CN112765875A - 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 - Google Patents
考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 Download PDFInfo
- Publication number
- CN112765875A CN112765875A CN202110003250.0A CN202110003250A CN112765875A CN 112765875 A CN112765875 A CN 112765875A CN 202110003250 A CN202110003250 A CN 202110003250A CN 112765875 A CN112765875 A CN 112765875A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- individual
- negative
- emotion
- propagation
- 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
Links
Images
Classifications
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种考虑知识传播对消极情绪影响的人群疏散模拟方法及系统,属于人群疏散模拟技术领域,构建知识‑消极情绪感染多重传播网络,确定个体的消极情绪强度值,确定该个体接收的总知识量;结合西米诺夫心理学模型,确定消极情绪变化值;构建情绪‑速度模型;利用人工蜂群算法优化求解情绪‑速度模型,确定使人群平均运动速度最大的最优位置;根据最优位置实现人群疏散模拟。本发明描述了情绪感染和知识传播过程及其相互影响,量化了知识对消极情绪感染的影响,提出了消极情绪与运动速度之间的关系,把人群疏散效率问题描述为速度最大化问题,通过启发式人工蜂群算法完成优化问题,实现了可视化的消极情绪调控的人群疏散仿真模拟结果。
Description
技术领域
本发明涉及人群疏散模拟技术领域,具体涉及一种考虑知识传播对消极情绪影响的人群疏散模拟方法及系统。
背景技术
近年来,经济的迅速发展使得大型商场及购物中心越来越多。在这些场所发生紧急情况时,如何高效的进行人群疏散成为最让人担忧的问题。情绪对人群决策行为起着至关重要的作用,尤其是对个体运动速度的影响。心理学研究表明,个体在消极情绪状态下比在积极情绪状态下的运动速度更快,但是在极度消极情绪状态下个体会静止。那么,如何在危急情况下控制人群中适度的消极情绪,从而高效的疏散人群是一个具有挑战性的问题。
然而,个体在消极情绪状态下比在积极情绪和无情绪状态下的速度要快,而在极度消极情绪状态下个体会静止。目前,人群疏散中模拟中,消极情绪控制是将个体的消极情绪降到最低,甚至是完全抑制,这大大降低了人群疏散模拟的效率。
发明内容
本发明的目的在于提供一种考虑知识传播对消极情绪影响的人群疏散模拟方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种考虑知识传播对消极情绪影响的人群疏散模拟方法,包括如下流程步骤:
构建知识-消极情绪感染多重传播网络;
基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
根据最优位置实现人群疏散模拟。
优选的,构建知识-消极情绪感染多重传播网络为:
G=(Ge,Gk);其中,Ge=(V,Ee),表示消极情绪感染层;Gk=(V,Ek),表示知识传播层;节点V表示人群中的个体集合;边Ee表示个体间的情绪传播关系;边Ek表示个体间的知识传播关系;
在消极情绪感染层中,从节点i到节点j的边Ee(i,j)表示个体i受个体j的情绪感染,且个体i在个体j的影响范围内;
在知识传播层中,从节点i到节点j的边Ek(i,j)表示个体i受个体j的情绪感染,且个体i和个体j之间没有障碍物,在可视范围内。
优选的,确定个体的消极情绪强度值包括:
在消极情绪感染层,假设个体的消极情绪强度值是连续的,ei∈[0,1]表示个体i的消极情绪强度值,ei的值越接近于1,个体i的情绪越消极;
结合Durupinar模型,根据个体i与个体j之间的距离,确定个体i在t时刻受邻居个体j感染的情绪值:
其中,ej(t)表示感染个体j在t时刻时的消极情绪强度值,Neighbor(i)表示个体i的邻居集,Xi表示个体i所在的位置,Xj表示个体j所在的位置,||Xi-Xj||表示个体i与个体j的欧氏距离;
则,在T时间段内,个体i的消极情绪强度值为:
优选的,根据消极情绪强度值确定该个体接收的总知识量包括:
无知识个体i在Δt时间段内从知识个体j学得的知识量Δki,j为:
其中,表示无知识个体i对知识的理解能力;ξi表示有知识个体j的表达能力;ci,j表示无知识个体i对有知识个体j的置信度;kj表示个体j的知识量;αdt表示无知识个体i在时间段Δt内从有知识个体j学得知识的概率;α表示知识-消极情绪感染多重传播网络中知识传播率;
则,个体i在时间段Δt内获得的总知识量ki(t+Δt)为:
ki(t+Δt)=Δki,j+Δki,r;其中,Δki,r表示在知识传播层中无知识个体i在时间段Δt内从知识节点r获得的知识量,所述知识节点r包含疏散场景中的地图信息以及对应的疏散知识;ki表示个体i自身具备的知识量。
优选的,根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值包括:
利用西米诺夫心理学模型量化知识传播层对消极情绪感染层的影响因子为η为:
其中,ε表示个体获取知识的迫切程度,kn表示个体必备知识量,b是一个常数;
则,知识-消极情绪感染多重传播网络中个体i在t+Δt时刻的情绪变化值ei(t+Δt)为:ei(t+Δt)=ei(t)+ηei(t)。
优选的,根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型包括:
利用高斯函数描述消极情绪与个体运动速度的关系:
其中,vi(ei(t+Δt))表示个体i在t+Δt时刻的运动速度的大小,γ表示个体的动机,与个体i的个性有关,γ∈[0,1];δ表示常数。
优选的,利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置包括:
初始化确定种群数、最大迭代数控制参数,并且在初始空间随机生成初始解,通过初始解确定候选知识节点的位置及传播的知识量,作为候选解;
将候选解带入到优化目标函数计算适应度值,并记录最大适应度值对应的解;
引领蜂在已知解的附近搜索新解,并进行记录,计算新解的适应度值;
若新解的适应度值优于旧的已知解的适应度值,则引领蜂保留新解放弃旧的已知解;反之,则保留旧的已知解;
在所有引领蜂完成搜索后,引领蜂将保留的解的信息与跟随蜂分享;
跟随蜂计算每个保留解的选择概率进行选择;
在区间[-1,1]内产生一个随机数,如果选择概率大于该随机数,则跟随蜂继续搜索新解,并检验该新解的适应度值;若跟随蜂搜索的新解的适应度值优于保留解的适应度值,则跟随蜂将保留该新解忘掉旧的保留解;
如果选择概率小于随机数,则跟随蜂不会产生新的解;
若初始解没有在预定数量的迭代中得到改进,则相应的引领蜂放弃该初始解,并成为一个侦察蜂;
当迭代次数达到最大值时,算法停止。
优选的,优化求解的目标函数为:
s.t.-1<kr<1
其中,kr表示知识节点r传播的知识量;表示知识节点的最优位置横坐标,表示知识节点的最优位置纵坐标,表示知识节点传播的最优知识量,Xr表示一组解的知识节点位置横坐标,Yr表示一组解的知识节点位置纵坐标,Kr表示一组解的知识节点传播的知识量。
其中,N是人群中个体的总数。
第二方面,本发明提供一种考虑知识传播对消极情绪影响的人群疏散模拟系统,包括:
第一构建模块,用于构建知识-消极情绪感染多重传播网络;
计算模块,用于基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
第二构建模块,用于根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
优化模块,用于利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
模拟模块,用于根据最优位置实现人群疏散模拟。
优选的,所述计算模块包括:
第一计算单元,用于确定个体的消极情绪强度值;
第二计算单元,用于根据消极情绪强度值确定个体接收的总知识量;
第三计算单元,用于根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值。
第三方面,本发明还提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的考虑知识传播对消极情绪影响的人群疏散模拟方法。
第四方面,本发明还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的考虑知识传播对消极情绪影响的人群疏散模拟方法。
本发明有益效果:提出了情绪和知识协同传播模型以探究情绪感染和知识传播过程及知识对消极情绪的影响,构建了多重网络并利用数学模型描述了情绪和知识在多重网络中的传播过程,利用西米诺夫心理学模型量化了知识对消极情绪的影响,提出了基于心理学的情绪与速度模型量化了个体的消极情绪与运动速度之间的关系,把人群疏散效率问题描述为一个速度最大化问题,通过启发式人工蜂群算法来完成优化问题,实现了可视化的消极情绪调控的人群疏散仿真模拟结果。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所述的考虑知识传播对消极情绪影响的人群疏散模拟系统的功能原理框图。
图2为本发明实施例2所述的考虑知识传播对消极情绪影响的人群疏散模拟方法的流程图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
如图1所示,本发明实施例1提供一种考虑知识传播对消极情绪影响的人群疏散模拟系统,该系统包括:
第一构建模块,用于构建知识-消极情绪感染多重传播网络;
计算模块,用于基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
第二构建模块,用于根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
优化模块,用于利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
模拟模块,用于根据最优位置实现人群疏散模拟。
在本实施例1中,所述计算模块包括:
第一计算单元,用于确定个体的消极情绪强度值;
第二计算单元,用于根据消极情绪强度值确定个体接收的总知识量;
第三计算单元,用于根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值。
在本实施例1中,基于上述的考虑知识传播对消极情绪影响的人群疏散模拟系统,实现了考虑知识传播对消极情绪影响的人群疏散模拟方法,该方法的实现包括如下流程步骤:
构建知识-消极情绪感染多重传播网络;
基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
根据最优位置实现人群疏散模拟。
在本实施例1中,构建知识-消极情绪感染多重传播网络为:
G=(Ge,Gk);其中,Ge=(V,Ee),表示消极情绪感染层;Gk=(V,Ek),表示知识传播层;节点V表示人群中的个体集合;边Ee表示个体间的情绪传播关系;边Ek表示个体间的知识传播关系;
在消极情绪感染层中,从节点i到节点j的边Ee(i,j)表示个体i受个体j的情绪感染,且个体i在个体j的影响范围内;
在知识传播层中,从节点i到节点j的边Ek(i,j)表示个体i受个体j的情绪感染,且个体i和个体j之间没有障碍物,在可视范围内。
在本实施例1中,确定个体的消极情绪强度值包括:
在消极情绪感染层,假设个体的消极情绪强度值是连续的,ei∈[0,1]表示个体i的消极情绪强度值,ei的值越接近于1,个体i的情绪越消极;
结合Durupinar模型,根据个体i与个体j之间的距离,确定个体i在t时刻受邻居个体j感染的情绪值:
其中,ej(t)表示感染个体j在t时刻时的消极情绪强度值,Neighbor(i)表示个体i的邻居集,Xi表示个体i所在的位置,Xj表示个体j所在的位置,||Xi-Xj||表示个体i与个体j的欧氏距离;
则,在T时间段内,个体i的消极情绪强度值为:
在本实施例1中,根据消极情绪强度值确定该个体接收的总知识量包括:
无知识个体i在Δt时间段内从知识个体j学得的知识量Δki,j为:
其中,表示无知识个体i对知识的理解能力;ξi表示有知识个体j的表达能力;ci,j表示无知识个体i对有知识个体j的置信度;kj表示个体j的知识量;αdt表示无知识个体i在时间段Δt内从有知识个体j学得知识的概率;α表示知识-消极情绪感染多重传播网络中知识传播率;
则,个体i在时间段Δt内获得的总知识量ki(t+Δt)为:
ki(t+Δt)=Δki,j+Δki,r;其中,Δki,r表示在知识传播层中无知识个体i在时间段Δt内从知识节点r获得的知识量,所述知识节点r包含疏散场景中的地图信息以及对应的疏散知识;ki表示个体i自身具备的知识量。
在本实施例1中,根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值包括:
利用西米诺夫心理学模型量化知识传播层对消极情绪感染层的影响因子为η为:
其中,ε表示个体获取知识的迫切程度,kn表示个体必备知识量,b是一个常数;
则,知识-消极情绪感染多重传播网络中个体i在t+Δt时刻的情绪变化值ei(t+Δt)为:ei(t+Δt)=ei(t)+ηei(t)。
在本实施例1中,根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型包括:
利用高斯函数描述消极情绪与个体运动速度的关系:
其中,vi(ei(t+Δt))表示个体i在t+Δt时刻的运动速度的大小,γ表示个体的动机,与个体i的个性有关,γ∈[0,1];δ表示常数。
在本实施例1中,利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置包括:
初始化确定种群数、最大迭代数控制参数,并且在初始空间随机生成初始解,通过初始解确定候选知识节点的位置及传播的知识量,作为候选解;
将候选解带入到优化目标函数计算适应度值,并记录最大适应度值对应的解;
引领蜂在已知解的附近搜索新解,并进行记录,计算新解的适应度值;
若新解的适应度值优于旧的已知解的适应度值,则引领蜂保留新解放弃旧的已知解;反之,则保留旧的已知解;
在所有引领蜂完成搜索后,引领蜂将保留的解的信息与跟随蜂分享;
跟随蜂计算每个保留解的选择概率进行选择;
在区间[-1,1]内产生一个随机数,如果选择概率大于该随机数,则跟随蜂继续搜索新解,并检验该新解的适应度值;若跟随蜂搜索的新解的适应度值优于保留解的适应度值,则跟随蜂将保留该新解忘掉旧的保留解;
如果选择概率小于随机数,则跟随蜂不会产生新的解;
若初始解没有在预定数量的迭代中得到改进,则相应的引领蜂放弃该初始解,并成为一个侦察蜂;
当迭代次数达到最大值时,算法停止。
在本实施例1中,优化求解的目标函数为:
s.t.-1<kr<1
其中,kr表示知识节点r传播的知识量;表示知识节点的最优位置横坐标,表示知识节点的最优位置纵坐标,表示知识节点传播的最优知识量,Xr表示一组解的知识节点位置横坐标,Yr表示一组解的知识节点位置纵坐标,Kr表示一组解的知识节点传播的知识量。
其中,N是人群中个体的总数。
实施例2
本发明实施例2提供了一种基于知识传播的消极情绪调控优化的人群疏散模拟方法。
首先提出了情绪和知识协同传播模型以探究情绪感染和知识传播过程及知识对消极情绪的影响。在该模型中,构建了情绪和知识多重网络,并利用数学模型描述情绪和知识在多重网络中的传播过程。利用西米诺夫心理学模型量化了知识对消极情绪的影响。
其次,为了调控人群适度的消极情绪提高疏散效率,提出了基于心理学的情绪与速度模型量化了个体消极情绪与运动速度之间的关系。
最后,提出了一种启发式算法--人工蜂群算法,把人群疏散效率问题描述为一个速度最大化问题。
如图2所示,本实施例2中,基于知识传播的消极情绪调控优化的人群疏散模拟方法,包括以下步骤:
步骤(1):构建情绪和知识协同传播模型以探究情绪感染和知识传播过程及知识对消极情绪的影响。首先,构建了情绪和知识多重网络并利用数学模型描述情绪和知识在多重网络中的传播过程。其次,利用西米诺夫心理学模型量化了知识对消极情绪的影响。
步骤(2):提出了基于心理学的情绪与速度模型量化了个体的消极情绪与运动速度之间的关系。
步骤(3):把人群疏散效率问题描述为一个速度最大化问题,并提出了一种启发式算法--人工蜂群算法来有效地解决这一优化问题。
所述步骤(1)中,情绪和知识协同传播模型的构建过程如下:
首先,构建情绪和知识多重网络。本实施例中,考虑个体的情绪感染与知识传播的相互影响,构建多重网络描述消极情绪和知识传播的传播过程及其相互影响。
将情绪和知识多重网络描述为一个双层图G=(V,E),节点V表示人群中的个体;E=Ee∪Ek,边Ee表示人群中个体间的情绪的传播关系;边Ek表示人群中个体间的知识的传播关系。Ge=(V,Ee)是消极情绪感染层,Gk=(V,Ek)是知识传播层。
其中,多重网络是由相互关联的几层网络组成,而且这些不同网络层中的参与者是相同的。多重网络中两层的节点是一一对应的,即两层中的节点是相同的。但是由于消极情绪感染与知识传播过程并不相同,所以两层网络中节点之间的传播关系不同,即两层网络中的连接边不同。
在消极情绪感染层中,只考虑个体间的消极情绪感染。从节点i到节点j的边E(i,j)=Ee表示个体i受个体j的情绪感染,而且个体i在个体j的影响范围内。在知识传播层中,只考虑个体间的知识传播,从节点i到节点j的边E(i,j)=Ek表示个体i从个体j处获取知识,而且个体i和个体j之间没有障碍物,在可视范围内。
其次,多重网络中的情绪感染传播如下:
在消极情绪感染层,只考虑个体间的消极情绪感染,不考虑知识传播。
假设个体消极情绪值是连续的,ei∈[0,1]表示个体i消极情绪的强度,ei的值越接近于1,个体i的情绪越消极。使用Durupinar模型分析个体间消极情绪感染的过程。距离易感个体i越近的感染个体j对其的感染强度越强,所以感染强度与两者之间距离成反比。易感个体i在t时刻受到其他感染个体j的情绪值的具体方程表示如下:
其中,ej(t)表示感染个体j在t时刻时的消极情绪强度值,Neighbor(i)表示个体i的邻居集,Xi表示个体i所在的位置,Xj表示个体j所在的位置,||Xi-Xj||表示个体i与个体j的欧氏距离。
在T时间段内,个体i的消极情绪强度值用以下方程计算:
其中,τ表示个体i的上一个时间步。
然后,多重网络中的知识传播如下:
在知识传播层,只考虑个体间知识传播,不考虑消极情绪感染。
为了更好的传播实时的疏散知识,在多重网络中引入机器人作为知识节点。将场景中的地图信息加载到机器人中,而机器人之间还可以实时地进行通讯,形成动态疏散知识,从而为疏散者提供最可靠的知识传播。
机器人对无知识个体传播知识时,只考虑无知识个体i与机器人r之间的距离,无知识个体i对机器人r传播知识的理解能力。在机器人影响范围内,机器人传播知识的影响与无知识个体和机器人间的距离成反比,即距离越远影响越小。定义机器人的知识传播率为σ,那么在Δt时间段内,无知识个体i在机器人处能够获得的知识量为:
在个体间传播知识过程中,需要考虑个体的表达能力和理解能力、个体间的置信度以及个体间的距离等影响因素。置信度是指个体对从其他个体学得知识的相信程度,假设个体的置信度c∈(0,1)。
在本实施例2中,个体的表达能力和理解能力与个体的消极情绪强度有关,个体情绪越消极,个体的表达能力和理解能力越低。
其中,ξi和的值都在[0,1]之间。值越大意味着个体的表达能力和理解能力越强。假设在多重传播网络中层内知识传播率为α,那么,无知识个体i在Δt时间段内从有知识个体j学得知识的概率为αdt,无知识个体i在Δt时间段内学得的知识如下:
其中,表示无知识个体i对知识的理解能力;ξi表示有知识个体j的表达能力;ci,j表示无知识个体i对有知识个体j的置信度;kj表示个体j的知识量;αdt表示无知识个体i在时间段Δt内从有知识个体j学得知识的概率;α表示知识-消极情绪感染多重传播网络中知识传播率;
则,个体i在时间段Δt内获得的总知识量ki(t+Δt)为:
ki(t+Δt)=Δki,j+Δki,r; (6)
其中,Δki,r表示在知识传播层中无知识个体i在时间段Δt内从知识节点r获得的知识量,所述知识节点r包含疏散场景中的地图信息以及对应的疏散知识;ki表示个体i自身具备的知识量。
最后,多重网络中知识传播对消极情绪感染的影响如下:
根据西米诺夫心理学模型量化了知识对情绪的影响。将个体知识k设置为连续值,k∈[-1,1],并将个体知识分为危险性知识和安全性知识。危险性知识是指发生危险性事件的知识,k∈[-1,0]时代表个体的危险性知识。安全性知识是指能够远离危险事件且保证人身安全的疏散知识,k∈[0,1]时代表个体的安全性知识。危险性知识的传播可促进消极情绪感染,而安全性知识的传播可抑制消极情绪感染。
为了形象的描述知识传播层对消极情绪感染层的影响,本实施例2中,提出了一个新的参数影响因子η,以描述多重网络中知识传播对消极情绪感染的影响。利用西米诺夫心理学模型量化了影响因子η用以下方程表示
其中,ε表示个体获取知识的迫切程度,kn表示个体必备知识量,b是一个常数。
那么,多重网络中个体i在t+Δt时刻的情绪变化可以改写为:
ei(t+Δt)=ei(t)+ηei(t) (8)
所述步骤(2)中,基于心理学的情绪与速度模型的构建过程如下:
情绪变化和情绪强度对个体的运动速度有重大影响,心理学研究表明个体在消极情绪状态下比在积极情绪和无情绪状态下的速度要快,而在极度消极情绪状态下个体会静止。
因此,在本实施例2中,利用高斯函数来描述消极情绪与个体运动速度的关系,用以下公式表示:
其中,vi(ei(t+Δt))表示个体i在t+Δt时刻的运动速度的大小,γ表示个体的动机,与个体i的个性有关,γ∈[0,1];δ表示常数。
所述步骤(3)中,优化问题定义如下:
首先,优化问题定义。优化的目标是找到一组机器人的最优位置及传播的最优知识量,使得场景中人群的平均速度最大,从而达到高效疏散的效果。最大化目标函数如下:
其中,kr表示知识节点r传播的知识量;表示一组最优解。和是机器人的最优位置,是对应的机器人传播的最优知识量。Xr,Yr,Kr是一组解,表示一组机器人的位置和传播的知识量。Xr,Yr,Kr它们都是向量。
其中,N是人群中个体的总数。
其次,优化问题求解。利用人工蜂群算法解决最优问题。
算法的初始阶段需要进行初始化,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si(i=1,2,3,...,SN),SN为食物源个数,每个解si是一个三维向量,sij(j=1,2,3)代表机器人的位置和传播的知识量,用si能确定一个候选机器人的位置及传播的知识量。
定义fit为适应度值,将上述候选解带入到目标函数计算适应度值,并记录了最大适应度值对应的解,fiti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:
wij=sij+ψij(sij-snj) (13)
其中,sij(j=1,2,3),代表机器人的位置和传播的知识量,n∈{1,2,...,SN},j∈{1,2,...,D},D表示解的维数。i∈{1,2,...,SN},且n≠i,ψij为[-1,1]之间的随机数。
接下来,算法计算新解并求该解的适应度值,若新解的fiti优于旧解,则引领蜂记住新解忘记旧解。反之,它将保留旧解。
然后,在区间[-1,1]内随机产生一个数,如果Pri大于该随机数,则跟随蜂由公式(13)产生一个新解,并检验新解的适应度值,若新解的fiti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Pri小于该随机数则不会产生新的解。最后如果解决方案si没有在预定数量的迭代中得到改进,那么相应的引领蜂放弃该解决方案,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。
实施例3
本发明实施例3提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的考虑知识传播对消极情绪影响的人群疏散模拟方法,包括如下流程步骤:
构建知识-消极情绪感染多重传播网络;
基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
根据最优位置实现人群疏散模拟。
实施例4
本发明实施例4提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的考虑知识传播对消极情绪影响的人群疏散模拟方法,包括如下流程步骤:
构建知识-消极情绪感染多重传播网络;
基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
根据最优位置实现人群疏散模拟。
综上所述,本发明实施例所述的考虑知识传播对消极情绪影响的人群疏散模拟方法及系统,构建了知识和情绪多重网络;构建了情绪和知识协同传播模型分析多重网络中情绪感染和知识传播过程;根据西米诺夫心理学模型分析了多重网络中知识对情绪的影响;为了调控人群适度的消极情绪提高疏散效率,构建了基于心理学的情绪与速度模型量化个体的消极情绪与运动速度之间的关系;把人群疏散效率问题描述为速度最大化问题并利用人工蜂群算法来求解优化问题;实现了一个人群疏散仿真系统,以可视化消极情绪调控的结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种考虑知识传播对消极情绪影响的人群疏散模拟方法,其特征在于,包括如下流程步骤:
构建知识-消极情绪感染多重传播网络;
基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
根据最优位置实现人群疏散模拟。
2.根据权利要求1所述的考虑知识传播对消极情绪影响的人群疏散模拟方法,其特征在于,构建知识-消极情绪感染多重传播网络为:
G=(Ge,Gk);其中,Ge=(V,Ee),表示消极情绪感染层;Gk=(V,Ek),表示知识传播层;节点V表示人群中的个体集合;边Ee表示个体间的情绪传播关系;边Ek表示个体间的知识传播关系;
在消极情绪感染层中,从节点i到节点j的边Ee(i,j)表示个体i受个体j的情绪感染,且个体i在个体j的影响范围内;
在知识传播层中,从节点i到节点j的边Ek(i,j)表示个体i受个体j的情绪感染,且个体i和个体j之间没有障碍物,在可视范围内。
3.根据权利要求2所述的考虑知识传播对消极情绪影响的人群疏散模拟方法,其特征在于,确定个体的消极情绪强度值包括:
在消极情绪感染层,假设个体的消极情绪强度值是连续的,ei∈[0,1]表示个体i的消极情绪强度值,ei的值越接近于1,个体i的情绪越消极;
结合Durupinar模型,根据个体i与个体j之间的距离,确定个体i在t时刻受邻居个体j感染的情绪值:
其中,ej(t)表示感染个体j在t时刻时的消极情绪强度值,Neighbor(i)表示个体i的邻居集,Xi表示个体i所在的位置,Xj表示个体j所在的位置,||Xi-Xj||表示个体i与个体j的欧氏距离;
则,在T时间段内,个体i的消极情绪强度值为:
4.根据权利要求3所述的考虑知识传播对消极情绪影响的人群疏散模拟方法,其特征在于,根据消极情绪强度值确定该个体接收的总知识量包括:
无知识个体i在Δt时间段内从知识个体j学得的知识量Δki,j为:
其中,表示无知识个体i对知识的理解能力;ξi表示有知识个体j的表达能力;ci,j表示无知识个体i对有知识个体j的置信度;kj表示个体j的知识量;αdt表示无知识个体i在时间段Δt内从有知识个体j学得知识的概率;α表示知识-消极情绪感染多重传播网络中知识传播率;
则,个体i在时间段Δt内获得的总知识量ki(t+Δt)为:
ki(t+Δt)=Δki,j+Δki,r;其中,Δki,r表示在知识传播层中无知识个体i在时间段Δt内从知识节点r获得的知识量,所述知识节点r包含疏散场景中的地图信息以及对应的疏散知识;ki表示个体i自身具备的知识量。
7.根据权利要求6所述的考虑知识传播对消极情绪影响的人群疏散模拟方法,其特征在于,利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置包括:
初始化确定种群数、最大迭代数控制参数,并且在初始空间随机生成初始解,通过初始解确定候选知识节点的位置及传播的知识量,作为候选解;
将候选解带入到优化目标函数计算适应度值,并记录最大适应度值对应的解;
引领蜂在已知解的附近搜索新解,并进行记录,计算新解的适应度值;
若新解的适应度值优于旧的已知解的适应度值,则引领蜂保留新解放弃旧的已知解;反之,则保留旧的已知解;
在所有引领蜂完成搜索后,引领蜂将保留的解的信息与跟随蜂分享;
跟随蜂计算每个保留解的选择概率进行选择;
在区间[-1,1]内产生一个随机数,如果选择概率大于该随机数,则跟随蜂继续搜索新解,并检验该新解的适应度值;若跟随蜂搜索的新解的适应度值优于保留解的适应度值,则跟随蜂将保留该新解忘掉旧的保留解;
如果选择概率小于随机数,则跟随蜂不会产生新的解;
若初始解没有在预定数量的迭代中得到改进,则相应的引领蜂放弃该初始解,并成为一个侦察蜂;
当迭代次数达到最大值时,算法停止。
9.一种考虑知识传播对消极情绪影响的人群疏散模拟系统,其特征在于,包括:
第一构建模块,用于构建知识-消极情绪感染多重传播网络;
计算模块,用于基于知识-消极情绪感染多重传播网络,确定个体的消极情绪强度值,并根据消极情绪强度值确定该个体接收的总知识量;根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值;
第二构建模块,用于根据消极情绪强度值和消极情绪变化值,构建情绪-速度模型;
优化模块,用于利用人工蜂群算法优化求解所述情绪-速度模型,确定使人群平均运动速度最大的最优位置;
模拟模块,用于根据最优位置实现人群疏散模拟。
10.根据权利要求9所述的考虑知识传播对消极情绪影响的人群疏散模拟系统,其特征在于,所述计算模块包括:
第一计算单元,用于确定个体的消极情绪强度值;
第二计算单元,用于根据消极情绪强度值确定个体接收的总知识量;
第三计算单元,用于根据接收的总知识量,结合西米诺夫心理学模型,确定消极情绪变化值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110003250.0A CN112765875B (zh) | 2021-01-04 | 2021-01-04 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110003250.0A CN112765875B (zh) | 2021-01-04 | 2021-01-04 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765875A true CN112765875A (zh) | 2021-05-07 |
CN112765875B CN112765875B (zh) | 2022-07-22 |
Family
ID=75698906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110003250.0A Active CN112765875B (zh) | 2021-01-04 | 2021-01-04 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765875B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177347A (zh) * | 2021-05-10 | 2021-07-27 | 清华大学 | 一种人群运动模拟方法、装置、设备及存储介质 |
CN113239566A (zh) * | 2021-05-27 | 2021-08-10 | 大连理工大学 | 基于智能体的融合情绪化的灾后三级层次仿真系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1455916A (zh) * | 2000-09-13 | 2003-11-12 | 株式会社A·G·I | 情绪探测方法,感受能力生成方法及其系统与执行软件 |
CN1838237A (zh) * | 2000-09-13 | 2006-09-27 | 株式会社A·G·I | 情绪探测方法及其系统 |
CN101216951A (zh) * | 2007-12-27 | 2008-07-09 | 电子科技大学 | 虚拟场景中的智能群体运动模拟方法 |
WO2016187504A1 (en) * | 2015-05-20 | 2016-11-24 | TruValue Labs, Inc. | Crowd-based sentiment indices |
CN111144006A (zh) * | 2019-12-27 | 2020-05-12 | 山东师范大学 | 基于知识和情绪双重驱动的人群疏散仿真方法及系统 |
CN111523601A (zh) * | 2020-04-26 | 2020-08-11 | 道和安邦(天津)安防科技有限公司 | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 |
-
2021
- 2021-01-04 CN CN202110003250.0A patent/CN112765875B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1455916A (zh) * | 2000-09-13 | 2003-11-12 | 株式会社A·G·I | 情绪探测方法,感受能力生成方法及其系统与执行软件 |
CN1838237A (zh) * | 2000-09-13 | 2006-09-27 | 株式会社A·G·I | 情绪探测方法及其系统 |
CN101216951A (zh) * | 2007-12-27 | 2008-07-09 | 电子科技大学 | 虚拟场景中的智能群体运动模拟方法 |
WO2016187504A1 (en) * | 2015-05-20 | 2016-11-24 | TruValue Labs, Inc. | Crowd-based sentiment indices |
CN111144006A (zh) * | 2019-12-27 | 2020-05-12 | 山东师范大学 | 基于知识和情绪双重驱动的人群疏散仿真方法及系统 |
CN111523601A (zh) * | 2020-04-26 | 2020-08-11 | 道和安邦(天津)安防科技有限公司 | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177347A (zh) * | 2021-05-10 | 2021-07-27 | 清华大学 | 一种人群运动模拟方法、装置、设备及存储介质 |
CN113239566A (zh) * | 2021-05-27 | 2021-08-10 | 大连理工大学 | 基于智能体的融合情绪化的灾后三级层次仿真系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112765875B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Pedestrian trajectory prediction based on deep convolutional LSTM network | |
Tang et al. | # exploration: A study of count-based exploration for deep reinforcement learning | |
CN108491598B (zh) | 一种基于路径规划的人群疏散仿真方法及系统 | |
CN112765875B (zh) | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 | |
Cheng | An artificial neural network based genetic algorithm for estimating the reliability of long span suspension bridges | |
Zhao et al. | Artificial neural network based modeling on unidirectional and bidirectional pedestrian flow at straight corridors | |
Alatas et al. | Chaotically encoded particle swarm optimization algorithm and its applications | |
Bahamid et al. | A review on crowd analysis of evacuation and abnormality detection based on machine learning systems | |
Usman et al. | A human-in-the-loop probabilistic CNN-fuzzy logic framework for accident prediction in vehicular networks | |
CN116128060A (zh) | 一种基于对手建模与蒙特卡洛强化学习的棋类博弈方法 | |
Das et al. | Evolving fuzzy reasoning approach using a novel nature-inspired optimization tool | |
Seow et al. | Recurrent neural network as a linear attractor for pattern association | |
CN108470212A (zh) | 一种能利用事件持续时间的高效lstm设计方法 | |
CN117272195A (zh) | 基于图卷积注意力网络的区块链异常节点检测方法及系统 | |
Kupka et al. | Regression analysis based on linguistic associations and perception-based logical deduction | |
Mooney et al. | Rethinking npc intelligence: a new reputation system | |
Gowgi et al. | Temporal self-organization: A reaction–diffusion framework for spatiotemporal memories | |
Singh et al. | A new Improved Gravitational Search Algorithm for Function Optimization using a novel" best-so-far" Update Mechanism | |
Pal | Context-Sensitive Probabilistic Boolean networks: steady-state properties, reduction, and steady-state approximation | |
Parvathavarthini et al. | Fuzzy clustering using Hybrid CSO-PSO search based on Community mobility during COVID 19 lockdown | |
Castillo et al. | New Horizons for Fuzzy Logic, Neural Networks and Metaheuristics | |
An et al. | Deep reinforcement learning-based panic crowd evacuation simulation | |
Bhavithra et al. | Stability Analysis of Fuzzy Mathematical Measles Model | |
Li et al. | Field Cellular Automata Evacuation Model Considering Panic Emotions | |
JP3796755B2 (ja) | バイオロジカル・ニューラルネットワーク |
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 |