CN113239566B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113239566B CN113239566B CN202110587241.0A CN202110587241A CN113239566B CN 113239566 B CN113239566 B CN 113239566B CN 202110587241 A CN202110587241 A CN 202110587241A CN 113239566 B CN113239566 B CN 113239566B
- Authority
- CN
- China
- Prior art keywords
- refuge
- agent
- emotion
- level
- simulation
- 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.)
- Expired - Fee Related
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008451 emotion Effects 0.000 claims abstract description 101
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 32
- 230000006872 improvement Effects 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002996 emotional effect Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000005267 amalgamation Methods 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 175
- 241000282414 Homo sapiens Species 0.000 description 20
- 238000004891 communication Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 201000009487 Amblyopia Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006757 chemical reactions by type Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 206010027940 Mood altered Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000007510 mood change Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种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。本发明包括数据库模块、智能体生成模块、环境仿真模块、情绪仿真模块、决策仿真模块、信息交互与模拟模块以及可视化模块等，本发明所产生的多智能体震后三级情绪动态选择结构，可以根据不同程度地震后的损坏情况，智能体产生不同的心理情绪变化，通过使用BDI模型改进算法把其注入到智能体的行为模式之中。把多智能体震后三级情绪动态选择结构混合入原有的完全理性化的智能体决策体系中，可以更加贴近灾后现实人群的避难行为，进而更加准确的展现出灾后的实际情况，提升整体仿真模拟的准确性。
Description
技术领域
本发明涉及城市规划辅助分析技术领域，尤其涉及一种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。
背景技术
随着人工智能学科的发展，计算机与人类在互联网下的进一步融合，使其可以融入人类的生活与生产中，成为协同人类的助手与伙伴。人类在感知、推理、归纳等方面具有无法比拟的优势，计算机则在搜索、计算、数据存储等方面优于人类，因此人类智慧与计算机之间具有很强的互补性。人与计算机通过互相取长补短进而形成一种“1+1＞2”的效果。这种协作是一种双向的环闭系统，其中人类可以发挥机器设备的优点，接受机器设备的反馈信息，同时计算机也可以读取人类的信号，两者互相促进。这种模式也即是人工智能中最新产生的人机协同混合智能形态，也是计算机仿真模拟技术的基础。
目前，多智能体仿真模拟方法主要应用于一些不确定性情况，这些情况并不存在中央权威控制，同时在系统运行中，各个智能体主要依据简单行为以及交互规则，同时可以继续学习，获取相关的经验。多智能体仿真模拟方法不同于传统的研究方法，其侧重于智能体对环境的主动适应性与交互性。
现有智能体在编辑上，主要分为思考型智能体、反应型智能体和混合型智能体，因为混合型智能体集合了思考型智能体与反应型智能体的共同特点，因此现存多智能体仿真模拟多数会选择混合型智能体作为载体，本发明也是以混合型智能体作为研究基础的。
目前，对于智能体的编程主要是以智能体本身作为编程的重点，很多学者通过编程，建立了智能体集感知、行为、运动为一体的运动模式，单一智能体可以通过对计算机仿真建立的现状周边环境进行感知继而判断如何进行避难，多个单一智能体组成的多智能体可以模拟展示出人类在灾后的各种避难行为情况。当前，对于各种灾后仿真模拟，无论以哪种智能体为基础，在避难路径与避难场地的选择上，均是以最开始设定的理性判断、理性选择为基础，其后的仿真模拟行为也均是在此基础上进行的。但是震后由于情况复杂，普通居民在心理上及知识上对于防灾避难的准备欠缺，因此很容易产生害怕、压力等心里因素，进而影响对避难路线及避难场地的选择。因此现有多智能体震后避难仿真模拟技术存在着一定的缺陷，不能完全反应出灾后避难人群随着心理情绪变化而产生避难决策变化的情况。
人类的行为是复杂与多变的，特别是在面临重大地震灾害的时候，人类很难能保持足够的冷静与克制，因此人类情绪化相对比于理性会更加具有决定性的去决定模拟人类行为的智能体如何选择避难道路与避难场地。现存的多智能体完全理性化的寻找避难场地无法真正的满足地震灾后的真实情况，仿真模拟的准确性不高，因此亟需建立混合人类情绪的多智能体震后避难仿真模拟体系。
发明内容
根据上述提出的技术问题，而提供一种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。本发明采用的技术手段如下：
一种基于智能体的融合情绪化的灾后三级层次仿真系统，包括：
数据库模块，包括用于存储预设区域内地理数据的地理信息数据库、用于存储灾后环境数据、智能体情绪数据、避难场地选择影响因素数据的三级结构数据库以及用于存储环境与感情对应关系模型、BDI模型改进算法、多智能体选择避难场地的智能体推理数据库；
智能体生成模块，用于根据仿真模拟的需要，产生相应的多种类型和数量的智能体；
环境仿真模块，用于通过对智能体周围指定参数范围内的环境进行空间分析，量化周围环境的建筑损坏程度与避难道路的堵塞情况；
情绪仿真模块，用于接收环境仿真模块传来的智能体周围环境的量化数据，协调数据库模块动态提取智能体推理数据库中环境与感情对应关系模型，得到三级结构中第二层级多智能体对应的一组智能体感情数据；
决策仿真模块，用于接收情绪仿真模块传来的智能体感情数据，运用BDI模型改进算法，得到避难过程与避难结果对多智能体在避难路径选择上的影响程度，并按照相关的选择，抉择智能体进入避难场地的避难道路；
信息交互与模拟模块，用于收集、分析、解译各功能模块传递的信息，并反馈、传递给其他功能模块，同时接收从决策仿真模块中处理后的数据，并在本模块中完成最终的仿真模拟运行。
进一步地，所述地理信息数据库包括二维地理信息数据库和几何网络模型数据库，所述二维地理信息数据库中包括现状建筑位置、道路宽度、避难场地面积信息，所述几何网络模型数据库包括道路拓扑关系、不同类型人群在每条路上的行进速度信息。
进一步地，所述情绪仿真模块基于如下公式得出多智能体情绪情况出现的概率：
其中，
为多智能体群体在第二层级选择目标i上的概率；θ为地震震级影响参数；
为转变时间间隔；r为第一层级所在震级区间内的位置；k为多智能体群体在第二层级所在震级内可选择对象的出现概率；γ为多智能体针对单一智能体情绪集合的修正系数；n为第二层级所在震级内可选择对象数量；i为第二层级所选目标；C2为第一层级建筑物的损坏程度；rank(i)为在第二层级所在震级所有可以选择对象内的排名；
为在第二层级符合所在震级内可选目标的开始对象；
为在第二层级符合所在震级内可选目标的结束对象。
进一步地，所述决策仿真模块中的BDI模型改进算法具体为：
其中，a为第二层级初始以避难场地为避难选择最优选项的概率；b为第二层级初始以避难路径为避难选择最优选项的概率；
为以避难场地为避难选择最优选项的第二层级选择目标i上的概率；
为以避难路径为避难选择最优选项的第二层级选择目标i上的概率。
进一步地，多智能体从避难起始点开始通过避难路径到避难场地的整个过程计算公式包括：
其中，ρ为多智能体在避难道路上重复的路径信息比率，取值范围为(0,1)；Δτf(t)为t时刻所有多智能体在避难道路f范围内的路径信息总和；
为t时刻单一智能体q在避难道路f范围内的路径信息；m为多智能体总量；Pf(t)为t时刻所有多智能体在避难道路f范围内选择该条道路进行避难的概率；μf(t)为t时刻在避难道路f范围内的启发函数；α为路径信息权重系数；β为启发函数权重系数；f为场地内的任意一条避难道路；tabook为禁忌表；Pfmax(t)为该条道路被选择进行避难的最大概率，取值范围为Pf(t)∈(0.5，1)；Dj为场地内的任意一条避难道路长度；D为所有多智能体从初始点到目标避难场地的距离；j为需要经过的避难道路序号；n为需要经过的避难道路总数量。
进一步地，基于如下方法对多智能体震后三级情绪动态选择结构的最短路径进行选择：
其中：Tk为任意点与点之间的距离；
为避难初始点到避难场地的最短距离；k为避难路线经过的道路交叉点数量；γ为多智能体针对单一智能体情绪集合的修正系数；vε为避难初始点的位置；
为目标避难场地的位置；ε为避难过程起始点序号；
为避难过程终点序号。
一种基于智能体的融合情绪化的灾后三级层次仿真方法，包括如下步骤：
步骤1、构建总数据库，所述总数据库包括存储预设区域内地理数据的地理信息数据库、存储灾后环境数据、智能体情绪数据和避难场地选择影响因素数据的三级体系数据库以及存储环境与感情对应关系模型、BDI模型改进模型、多智能体选择避难场地的智能体推理数据库；
步骤2、生成多个数量的智能体并按照不同种类的人群界定为不同的避难行为；
步骤3、初始化所有智能体的感情属性，基于三级体系数据库中存储的地震灾害环境损坏情况对应的智能体情绪分布情况输入BDI模型改进模型，得出避难场地影响程度；按照避难场地影响程度设置智能体的目的地；
步骤4、一定时间内多智能体会根据避难过程中所面对的建筑与避难道路损坏程度的不同，其情绪情况会发生变化，影响整个三级情绪动态选择结构中不同对应关系的改变。具体地，到达预设时间时，根据智能体推理数据库中环境与感情对应关系模型，将新的智能体情绪分布情况赋予各个智能体，新的感情输入所述BDI模型改进模型后获取新的避难场地选择影响因素信息数据，之后，智能体基于最新的情绪重复执行阶段的行为，直到时间达到预设避难截止时间；
步骤5、获取每个智能体行动的轨迹，完成灾后仿真。
进一步地，所述步骤5中，通过显示模块实现仿真模拟的结果实时可视化输出，具体地，使用geotools实时获取智能体每一时刻行动的x、y值，在地图上动态表达，每一个智能体每一时刻的分析过程均保留数据库中，以便后期回溯，当程序结束后，可将智能体结束位置导出为shapefile格式文件，用于后期使用GIS软件、BIM软件进行空间统计与分析。
本发明具有以下优点：
1、本发明所产生的多智能体震后三级情绪动态选择结构，可以根据不同程度地震后的损坏情况，智能体产生不同的心理情绪变化，通过使用BDI模型改进算法把其注入到智能体的行为模式之中。把多智能体震后三级情绪动态选择结构混合入原有的完全理性化的智能体决策体系中，可以更加贴近灾后现实人群的避难行为，进而更加准确的展现出灾后的实际情况。
2、本发明针对多智能体震后三级情绪动态选择结构的配套运行体系，该体系可以把三级情绪动态选择结构融入进多智能体的仿真模拟中，解决现存的多智能体仿真模拟体系存在的问题，推进了多智能体仿真模拟技术的发展。
3、本发明多项基于多智能体震后三级情绪动态选择结构的运算公式与算法(包含BDI模型改进算法等)，这些公式与算法可以把人类的害怕、理性、压力三种情绪注入进智能体之中，并保证三级结构可以成功的运行。这些运算公式与算法，作为研究基础与借鉴，同时可以应用于其他相关方面的研究。
4、本发明创建的多智能体震后三级情绪动态选择结构可以随着时间的变化而改变，能够展现出震后一定时间内，人群随着避难过程中所面对的建筑与避难道路损坏程度的不同，情绪随之改变进而导致避难行为与选择随之改变的过程，提升整体仿真模拟的准确性。
5、本发明具有可拓展性，可以作为其他研究的基础和研究，间接的降低相关研发费用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中多智能体震后三级情绪动态选择结构示意图。
图2为本发明实施例中多智能体在震后三级情绪动态选择结构的运行结构示意图。
图3为本发明实施例中基于“多智能体震后三级情绪动态选择结构”的多智能体震后避难仿真模拟运行体系示意图。
图4为本发明实施例中仿真模拟运行体系中多智能体的运行阶段示意图。
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。
如图1～4所示，本发明实施例公开了一种基于智能体的融合情绪化的灾后三级层次仿真系统，包括初始模块、大数据分析模块、数据库模块、智能体生成模块、信息交互与模拟模块、通信模块、环境仿真模块、情绪仿真模块、决策仿真模块、显示模块、统计分析模块系统结束模块等12个模块。具体地，
初始化模块是整个仿真模拟系统的初始模块，当系统启动时，会将初始各模块的参数配置为一个预设定的值，同时系统会通过数据库模块向信息处理中心模块发送当前的配置信息，并向整个仿真模拟系统中的各个模块发送开始命令。
数据库模块，包括用于存储预设区域内地理数据的地理信息数据库、用于存储灾后环境数据、智能体情绪数据、避难场地选择影响因素数据的三级结构数据库以及用于存储环境与感情对应关系模型、BDI模型改进算法、多智能体选择避难场地的智能体推理数据库；
大数据分析模块用于对数据库模块做数据挖掘处理，并将其分析结果经通信模块交由信息交互与模拟模块。由于计算机数据具有数据量巨大、覆盖人群数量多、种类多等特点，因此需在大数据分析模块中对其进行清洗、聚类等数据挖掘分析，包括识别指定区域建筑、道路及人群分布信息等方面。
智能体生成模块会根据仿真模拟的需要，产生相应的多种类型和数量的智能体。本发明按照现实人群情况，把人群分成三大类七种类型：即：第一类：正常人；第二类：受照顾群体(包含：老人、幼儿及孕妇)；第三类：残疾人(盲人(全盲)、盲人(弱视)、中风患者、腿部残疾者)。
信息交互与模拟模块是系统各项功能模块信息交互的中枢以及仿真模拟的运行模块。用于收集、分析、解译各功能模块传递的信息，并反馈、传递给其他功能模块，同时接收从决策仿真模块中处理后的数据，并在本模块中完成最终的仿真模拟运行。
通信模块为大数据分析模块、统计分析模块、信息交互枢纽提供数据通信接口。此外，为环境仿真模块、情绪仿真模块、决策仿真模块提供专门的信息通信接口，保障其互相之间多智能体多线程通信的稳定。
环境仿真模块，用于通过对智能体周围指定参数范围内的环境进行空间分析，量化周围环境的建筑损坏程度与避难道路的堵塞情况，包含建筑物倒塌程度、道路堵塞情况等，同时协调数据库模块动态提取范围内避难道路、建筑的相关属性。
情绪仿真模块，用于接收环境仿真模块传来的智能体周围环境的量化数据，协调数据库模块动态提取智能体推理数据库中环境与感情对应关系模型，得到三级结构中第二层级多智能体对应的一组智能体感情数据；
决策仿真模块，用于接收情绪仿真模块传来的智能体感情数据，运用BDI模型改进算法，得到避难过程与避难结果对多智能体在避难路径选择上的影响程度，并按照相关的选择，抉择智能体进入避难场地的避难道路；并使用数据库模块动态提取现状避难场地相关信息，并把数据传回到信息交互与模拟模块中，并在信息交互与模拟模块中最终完成多智能体震后避难仿真模拟。
显示模块用于显示由信息交互与模拟模块传来的信息，显示的信息包括：1，基础数据(空间数据信息，包括非避难场地、建筑、避难道路等空间数据；统计图标、文字等非空间数据)。2，仿真模拟的过程数据(包括全过程展示多智能体仿真模拟的运行过程)。
统计分析模块在程序运行达到提前预设的避难时间上限后被激活，可统计避难成功的总人数、避难成功的人群结构、总体避难成功率、每个避难场所的避难具体情况等。
系统结束模块包括正常结束和异常结束。正常结束是指在程序运行达到提前预设的避难时间上限后，用户主动停止，系统正常结束并释放所有进程。异常结束是由于数据拓扑、坐标系统、通信等可能的因素而造成非正常结束，系统抛出异常信息并释放所有进程。如系统异常结束，整个运行体系将重新回到初始化模块进行待命，等待下一次多智能体震后避难仿真模拟的开始。
所述地理信息数据库包括二维地理信息数据库和几何网络模型数据库，所述二维地理信息数据库中包括现状建筑位置、道路宽度、避难场地面积信息，所述几何网络模型数据库包括道路拓扑关系、不同类型人群在每条路上的行进速度信息。
具体地，如图1所示，第一层级为地震灾害环境损失情况。本实施例中，第一层级中根据地震震级、灾后周边建筑物的损坏程度、避难通道被建筑瓦砾覆盖的程度分成10种情况，这10种情况可以在一定程度上展现出不同类型、不同强度地震发生后的实际情况。第二层级为智能体的情绪分布，即按照普通居民在灾后拥有害怕、压力及理性思考等各种心理情绪状况所占百分比划分出10种智能体在灾后所呈现出来的人类情绪与意识，以至于最大程度的利用多智能体震后避难仿真模拟可以更真实的展现出现实人群灾后的避难行为。第一层级与第二层级有多种对应方式，并且随着单位时间的推移，已形成的对应关系也会随时间的转移与改变。
通过公式(1)，第一层级的10种灾害毁坏情况与第二层级中10种情况的对应关系，通过使用本发明创建的计算公式，可以得出第二层级10种多智能体情绪情况出现的概率：
其中，
为多智能体群体在第二层级选择目标i上的概率；θ为地震震级影响参数(地震震级越大，取值越大)；
为转变时间间隔；r为第一层级所在震级区间内的位置；k为多智能体群体在第二层级所在震级内可选择对象的出现概率；γ为多智能体针对单一智能体情绪集合的修正系数；n为第二层级所在震级内可选择对象数量；i为第二层级所选目标；C2为第一层级建筑物的损坏程度；rank(i)为在第二层级所在震级所有可以选择对象内的排名；
为在第二层级符合所在震级内可选目标的开始对象；
为在第二层级符合所在震级内可选目标的结束对象。
第三层级为多智能体选择避难场地的影响因素。按照灾后现实人群对避难过程与避难结果的重视程度，以优先考虑避难道路与优先考虑避难场地的不同选择比例程度划分为10种情况。其与第二层级的多智能体灾后情绪模式相对应。当以避难场地为避难选择最优选项的概率＜50时，说明灾害破坏相对较小，现实人群更加容易出现从众现象，个体避难行为与避难人群一致时，就有一种安全感，因此避难过程的情况对人群的影响相对较大。当以避难场地为避难最优选项的概率≥50时，说明地震破坏较大，普通人群受灾害影响，非常害怕，心理压力巨大，因此更加重视避难结果，尽快进入避难场地进行避难为优先考虑目标。
本发明在原有BDI模型的基础上创建了BDI模型改进算法，本算法以“分类划分”的结构为基础(公式2)，改进了以往BDI模型将多智能体情绪“分级注入，层级选择”的结构。本发明的BDI模型改进算法具有计算结构简单，分类清晰，结果准确的特点。
其中，a为第二层级初始以避难场地为避难选择最优选项的概率；b为第二层级初始以避难路径为避难选择最优选项的概率；
为以避难场地为避难选择最优选项的第二层级选择目标i上的概率；
为以避难路径为避难选择最优选项的第二层级选择目标i上的概率。
针对以避难过程为首要目标人群具有从众性的情况，多智能体从避难起始点开始通过避难路径到避难场地的整个过程计算公式包括：
其中，ρ为多智能体在避难道路上重复的路径信息比率，取值范围为(0,1)；Δτf(t)为t时刻所有多智能体在避难道路f范围内的路径信息总和；
为t时刻单一智能体q在避难道路f范围内的路径信息；m为多智能体总量；Pf(t)为t时刻所有多智能体在避难道路f范围内选择该条道路进行避难的概率；μf(t)为t时刻在避难道路f范围内的启发函数；α为路径信息权重系数；β为启发函数权重系数；f为场地内的任意一条避难道路；tabook为禁忌表；Pfmax(t)为该条道路被选择进行避难的最大概率，取值范围为Pf(t)∈(0.5，1)；Dj为场地内的任意一条避难道路长度；D为所有多智能体从初始点到目标避难场地的距离；j为需要经过的避难道路序号；n为需要经过的避难道路总数量。
上述公式首先以单一智能体在场地内任意一条避难道路上的路径信息为基础，得出任意一条避难道路上多智能体群体的道路信息总和，再计算场地内任意一条道路的避难选择率，把避难选择率超过50％以上的避难道路进行集合即为场地内以避难路径为首要选择目标的避难路径集合体。
针对以避难结果为首要目标的避难模式，现实人群可以通过手机获得周边的避难道路与避难场地等信息，并在地震发生后会非常急切的想进入最近的避难场地进行避难，因此会以最短的路径做为依据来选择避难道路。因此本发明建立了N次迭代的最短路径选择公式(公式6，公式7)，本公式运用逐步逼近避难场地的思想，即从赋权矩阵T0开始进行n次迭代，依次得到一个矩阵序列T1，T2，…，Tn。以矩阵运算为基础，通过多次求两点之间距离的最小值，最终得到场地内任意一点的智能体到达目标避难场地的最短路径。本公式具有符合地震灾害特点、计算准确、计算过程相对简单的特点，尤其与多智能体震后三级情绪动态选择结构相适应，进而完成整个震后仿真模拟体系的运行。
其中：Tk为任意点与点之间的距离；
为避难初始点到避难场地的最短距离；k为避难路线经过的道路交叉点数量；γ为多智能体针对单一智能体情绪集合的修正系数；vε为避难初始点的位置；
为目标避难场地的位置；ε为避难过程起始点序号；
为避难过程终点序号。
一种基于智能体的融合情绪化的灾后三级层次仿真方法，包括如下步骤：
步骤1、构建总数据库，所述总数据库包括存储预设区域内地理数据的地理信息数据库、存储灾后环境数据、智能体情绪数据和避难场地选择影响因素数据的三级体系数据库以及存储环境与感情对应关系模型、BDI模型改进模型、多智能体选择避难场地的智能体推理数据库；
步骤2、生成多个数量的智能体并按照不同种类的人群界定为不同的避难行为；
步骤3、初始化所有智能体的感情属性，基于三级体系数据库中存储的地震灾害环境损坏情况对应的智能体情绪分布情况输入BDI模型改进模型，得出避难场地影响程度；按照避难场地影响程度设置智能体的目的地；
步骤4、一定时间内多智能体会根据避难过程中所面对的建筑与避难道路损坏程度的不同，其情绪情况会发生变化，影响整个三级情绪动态选择结构中不同对应关系的改变。具体地，到达预设时间时，根据智能体推理数据库中环境与感情对应关系模型，将新的智能体情绪分布情况赋予各个智能体，新的感情输入所述BDI模型改进模型后获取新的避难场地选择影响因素信息数据，之后，智能体基于最新的情绪重复执行阶段的行为，直到时间达到预设避难截止时间；
步骤5、获取每个智能体行动的轨迹，完成灾后仿真。
本实施例中，整个仿真模拟过程包括三个部分，即数据准备阶段、体系运行阶段及输出阶段(图3、图4)。
一：数据准备阶段：
包括初始化模块、数据库模块、大数据分析模块、智能体生成模块与通讯模块。数据库模块包含三个子数据库，主要负责存储现状采集的各类基础信息数据。大数据模块主要用于对数据库模块做挖掘处理。
智能体生成模块中生成多个数量的智能体并按照不同种类的人群界定为不同的避难行为。本实施例中的运行体系按照不同类型的人群，分别赋予代表其人群的智能体不同的避难运行速度：正常人的速度为1m/s、老人及幼儿的速度为0.625m/s、孕妇的速度为0.7m/s、盲人(全盲)的速度为0.8m/s、盲人(弱视)的速度为0.95m/s、中风患者的速度为0.5m/s、腿部残疾者的速度为0.7m/s。
大数据模块与智能体生成模块共同利用通讯模块提供的接口把生成的数据送入信息交互与模拟模块中进行数据交换与融合，并为仿真模拟提供基础数据。
二：体系运行阶段
运行体系阶段主要包括信息交互与模拟模块、环境仿真模块、情绪仿真模块与决策仿真模块。其中后三个模块共同组成本发明所创建的多智能体震后三级情绪动态选择结构。
多智能体在震后三级情绪动态选择结构中。首先按照设定震级的情况，结合建筑年代与建筑质量，得出现状场地内震后建筑及道路的损坏程度，并生成相应的多智能体震后三级情绪动态选择结构中第一层级中的10种可选择模式。随后执行多智能体震后三级情绪动态选择结构。并依此赋予多智能体相应的属性数据，把其送到信息交互与模拟模块中进行仿真模拟。
部分代码如下：
SetAgentEmotion(this.agent,buidingstatus,roadstatus)；//设置每个智能体的初始情绪。
agent.set_destprobability＝RunBDI(agent.get_fearstatus,agent.get_pressstatus,agent.get_reasonstatus)；//将初始化后的情绪输入BDI模型改进模型,得出避难场地影响程度。
agent.set_destination＝SetDestination(agent.get_destprobability)；//按照避难场地影响程度设置目的地。
体系运行过程中，一定时间内多智能体会根据避难过程中所面对的建筑与避难道路损坏程度的不同，其情绪情况会发生变化，影响整个三级情绪动态选择结构中不同对应关系的改变，进而改变多智能体仿真模拟的结果。
While(tick<＝1800)//避难时间N分钟截止
{If(tick％600＝＝0)//正常人每过a分钟智能体的情绪改变
{
agent.set_currentemotion＝agent.get_emotion[n]；
n++；
RunAgentDecide(agent)；//按照最新情绪重复执行阶段行为
}
tick++；
}
三：输出阶段
输出阶段包含：显示模块、统计分析模块与结束模块。
统计分析模块可以准确的统计出一定时间范围内的各类人群的避难成功率，避难场地的利用率等关键技术指标。
显示模块中，仿真模拟的结果实时可视化输出，使用geotools实时获取智能体每一时刻行动的x、y值，在地图上动态表达。每一个agent每一时刻的分析过程均保留数据库中，以便后期回溯。当程序结束后，可将agent结束位置导出为shapefile格式文件，以便使用GIS、BIM等软件进行空间统计与分析。
结束模块为整个运行体系的最终模块。如果仿真模拟顺利完成，则整个运行体系完成全部的运行过程。如果仿真模拟存在一定问题无法正常完成，整个运行体系则重新恢复到初始化模块，等待仿真模拟的再次重新开始(图2)
本发明建立了融合人类情绪与BDI模型改进算法的多智能体震后三级情绪动态选择结构及与三级结构相适应的震后仿真模拟运行模块体系，以改进现有震后仿真模拟中对智能体以完全理性化避难决策设置的情况，达到对震后避难情况预测更加精准的目的。本发明所产生的技术方法可以延伸应用于灾后应急医疗设施，救灾物资的分配与配置等其他方面的仿真模拟与相关研究，是一种先进的科学技术方法。
本发明所创建的多智能体震后三级情绪动态选择结构及与其相适应的震后仿真模拟体系，在技术上具有准确性、前沿性与先进性，具有广阔的应用前景，值得推广。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于智能体的融合情绪化的灾后三级层次仿真系统，其特征在于，包括：
数据库模块，包括用于存储预设区域内地理数据的地理信息数据库、用于存储灾后环境数据、智能体情绪数据、避难场地选择影响因素数据的三级结构数据库以及用于存储环境与感情对应关系模型、BDI模型改进算法、多智能体选择避难场地的智能体推理数据库；
智能体生成模块，用于根据仿真模拟的需要，产生相应的多种类型和数量的智能体；
环境仿真模块，用于通过对智能体周围指定参数范围内的环境进行空间分析，量化周围环境的建筑损坏程度与避难道路的堵塞情况；
情绪仿真模块，用于接收环境仿真模块传来的智能体周围环境的量化数据，协调数据库模块动态提取智能体推理数据库中环境与感情对应关系模型，得到三级结构中第二层级多智能体对应的一组智能体感情数据；
决策仿真模块，用于接收情绪仿真模块传来的智能体感情数据，运用BDI模型改进算法，得到避难过程与避难结果对多智能体在避难路径选择上的影响程度，并按照相关的选择，抉择智能体进入避难场地的避难道路；
信息交互与模拟模块，用于收集、分析、解译各功能模块传递的信息，并反馈、传递给其他功能模块，同时接收从决策仿真模块中处理后的数据，并在本模块中完成最终的仿真模拟运行。
2.根据权利要求1所述的基于智能体的融合情绪化的灾后三级层次仿真系统，其特征在于，所述地理信息数据库包括二维地理信息数据库和几何网络模型数据库，所述二维地理信息数据库中包括现状建筑位置、道路宽度、避难场地面积信息，所述几何网络模型数据库包括道路拓扑关系、不同类型人群在每条路上的行进速度信息。
3.根据权利要求1所述的基于智能体的融合情绪化的灾后三级层次仿真系统，其特征在于，所述情绪仿真模块基于如下公式得出多智能体情绪情况出现的概率：
其中，
为多智能体群体在第二层级选择目标i上的概率；θ为地震震级影响参数；
为转变时间间隔；r为第一层级所在震级区间内的位置；k为多智能体群体在第二层级所在震级内可选择对象的出现概率；γ为多智能体针对单一智能体情绪集合的修正系数；n1为第二层级所在震级内可选择对象数量；i为第二层级所选目标；C2为第一层级建筑物的损坏程度；rank(i)为在第二层级所在震级所有可以选择对象内的排名；
为在第二层级符合所在震级内可选目标的开始对象；
为在第二层级符合所在震级内可选目标的结束对象。
4.根据权利要求1所述的基于智能体的融合情绪化的灾后三级层次仿真系统，其特征在于，所述决策仿真模块中的BDI模型改进算法具体为：
其中，a为第二层级初始以避难场地为避难选择最优选项的概率；b为第二层级初始以避难路径为避难选择最优选项的概率；
为以避难场地为避难选择最优选项的第二层级选择目标i上的概率；
为以避难路径为避难选择最优选项的第二层级选择目标i上的概率。
5.根据权利要求1所述的基于智能体的融合情绪化的灾后三级层次仿真系统，其特征在于，多智能体从避难起始点开始通过避难路径到避难场地的整个过程计算公式包括：
其中，ρ为多智能体在避难道路上重复的路径信息比率，取值范围为(0,1)；
Δτf(t)为t时刻所有多智能体在避难道路f范围内的路径信息总和；
为t时刻单一智能体q在避难道路f范围内的路径信息；m为多智能体总量；Pf(t)为t时刻所有多智能体在避难道路f范围内选择该条道路进行避难的概率；μf(t)为t时刻在避难道路f范围内的启发函数；α为路径信息权重系数；β为启发函数权重系数；f为场地内的任意一条避难道路；tabook为禁忌表；Pfnax(t)为该条道路被选择进行避难的最大概率，取值范围为Pf(t)∈(0.5，1)；Dj为场地内的任意一条避难道路长度；D为所有多智能体从初始点到目标避难场地的距离；j为需要经过的避难道路序号；n2为需要经过的避难道路总数量。
6.根据权利要求1所述的基于智能体的融合情绪化的灾后三级层次仿真系统，其特征在于，基于如下方法对多智能体震后三级情绪动态选择结构的最短路径进行选择：
其中：Tka为任意点与点之间的距离；
为避难初始点到避难场地的最短距离；ka为避难路线经过的道路交叉点数量；γ为多智能体针对单一智能体情绪集合的修正系数；vε为避难初始点的位置；
为目标避难场地的位置；ε为避难过程起始点序号；
为避难过程终点序号。
7.一种基于智能体的融合情绪化的灾后三级层次仿真方法，包括如下步骤：
步骤1、构建总数据库，所述总数据库包括存储预设区域内地理数据的地理信息数据库、存储灾后环境数据、智能体情绪数据和避难场地选择影响因素数据的三级体系数据库以及存储环境与感情对应关系模型、BDI模型改进模型、多智能体选择避难场地的智能体推理数据库；
步骤2、生成多个数量的智能体并按照不同种类的人群界定为不同的避难行为；
步骤3、初始化所有智能体的感情属性，基于三级体系数据库中存储的地震灾害环境损坏情况对应的智能体情绪分布情况输入BDI模型改进模型，得出避难场地影响程度；按照避难场地影响程度设置智能体的目的地；
步骤4、一定时间内多智能体会根据避难过程中所面对的建筑与避难道路损坏程度的不同，其情绪情况会发生变化，影响整个三级情绪动态选择结构中不同对应关系的改变；具体地，到达预设时间时，根据智能体推理数据库中环境与感情对应关系模型，将新的智能体情绪分布情况赋予各个智能体，新的感情输入所述BDI模型改进模型后获取新的避难场地选择影响因素信息数据，之后，智能体基于最新的情绪重复执行阶段的行为，直到时间达到预设避难截止时间；
步骤5、获取每个智能体行动的轨迹，完成灾后仿真。
8.根据权利要求7所述的基于智能体的融合情绪化的灾后三级层次仿真方法，其特征在于，所述步骤5中，通过显示模块实现仿真模拟的结果实时可视化输出，具体地，使用geotools实时获取智能体每一时刻行动的x、y值，在地图上动态表达，每一个智能体每一时刻的分析过程均保留数据库中，以便后期回溯，当程序结束后，可将智能体结束位置导出为shapefile格式文件，用于后期使用GIS软件、BIM软件进行空间统计与分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110587241.0A CN113239566B (zh) | 2021-05-27 | 2021-05-27 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110587241.0A CN113239566B (zh) | 2021-05-27 | 2021-05-27 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113239566A CN113239566A (zh) | 2021-08-10 |
| CN113239566B true CN113239566B (zh) | 2021-11-09 |
Family
ID=77139219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110587241.0A Expired - Fee Related CN113239566B (zh) | 2021-05-27 | 2021-05-27 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239566B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781164A (zh) * | 2022-04-26 | 2022-07-22 | 厦门大学 | 一种利用多代理人仿真进行视觉感知模拟的算法 |
| CN116187587A (zh) * | 2023-04-24 | 2023-05-30 | 中国科学院地理科学与资源研究所 | 指数预测方法、装置、设备及计算机可读存储介质 |
| CN116151494A (zh) * | 2023-04-24 | 2023-05-23 | 中国科学院地理科学与资源研究所 | 数据处理方法、装置、设备以及计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609599A (zh) * | 2012-04-11 | 2012-07-25 | 天津市市政工程设计研究院 | 基于多智能体仿真的地下道路线形及横向净距设计方法 |
| CN103955144A (zh) * | 2014-05-13 | 2014-07-30 | 安徽理工大学 | 基于多Agent的虚拟煤矿应急疏散仿真方法及系统 |
| KR20150003561A (ko) * | 2013-07-01 | 2015-01-09 | 인제대학교 산학협력단 | 어포던스 및 bdi 기반 에이전트 모델을 이용한 인간 행동패턴 인식장치 |
| CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 山东师范大学 | 基于异构情绪感染模型的人群疏散仿真方法及系统 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108733876B (zh) * | 2018-04-04 | 2022-11-01 | 北京交通大学 | 火灾演变仿真方法及包括其的火灾疏散综合仿真方法 |
| CN112765875B (zh) * | 2021-01-04 | 2022-07-22 | 山东师范大学 | 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 |
-
2021
- 2021-05-27 CN CN202110587241.0A patent/CN113239566B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609599A (zh) * | 2012-04-11 | 2012-07-25 | 天津市市政工程设计研究院 | 基于多智能体仿真的地下道路线形及横向净距设计方法 |
| KR20150003561A (ko) * | 2013-07-01 | 2015-01-09 | 인제대학교 산학협력단 | 어포던스 및 bdi 기반 에이전트 모델을 이용한 인간 행동패턴 인식장치 |
| CN103955144A (zh) * | 2014-05-13 | 2014-07-30 | 安徽理工大学 | 基于多Agent的虚拟煤矿应急疏散仿真方法及系统 |
| CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 山东师范大学 | 基于异构情绪感染模型的人群疏散仿真方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| "民用飞机客舱应急撤离仿真算法研究";王霁飞等;《航空工程进展》;20201231;第11卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113239566A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113239566B (zh) | 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 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN105893483A (zh) | 大数据挖掘过程模型总体框架的构造方法 | |
| Ribičić et al. | Visual analysis and steering of flooding simulations | |
| CN109947916A (zh) | 基于气象领域知识图谱的问答系统装置及问答方法 | |
| CN108364550A (zh) | 一种特高压电力虚拟实训的体验式交互过程设计方法 | |
| CN110889450A (zh) | 超参数调优、模型构建方法和装置 | |
| JP2022530868A (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
| Zhao et al. | BIM Sim/3D: multi-agent human activity simulation in indoor spaces | |
| CN110543671A (zh) | 一种基于人工社会的城市安全宜居度建模方法 | |
| Ogaard et al. | Discovering patterns in social networks with graph matching algorithms | |
| Yao et al. | Prediction of crime hotspots based on spatial factors of random forest | |
| Elwood et al. | Application of fuzzy pattern recognition of seismic damage to concrete structures | |
| Yan et al. | Simulating human behaviour in built environments | |
| Rahimi et al. | A knowledge-based multi-agent system for geospatial data conflation | |
| CN113517074A (zh) | 一种流行病患者信息三维空间可视化方法 | |
| Schmitt et al. | Classes of design—classes of methods—classes of tools | |
| CN111784192A (zh) | 一种基于动态演化的工业园区应急预案可执行化系统 | |
| Qiwei-Kong et al. | Factor space: a new idea for artificial intelligence based on causal reasoning | |
| CN116089710A (zh) | 自适应深度知识追踪个性化学习推荐方法 | |
| CN107967338A (zh) | 一种个人日常行为数据的多维分析方法 | |
| Katada et al. | Development of practical scenario simulator for dissemination of disaster information | |
| Willey | Approaches to computer-aided architectural sketch design | |
| Iwaniak et al. | Ontology driven analysis of spatio-temporal phenomena, aimed at spatial planning and environmental forecasting | |
| Yang | JAVA Architecture of Chinese Online Guiding Systematic Framework based on Data Mining and Artificial Intelligence |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211109 |