CN112733241B - 基于自适应差分进化算法的公共场所护栏布局优化方法 - Google Patents

Abstract

本发明公开了一种基于自适应差分进化算法的公共场所护栏布局优化方法，该方法运用基于带有外部归档的自适应差分进化算法对公共场所的护栏布局进行优化；构建目标向量、测试向量和基于人群仿真技术的适应度评估机制，其中，目标向量基于护栏布局通过编码而成，测试向量则是通过对目标函数进行变异、交叉等操作生成。本发明利用适应值来评估护栏布局的优劣，引导自适应差分进化算法不断进化，直至找到满意的护栏布局排列。本发明提出的优化方法还引入了外部归档和自适应参数调整机制，显著降低了优化方法对参数设置的敏感性，提高了优化效率和鲁棒性。

Description

基于自适应差分进化算法的公共场所护栏布局优化方法

技术领域

本发明涉及智能计算和人群仿真技术领域，具体涉及一种基于自适应差分进化算法的公共场所护栏布局优化方法。

背景技术

现代化的城市中，电梯已成为公共场所的主要通行工具之一。越来越多的客流为公共场所的管理和规划带来了新的挑战。电梯的入口是造成公共场所人群拥堵的瓶颈之一，大量乘客聚集于此，可能会造成踩踏和偷窃等突发公共安全事件。因此，防止乘客聚集在电梯入口，使乘客能够高效通过电梯口是一个值得研究的课题。目前，最常见方法是使用护栏来引导乘客。设计良好的护栏可以正确引导人群，并避免突发事故；而设计不足通常则会导致拥挤，增加乘客的等待时间，降低了空间利用率。到目前为止，公共场所中的护栏仍然是由管理方的工作人员手动设计，高度依赖工作人员的相关知识和经验，有极强主观性，故而依据现场客观信息的自动护栏设计应运而生。管理方通常能够记录每天进站和出站的乘客的具体信息，基于这些真实的历史数据，自动为公共场所设计护栏，让人群的疏导更加智能，也成为可能。

差分进化算法是由Storn和Price提出的一种基于种群的新型启发式搜索算法，主要用于求解实数优化问题。种群中的每个个体对应一个解向量，称之为目标向量，其进化流程则与遗传算法非常类似，包括变异、杂交和选择等操作，生成测试向量。通过对目标向量和测试向量进行适应度评估，更新种群个体，引导搜索进化。该算法的基本思想是：从一个随机产生的初始种群开始，通过把种群中任意两个个体的向量差与第三个个体求和来产生新个体，然后将新个体与当代种群中相应的个体相比较，如果新个体的适应度优于当前个体的适应度，则在下一代中就用新个体取代旧个体，否则仍保存旧个体。通过不断地进化，保留优良个体，淘汰劣质个体，引导搜索向最优解逼近。

护栏自动设计是不同变量之间具有复杂关联关系的优化问题，适合用差分进化算法来求解。传统的差分进化算法在实际的应用中对参数和算子设置比较敏感、而且存在陷入局部最优化和收敛速度较慢等缺点。因此，降低差分进化算法的参数设置敏感性，提高差分进化算法求解地铁站护栏自动设计的效率和鲁棒性成为一个亟待解决的问题。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于自适应差分进化算法的公共场所护栏布局设计优化方法，即带有外部归档的自适应差分进化算法(JADE：Adaptive Differential Evolution with Optional External Archive)，该方法有效地克服了人工手动护栏布局的不足，提高了差分进化算法求解地铁站护栏自动设计的效率和鲁棒性，提升了实用性。

JADE是一种基于种群的智能算法，在使用JADE进行地铁站护栏自动优化时，本发明构建了新的护栏编码方式，适应值评估函数。护栏布局通对目标向量编码而成，使得护栏布局可以被JADE中的个体所表示；在评估目标向量和测试向量的适应值时，采用适应值评估函数计算适应值，来评估护栏布局的好坏，以便从种群中选出更优秀的个体，进而引导JADE不断进化，直至找到满意的护栏布局。

本发明的目的可以通过采取如下技术方案达到：

一种基于自适应差分进化算法的护栏布局设计优化方法，该优化方法包括以下步骤：

S1、初始化：产生种群P和外部归档A，所述种群P包含NP个目标向量，用向量X来表示，每个所述目标向量基于护栏布局进行编码，利用人群行为仿真技术，衡量区域内的拥挤程度，计算所有初始所述目标向量的适应值。

S2、对种群P中的每个所述目标向量，根据所述JADE的参数，从所述种群P和所述外部归档A中选取辅助向量，构建测试向量，用向量U来表示；计算所述测试向量的适应值；对所述测试向量进行解码得到护栏序列；进行适应度评估，执行选择操作更新种群个体，计算新个体目标向量的适应值，并将被淘汰的个体加入到所述外部归档A。

S3、自适应更新所述JADE参数和所述外部归档A。

S4、重复执行步骤S2、S3，直到达到设定的最大迭代次数，并将最后一次迭代产生的护栏序列作为最终的护栏布局输出。

进一步地，所述步骤S1中的所述目标向量按如下方式进行编码：

X＝[x₁,x₂,x₃,x₄]其中，0≤x₁、x₂、x₃、x₄<1，X表示目标向量，为一个包含四个元素的浮点数向量，用来编码护栏布局序列。

在本优化方法中，使用一个包含四个元素的浮点数向量来编码护栏布局序列，其中，x₁和x₂共同决定护栏入口的位置，x₃和x₄决定连接护栏入口和电梯口的护栏绘制方式，这四个元素均是浮点数，编码了护栏信息。

相应地，绘制护栏时，要将这四个浮点数(x₁,x₂,x₃,x₄)解码成离散型的整数四元组(B,W,G,H)，以便绘制护栏，对应关系如下：

其中，MAX_LEN是人为设定的护栏的最大边长；B和W确定护栏入口的位置，B确定护栏在平行电梯开口方向上延伸多少个单位，W确定护栏在垂直电梯开口方向上延伸多少个单位；G和H的取值共有四种组合：(0,0)，(0,1)，(1,0)，(1,1)，每一种组合，对应连接护栏入口和电梯口的一种护栏绘制方式。

进一步地，所述步骤S2中的所述测试向量经变异和交叉产生，按如下方式构建：

S21、变异操作：

初始化之后,采用变异策略“DE/current-to-pbest”对当代所述种群P中的NP个个体进行变异操作，生成新的变异向量V_i,该变异策略可以用下式表达：

V_i＝X_i+F_i*(X^p _best-X_i)+F_i*(X_r1-X_r2)

其中，i表示所述种群个体X_i的索引号，i＝1,2,...,NP，X^p _best是从当代种群中适应值靠前的100p％的个体中随机选择的个体,p∈(0,1]，X_i，X_r1从所述种群P中随机选择产生，X_r2则是从当代所述种群P和所述外部归档A的并集中随机选取产生，F_i为变异因子，是与X_i关联的参数。

S22、交叉操作：

变异操作完成后,对当代种群个体进行交叉操作，得到所述测试向量，用U_i来表示，交叉方式如下

其中，U_i，j是所述测试向量U_i中的第i个向量的第j个元素，i＝1,2,...,NP，j＝1,2,3,4，j_rand是在区间[1,4]中随机产生的一个整数，用来确保U_i,j跟X_i,j至少有一个基因位点不同；CR_i为交叉率，是跟X_i关联的一个参数。

进一步地，所述步骤S1、S2中的所述适应值按如下方式计算：

S11、人群行为仿真：

考虑一个含有N个电梯口、M个闸机口{g₁,g₂,…,g_q,…,g_M}、T条线路的地铁站{l₁,l₂,…,l_h,…,l_T}，其中q＝1,2,…，M，h＝1,2,…,T，假定从闸机口g_q进入地铁站的乘客选择去往线路l_h，通往线路l_h的电梯口有r{e₁,e₂,…,e_k,…,e_r}个，k＝1,2,…,r，采用轮盘赌的选择方式，乘客选择电梯口e_k去往线路l_h的概率，按如下方式计算：

其中，P(e_k|l_h)表示去往线路l_h的乘客选择电梯口e_k的概率，score(k)表示乘客对电梯口e_k的评分，g_q是乘客进入地铁站的闸机口，dist(e_k,g_q)代表闸机口g_q和电梯口e_k之间的欧几里得距离；ρ(e_k)代表当前时刻电梯口e_k的乘客密度，用单位面积上的乘客数量来表示；

采用经典的A*算法来导航乘客的移动，运用社会力模型来避免人群的碰撞，根据社会力模型，乘客c所受的合力f_c可以表示为：

其中，m_c和dv_c/dt是乘客c的质量和加速度；f_co，f_dc和f_cw分别是朝向目标的吸引力、来自其他乘客d的排斥力和来自静止障碍物的排斥力；

S12、计算适应值：

将整个地铁站划分成边长为L的多个方格，对每个方格x，按如下方式计算其拥挤程度：

cp(x)＝ρ(x)*E(x)

E(x)＝E_m(x)*E_d(x)

其中，cp(x)代表以方格x的中心为圆心，半径为R的圆形区域内的拥挤程度值，ρ(x)是该区域内乘客的密度，num(x)表示该区域内乘客数量，

E(x)表示该区域内乘客速度的熵，E_m(x)是乘客速度大小的熵，E_d(x)是速度方向的熵，n₁是速度的大小区间的等分数，n₂是速度的方向区间的等分数，w＝1,2,...,n₁，s＝1,2,...,n2，p_v(w)是乘客的速度大小落入区间w的概率，p_θ(s)是乘客的速度方向落入区间s的概率。

将所有方格中拥挤程度最大的方格的cp(x)值，作为向量X对应的护栏布局的适应值fitness(X)：

其中，y代表划分出的任意一个方格，cp(y)代表以方格y的中心为圆心，半径为R的圆形区域内的拥挤程度值。

进一步地，所述步骤S2中的适应度评估执行如下操作：

比较所述测试向量与对应的所述目标向量的适应值的大小，如果所述测试向量的适应值等于或优于所述目标向量的适应值，则用所述测试向量替换掉所述目标向量，并将所述目标向量加入到所述外部归档A中，如果所述测试向量的适应值差于所述原目标向量的适应值，则保留所述目标向量，也就是将测试向量U_i和目标向量X_i的适应值大小进行比较,两者之间适应值较好的一个将会被成功地保留下来进入下一代。

进一步地，所述步骤S3中更新所述JADE参数操作是更新与个体X_i相关的参数：交叉概率CR_i和变异因子F_i，使得后续能产生更多优秀的个体，更新方式如下：

CR_i＝randn_i(μCR,0.1)

F_i＝randc_i(μF,0.1)

其中，i表示所述种群个体X_i的索引号，i＝1,2,...,NP，randn_i(μCR,0.1)表示均值为μCR，标准差为0.1的正态分布函数；randc_i(μF,0.1)表示均值为μF，标准差为0.1的柯西分布函数。

进一步地，所述步骤S3中更新所述外部归档A，就是更新所述外部归档A中的向量，当所述外部归档A中存储的向量数超过NP时，随机丢弃一些向量，确保所述外部归档A中存储的向量数不超过NP。

本发明相对于现有技术具有如下的优点及效果：

本发明使用带有外部归档的自适应差分进化算法(JADE)来自动设计地铁站的护栏布局，构建的目标函数基于护栏布局编码而成，使用一个包括四个元素的浮点型向量来表示护栏布局，既能表达护栏布局信息又能减少算法的搜索空间，提高了算法的效率；构建的适应度评估机制基于人群仿真技术，采用经典的A*算法导航人群的移动，运用社会力模型避免人群的碰撞，在进行适应值计算时考虑了人群的密度和行人速度的大小、速度的方向等因素，提高了评估机制的合理性；此外，本发明自适应更新JADE参数，引导进化算法的搜索，最终找到合理的护栏布局设计方案，提高了差分进化算法求解地铁站护栏自动设计的效率和鲁棒性。

附图说明

图1是本发明实施例中公开的地铁站电梯口的护栏编码方式示意图，以W＝2,B＝4为例；

图2是本发明实施例中公开的基于自适应差分进化算法的公共场所护栏布局优化流程图；

图3是本发明实施例中以中国广州地铁体育西路站为例的平面示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例

本实施例以开口向上的电梯口为例，结合附图1，先对本发明的编码、解码、适应度计算和适应度评估机制描述如下：

编码：

在带有外部归档的自适应差分进化算法(JADE)中，使用一个包含四个元素的浮点数向量X来编码护栏布局序列：X＝[x₁,x₂,x₃,x₄],其中，0≤x₁、x₂、x₃、x₄<1，x₁和x₂共同决定护栏入口的位置；x₃和x₄决定连接护栏入口和电梯口的护栏绘制方式，。

解码：

上述四个元素均是浮点数，编码了护栏的信息，相应地，在绘制护栏时，要将这四个浮点数(x₁,x₂,x₃,x₄)解码成离散型的整数四元组(B,W,G,H)，对应关系如下：

其中，MAX_LEN是人为设定的护栏的最大边长；如附图1所示，B和W决定了护栏入口的位置，B决定了护栏在平行电梯开口方向上延伸多少个单位，W决定了护栏在垂直电梯开口方向上延伸多少个单位；G和H的取值共有四种组合：(0,0)，(0,1)，(1,0)，(1,1)，每一种组合，对应着连接护栏入口和电梯口的一种护栏绘制方式。这样编码的好处是仅用四个变量就编码了护栏的信息，一方面减少了JADE的搜索空间，另一方面使得绘制出的护栏更加规则，符合人类的认知。护栏绘制具体的例子如附图1所示。

适应度计算：

在对护栏布局进行编码后，便可以用计算机来对地铁站的人群流动进行模拟，并设计指标来衡量护栏布局的质量，以便比较不同护栏布局的优劣，引导JADE迭代搜索出更高质量的护栏布局。

考虑一个含有N个电梯口、M个闸机口{g₁,g₂,…,g_q,…,g_M}、T条线路的地铁站{l₁,l₂,…,l_h,…,l_T}，其中q＝1,2,…，M，h＝1,2,…,T，假定从闸机口g_q进入地铁站的乘客选择去往线路l_h，通往线路l_h的电梯口有r{e₁,e₂,…,e_k,…,e_r}个，k＝1,2,…,r，采用轮盘赌的选择方式，乘客选择电梯口e_k去往线路l_h的概率，按如下方式计算：

其中，P(e_k|l_h)表示去往线路l_h的乘客选择电梯口e_k的概率，score(k)表示乘客对电梯口e_k的评分，g_q是乘客进入地铁站的闸机口，dist(e_k,g_q)代表闸机口g_q和电梯口e_k之间的欧几里得距离；ρ(e_k)代表当前时刻电梯口e_k的乘客密度，用单位面积上的乘客数量来表示；score(k)与乘客到电梯口e_k的距离有关，也与当前聚集在电梯口e_k的乘客密度有关；乘客到电梯口e_k的距离越小，score(k)越高；当前聚集在电梯口e_k的乘客密度越低，score(k)也越高。因此，综合来看，乘客会更倾向于选择距离自己近的，且人流量较低的电梯口，避免造成拥挤。

给定了地铁站的闸机口、电梯口、线路以及乘客从闸机口去往电梯口的转移概率，便可以利用计算机来模拟地铁站内乘客的流动，采用经典的A*算法来导航乘客的移动，运用社会力模型来避免人群的碰撞，根据社会力模型，乘客c所受的合力f_c可以表示为：

其中，m_c和dv_c/dt是乘客c的质量和加速度；f_co，f_dc和f_cw分别是朝向目标的吸引力、来自其他乘客d的排斥力和来自静止障碍物的排斥力；

为了引导JADE能够迭代的搜索出高质量的护栏布局，在每一次模拟过程中，我们需要对当前的护栏布局进行评估，评估护栏是否缓解了电梯口的拥挤或者缩短了乘客到达电梯口的时间，这就需要一个合理的指标来量化护栏对人群流动的影响；为了评估护栏是否缓解了电梯口的拥挤程度，我们将整个地铁站划分成边长为L的多个方格，对每个方格x，我们采用下述指标来衡量以方格x的中心为圆心，半径为R(R>L)的圆形区域内的拥挤程度：

cp(x)＝ρ(x)*E(x)

其中cp(x)代表以方格x的中心为圆心，半径为R的圆形区域内的拥挤程度值，ρ(x)是该区域内乘客的密度，num(x)是乘客的数量，E(x)是该区域内乘客速度的熵，反映乘客速度的混乱程度/无序性，是衡量拥挤程度的重要指标；因为速度在物理学上是一个矢量，因此，在计算E(x)的时候，需要同时考虑速度的方向和速度的大小，E(x)的计算方式如下：

E(x)＝E_m(x)*E_d(x)

其中，E_m(x)是乘客速度大小的熵，E_d(x)是速度方向的熵；E_m(x)和E_d(x)的计算方式类似，如下所示：

其中，在计算E_m(x)和E_d(x)时，首先要根据以方格x的中心为圆心，半径为R的区域内乘客速度的取值，将速度的大小均分成n₁个区间，将速度的方向均分成n₂个区间，w＝1,2,...,n₁，s＝1,2,...,n₂，统计落入各个区间的乘客的数量，进而计算出乘客的速度大小落入区间w的概率p_v(w)，以及乘客的速度方向落入区间j的概率p_θ(s)，以得到Em(x)和E_d(x)。在对每个方格x计算过拥挤程度cp(x)以后，将所有方格中拥挤程度最大的方格的cp(·)值作为与实值向量X对应的护栏布局的适应值：

其中，fitness(X)表示向量X对应的护栏布局的适应值，cp(·)表示某个方格的拥挤程度，x,y表示某个方格。

适应度评估：

比较测试向量和对应的目标向量的适应值，如果测试向量的适应值等于或优于目标向量的适应值，则用测试向量替换掉目标向量，并将目标向量加入到外部归档A中，如果测试向量的适应值差于目标向量的适应值，则保留目标向量。

附图2给出了本发明使用基于带有外部归档的自适应差分进化算法(JADE)自动设计地铁站护栏的流程图。接下来，结合流程图的内容分步描述JADE应用于地铁站护栏自动设计的具体实施方式：

S1、初始化：

在本发明中，初始化阶段会创建一个包含NP个个体的种群P、一个空的外部归档A以及空的实数集合SCR和SF，SCR和SF分别用来存储进化过程中能产生较好个体的交叉概率CR值和变异因子F值；如前面介绍，种群的每个个体X_i都使用一个四维的实数向量来编码护栏的排列，这些个体也被称作目标向量：

X_i ^[g]＝[x_i,1 ^[g],x_i,2 ^[g],x_i,3 ^[g],x_i,4 ^[g]]

其中g是当前进化的代数；i是个体的索引，i＝1,2,...,NP；X_i ^[g]代表了在第g代中，种群P中的第i个个体，x_i,j ^[g]是个体X_i ^[g]的第j个元素，从区间[0，1]中随机均匀采样得到，j＝1,2,3,4。采用实数编码可以使得算法更易于实现，因为JADE算法非常适合用来求解连续优化问题；在绝大部分情况下，JADE的经变异、交叉后产生的也是含有实数元素的向量。

随后，基于人群仿真计算所有初始目标向量的适应度。

S2、构建测试向量；计算测试向量的适应值；对测试向量进行解码得到护栏序列；进行适应度评估；执行选择操作更新种群个体，计算新个体目标向量的适应值，并将被淘汰的个体加入到外部归档A中：

S21、构建测试向量，测试向量经变异和交叉操作后产生：

变异：

初始化之后,对当前种群P中的NP个个体进行变异操作，生成新的变异向量V_i ^[g]，JADE所采用的是一种新的变异策略“DE/current-to-pbest”，该变异策略可以用下式表达：

V_i ^[g]＝X_i ^[g]+F_i*(X^p _best ^[g]-X_i ^[g])+F_i*(X_r1 ^[g]-X_r2 ^[g])

其中，V_i ^[g]是新的变异向量，X^p _best ^[g]是从当代种群中适应值靠前的100p％的个体中随机选择的个体,其中p∈(0,1]，X_i ^[g]，X_r1 ^[g]是从当前种群P中随机选择的，X_r2 ^[g]是从当前种群P和外部归档A的并集中随机选取的，F_i是跟X_i关联的参数，称作变异因子。

交叉：

变异操作完成后,进行交叉操作。通过对X_i ^[g]和V_i ^[g]进行交叉操作得到测试向量U_i ^[g]，交叉方式如下：

其中，u_i,j ^[g]是U_i ^[g]的第j个元素，j_rand是在区间[1,4]中随机产生的一个整数，用来确保u_i,j跟x_i,j至少有一个基因位点不同；CR_i是交叉率，是与X_i相关联的一个参数。

S22、如前述方法计算测试向量的适应值。

S23、如前述方法对测试向量进行解码得到护栏序列。

S24、如前述方法进行适应度评估。

S25、执行选择操作更新种群个体，计算其目标向量的适应值，并将被淘汰的个体加入到外部归档A：

选择：

选择操作是将测试向量U_i ^[g]和目标向量X_i ^[g]的适应值大小进行比较，两者之间适应值较好的一个将会被成功地保留下来进入下一代，成为下一代的父代X_i ^[g+1]，选择方式如下：

其中，fitness(.)是适应值函数，如果U_i ^[g]的适应值优于X_i ^[g]适应值，则保留U_i ^[g]的同时，将X_i ^[g]加入到外部归档A中，并将产生的U_i ^[g]的交叉因子CR_i值和变异因子F_i值分别加入到SCR和SF中去；

S3、自适应更新JADE参数和外部归档A：

自适应参数更新：

为了提高差分进化的搜索效率和鲁棒性，JADE采用了一种自适应的方式来更新与个体X_i相关的参数：交叉概率CR_i和变异因子F_i，使得后续能产生更多优秀的个体。更新的方式如下：

CR_i＝randn_i(μCR，0.1)

F_i＝randc_i(μF，0.1)

其中，randn_i(μCR，0.1)表示均值为μCR、标准差为0.1的正态分布函数；randc_i(μF，0.1)表示均值为μF、标准差为0.1的柯西分布函数；μCR和μF在初始化时被设置为0.5然后根据下列两个式子不断更新：

μCR＝(1-c)*μCR+c*mean_A(SCR)

μF＝(1-c)*μF+c*mean_L(SF)

其中，c是0到1之间的一个常数，mean_A(·)表示常见的平均值，而mean_L(·)表示Lehmer平均值，计算方式如下：

通过将被淘汰的个体加入到外部归档中去，并通过自适应机制将产生优秀个体的CR_i和F_i保存下来，进而产生新的CR_i和F_i，JADE拥有比传统差分进化算法更多样化的种群，更强的搜索能力以及鲁棒性，因此适合用来实现地铁站护栏的自动设计。

更新外部归档A：

如果外部归档A中存储的向量数超过了NP，则随机丢弃一些向量，使得外部归档A中向量的个数不超过NP。

重复执行步骤S2和步骤S3，直到达到设定的最大迭代次数，并将最后一次迭代产生的护栏序列作为最终的护栏布局输出。

为了测试本发明算法的性能，以广州的体育西路地铁站网络为例进行仿真测试。体育西路地铁站包含10个电梯口和11个闸机口，如附图3所示。在实验仿真的过程中，做如下设置：

a)闸机口处乘客的到达服从泊松分布，且泊松分布的参数已知。

b)每个目标向量均编码了10个电梯口的护栏排列，故而每个目标向量和测试向量的长度均为10*4＝40。

c)将整个地铁站划分成多个方格，方格边长L为2.5m，采样间隔为0.5秒，对以方格x的中心为圆心，半径R为4m的圆形区域内的拥挤程度进行衡量。

本发明采用前述的护栏编码方式、评估方式以及默认的JADE参数设置。最终的仿真结果显示，本发明的算法在多次的仿真测试中，其平均优化效果要优于无护栏的场景。这说明本发明提出的地铁站护栏布局设计优化方法是有效的。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于自适应差分进化算法的公共场所护栏布局优化方法，其特征在于，所述护栏布局优化方法包括以下步骤：

S1、初始化：产生种群P和外部归档A，初始化JADE参数，所述种群P包含NP个目标向量，对每个所述目标向量基于护栏布局进行编码，利用人群行为仿真技术，衡量区域内的拥挤程度，计算所有初始所述目标向量的适应值；所述步骤S1中的所述目标向量按如下方式进行编码：

X＝[x₁,x₂,x₃,x₄]其中，0≤x₁、x₂、x₃、x₄<1，X为编码了护栏布局的目标向量，是一个包含四个元素的浮点数向量，用来编码护栏布局序列，x₁和x₂共同决定护栏入口的位置；x₃和x₄决定连接护栏入口和电梯口的护栏绘制方式；

S2、对所述种群P中的每个所述目标向量，根据所述JADE参数，从所述种群P和所述外部归档A中选取辅助向量，构建测试向量；计算所述测试向量的适应值；对所述测试向量进行解码得到护栏序列；进行适应度评估；执行选择操作更新所述种群个体，计算新个体目标向量的适应值，并将被淘汰的个体加入到所述外部归档A；其中对所述测试向量进行解码，按如下方式操作：

将所述测试向量对应的四个浮点数(x₁,x₂,x₃,x₄)解码成离散型的整数四元组(B,W,G,H)，以便绘制护栏，对应关系如下：

其中，MAX_LEN是人为设定的护栏的最大边长，B和W用于决定护栏入口的位置，B用于决定护栏在平行电梯开口方向上延伸单位的数量，W用于决定护栏在垂直电梯开口方向上延伸单位的数量；G和H的取值共有四种组合：(0,0)，(0,1)，(1,0)，(1,1)；每一种组合对应连接护栏入口和电梯口的一种护栏绘制方式；

S3、自适应更新所述JADE参数和所述外部归档A；

S4、重复执行步骤S2和步骤S3，直到达到设定的最大迭代次数，并将最后一次迭代产生的护栏序列作为最终的护栏布局输出。

2.根据权利要求1所述的基于自适应差分进化算法的公共场所护栏布局优化方法，其特征在于，所述步骤S2中所述测试向量经变异和交叉产生，按如下步骤操作：

S21、执行变异操作：

初始化之后,采用变异策略“DE/current-to-pbest”对所述种群P中的NP个个体进行变异操作，生成新的变异向量V_i,所述变异策略可以用下式表达：

V_i＝X_i+F_i*(X^p _best-X_i)+F_i*(X_r1-X_r2)

其中，X_i为所述种群P中的第i个个体，i＝1,2,...,NP，X^p _best是从当代所述种群中适应值靠前的100p％的个体中随机选择的个体,p∈(0,1]，X_i，X_r1从当代所述种群P中随机选择产生，X_r2则是从当代所述种群P和所述外部归档A的并集中随机选取产生，F_i为变异因子，是与X_i关联的参数；

S22、执行交叉操作：

变异操作完成后,对当代种群个体进行交叉操作，得到所述测试向量U_i，交叉方式如下：

其中，U_i，j是所述测试向量U_i中的第j个元素，i＝1,2,...,NP，j＝1,2,3,4，j_rand是在区间[1,4]中随机产生的一个整数，用来确保U_i,j跟X_i,j至少有一个基因位点不同；CR_i为交叉率，是跟X_i相关联的一个参数。

3.根据权利要求1或2所述的基于自适应差分进化算法的公共场所护栏布局优化方法，其特征在于，所述步骤S1、S2中的适应值按如下步骤计算：

S11、人群行为仿真：

考虑一个含有N个电梯口、M个闸机口{g₁,g₂,…,g_q,…,g_M}、T条线路的地铁站{l₁,l₂,…,l_h,…,l_T}，其中q＝1,2,…，M，h＝1,2,…,T，假定从闸机口g_q进入地铁站的乘客选择去往线路l_h，通往线路l_h的电梯口有r{e₁,e₂,…,e_k,…,e_r}个，k＝1,2,…,r，采用轮盘赌的选择方式，乘客选择电梯口e_k去往线路l_h的概率，按如下方式计算：

其中，P(e_k|l_h)表示去往线路l_h的乘客选择电梯口e_k的概率，score(k)表示乘客对电梯口e_k的评分，g_q是乘客进入地铁站的闸机口，dist(e_k,g_q)代表闸机口g_q和电梯口e_k之间的欧几里得距离；ρ(e_k)代表当前时刻电梯口e_k的乘客密度，用单位面积上的乘客数量来表示，score(u)表示乘客对第u个电梯口e_u的评分，dist(e_u,g_q)代表闸机口g_q和电梯口e_u之间的欧几里得距离；

采用经典的A*算法来导航乘客的移动，运用社会力模型来避免人群的碰撞，根据社会力模型，乘客c所受的合力f_c可以表示为：

其中，m_c和dv_c/dt是乘客c的质量和加速度；f_co，f_dc和f_cw分别是朝向目标的吸引力、来自其他乘客d的排斥力和来自静止障碍物的排斥力；

S12、计算适应值：

将整个地铁站划分成边长为L的多个方格，对每个方格x，按如下方式计算其拥挤程度：

cp(x)＝ρ(x)*E(x)

E(x)＝E_m(x)*E_d(x)

其中，cp(x)代表以方格x的中心为圆心，半径为R的圆形区域内的拥挤程度值，ρ(x)是该区域内乘客的密度，num(x)则表示该区域内乘客数量，E(x)则表示该区域内乘客速度的熵，E_m(x)是乘客速度大小的熵，E_d(x)是速度方向的熵，n₁是速度的大小区间的等分数，n₂是速度的方向区间的等分数，w＝1,2,...,n₁，s＝1,2,...,n₂，p_v(w)是乘客的速度大小落入区间w的概率，pθ(s)是乘客的速度方向落入区间s的概率；

将所有方格中拥挤程度最大的方格的cp(x)值，作为与向量X对应的护栏布局的适应值fitness(X)：

其中，y代表划分出的任一方格，cp(y)代表以方格y的中心为圆心，半径为R的圆形区域内的拥挤程度值。

4.根据权利要求1或2所述的基于自适应差分进化算法的公共场所护栏布局优化方法，其特征在于，所述步骤S2中的适应度评估，按如下方式操作：

比较所述测试向量和对应的所述目标向量的适应值，如果所述测试向量的适应值等于或优于所述目标向量的适应值，则用所述测试向量替换掉所述目标向量，并将所述目标向量加入到所述外部归档A中，如果所述测试向量的适应值差于所述目标向量的适应值，则保留所述目标向量。

5.根据权利要求1或2所述的基于自适应差分进化算法的公共场所护栏布局设计优化方法，其特征在于，所述步骤S3中更新所述JADE参数是指更新与所述种群个体相关的参数：交叉概率CR_i和变异因子F_i，更新方式如下：

CR_i＝randn_i(μCR,0.1)

F_i＝randc_i(μF,0.1)

其中，i表示所述种群中个体的索引号，i＝1,2,...,NP，randn_i(μCR,0.1)表示均值为μCR，标准差为0.1的正态分布函数；randc_i(μF,0.1)表示均值为μF，标准差为0.1的柯西分布函数。

6.根据权利要求1或2中所述的基于自适应差分进化算法的公共场所护栏布局优化方法，其特征在于，所述步骤S3中更新所述外部归档A是指更新所述外部归档A中的向量，当所述外部归档A中存储的向量数超过NP时，随机丢弃一些向量，确保所述外部归档A中存储的向量数不超过NP。

Images