CN114065614A - 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 - Google Patents
基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 Download PDFInfo
- Publication number
- CN114065614A CN114065614A CN202111282884.0A CN202111282884A CN114065614A CN 114065614 A CN114065614 A CN 114065614A CN 202111282884 A CN202111282884 A CN 202111282884A CN 114065614 A CN114065614 A CN 114065614A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- crowd
- sparrow
- search algorithm
- model
- 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
- 241000287127 Passeridae Species 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010845 search algorithm Methods 0.000 title claims abstract description 52
- 238000004088 simulation Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000002431 foraging effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000008450 motivation Effects 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质,所述方法步骤为:收集体育馆参数化信息,制作出体育馆模型和人物模型,并将人物模型导入疏散模型中。获取疏散场景模型的语义信息后,在体育馆场景下设定疏散人群参数信息,并针对疏散群体的参数信息进行人群初始化;通过麻雀搜索算法,将疏散人群分为发现者、加入者及预警者,采用麻雀搜索算法规划宏观路径,通过社会力模型实现微观人群运动指导,得到最终人群疏散路径。该方法可以实际反映疏散群体之间的关系,规划出更合理的疏散路径,缩短疏散时间,大大提升疏散效率。
Description
技术领域
本发明属于人群疏散仿真技术领域,特别是涉及基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质。
背景技术
随着社会经济实力的增强,能容纳大量人群的体育馆建筑不断增多。但在出现重大自然灾害或紧急突发事件时,由于各种因素,大量人员必须应急疏散时,极易造成疏散事故,导致体育馆使用者身体及财富上的损失。
传统疏散演练方法局限性过多,因此计算机仿真技术近年来受到更多的关注。计算机仿真技术信息量丰富、针对性强、在达到最佳疏散演练效果的同时,能够降低生产成本。
麻雀搜索算法是由薛建凯于2020年提出的一种群智能优化算法,其基本原理是模拟麻雀的觅食行为,具有良好的全局搜索能力。其仿生学原理为:麻雀觅食过程可定义为发现者-加入者模型,并加入侦察预警机理。发现者自身适应度高,搜寻范围广,引领整个种群的搜寻与觅食。加入者为获取更好的适应度,跟随发现者并进行觅食。同时,加入者为提高自身捕食效率,部分加入者会监视发现者以便于开展食物竞争,并在其附近进行觅食。但一旦整个群体受到捕食者的威胁或意识到威胁存在时,会迅速展开反捕的行动。
在真实的疏散场景中,疏散群众会有追随心里,并且在遇到危险源时,会改变疏散路径,因此疏散人群距离危险源的距离也是影响人群疏散的重要因素之一。
在现有的人群疏散仿真中,如何真实反映疏散情况以及如何提高疏散效率,尚缺乏有效的解决方案。
发明内容
本发明目的是为了解决现有技术中的问题,提出了基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质。本发明采用麻雀搜索算法与社会里模型相结合的方式,从而真实反映疏散情况并提高疏散效率。
本发明根据此方案实现,本发明提出基于麻雀搜索算法的体育馆人群疏散仿真方法,所述方法包括:
步骤一:设置体育馆场景参数信息﹐建立体育馆疏散场景模型和人物模型,并把人物模型输入到疏散场景模型中;
步骤二:通过获取体育馆疏散场景模型的语义信息,在相应的疏散场景下设定疏散人群参数信息,并针对疏散人群参数信息实现人群初始化;
步骤三:利用麻雀搜索算法进行宏观路径规划,利用社会力模型进行微观人群运动指导,以获取最终人群疏散路径,从而实现人群疏散仿真;
所述利用麻雀搜索算法进行宏观路径规划具体为:根据疏散个体到最终疏散出口的距离和到危险源的距离分别计算适应度,根据适应度决定麻雀属于发现者还是加入者;对求解出的适应度值排序,选择前N个个体作为发现者,发现者个数N不小于体育馆疏散出口的2倍;发现者和加入者的身份是动态变化的,但是发现者和加入者所占整个种群数量的比例是不变的,当有一只麻雀变成发现者,必然有另一只麻雀变为加入者;在发现者和加入者中选取一部分麻雀作为预警者,当预警者到临近危险源的距离小于该危险源的安全半径时,预警者发出警报,其周围的麻雀迅速撤离到安全区域;
遵循宏观路径规划原则对麻雀进行位置更新,直到算法达到最大迭代次数时,终止计算;具体为:在利用麻雀搜索算法进行宏观路径规划之后,获取当前最优值,如果当前最优值比上一次迭代的最优值好,就进行更新操作,否则不进行更新操作,并继续进行迭代操作直到满足条件为止,最终得到全局最优值和最佳适应度值,即可作为全局疏散路径;
步骤四:当最终出口的疏散人数等于总人数时疏散过程结束,导出疏散路径。
进一步地,体育馆场景参数包括体育馆规模、有无固定坐席、体育馆使用功能、出口数目、出口宽度以及建筑结构信息;
在体育馆场景中,随机设置N处危险源,N不超过疏散出口数量,为每个危险源设置一个危险半径,记做Rsn,n=1、2......N;
危险源指能够导致人员伤害或病变、物质资源和财产经济损失、工作环境破坏以及这些情况组合的源头或状态因素。
进一步地,所述适应度的函数为:
其中,Da表示疏散个体位置到最终疏散出口的距离,Db表示疏散个体位置到危险源的距离;α和β表示权重系数,α、β∈[0,1]。
进一步地,将探测到危险的预警者数目所占比例设置在10%-20%范围内。
进一步地,在疏散人群中有两种初始角色,即发现者和加入者,发现者以体育馆疏散出口为目标,加入者以发现者为目标;发现者与跟随他的加入者算作一个群组。
进一步地,通过社会力模型进行微观人群运动指导的具体步骤是:针对每个群组内的个体行人,根据社会力模型计算行人本身的驱动力、行人之间的相互排斥力和行人受体育馆环境中墙或障碍物阻力的合力;群组内的个体行人按照计算的所受合力完成行为运动。
本发明还提出基于麻雀搜索算法的体育馆人群疏散仿真系统,所述系统包括:
疏散建模模块,用于设置体育馆场景参数信息﹐建立体育馆疏散场景模型和人物模型,并把人物模型输入到疏散场景模型中;
初始化模块;用于通过获取体育馆疏散场景模型的语义信息,在相应的疏散场景下设定疏散人群参数信息,并针对疏散人群参数信息实现人群初始化;
路径规划及人群运动模块:用于利用麻雀搜索算法进行宏观路径规划,利用社会力模型进行微观人群运动指导,以获取最终人群疏散路径,从而实现人群疏散仿真;
所述利用麻雀搜索算法进行宏观路径规划具体为:根据疏散个体到最终疏散出口的距离和到危险源的距离分别计算适应度,根据适应度决定麻雀属于发现者还是加入者;对求解出的适应度值排序,选择前N个个体作为发现者,发现者个数N不小于体育馆疏散出口的2倍;发现者和加入者的身份是动态变化的,但是发现者和加入者所占整个种群数量的比例是不变的,当有一只麻雀变成发现者,必然有另一只麻雀变为加入者;在发现者和加入者中选取一部分麻雀作为预警者,当预警者到临近危险源的距离小于该危险源的安全半径时,预警者发出警报,其周围的麻雀迅速撤离到安全区域;
遵循宏观路径规划原则对麻雀进行位置更新,直到算法达到最大迭代次数时,终止计算;具体为:在利用麻雀搜索算法进行宏观路径规划之后,获取当前最优值,如果当前最优值比上一次迭代的最优值好,就进行更新操作,否则不进行更新操作,并继续进行迭代操作直到满足条件为止,最终得到全局最优值和最佳适应度值,即可作为全局疏散路径;
导出模块:用于当最终出口的疏散人数等于总人数时疏散过程结束,导出疏散路径。
本发明还提出一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的基于麻雀搜索算法的体育馆人群疏散仿真方法。
本发明还提出一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现所述的基于麻雀搜索算法的体育馆人群疏散仿真方法。
本发明将麻雀搜索算法与社会力模型相融合,运用麻雀搜索算法实现宏观路径规划并实现真实场景人群在疏散过程中的出口选择现象,运用社会力模型实现微观个体运动指导,共同完成复杂场景下的人群疏散仿真,结果表明,该方法可以真实有效地完成复杂场景下的人群疏散仿真。本发明采用麻雀搜索算法对疏散人群分组,真实反映人群分组行为,使人群疏散仿真方法更贴近现实。本发明把人群分为发现者、加入者及预警者,不同的身份执行不同的社会力模型进行疏散,避免碰撞冲突,测算真实的疏散时间,提高疏散效率。
附图说明
图1是本发明所述的基于麻雀搜索算法的体育馆人群疏散仿真方法流程图;
图2是本发明所述的基于麻雀搜索算法的体育馆人群疏散仿真系统框图。
具体实施方式
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,所描述的实施例仅仅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。
麻雀搜索算法(简称麻雀算法)是由薛建凯于2020年提出的一种群智能优化算法,其基本原理为模仿麻雀的觅食行为,具有良好的全局搜索能力。
在一个群组中,麻雀有着三种身份,分别是发现者、加入者及预警者。
发现者的职责是在群体中负责搜寻食物,并给整个麻雀群体指明觅食区域和方向,而加入者则是利用发现者来获取食物。一旦某个麻雀发现了捕食者,就会开始鸣叫预警其他麻雀,此时的麻雀也充当预警者的身份。
麻雀搜索算法主要包括:
(1)一个大的麻雀群组由若干个小的麻雀群组构成,一个麻雀群组包括一部分发现者和一部分加入者,二者数量之和恒定。每只麻雀都有侦察预警机制,有一部分麻雀可以探测到危险。
(2)根据适应度函数值的高低来划分群组中的个体是属于发现者还是加入者。群组中适应度高的若干个体作为发现者,其余个体作为加入者。每一个加入麻雀追随的发现麻雀是随机确立的。
(3)在搜索食物过程中,一旦遇到危险,某些麻雀可以成为预警者使其他麻雀转移至安全区域。
社会力模型是Dirk Helbing根据人类群体行为特征,以牛顿力学为基础构建的。社会力是指人群运动时受到所处环境(包括环境中的人和物)对其施加的力,按照行人不同的动机和在环境中所受到的影响,共有以下四种作用力的影响:自身驱动力、人与人之间的作用力、人与障碍物之间的作用力和扰动力。上述合力作用于行人,产生一种加速度。在整个个体行走过程中,以及个体和个体之间始终存在一定的力的作用。
结合图1-2,本发明提出基于麻雀搜索算法的体育馆人群疏散仿真方法,所述方法包括:
步骤一:设置体育馆场景参数信息﹐建立体育馆疏散场景模型和人物模型,并把人物模型输入到疏散场景模型中;
所述体育馆场景参数包括体育馆规模、有无固定坐席、体育馆使用功能、出口数目、出口宽度以及建筑结构信息;当最终出口的疏散人数等于总人数时疏散过程结束,并实时存储疏散人群总数、疏散时间和人群疏散路径。
步骤二:通过获取体育馆疏散场景模型的语义信息,在相应的疏散场景下设定疏散人群参数信息,并针对疏散人群参数信息实现人群初始化;
在体育馆场景中,随机设置N处危险源,N不超过疏散出口数量,为每个危险源设置一个危险半径,记做Rsn,n=1、2......N;
危险源指能够导致人员伤害或病变、物质资源和财产经济损失、工作环境破坏以及这些情况组合的源头或状态因素,例如火灾火焰燃烧位置。
步骤三:采用麻雀搜索算法对人群进行分组并利用麻雀搜索算法进行宏观路径规划,利用社会力模型进行微观人群运动指导,以获取最终人群疏散路径,从而实现人群疏散仿真;
在疏散人群中有两种初始角色,即发现者和加入者,发现者以体育馆疏散出口为目标,加入者以发现者为目标;发现者与跟随他的加入者算作一个群组。
所述利用麻雀搜索算法进行宏观路径规划具体为:根据疏散个体到最终疏散出口的距离和到危险源的距离分别计算适应度,根据适应度决定麻雀属于发现者还是加入者;对求解出的适应度值排序,选择前N个个体作为发现者,发现者个数N不小于体育馆疏散出口数目的2倍;发现者和加入者的身份是动态变化的,但是发现者和加入者所占整个种群数量的比例是不变的,当有一只麻雀变成发现者,必然有另一只麻雀变为加入者;在发现者和加入者中选取一部分麻雀作为预警者(将探测到危险的预警者数目所占比例设置在10%-20%范围内。),当预警者到临近危险源的距离小于该危险源的安全半径时,预警者发出警报,其周围的麻雀迅速撤离到安全区域;
所述适应度的函数为:
其中,Da表示疏散个体位置到最终疏散出口的距离,Db表示疏散个体位置到危险源的距离;α和β表示权重系数,α、β∈[0,1]。
遵循宏观路径规划原则对麻雀进行位置更新,直到算法达到最大迭代次数时,终止计算;根据适应度函数计算它们的适应度并保留当前群体中最好的解,之后对麻雀位置进行更新。具体为:在利用麻雀搜索算法进行宏观路径规划之后,获取当前最优值,如果当前最优值比上一次迭代的最优值好,就进行更新操作,否则不进行更新操作,并继续进行迭代操作直到满足条件为止,最终得到全局最优值和最佳适应度值,即可作为全局疏散路径;
发现者的位置更新公式为:
其中,t代表算法当前迭代的总次数。α∈(0,1]代表一个随机数。Tmax为一个常数,表示最大的迭代次数,Xi,j表示第i个麻雀在第j维中的位置信息,R2代表距离危险源的距离,Rsn∈代表危险源的危险半径。Q代表服从正态分布的随机数。L代表所有元素均为1的1行d列的矩阵。当R2<Rsn时,意味觅食环境安全,且发现者能够进行更大范围的搜索操作,若R2≥Rsn,则说明部分麻雀已经找到捕食者并发出警告信号,此时全部麻雀都需要转移至安全地点。
种群内其余麻雀皆为加入者,其位置更新公式为:
式中,Xbest是当前种群已经历的最佳位置,Xworst是当前种群已经历的最差位置,w为常数,A为d×d矩阵,该矩阵每个元素被随机赋值1或-1。当则在最佳位置附近觅食,时则第i加入者没有获取食物,需要飞往它处觅食。
当麻雀与危险源的距离小于危险源的危险半径Rsn时,预警者发出警报,其周围的麻雀迅速撤离到安全区域。本实例将探测到危险的预警者数目所占比例设置在10%-20%范围内。
预警者的位置更新公式为:
式中,β为步长参数,是平均值=0,方差=1且满足正态分布的随机数。K∈[-1,1]是随机数,fi为第i个麻雀的适应度,fg为当前最佳适应度值,而fw是当前的最差适应度值。ε是值非常小的常数,可以使式子中避免出现分母等于零的情形。
对于疏散群组中不同个体,选用相应的社会力模型进行微观人群模拟,从而得到无碰撞的人群运动,通过社会力模型进行微观人群运动指导的具体步骤是:针对每个群组内的个体行人,根据社会力模型计算行人本身的驱动力、行人之间的相互排斥力和行人受体育馆环境中墙或障碍物阻力的合力;群组内的个体行人按照计算的所受合力完成行为运动。
社会力模型的基本公式为本领域公知技术,这里不再赘述,所述社会力模型表示行人的运动受到自身驱动力、行人与其他行人之间的作用力、行人与障碍物之间作用力以及扰动力这四种力的影响。
在移动的过程中,行人i会不断调整自己当前的实际速率(t),并期望以最高速率朝着目标方向移动;群组中的发现者采用社会力模型的基本公式进行计算,自驱动力以体育馆出口为目标进行计算,即公式(4)。
第m个组群中第n个发现者对应的社会力模型的基本公式为在社会力模型的基本公式的基础上加入发现者Dis和加入者par的元素。
子群发现者自驱动力公式为:
步骤四:当最终出口的疏散人数等于总人数时疏散过程结束,导出疏散路径。
在本发明的仿真过程中,实时更新同组中个体的角色及运动速度,以保证整个群组行进的一致性,实现疏散人群的行为仿真。本发明所述方法在人群疏散模拟中,将宏观路径规划与微观人群模拟相结合,既提供真实的仿真效果,又能提高运算的效率,进一步的,在麻雀算法的适应度函数中提出到危险源的距离,使仿真结果更加真实可靠。
本发明还提出基于麻雀搜索算法的体育馆人群疏散仿真系统,所述系统包括:
疏散建模模块,用于设置体育馆场景参数信息﹐建立体育馆疏散场景模型和人物模型,并把人物模型输入到疏散场景模型中;
初始化模块;用于通过获取体育馆疏散场景模型的语义信息,在相应的疏散场景下设定疏散人群参数信息,并针对疏散人群参数信息实现人群初始化;
路径规划及人群运动模块:用于根据体育馆出口数量,对人群采用麻雀搜索算法进行分组,得到发现者、加入者及预警者;利用麻雀搜索算法进行宏观路径规划,利用社会力模型进行微观人群运动指导,产生无冲突的人群运动,以获取最终人群疏散路径,从而实现人群疏散仿真;
所述利用麻雀搜索算法进行宏观路径规划具体为:根据疏散个体到最终疏散出口的距离和到危险源的距离分别计算适应度,根据适应度决定麻雀属于发现者还是加入者;对求解出的适应度值排序,选择前N个个体作为发现者,发现者个数N不小于体育馆疏散出口的2倍;发现者和加入者的身份是动态变化的,但是发现者和加入者所占整个种群数量的比例是不变的,当有一只麻雀变成发现者,必然有另一只麻雀变为加入者;在发现者和加入者中选取一部分麻雀作为预警者,当预警者到临近危险源的距离小于该危险源的安全半径时,预警者发出警报,其周围的麻雀迅速撤离到安全区域;
遵循宏观路径规划原则对麻雀进行位置更新,直到算法达到最大迭代次数时,终止计算;具体为:在利用麻雀搜索算法进行宏观路径规划之后,获取当前最优值,如果当前最优值比上一次迭代的最优值好,就进行更新操作,否则不进行更新操作,并继续进行迭代操作直到满足条件为止,最终得到全局最优值和最佳适应度值,即可作为全局疏散路径;
导出模块:用于当最终出口的疏散人数等于总人数时疏散过程结束,导出疏散路径。
本发明还提出一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的基于麻雀搜索算法的体育馆人群疏散仿真方法。
本发明还提出一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现所述的基于麻雀搜索算法的体育馆人群疏散仿真方法。
本发明是基于麻雀搜索算法的体育馆人群疏散仿真方法,麻雀搜索算法的仿生对象是麻雀,过程中涉及发现者、加入者和预警者,在疏散过程中人类的行为有明显聚集现象,而麻雀算法中涉及到警戒恐惧等因素,更符合人群真实疏散情况,所以麻雀算法比其他现有算法更适合于疏散人群的路径规划,而且麻雀搜索算法的流程更简单,整个种群只需要调整相对更少的参数。相比于现有技术中的其他算法(例如猫群算法)实现更方便,对各类优化问题适应能力更强。麻雀搜索算法具有更好的全局探索和局部开发的能力,不易陷入局部最优解,可以更加缩短得出最优解的时间,从而提升疏散效率。
以上对本发明所提出的基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.基于麻雀搜索算法的体育馆人群疏散仿真方法,其特征在于:所述方法包括:
步骤一:设置体育馆场景参数信息﹐建立体育馆疏散场景模型和人物模型,并把人物模型输入到疏散场景模型中;
步骤二:通过获取体育馆疏散场景模型的语义信息,在相应的疏散场景下设定疏散人群参数信息,并针对疏散人群参数信息实现人群初始化;
步骤三:利用麻雀搜索算法进行宏观路径规划,利用社会力模型进行微观人群运动指导,以获取最终人群疏散路径,从而实现人群疏散仿真;
所述利用麻雀搜索算法进行宏观路径规划具体为:根据疏散个体到最终疏散出口的距离和到危险源的距离分别计算适应度,根据适应度决定麻雀属于发现者还是加入者;对求解出的适应度值排序,选择前N个个体作为发现者,发现者个数N不小于体育馆疏散出口的2倍;发现者和加入者的身份是动态变化的,但是发现者和加入者所占整个种群数量的比例是不变的,当有一只麻雀变成发现者,必然有另一只麻雀变为加入者;在发现者和加入者中选取一部分麻雀作为预警者,当预警者到临近危险源的距离小于该危险源的安全半径时,预警者发出警报,其周围的麻雀迅速撤离到安全区域;
遵循宏观路径规划原则对麻雀进行位置更新,直到算法达到最大迭代次数时,终止计算;具体为:在利用麻雀搜索算法进行宏观路径规划之后,获取当前最优值,如果当前最优值比上一次迭代的最优值好,就进行更新操作,否则不进行更新操作,并继续进行迭代操作直到满足条件为止,最终得到全局最优值和最佳适应度值,即可作为全局疏散路径;
步骤四:当最终出口的疏散人数等于总人数时疏散过程结束,导出疏散路径。
2.根据权利要求1所述的方法,其特征在于:
体育馆场景参数包括体育馆规模、有无固定坐席、体育馆使用功能、出口数目、出口宽度以及建筑结构信息;
在体育馆场景中,随机设置N处危险源,N不超过疏散出口数量,为每个危险源设置一个危险半径,记做Rsn,n=1、2......N;
危险源指能够导致人员伤害或病变、物质资源和财产经济损失、工作环境破坏以及这些情况组合的源头或状态因素。
4.根据权利要求1所述的方法,其特征在于:将探测到危险的预警者数目所占比例设置在10%-20%范围内。
5.根据权利要求1所述的方法,其特征在于:在疏散人群中有两种初始角色,即发现者和加入者,发现者以体育馆疏散出口为目标,加入者以发现者为目标;发现者与跟随他的加入者算作一个群组。
6.根据权利要求5所述的方法,其特征在于:通过社会力模型进行微观人群运动指导的具体步骤是:针对每个群组内的个体行人,根据社会力模型计算行人本身的驱动力、行人之间的相互排斥力和行人受体育馆环境中墙或障碍物阻力的合力;群组内的个体行人按照计算的所受合力完成行为运动。
7.基于麻雀搜索算法的体育馆人群疏散仿真系统,其特征在于:所述系统包括:
疏散建模模块,用于设置体育馆场景参数信息﹐建立体育馆疏散场景模型和人物模型,并把人物模型输入到疏散场景模型中;
初始化模块;用于通过获取体育馆疏散场景模型的语义信息,在相应的疏散场景下设定疏散人群参数信息,并针对疏散人群参数信息实现人群初始化;
路径规划及人群运动模块:用于利用麻雀搜索算法进行宏观路径规划,利用社会力模型进行微观人群运动指导,以获取最终人群疏散路径,从而实现人群疏散仿真;
所述利用麻雀搜索算法进行宏观路径规划具体为:根据疏散个体到最终疏散出口的距离和到危险源的距离分别计算适应度,根据适应度决定麻雀属于发现者还是加入者;对求解出的适应度值排序,选择前N个个体作为发现者,发现者个数N不小于体育馆疏散出口的2倍;发现者和加入者的身份是动态变化的,但是发现者和加入者所占整个种群数量的比例是不变的,当有一只麻雀变成发现者,必然有另一只麻雀变为加入者;在发现者和加入者中选取一部分麻雀作为预警者,当预警者到临近危险源的距离小于该危险源的安全半径时,预警者发出警报,其周围的麻雀迅速撤离到安全区域;
遵循宏观路径规划原则对麻雀进行位置更新,直到算法达到最大迭代次数时,终止计算;具体为:在利用麻雀搜索算法进行宏观路径规划之后,获取当前最优值,如果当前最优值比上一次迭代的最优值好,就进行更新操作,否则不进行更新操作,并继续进行迭代操作直到满足条件为止,最终得到全局最优值和最佳适应度值,即可作为全局疏散路径;
导出模块:用于当最终出口的疏散人数等于总人数时疏散过程结束,导出疏散路径。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-6任一项所述的基于麻雀搜索算法的体育馆人群疏散仿真方法。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于:该程序被处理器执行时实现权利要求1-6任一项所述的基于麻雀搜索算法的体育馆人群疏散仿真方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282884.0A CN114065614B (zh) | 2021-11-01 | 2021-11-01 | 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282884.0A CN114065614B (zh) | 2021-11-01 | 2021-11-01 | 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065614A true CN114065614A (zh) | 2022-02-18 |
CN114065614B CN114065614B (zh) | 2024-04-30 |
Family
ID=80236243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111282884.0A Active CN114065614B (zh) | 2021-11-01 | 2021-11-01 | 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065614B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781269A (zh) * | 2022-05-09 | 2022-07-22 | 江苏佳利达国际物流股份有限公司 | 一种基于猫群算法的立体式仓储优化方法及立体式仓库 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227958A (zh) * | 2016-07-27 | 2016-12-14 | 山东师范大学 | 人工蜂群与社会力模型结合的群组疏散仿真系统及方法 |
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN108388734A (zh) * | 2018-02-28 | 2018-08-10 | 山东师范大学 | 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
CN112488401A (zh) * | 2020-12-08 | 2021-03-12 | 武汉理工光科股份有限公司 | 一种火灾逃生路线指引方法及系统 |
-
2021
- 2021-11-01 CN CN202111282884.0A patent/CN114065614B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN106227958A (zh) * | 2016-07-27 | 2016-12-14 | 山东师范大学 | 人工蜂群与社会力模型结合的群组疏散仿真系统及方法 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
CN108388734A (zh) * | 2018-02-28 | 2018-08-10 | 山东师范大学 | 基于禁忌搜索蜂群算法的人群疏散仿真方法及系统 |
CN112488401A (zh) * | 2020-12-08 | 2021-03-12 | 武汉理工光科股份有限公司 | 一种火灾逃生路线指引方法及系统 |
Non-Patent Citations (1)
Title |
---|
王燕语;孙澄;范乐;: "居住区人群安全疏散信息模型建构与应用研究", 新建筑, no. 02, 1 April 2019 (2019-04-01) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781269A (zh) * | 2022-05-09 | 2022-07-22 | 江苏佳利达国际物流股份有限公司 | 一种基于猫群算法的立体式仓储优化方法及立体式仓库 |
Also Published As
Publication number | Publication date |
---|---|
CN114065614B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Crowd behavior simulation with emotional contagion in unexpected multihazard situations | |
CN108491598B (zh) | 一种基于路径规划的人群疏散仿真方法及系统 | |
KR102523888B1 (ko) | 가상 환경에서 가상 객체를 스케줄링하기 위한 방법, 장치 및 디바이스 | |
Cao et al. | A multi-grid model for pedestrian evacuation in a room without visibility | |
Karamouzas et al. | A predictive collision avoidance model for pedestrian simulation | |
CN110221290B (zh) | 基于蚁群算法优化的无人机目标搜索构建方法 | |
CN112231968A (zh) | 基于深度强化学习算法的人群疏散仿真方法及系统 | |
CN104317297A (zh) | 一种未知环境下机器人避障方法 | |
CN114065614A (zh) | 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 | |
Huang et al. | Path planning of mobile robot in unknown dynamic continuous environment using reward‐modified deep Q‐network | |
CN111400914A (zh) | 一种基于视域的人群分组及人群疏散仿真系统及方法 | |
CN111339668B (zh) | 基于情绪认知的人群疏散可视化方法 | |
Zhao et al. | A continuous floor field cellular automata model with interaction area for crowd evacuation | |
Nasir et al. | A survey on simulating real-time crowd simulation | |
CN111400963A (zh) | 基于鸡群算法和社会力模型的人群疏散仿真方法及系统 | |
Xu et al. | Spiral motion mode embedded grasshopper optimization algorithm: design and analysis | |
Price et al. | GA directed self-organized search and attack UAV swarms | |
Junaedi et al. | Multi agent with multi behavior based on particle swarm optimization (PSO) for crowd movement in fire evacuation | |
CN112348285A (zh) | 一种基于深度强化学习的动态环境下人群疏散模拟方法 | |
Xiang et al. | Using SIR model to simulate emotion contagion in dynamic crowd aggregation process | |
Baig et al. | Realistic modeling of agents in crowd simulations | |
Sakellariou et al. | Crowd formal modelling and simulation: The sa'yee ritual | |
Sharma et al. | Intelligent agents in a goal finding application for homeland security | |
Lyu et al. | Toward modeling emotional crowds | |
Sharma et al. | Using genetic algorithm and neural network for modeling learning behavior in a multi-agent system during emergency evacuation |
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 |