CN112347626A

CN112347626A - 一种人群疏散中恐慌情绪的最优化干预仿真方法及系统

Info

Publication number: CN112347626A
Application number: CN202011169890.0A
Authority: CN
Inventors: 张桂娟; 石业鹏; 陆佃杰; 吕蕾; 刘弘
Original assignee: Shandong Normal University
Current assignee: Shandong Data Trading Co ltd
Priority date: 2020-10-28
Filing date: 2020-10-28
Publication date: 2021-02-09
Anticipated expiration: 2040-10-28
Also published as: CN112347626B

Abstract

本公开提供了一种人群疏散中恐慌情绪的最优化干预的方法，所述方法通过自适应地调整人工干预强度来最大化干预收益，首先，通过建立基于随机事件的情绪感染模型，来分析人群情绪感染的过程，用事件发生强度来量化人群各个时刻的感染趋势和恢复趋势，据此可以投入有针对性的人工干预；其次，为了能准确的量化投入的人工干预，提出了一种基于霍克斯过程的干预模型，该模型可以根据人群事件发生强度的变化自适应地调整干预强度，并实时调控感染率和恢复率控制情绪感染；最后，为了兼顾成本和收益，投入最优的干预强度，本公开将其转化为一个最大收益率问题，并使用人工蜂群优化干预情绪感染情算法求得最优解。

Description

一种人群疏散中恐慌情绪的最优化干预仿真方法及系统

技术领域

本公开涉及人群情绪干预分析技术领域，特别是涉及一种人群疏散中恐慌情绪的最优化干预仿真方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

在面临突发状况时，人群会产生焦虑、恐慌等负面情绪，这些情绪会在人群中蔓延并且会让人行动慌张失去理性，如果不加以控制，将会产生很严重的后果。针对情绪干预的研究也越来越受到研究者们的关注。

发明人发现现有技术中存在以下技术问题：

目前原有的情绪建模方法中，包括微观情绪建模和宏观情绪建模；其中，微观的情绪感染模型是描述情绪传递的细节，它虽然能够清晰地描述个体由无情绪到有情绪的过程，擅长描述人与人情感交互的细节，但是，基于微观的干预措施受到模型的限制无法根据实时的人群感染情况调节情绪干预力度，并保证资源的合理配置；当前情绪的宏观动力学模型都是确定性的模型，即使用了平均场的理论，该理论会忽略上述的影响因素，把人群视作同构个体，该理论通过构建微分方程以平均感染效果替代单个感染效果的加和，感染者是以确定性的公式演化发展，因此这个过程无法描述人群因异构性带来的随机性，并且基于宏观的感染模型也没有考虑直接对感染率和恢复率调控。

发明内容

本公开为了解决上述问题，提供了一种人群疏散中恐慌情绪的最优化干预仿真方法及系统；所述方案通过建立基于随机事件的情绪感染模型，用事件发生强度来量化人群各个时刻的感染趋势和恢复趋势，进而投入有针对性的人工干预进行控制；并且，提出基于霍克斯过程的干预模型，用于根据人群事件发生强度的变化自适应地调整干预强度，并实时调控感染率和恢复率控制情绪感染；最后，基于人工蜂群优化干预情绪感染情算法兼顾了成本和收益，通过优化求解，在人群疏散中投入最优的干预强度，避免了因恐慌情绪造成的严重后果。

根据本公开实施例的第一方面，提供了一种人群疏散中恐慌情绪的最优化干预仿真方法，包括以下步骤：

构建基于随机事件的情绪感染模型，根据事件发生强度对人群情绪感染的过程进行量化；

构建基于霍克斯过程的干预模型，通过所述干预模型根据人群事件发生强度的变化自适应地调整干预强度；

构建恐慌情绪优化的成本目标函数，并使用人工蜂群最优干预情绪感染算法求解最优干预强度，根据当前个体的无碰撞速度，进行人群疏散仿真运动。

进一步的，所述构建基于随机事件的情绪感染模型，包括：

构建所述情绪感染模型的感染事件发生强度和恢复事件发生强度；

由所述的感染事件发生强度和恢复事件发生强度得到状态转移概率；

构建人群状态转移矩阵，计算各个时刻的人群状态；

由此可以根据所述状态转移矩阵得到场景中情绪感染者状态的情绪感染模型，根据所述情绪感染模型可以获取场景中情绪感染者状态的变化情况。

进一步的，所述构建基于霍克斯过程的干预模型，包括：

首先，提出一种针对情绪感染的干预措施，所述干预策略分为两部分，第一部分是减小感染者的感染能力，从而降低人群中的感染率，第二部分是加入人工治疗，帮助受到情绪感染的人尽快冷静下来，提高人群的恢复率；同时，分别表示两种控制策略的强度，对于两种控制强度使用点过程来进行建模，并且选用霍克斯过程对所述两种控制强度进行建模。

进一步的，所述恐慌情绪优化成本目标函数如下所示：

C(t)＝ηf_s(t)+σf_r(t)

其中，C(t)表示在t时刻采取两种控制措施产生的代价，f_s(t)和f_r(t)分别表示在t时刻人为施加的隔离强度和治愈强度，η表示隔离单位个体的成本，σ表示治愈单位个体的成本；

所述最优化控制的策略是尽可能最大化收益最小化成本，因此，需要定义一个收益率来衡量优化效果，所述收益率形式如下所示：

其中，E(t)表示在t时刻的收益率，I(t)表示在t时刻情绪感染者的数量，I^*(t)表示经过干预后情绪感染者在t时刻的数量；

通过求解干预强度的最优参数，使干预强度达到最优，从而使收益率达到最大。

进一步的，所述方法通过人工蜂群最优干预情绪感染算法进行优化求解，其求解过程包括：初始阶段，确定种群数、最大迭代数控制参数，并且在初始空间随机生成候选解，将所述候选解带入目标函数计算候选解的适应度值，并记录最大适应值对应的候选解；

搜索阶段，引领蜂在已知解的附近寻找新的解，并将其记录下来，计算它的适应度值，若新解的适应度值优于旧解，则引领蜂记住新解忘记旧解，反之，保留旧解，在所有引领蜂完成搜寻过程之后，引领蜂会将解信息与跟随蜂分享，跟随蜂计算每个解的选择概率进行选择，

当迭代次数达到最大值时，算法停止获得最优的干预强度参数。

根据本公开实施例的第二个方面，本公开提供了一种人群疏散中恐慌情绪的最优化干预仿真系统，所述系统包括：

数据采集模块，其用于获取人群疏散过程数据，确定事件发生强度；

模型构建模块，其用于构建基于构建基于随机事件的情绪感染模型，根据事件发生强度对人群情绪感染的过程进行量化；构建基于霍克斯过程的干预模型，通过所述干预模型根据人群事件发生强度的变化自适应地调整干预强度；

优化求解模块，其用于构建恐慌情绪优化的成本目标函数，并使用人工蜂群最优干预情绪感染算法求解最优干预强度，根据当前个体的无碰撞速度，进行人群疏散仿真运动。

根据本公开实施例的第三个方面，本公开还提供了一种电子设备，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，执行上述的一种人群疏散中恐慌情绪的最优化干预仿真方法。

根据本公开实施例的第四个方面，本公开还提供了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，完成上述的一种人群疏散中恐慌情绪的最优化干预仿真方法。

与现有技术相比，本公开的有益效果是：

(1)本公开所述方案构建了基于随机事件的情绪感染模型，用事件发生强度来量化人群各个时刻的感染趋势和恢复趋势，据此，可以投入有针对性的人工干预进行控制；

(2)为了能准确的量化投入的人工干预，本公开所述方案构建了提出了一种基于霍克斯过程的干预模型，利用随机点过程—霍克斯过程对干预强度进行建模，模型分为两条措施，分别通过减小人群的感染率和增大人群的治愈率来控制情绪感染；该模型可以根据人群事件发生强度的变化自适应地调整干预强度，并实时调控感染率和恢复率控制情绪感染。

(3)本公开所述方案为了兼顾成本和收益，投入最优的干预强度，将所要解决的问题转化为一个最大收益率问题，并使用人工蜂群最优干预情绪感染算法(IE-ABC)求解最优干预强度；

(4)本公开所述方案构建了人群疏散中恐慌情绪的最优化干预仿真系统，更加真实直观地展现了分析效果。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

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为本公开实施例一中所述的一种人群疏散中恐慌情绪的最优化干预方法的流程图。

具体实施方式

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。

实施例一：

本实施例的目的是提供一种人群疏散中恐慌情绪的最优化干预仿真方法。

如图1所示，一种人群疏散中恐慌情绪的最优化干预仿真方法，包括：

步骤1：建立一个基于随机事件的情绪感染模型(SEEC)，来分析人群情绪感染的过程；

步骤2：建立一种基于霍克斯过程的干预模型(HIEC)，该模型可以根据人群事件发生强度的变化自适应地调整干预强度；

步骤3：提出一个最大收益率问题，并使用人工蜂群优化干预情绪感染情算法(IE-ABC)求得最优解根据当前个体的无碰撞速度，进行人群疏散仿真运动；

步骤4：根据当前情绪干预措施，进行人群疏散中恐慌情绪的最优化干预仿真。

所述步骤1中，所述基于随机事件的情绪感染模型的构建，包括：构建事件发生强度和状态转移矩阵，其中，所述事件发生强度需要计算人群中的感染速率和恢复速率，即本文提到的感染率β和恢复率γ，和当前人群中的情绪感染者人数和易感者人数、当前人群总人数；用感染率、恢复率、感染人数、易感人数、总人数求得感染事件发生强度和恢复事件发生强度。具体的，首先构建了事件发生强度，定义S为情绪易感染者，I为情绪感染者，情绪感染者感染周围易感个体，感染者也能重新恢复为正常状态成为正常个体，恢复后的正常个体依旧有概率再一次被感染；感染者处于感染状态，易感者属于正常状态，每当一个易感者进入感染状态，称发生了一次感染事件，每当一个感染者进入了正常的状态我们称发生了一次恢复事件。

SIS模型把人群分为两类，S代表易感者，I代表感染者。在SIS模型中，S有概率被感染变为I，I也有概率恢复变为S。S(t)和I(t)分别表示在t时刻S的人数和I的人数。在任何给定的时间t，S(t)和I(t)都取整数值；我们假设Δt取值足够小，在Δt的时间间隔内个体数量最多变化1，即只能从状态{I(t)＝i}到{I(t+Δt)＝i+1}对应于一个新的情绪感染，或从状态{I(t)＝i}到{I(t+Δt)＝i+1}对应于情绪恢复，或者数量不变，由此得到：

Pr{dE(t)＝1,dI(t)＝1|T(t)}、Pr{dE(t)＝0,dI(t)＝-1|T(t)}、Pr{dE(t)＝0,dI(t)＝0|T(t)}分别表示在T(t)的历史条件下，仅发生一次情绪感染事件的概率、在T(t)的历史条件下，仅发生一次情绪恢复事件的概率，在T(t)的历史条件下，一次事件没有发生的概率，β代表单个感染者个体单位时间有效感染人数，γ是单位时间恢复率，在这里我们构建了一个基于事件的情绪感染模型，感染事件发生强度和恢复事件发生强度如下所示：

ψ^R(t)＝γI(t) (3)

情绪感染事件发生强度公式的含义：β为感染率，βI(t)代表单位时间所有感染个体(t时刻)能够有效感染的人数之和，

表示在t时刻易感个体在人群中占得比例，两者相乘代表在有效感染的人中感染正常个体的人数，即单位时间被感染的人数；恢复事件发生强度公式含义：γ是单位时间恢复率，γI(t)代表单位时间恢复正常的人数。

其次，构建状态转移矩阵，设定人群人数为N，定义G(I，S,t)＝{i,j}为人群状态，且N＝i+j,表示在t时刻人群中有i个感染者和j个正常个体；在情绪感染开始的时候，人群初始状态定义为G(I，S,t₀)＝{i,j}；设Δt为足够小的一个时间间隔，在这个时间间隔内仅能发生一次事件，有一定概率发生一次感染事件,也有一定概率发生一次情绪恢复事件；如果发生了一次感染事件那么人群的状态会由{i，j}变为{i+1，j-1}，如果发生了一次恢复事件那么人群的状态会由{i，j}变为{i-1，j+1}，若无事件发生那么状态不变；定义D为人群的状态空间，D＝{(i,j)|0≤i≤N,0≤j≤N}，即人群最极端的两个状态是{i，0}和{0，j}分别表示人群全部变为了情绪感染者和人群全部变为了正常个体。

由之前得到的感染事件发生强度和恢复事件发生强度我们得到如下的状态转移概率:

这里我们规定s＝N-i，P_(i，j)(Δt)表示在时间间隔Δt内由状态i变为状态j的概率，在时间间隔Δt内状态{i}变为{i+1}的概率是

状态变为{i-1}的概率是γIΔt、状态不变的概率是

I的状态取值从0到N，这里用一个(N+1)(N+1)规模的矩阵，来表示状态转移矩阵。根据上面的状态转移概率，我们可以得到一个时间间隔Δt内的状态转移矩阵：

矩阵的行列下标均从0开始到N结束，二维矩阵的下标表示状态转移的形式，例如矩阵中下标00代表状态{I＝0}到状态{I＝0}的转移，下标12代表状态{I＝1}到状态{I＝2}的转移，P_(i，j)(Δt)则代表状态{I＝i}到状态{I＝j}转移的概率。

进一步地，由上面的公式推导我们得到了一个完整的人群情绪感染的状态转移矩阵，当我们得到一个初始的场景时，我们可以定义他的初始状态，根据状态转移矩阵我们可以得到之后每一个时间步场景中情绪感染者的数量变化。本文定义p(t)＝(p₀(t),p₁(t),p₂(t)....p_N(t),)^T为t时刻的状态向量，p_i(t)为在t时刻I(t)＝i的概率，i∈[0,N]。

p(Δt)＝P(Δt)p(0) (6)

p(t+Δt)＝P(Δt)p(t)＝Pⁿ⁺¹(Δt)p(0) (7)

其中，p(0)表示初始状态这里我们定义t＝nΔt。在情绪蔓延的初始时刻，我们给定当前场景关于感染者的状态向量。例如p(0)＝(0,0,0...1...0,0)，我们可以根据上述的状态转移矩阵计算得到任意时刻I(t)＝i的概率，i∈[0,N]。由此我们可以得到场景中情绪感染者状态的变化情况，进而分析场景中情绪扩散蔓延的实时情况。

所述步骤2中，所述干预模型的构建包括：

为了对人群中的情绪感染加以控制，我们提出了一个针对情绪感染的控制措施。干预策略分为两部分，第一部分是减小感染者的感染能力，从而降低人群中的感染率β，第二部分是加入人工治疗，帮助受到情绪感染的人尽快冷静下来，提高人群的恢复率γ。我们分别用f_s和f_r分别表示两种控制策略的强度。对于两种控制强度我们使用点过程来进行建模，我们选用了霍克斯过程来对我们的控制强度进行建模。

f_s(t)和f_r(t)分别表示在t时刻人为施加的隔离强度和治愈强度μ₁和μ₂分别代表基础影响强度。θ₁和θ₂分别代表隔离强度和治愈强度的衰减因子，表示的含义为随着时间的增加历史隔离事件和历史治愈事件对未来隔离事件和治愈事件的影响会逐渐降低，ω₁和ω₁是缩放因子，表示已经发生的隔离事件和治愈事件对当前事件影响的缩放比例。我们根据上面的两个控制措施来调控情绪感染模型的感染率β和治愈率γ。由此我们得到：

β^*(t+Δt)＝β(t)-f_s(t) (12)

γ^*(t+Δt)＝γ(t)+f_r(t) (13)

β(t)、γ(t)分别表示在t时刻人群的感染率和恢复率，β^*(t+Δt)和γ^*(t+Δt)分别表示加了干预措施之后的在t+Δt时刻人群中新的感染率和恢复率。由此我们得到了加入控制模型之后的状态转移矩阵P^*(Δt)。

同样的我们可以得到加入干预措施之后人群状态转移的公式。

p(Δt)＝P^*(Δt)p(0) (15)

p(t+Δt)＝P*(Δt)p(t)＝P*ⁿ⁺¹(Δt)p(0) (16)

所述步骤3，使用人工蜂群最优干预情绪感染算法(IE-ABC)求解最优干预强度，包括：

首先，将干预强度的求解转化为一个优化问题，在直观上来讲，我们要想达到最理想的控制效果，我们可以尽可能的加大我们的干预力度，干预力度越大我们取得控制的效果就越大。但在现实生活中存在一个成本花费的问题，我们投入过高的干预成本可能会造成资源的浪费。我们希望在控制感染人数和投入成本之间取得最优的结果，我们最期待的结果是我们投入的控制强度可以控制最多的感染人数，并且产生最小的花费。在本文中把控制前和控制后的感染人数差作为本文控制得到的收益，收益函数如下所示。

G(t)＝I(t)-I^*(t) (17)

I(t)表示没有加入控制策略时在t时刻情绪感染者的人数，I^*(t)表示加入控制策略之后在t时刻情绪感染者的人数，G(t)为在t时刻控制策略的瞬时收益。而我们在加入控制之后要对使用的两种控制策略支付成本代价，成本函数如下所示。

C(t)＝ηf_s(t)+σf_r(t) (18)

C(t)表示在t时刻采取两种控制措施产生的代价，其中η表示隔离单位个体的成本，σ表示治愈单位个体的成本。我们提出的最优化控制的策略是尽可能最大化收益最小化成本，因此我们定义了一个收益率来衡量我们优化的效果，收益率形式如下所示。

E(t)表示在t时刻我们优化策略的收益率，我们通过求解干预强度的最优参数，使干预强度达到最优，从而使收益率达到最大。下面是我们的最优化问题定义。

ψ^R(t)＝γI(t)

I(0)＝i

S(0)＝N-i

μ₁(t),κ₁(t),θ₁(t),μ₂(t),κ₂(t),θ₂(t)>0 (21)

其中，μ₁ ^*(t),κ₁ ^*(t),θ₁ ^*(t),μ₂ ^*(t),κ₂ ^*(t),θ₂ ^*(t)代表在t时刻求解到的干预强度最优参数，E^*(μ₁ ^*(t),κ₁ ^*(t),θ₁ ^*(t),μ₂ ^*(t),κ₂ ^*(t),θ₂ ^*(t))表示t时刻的最优收益率。

进一步，本公开提出了一种基于人工蜂群的优化干预强度控制情绪感染的算法，通过该算法来解决上文中提出的最优化问题，在算法的初始阶段首先要进行初始化，包括确定种群数、最大迭代数控制参数limit。并且在初始空间随机生成初始解，x_i(i＝1,2,3,……,SN)，SN为食物源个数，每个解x_i是一个6维的向量，x_ij(j＝1,2,3,4,5,6)代表我们人工干预强度的6个参数之一，用x_i我们能确定一个候选干预强度；我们定义fit为适应度值，我们将这些候选解带入到目标函数中计算候选解的适应度值，并记录最大适应度中的解，fit_i表示第i个解的适应度值，形式如下所示。

接下来蜂群进入了搜索阶段，引领蜂在已知解的附近寻找新的解，并将其记录下来，计算它的适应度值，搜寻新的解的公式如下所示。

w_ij＝x_ij+φ_ij(x_ij-x_kj) (23)

k∈﹛1,2,...,SN﹜,j∈{1,2,...,D},且k≠i；φ_ij为[-1,1]之间的随机数。计算新解的并求解该解的适应度值，若新解的fit_i优于旧解，则引领蜂记住新解忘记旧解。反之，它将保留旧解。在所有引领蜂完成搜寻过程之后，引领蜂会在招募区跳摇摆舞把解的信息及信息与跟随蜂分享。跟随蜂计算每个解的选择概率进行选择，本文提出的计算公式如下所示。

Pr_i是第i个解的选择概率，fit_i是第i个解的适应度值，

表示当前所有解的适应度值的累加和。然后在区间[-1,1]内随机产生一个数，如果Pr_i大于该随机数，则跟随蜂由公式18产生一个新解，并检验新解的，若新解的fit_i比之前好，则跟随蜂将记住新解忘掉旧解；反之，它将保留旧解。如果Pr_i小于该随机数则不会产生新的解。最后如果解决方案x_i没有在预定数量的迭代中得到改进，那么相应的引领蜂i放弃该解决方案，并成为一个侦察蜂。当迭代次数达到最大值时，算法停止。该算法可以多次执行，以提高算法的鲁棒性。

以下为本公开所述基于人工蜂群的优化干预强度控制情绪感染的算法：

实施例二：

本实施例的目的是提供一种人群疏散中恐慌情绪的最优化干预仿真系统。

一种人群疏散中恐慌情绪的最优化干预仿真系统，包括：

实施例三：

本实施例还提供了一种电子设备，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，完成上述的一种人群疏散中恐慌情绪的最优化干预仿真方法，包括：

实施例四：

本实施例还提供了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，完成上述的一种人群疏散中恐慌情绪的最优化干预仿真方法，包括：

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种人群疏散中恐慌情绪的最优化干预仿真方法，其特征在于，包括：

构建基于随机事件的情绪感染模型，通过事件发生强度对人群情绪感染的过程进行量化；

2.如权利要求1所述的一种人群疏散中恐慌情绪的最优化干预仿真方法，其特征在于，所述构建基于随机事件的情绪感染模型，包括：

构建人群状态转移矩阵，计算各个时刻的人群状态；

3.如权利要求1所述的一种人群疏散中恐慌情绪的最优化干预仿真方法，其特征在于，所述构建基于霍克斯过程的干预模型，包括：

4.如权利要求1所述的一种人群疏散中恐慌情绪的最优化干预仿真方法，其特征在于，所述恐慌情绪优化的成本目标函数如下所示：

C(t)＝ηf_s(t)+σf_r(t)

其中，E(t)表示在t时刻的收益率，I(t)表示在t时刻情绪感染者的数量，I^*(t)表示；表示经过干预后情绪感染者在t时刻的数量；

5.如权利要求1所述的一种人群疏散中恐慌情绪的最优化干预仿真方法，其特征在于，所述方法通过人工蜂群最优干预情绪感染算法进行优化求解，其求解过程包括：初始阶段，确定种群数、最大迭代数控制参数，并且在初始空间随机生成候选解，将所述候选解带入目标函数计算候选解的适应度值，并记录最大适应值对应的候选解；

6.一种人群疏散中恐慌情绪的最优化干预仿真系统，其特征在于，所述系统包括：

7.如权利要求6所述的一种人群疏散中恐慌情绪的最优化干预仿真系统，其特征在于，所述模型构建模块中基于随机事件的情绪感染模型的构建，包括：

构建人群状态转移矩阵，计算各个时刻的人群状态；

8.如权利要求6所述的一种人群疏散中恐慌情绪的最优化干预仿真系统，其特征在于，所述模型构建模块中基于霍克斯过程的干预模型的构建，包括：

9.一种电子设备，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，其特征在于，所述计算机指令被处理器运行时，执行如权利要求1-5任一项所述的一种人群疏散中恐慌情绪的最优化干预仿真方法。

10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，执行如权利要求1-5任一项所述的一种人群疏散中恐慌情绪的最优化干预仿真方法。