CN111879310A - 一种基于入侵杂草优化算法的人群应急疏散仿真方法 - Google Patents
一种基于入侵杂草优化算法的人群应急疏散仿真方法 Download PDFInfo
- Publication number
- CN111879310A CN111879310A CN202010733946.4A CN202010733946A CN111879310A CN 111879310 A CN111879310 A CN 111879310A CN 202010733946 A CN202010733946 A CN 202010733946A CN 111879310 A CN111879310 A CN 111879310A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- value
- weed
- fitness
- individual
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000010899 nucleation Methods 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于入侵杂草优化算法的人群应急疏散仿真方法，首先进行人群应急疏散的人员状态、安全场地和疏散通道3类指标提取；然后采用入侵杂草优化算法进行应急疏散建模，将人群移动路径倒数作为适应度函数，通过种子散播和杂草多次竞争择优获得人群应急疏散最优解。本发明所采用的方法疏散时间短和收敛速度快。
Description
技术领域
本发明涉及城市安全应急设计技术领域，特别是一种基于入侵杂草优化算法的人群应急疏散仿真方法。
背景技术
城市安全应急预案作为城市发展的重要保障，在城市建设方面有着重要意义。人群应急疏散预案作为安全应急预案的一种，实际操作部署的难度大，在以往的城市建设中，根据国家要求，在城市中划分了必备疏散安全场地，而且做了安全警示和疏散指示，但是安全场地设置坐标和面积并无法经过实际论证，因此可以通过仿真的方法来模拟人员应急疏散，根据仿真结果调整应急疏散方案，优化安全场地，动态分配城市安全疏散资源，做到资源合理应用。
人群应急疏散的主要任务就是在设定的时间内将人员安全地从危险地带疏散至安全地带。看似是一个简单的TSP问题，但在实际求解时，需要考虑的因素和求解条件比较多，通过人为设计很难达到令人满意的结果。
发明内容
有鉴于此，本发明的目的是提出一种基于入侵杂草优化算法的人群应急疏散仿真方法，疏散时间短和收敛速度快。
本发明采用以下方案实现：一种基于入侵杂草优化算法的人群应急疏散仿真方法，具体包括以下步骤：
首先进行人群应急疏散的人员状态、安全场地和疏散通道3类指标提取；
然后采用入侵杂草优化算法进行应急疏散建模，将人群移动路径倒数作为适应度函数，通过种子散播和杂草多次竞争择优获得人群应急疏散最优解。
进一步地，具体包括以下步骤：
步骤S1：获取疏散人群个体及安全地带样本数据；
步骤S2：计算出发点到各个安全地带的路程，生成距离数据矩阵；
步骤S3：初始化入侵杂草种群，将需要疏散的人群随机分为M个杂草子群；
步骤S4：计算每个子群中个体适应度最小值，并将对应的个体设为最优个体；
步骤S5：将所有子群中的适应度最小个体替换为相邻子群的最优个体；
步骤S6：计算每个子群的种子数，使种子成为杂草；
步骤S7：进行种子散播；
步骤S8：对每个子群进行交叉学习和竞争择优；
步骤S9：判断杂草数据是否大于预设值Pmax，若是，则进入步骤S10，否则返回步骤S6；
步骤S10：进行竞争排除，只保留前Pmax个适应度好的杂草进入下一轮优化；
步骤S11：判断是否达到预设的迭代次数或者最大适应度值与最小适应度值的差值是否小于预设的阈值，若是，则输出全局最优值，否则，返回步骤S6。
进一步地，步骤S3中，设需要疏散的人员总数为N，提取人员组成ID及移动速度，进行二进制编码，生成初始杂草个体，建N个杂草个体并初始化子群为M个，其中M小于N。
进一步地，步骤S4中，所述每个子群中个体适应度值为所有人群疏散完毕需要的时间或者所有人群疏散路程。
进一步地，步骤S6中，每个子群的杂草种子数Snum采用下式计算：
式中，floor(*)为取整函数，f(Xi)为个体Xi的适应度值，Fmax为适应度最大值，Fmin为适应度最小值，Smax为最大种子数，Smin为最小种子数。
进一步地，当适应度值与种子数成负反馈时，采用下式计算每个子群的杂草种子数：
进一步地，步骤S7具体为：将种子按照下式分布在上一代的周围：
其中，
式中，Xi,s表示第i个种子经过繁衍后种子的分布情况，Xi表示第i个个体，
表示满足正态分布，s表示当前种子数，σiter表示当前标准差，σfinal表示播种标准差终值，itermax表示最大进化迭代次数，iter表示当前进化迭代次数，w表示非线性调和因子，σinitial表示播种标准差初值。
进一步地，步骤S11中，全局最优值为全局适应度最小值及其对应的个体该个体所对应的人员疏散路径即为最优疏散路径。
与现有技术相比，本发明有以下有益效果：本发明将入侵杂草优化算法应用于人群应急疏散的仿真研究中，相比于其他常用路径优化算法对比，本发明最大的优势是疏散时间和收敛速度。在实际应用中，能较短时间完成人群的疏散，较好的保证了人员生命的安全。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的杂草个体种子数与适应度变化关系示意图。
图3为本发明实施例的收敛性能对比仿真结果示意图。
图4为本发明实施例的疏散时间对比仿真结果示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，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。
如图1所示，本实施例提供了一种基于入侵杂草优化算法的人群应急疏散仿真方法，具体包括以下步骤：
首先进行人群应急疏散的人员状态、安全场地和疏散通道3类指标提取；
然后采用入侵杂草优化算法进行应急疏散建模，将人群移动路径倒数作为适应度函数，通过种子散播和杂草多次竞争择优获得人群应急疏散最优解。
在本实施例中，具体包括以下步骤：
步骤S1：获取疏散人群个体及安全地带样本数据；
步骤S2：计算出发点到各个安全地带的路程，生成距离数据矩阵；
步骤S3：初始化入侵杂草种群，将需要疏散的人群随机分为M个杂草子群；
步骤S4：计算每个子群中个体适应度最小值，并将对应的个体设为最优个体；
步骤S5：将所有子群中的适应度最小个体替换为相邻子群的最优个体；
步骤S6：计算每个子群的种子数，使种子成为杂草；
步骤S7：进行种子散播；
步骤S8：对每个子群进行交叉学习和竞争择优；
步骤S9：判断杂草数据是否大于预设值Pmax，若是，则进入步骤S10，否则返回步骤S6；
步骤S10：进行竞争排除，只保留前Pmax个适应度好的杂草进入下一轮优化；
步骤S11：判断是否达到预设的迭代次数或者最大适应度值与最小适应度值的差值|Fmax-Fmin|是否小于预设的阈值ε，若是，则输出全局最优值，否则，返回步骤S6，防止陷入局部最优。
其中，人群应急疏散的主要指标和参数如下表所示：
人员年龄结构的组成决定了人员移动的速度，根据文献统计，中国男性的平均移动速度在1.22～1.35m/s范围内，而女性的平均移动速度在1.07～1.25m/s范围内；考虑到不同人员的应急反应，人员心态及对安全通道及场所，疏散指示等的了解程度也决定了人员疏散的时间，因此在实际的应急疏散仿真研究中，取得更准确的人员样本量对仿真精度有重要影响。
根据国家标准，城市居民的避难安全面积为1.5m2/人，而不同安全场所对应的有效避难面积不一样，因此需要根据实际的安全场地类别及实际面积，除去人均面积之后可以确定安全场地所能容纳的最大人数。结合通道分布及通道指示，根据应急地和安全地的坐标，可以计算应急地至每个安全地的距离，生成距离数据矩阵。
因此，人员疏散至安全场所的TSP问题，实际的限制条件主要有安全场地数量，每个安全场地可容纳的总人数，需要疏散人员数量，人员结构，人员移动速度。
在本实施例中，步骤S3中，设需要疏散的人员总数为N，提取人员组成ID及移动速度，进行二进制编码，生成初始杂草个体，建N个杂草个体并初始化子群为M个，其中M小于N。
在本实施例中，步骤S4中，在杂草的蔓延过程中，将子群个体中适应度最小的个体作为下一个邻居子群的中心个体，所述每个子群中个体适应度值为所有人群疏散完毕需要的时间或者所有人群疏散路程。本实施例以后者为例，则适应度值fi为：
其中，di为所有路程长度。考虑到疏散人群个体的数量，总路径值较大，因此在运算时也可以考虑在总路径长度的倒数基础上乘以常量倍数。本实施例需要求解的是各需要被疏散的个体疏散完毕经过的实际路径之和，因此目标函数为：
其中，图2显示适应度和种子数呈正比线性关系，即符合BD所在直线的分布，当适应度值为A时，在BD所在直线上所对应的点为C，将C点投射至纵坐标为F，那么F点就是适应度A所对应的种子数，若F为带小数的值，去掉小数保留整数即为E。适应度值大的个体播种的种子数越多。因此可以根据适应度值来求解种子数，在本实施例中，步骤S6中，每个子群的杂草种子数Snum采用下式计算：
式中，floor(*)为取整函数，在计算过程中，可能求解的种子数为非整数，这不符合实际情况，因此杂草种子数去掉小数，只取整数。f(Xi)为个体Xi的适应度值，Fmax为适应度最大值，Fmin为适应度最小值，Smax为最大种子数，Smin为最小种子数。
当适应度值与种子数成负反馈时，采用下式计算每个子群的杂草种子数：
通过式(1)或者式(2)可以求得种子数。
在本实施例中，步骤S7具体为：根据高斯分布，将应疏散的人群个体分布在杂草周边，即将种子按照下式分布在上一代的周围：
其中，
式中，Xi,s表示第i个种子经过繁衍后种子的分布情况，Xi表示第i个个体，
表示满足正态分布，s表示当前种子数，σiter表示当前标准差，σfinal表示播种标准差终值，itermax表示最大进化迭代次数，iter表示当前进化迭代次数，w表示非线性调和因子，σinitial表示播种标准差初值。
在本实施例中，步骤S11中，全局最优值为全局适应度最小值及其对应的个体该个体所对应的人员疏散路径即为最优疏散路径。
综上，本实施例输入包含人群状态和安全场地坐标的数据样本，经过训练之后获取人群移动最短路径最优解。在入侵杂草优化算法部署中，需要不断的根据适应度求解繁衍种子数，并且不断地散播种子和竞争择优，获取种群中适应度排名前个杂草个体。这种迭代优化模型的不断优化适应度值高的个体，以达到求解最优解的目的。经过入侵杂草优化的人群应急疏散。
为了验证本实施例的方法在人群应急疏散应用上的性能，采用Matlab进行实例仿真。分别采用遗传算法、粒子群算法和本实施例算法对人群应急疏散进行仿真，比较3种算法的路径优化性能，收敛性能和疏散时间性能。仿真数据来源为某古城旅游区，在旅游区内有常住居民和旅游人员，通过查阅市土地资源年鉴和旅游区档案数据，该古城旅游区平均人数为1.5万人，通过门票及常住人口电子数据，统计得到人口年龄分布，获得人口的移动速度均值，然后根据场地数及国家人均面积标准，计算安全场地容量，具体指标数据如表3所示。
| 移动速度均值 | 需疏散总人数 | 安全场地数 | 安全场地可容纳总人数 |
| 1.1m/s | 1.5万人 | 46个 | 22.2538万人 |
然后根据地图标量，获取46个安全场地的位置坐标，结合比例尺，计算距离。
进行本实施例算法的主要参数初值设置，如下表：
| iter<sub>max</sub> | P<sub>max</sub> | S<sub>min</sub> | S<sub>max</sub> | σ<sub>intial</sub> | σ<sub>final</sub> |
| 200 | 46 | 1 | 6 | 1 | 0.0005 |
设置ε＝0.1，然后执行本实施例的方法。
首先对所有人员疏散的路径进行仿真，计算所有人员到达疏散点移动的距离，对3种算法分别进行仿真，结果见下表。
将1.5万人疏散至安全场地移动的距离进行求和得到，3种算法的移动距离差异较小，粒子群算法移动的距离最大为12479.417千米，另外2种算法移动距离均在12476千米左右，本实施例算法的路径优化性能比遗传算法稍好，优势不明显。
下面进行算法的收敛性能比较，为了验证收敛性能算法，将移动距离与迭代次数进行仿真，结果如图3。从图3可以看出，在收敛性能方面，本实施例算法最优，在迭代次数为52次便获得了最优路径长度12476千米，而遗传算法在108次达到收敛，粒子群算法在142次达到收敛，从图中的收敛过程也可以看出，遗传算法和粒子群算法在分别有4次和5次获得了局部最优解，而本实施例算法未出现局部最优，表明在收敛性能方面，本实施例的算法优势明显。
最后对算法的疏散时间性能进行仿真，为了充分验证疏散时间性能，分别对3种算法获得最优路径时的消耗时间进行仿真，每种算法进行10次仿真，仿真结果见图4。
从图4可以看出，粒子群算法10次疏散仿真运行的平均时间为4600s左右，而遗传算法10次疏散运行仿真时间大约为4700s，而本实施例的入侵杂草优化运行仿真时间均值在3400s左右；而且从运行时间的稳定性来看，本实施例算法10次仿真时间波动小，而另外两种算法运行时间均有较大波动，所以本实施例算法在疏散时间性能方面优势明显。
本发明将入侵杂草优化算法应用于人群应急疏散仿真研究，相比于其他常用路径优化算法对比，本实施例最大的优势是疏散时间和收敛速度。在实际应用中，能较短时间完成人群的疏散，较好的保证了人员生命的安全。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，包括以下步骤：
首先进行人群应急疏散的人员状态、安全场地和疏散通道3类指标提取；
然后采用入侵杂草优化算法进行应急疏散建模，将人群移动路径倒数作为适应度函数，通过种子散播和杂草多次竞争择优获得人群应急疏散最优解。
2.根据权利要求1所述的一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，具体包括以下步骤：
步骤S1：获取疏散人群个体及安全地带样本数据；
步骤S2：计算出发点到各个安全地带的路程，生成距离数据矩阵；
步骤S3：初始化入侵杂草种群，将需要疏散的人群随机分为M个杂草子群；
步骤S4：计算每个子群中个体适应度最小值，并将对应的个体设为最优个体；
步骤S5：将所有子群中的适应度最小个体替换为相邻子群的最优个体；
步骤S6：计算每个子群的种子数，使种子成为杂草；
步骤S7：进行种子散播；
步骤S8：对每个子群进行交叉学习和竞争择优；
步骤S9：判断杂草数据是否大于预设值Pmax，若是，则进入步骤S10，否则返回步骤S6；
步骤S10：进行竞争排除，只保留前Pmax个适应度好的杂草进入下一轮优化；
步骤S11：判断是否达到预设的迭代次数或者最大适应度值与最小适应度值的差值是否小于预设的阈值，若是，则输出全局最优值，否则，返回步骤S6。
3.根据权利要求2所述的一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，步骤S3中，设需要疏散的人员总数为N，提取人员组成ID及移动速度，进行二进制编码，生成初始杂草个体，建N个杂草个体并初始化子群为M个，其中M小于N。
4.根据权利要求2所述的一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，步骤S4中，所述每个子群中个体适应度值为所有人群疏散完毕需要的时间或者所有人群疏散路程。
5.根据权利要求2所述的一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，步骤S6中，每个子群的杂草种子数Snum采用下式计算：
式中，floor(*)为取整函数，f(Xi)为个体Xi的适应度值，Fmax为适应度最大值，Fmin为适应度最小值，Smax为最大种子数，Smin为最小种子数。
6.根据权利要求5所述的一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，当适应度值与种子数成负反馈时，采用下式计算每个子群的杂草种子数：
7.根据权利要求2所述的一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，步骤S7具体为：将种子按照下式分布在上一代的周围：
其中，
式中，Xi,s表示第i个种子经过繁衍后种子的分布情况，Xi表示第i个个体，
表示满足正态分布，s表示当前种子数，σiter表示当前标准差，σfinal表示播种标准差终值，itermax表示最大进化迭代次数，iter表示当前进化迭代次数，w表示非线性调和因子，σinitial表示播种标准差初值。
8.根据权利要求2所述的一种基于入侵杂草优化算法的人群应急疏散仿真方法，其特征在于，步骤S11中，全局最优值为全局适应度最小值及其对应的个体该个体所对应的人员疏散路径即为最优疏散路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733946.4A CN111879310A (zh) | 2020-07-24 | 2020-07-24 | 一种基于入侵杂草优化算法的人群应急疏散仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733946.4A CN111879310A (zh) | 2020-07-24 | 2020-07-24 | 一种基于入侵杂草优化算法的人群应急疏散仿真方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111879310A true CN111879310A (zh) | 2020-11-03 |
Family
ID=73200828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010733946.4A Pending CN111879310A (zh) | 2020-07-24 | 2020-07-24 | 一种基于入侵杂草优化算法的人群应急疏散仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111879310A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408857A (zh) * | 2021-05-24 | 2021-09-17 | 柳州东风容泰化工股份有限公司 | 一种硫代乙酸泄漏应急处理的管理方法及系统 |
| CN117236545A (zh) * | 2023-11-14 | 2023-12-15 | 西安芝麻数据科技发展有限公司 | 基于大数据的物流运输路径规划系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2264050A1 (en) * | 1996-11-14 | 1998-05-22 | James W. Espy | Fail-over switching system |
| US20100161370A1 (en) * | 2008-12-18 | 2010-06-24 | Motorola, Inc. | Pass through for improved response time |
| AU2014277724A1 (en) * | 2007-08-06 | 2015-01-22 | Trx Systems, Inc. | Locating, tracking, and/or monitoring personnel and/or assets both indoors and outdoors |
| KR20160118895A (ko) * | 2015-04-02 | 2016-10-12 | 장미나 | 도로 안전대피시설구조 |
| CN107942302A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法 |
| CN109543896A (zh) * | 2018-11-16 | 2019-03-29 | 闽江学院 | 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法 |
| CN109612490A (zh) * | 2019-01-14 | 2019-04-12 | 闽江学院 | 一种基于行驶速度判断行驶路线的方法和装置 |
| CN109932644A (zh) * | 2019-02-28 | 2019-06-25 | 天津大学 | 基于混合智能算法的断路器故障诊断方法 |
| CN110113815A (zh) * | 2019-04-02 | 2019-08-09 | 云南师范大学 | 一种改进的基于iwo的无线传感器网络定位方法 |
| US20200049514A1 (en) * | 2016-10-24 | 2020-02-13 | Agco International Gmbh | Land mapping and guidance system |
-
2020
- 2020-07-24 CN CN202010733946.4A patent/CN111879310A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2264050A1 (en) * | 1996-11-14 | 1998-05-22 | James W. Espy | Fail-over switching system |
| AU2014277724A1 (en) * | 2007-08-06 | 2015-01-22 | Trx Systems, Inc. | Locating, tracking, and/or monitoring personnel and/or assets both indoors and outdoors |
| US20100161370A1 (en) * | 2008-12-18 | 2010-06-24 | Motorola, Inc. | Pass through for improved response time |
| KR20160118895A (ko) * | 2015-04-02 | 2016-10-12 | 장미나 | 도로 안전대피시설구조 |
| US20200049514A1 (en) * | 2016-10-24 | 2020-02-13 | Agco International Gmbh | Land mapping and guidance system |
| CN107942302A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法 |
| CN109543896A (zh) * | 2018-11-16 | 2019-03-29 | 闽江学院 | 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法 |
| CN109612490A (zh) * | 2019-01-14 | 2019-04-12 | 闽江学院 | 一种基于行驶速度判断行驶路线的方法和装置 |
| CN109932644A (zh) * | 2019-02-28 | 2019-06-25 | 天津大学 | 基于混合智能算法的断路器故障诊断方法 |
| CN110113815A (zh) * | 2019-04-02 | 2019-08-09 | 云南师范大学 | 一种改进的基于iwo的无线传感器网络定位方法 |
Non-Patent Citations (5)
| Title |
|---|
| PANDA, M.R.等: ""Optimal path planning for mobile robots using oppositional invasive weed optimization"", 《COMPUTATIONAL INTELLIGENCE》 * |
| PRASES K. MOHANTY等: ""A New Ecologically Inspired Algorithm for Mobile Robot Navigation"", 《PROCEEDINGS OF THE 3RD INTERNATIONAL CONFERENCE ON FRONTIERS OF INTELLIGENT COMPUTING: THEORY AND APPLICATIONS (FICTA) 2014》 * |
| 宋强: ""基于群体智能优化算法的多行程车辆路径问题的研究"", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
| 曹磊等: ""杂草－蚁群算法在应急管理中的应用"", 《微电子学与计算机》 * |
| 李海峰等: ""基于人工势场法与入侵杂草法路径规划研究"", 《控制工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408857A (zh) * | 2021-05-24 | 2021-09-17 | 柳州东风容泰化工股份有限公司 | 一种硫代乙酸泄漏应急处理的管理方法及系统 |
| CN117236545A (zh) * | 2023-11-14 | 2023-12-15 | 西安芝麻数据科技发展有限公司 | 基于大数据的物流运输路径规划系统及方法 |
| CN117236545B (zh) * | 2023-11-14 | 2024-02-23 | 西安芝麻数据科技发展有限公司 | 基于大数据的物流运输路径规划系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN105203097A (zh) | 一种适用于灾后环境的多机器人多目标点救援路径规划方法 | |
| CN111879310A (zh) | 一种基于入侵杂草优化算法的人群应急疏散仿真方法 | |
| CN107563653B (zh) | 一种多机器人全覆盖任务分配方法 | |
| CN107862416B (zh) | 一种基于盒子不确定集的应急物资储备库选址优化方法 | |
| Acar et al. | Assessment of road network planning by using GIS-based multi-criteria evaluation for conversion of coppice forest to high forest | |
| CN103927433B (zh) | 基于流控制的多源点多出口人群应急疏散调度方法 | |
| CN103150614A (zh) | 一种土地利用空间自动配置方法 | |
| Akkus et al. | Automated land reallotment using genetic algorithm | |
| CN103488851A (zh) | 基于几何结构信息的多目标优化方法 | |
| Hosen et al. | A cellular automata modeling for visualizing and predicting spreading patterns of dengue fever | |
| Rahman et al. | BatchLayout: A batch-parallel force-directed graph layout algorithm in shared memory | |
| CN113688424A (zh) | 基于权重社会网络的个性化差分隐私保护方法 | |
| CN106600100B (zh) | 一种基于加权的多种群粒子群优化的危险源原因分析方法 | |
| CN118095620A (zh) | 一种基于遗传算法的城市建设用地规划方法 | |
| Dörterler et al. | A modified genetic algorithm for a special case of the generalized assignment problem | |
| CN110766072A (zh) | 一种基于结构相似性的计算图进化ai模型自动生成方法 | |
| CN116452373A (zh) | 基于多目标遗传算法的街区建筑体量智能生成方法与系统 | |
| Tang et al. | Integrated approach considering seasonal variability and habitat uncertainty to map habitat for the prey of South China tiger | |
| Huang et al. | A Matrix Translation Model for Evacuation Path Optimization | |
| Chao et al. | Minimum dose path planning in complex radioactive environments with sampling-based algorithms | |
| Govindarajan et al. | A scalable algorithm for dispersing population | |
| Koc et al. | The estimation of the energy demand in turkey using grey wolf optimizer algorithm | |
| CN114021977A (zh) | 一种面向储能规划的典型复合型场景缩减方法及系统 | |
| Tiwari et al. | Predicting Future Urban Growth in Bhopal, India using Artificial Intelligence based Modelling |
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: 20201103 |