鸡)所在的方向，
Figure BDA0002399747630000099
是最大速率，
Figure BDA00023997476300000910
是子群引领者Henki的反应时间；
Figure BDA00023997476300000911
是子群引领者Henki与其他个体j之间的作用力，
Figure BDA00023997476300000912
是子群引领者Henki与障碍物w之间的作用力，
Figure BDA00023997476300000913
是扰动力，
Figure BDA00023997476300000914
是子群引领者Henki的质量，
Figure BDA00023997476300000915
是子群引领者Henki当前的速度。
(3)第i个子群引领者(母鸡)Henki的子群跟随者(小鸡)Chickkil对应的社会力模型为：
Figure BDA0002399747630000101
子群跟随者Chickkil(小鸡)的自驱动力公式为：
Figure BDA0002399747630000102
其中，自驱动力以子群跟随者Chickkil(小鸡)所在的第i个子群引领者Henki(母鸡)的位置作为目标，
Figure BDA0002399747630000103
是子群引领者Henki(母鸡)所在的方向，
Figure BDA0002399747630000104
是最大速率，
Figure BDA00023997476300001010
是子群跟随者Chickkil的反应时间；
Figure BDA0002399747630000105
是子群跟随者Chickkil与其他个体j之间的作用力，
Figure BDA0002399747630000106
是子群跟随者Chickkil与障碍物w之间的作用力，
Figure BDA0002399747630000107
是扰动力，
Figure BDA0002399747630000108
是子群跟随者Chickkil的质量，
Figure BDA0002399747630000109
是子群跟随者Chickkil当前的速度。
在本实施例中，仿真的过程中，实时更新同组中个体的角色及运动速度，以保持整个群组行进的一致性，实现疏散人群的行为仿真。
在其他实施例中，还提供：
一种基于鸡群算法和社会力模型的人群疏散仿真系统，包括：
疏散建模模块，被配置为获取疏散场景参数特征，创建疏散场景模型，在疏散场景模型中，进行全局路径规划，得到疏散场景的出口数量；
分组模块，被配置为根据出口数量，对疏散场景模型内的人群采用鸡群算法进行分组，得到各群组的引领者、子群引领者以及子群跟随者；
路径规划模块，被配置为根据各群组中个体的角色，采用相应的社会力模型动态规划个体的运动路径，进行人群疏散仿真。
一种电子设备，包括存储器和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，完成一种基于鸡群算法和社会力模型的人群疏散仿真方法所述的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于鸡群算法和社会力模型的人群疏散仿真方法所述的步骤。
在以上实施例中，针对人群疏散中的小群体现象，采用鸡群算法对疏散人群分类，并且对分类后的人群采用不同的社会力模型进行疏散；真实的反映疏散人群的各种关系，并在引领者的引领下进行疏散，提高疏散效率。
以上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。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开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公开的保护范围以内。

Claims (10)

1.一种基于鸡群算法和社会力模型的人群疏散仿真方法，其特征在于，包括：
获取疏散场景参数，创建疏散场景模型，在疏散场景模型中，进行全局路径规划，得到疏散场景的出口数量；
根据出口数量，对疏散场景模型内的人群采用鸡群算法进行分组，得到各群组的引领者、子群引领者以及子群跟随者；
根据各群组中个体的角色，采用相应的社会力模型动态规划个体的运动路径，进行人群疏散仿真。
2.如权利要求1所述的基于鸡群算法和社会力模型的人群疏散仿真方法，其特征在于，所述疏散场景参数特征包括疏散场景大小、形状以及建筑结构信息。
3.如权利要求1所述的基于鸡群算法和社会力模型的人群疏散仿真方法，其特征在于，所述引领者的筛选过程包括：根据个体对疏散场景的熟悉度及距离出口的位置构建适应度函数，对求解出的适应度值排序，选择前N个个体作为引领者；
进一步的，引领者个数N不小于疏散场景出口数量的3倍。
4.如权利要求1所述的基于鸡群算法和社会力模型的人群疏散仿真方法，其特征在于，所述子群引领者的筛选过程包括：根据亲情关系划分子群，根据子群中个体的年龄、性别和身体强壮值构建适应度函数，选择适应度值最高的个体作为子群引领者。
5.如权利要求1所述的基于鸡群算法和社会力模型的人群疏散仿真方法，其特征在于，子群跟随者根据与子群引领者的亲情关系和距离划分到各个子群中；
进一步的，子群跟随者和子群引领者没有亲情关系的，首先根据与子群引领者的距离划分到各个子群中，跟随t时间段后，动态调整所跟随子群。
6.如权利要求1所述的基于鸡群算法和社会力模型的人群疏散仿真方法，其特征在于，引领者以疏散出口为目标，子群引领者以所在群组的引领者为目标，子群跟随者以所在子群的子群引领者为目标。
7.如权利要求1所述的基于鸡群算法和社会力模型的人群疏散仿真方法，其特征在于，第k个群组中第i个子群引领者Henki对应的社会力模型为：
Figure FDA0002399747620000021
子群引领者Henki自驱动力
Figure FDA0002399747620000022
为：
Figure FDA0002399747620000023
其中，自驱动力以子群引领者Henki所在的第k个群组引领者Cockk的位置作为目标，
Figure FDA0002399747620000024
是群组引领者Cockk所在的方向，
Figure FDA0002399747620000025
是最大速率，
Figure FDA0002399747620000026
是子群引领者Henki的反应时间；
Figure FDA0002399747620000027
是子群引领者Henki与其他个体j之间的作用力，
Figure FDA0002399747620000028
是子群引领者Henki与障碍物w之间的作用力，
Figure FDA0002399747620000029
是扰动力，
Figure FDA00023997476200000210
是子群引领者Henki的质量，
Figure FDA00023997476200000211
是子群引领者Henki当前的速度；
进一步的，第i个子群引领者Henki的子群跟随者Chickkil对应的社会力模型为：
Figure FDA0002399747620000031
子群跟随者Chickkil的自驱动力为：
Figure FDA0002399747620000032
其中，自驱动力以子群跟随者Chickkil所在的第i个子群引领者Henki的位置作为目标，
Figure FDA0002399747620000033
是子群引领者Henki所在的方向，
Figure FDA0002399747620000034
是最大速率，
Figure FDA0002399747620000035
是子群跟随者Chickkil的反应时间；
Figure FDA0002399747620000036
是子群跟随者Chickkil与其他个体j之间的作用力，
Figure FDA0002399747620000037
是子群跟随者Chickkil与障碍物w之间的作用力，
Figure FDA0002399747620000038
是扰动力，
Figure FDA0002399747620000039
是子群跟随者Chickkil的质量，
Figure FDA00023997476200000310
是子群跟随者Chickkil当前的速度。
8.一种基于鸡群算法和社会力模型的人群疏散仿真系统，其特征在于，包括：
疏散建模模块，被配置为获取疏散场景参数，创建疏散场景模型，在疏散场景模型中，进行全局路径规划，得到疏散场景的出口数量；
分组模块，被配置为根据出口数量，对疏散场景模型内的人群采用鸡群算法进行分组，得到各群组的引领者、子群引领者以及子群跟随者；
路径规划模块，被配置为根据各群组中个体的角色，采用相应的社会力模型动态规划个体的运动路径，进行人群疏散仿真。
9.一种电子设备，其特征在于，包括存储器和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，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
CN202010143026.7A 2020-03-04 2020-03-04 基于鸡群算法和社会力模型的人群疏散仿真方法及系统 Active CN111400963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010143026.7A CN111400963B (zh) 2020-03-04 2020-03-04 基于鸡群算法和社会力模型的人群疏散仿真方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010143026.7A CN111400963B (zh) 2020-03-04 2020-03-04 基于鸡群算法和社会力模型的人群疏散仿真方法及系统

Publications (2)

Publication Number Publication Date
CN111400963A true CN111400963A (zh) 2020-07-10
CN111400963B CN111400963B (zh) 2023-04-18

Family

ID=71430531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010143026.7A Active CN111400963B (zh) 2020-03-04 2020-03-04 基于鸡群算法和社会力模型的人群疏散仿真方法及系统

Country Status (1)

Country Link
CN (1) CN111400963B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114332170A (zh) * 2021-12-24 2022-04-12 哈尔滨商业大学 新基建现场安全监测系统
CN117475115A (zh) * 2023-11-11 2024-01-30 华中师范大学 虚实融合环境中路径引导系统及其工作方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120174006A1 (en) * 2010-07-02 2012-07-05 Scenemachine, Llc System, method, apparatus and computer program for generating and modeling a scene
CN104361178A (zh) * 2014-11-20 2015-02-18 湖北工业大学 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
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
CN105740514A (zh) * 2016-01-22 2016-07-06 山东师范大学 一种大规模人群疏散计算机仿真系统及其方法
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
CN108491598A (zh) * 2018-03-09 2018-09-04 山东师范大学 一种基于路径规划的人群疏散仿真方法及系统
CN110197278A (zh) * 2019-06-04 2019-09-03 西华大学 基于改进鸡群算法优化bp神经网络的空气质量预测方法
CN110543975A (zh) * 2019-08-13 2019-12-06 同济大学 一种基于群智能算法和疏散熵的人群疏散路径优化方法
CN110795833A (zh) * 2019-10-15 2020-02-14 山东师范大学 基于猫群算法的人群疏散仿真方法、系统、介质及设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120174006A1 (en) * 2010-07-02 2012-07-05 Scenemachine, Llc System, method, apparatus and computer program for generating and modeling a scene
CN104361178A (zh) * 2014-11-20 2015-02-18 湖北工业大学 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
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
CN105740514A (zh) * 2016-01-22 2016-07-06 山东师范大学 一种大规模人群疏散计算机仿真系统及其方法
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
CN108491598A (zh) * 2018-03-09 2018-09-04 山东师范大学 一种基于路径规划的人群疏散仿真方法及系统
CN110197278A (zh) * 2019-06-04 2019-09-03 西华大学 基于改进鸡群算法优化bp神经网络的空气质量预测方法
CN110543975A (zh) * 2019-08-13 2019-12-06 同济大学 一种基于群智能算法和疏散熵的人群疏散路径优化方法
CN110795833A (zh) * 2019-10-15 2020-02-14 山东师范大学 基于猫群算法的人群疏散仿真方法、系统、介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUIJUAN ZHANG: "IoT-Based Positive Emotional Contagion for Crowd Evacuation" *
莫乐群: "城市密集人群疏散算法设计研究" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114332170A (zh) * 2021-12-24 2022-04-12 哈尔滨商业大学 新基建现场安全监测系统
CN114332170B (zh) * 2021-12-24 2022-11-18 哈尔滨商业大学 新基建现场安全监测系统
CN117475115A (zh) * 2023-11-11 2024-01-30 华中师范大学 虚实融合环境中路径引导系统及其工作方法

Also Published As

Publication number Publication date
CN111400963B (zh) 2023-04-18

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
Qiu et al. Modeling group structures in pedestrian crowd simulation
CN106227958B (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
Pelechano et al. Modeling crowd and trained leader behavior during building evacuation
CN111400963B (zh) 基于鸡群算法和社会力模型的人群疏散仿真方法及系统
Qingge et al. Simulating crowd evacuation with a leader-follower model
CN111400914A (zh) 一种基于视域的人群分组及人群疏散仿真系统及方法
Putra et al. Markerless human activity recognition method based on deep neural network model using multiple cameras
Karthikeyan et al. A hybrid clustering approach using artificial bee colony (ABC) and particle swarm optimization
Ezatzadeh et al. A human fall detection framework based on multi-camera fusion
CN107016358A (zh) 中等密度场景小群体实时检测方法
CN112000070A (zh) 一种异构集群协同运动规划方法
Sanghvi et al. Mgpi: A computational model of multiagent group perception and interaction
Sakellariou et al. Crowd formal modelling and simulation: The sa'yee ritual
Çetinkaya et al. Performance Comparison of Most Recently Proposed Evolutionary, Swarm Intelligence, and Physics‐Based Metaheuristic Algorithms for Retinal Vessel Segmentation
Sun et al. Neural network model for predicting variation in walking dynamics of pedestrians in social groups
CN114065614A (zh) 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
Aslam et al. Deep Learning Based Fall Detection System
Nichols Adaptive management: making recurrent decisions in the face of uncertainty
Dinakaran et al. Object detection using deep convolutional generative adversarial networks embedded single shot detector with hyper-parameter optimization
Mahayekhi et al. n Enhanced Artificial Ecosystem: Investigating Emergence of Ecological Niches
Jiang et al. Collective motions of fish originate from balanced local perceptual interactions and individual stochastics
Qiao et al. Induction Radius-Based Hierarchical Flocking Algorithm for UAVs Clustering
Cohan Team LSTM: player trajectory prediction in basketball games using graph-based LSTM networks
Othman A Learnable Behavioural Model For Emergency Evacuations

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