一种基于路径规划的人群疏散模型制造技术

本发明专利技术提出一种基于路径规划的人群疏散模型，属于计算机仿真的领域。知识图谱融合在实际应用中主要以图融合的形式存在。针对既有的人群疏散模型存在模拟真实度不足、疏散效率低等问题，首先使用改进的人工蜂群算法寻找合适的疏散路径，在路径的关键节点设置指示标志引导行人疏散，提高人群疏散效率。然后在社会力模型的基础上加入恐慌情绪和疏散标志对人群疏散的影响，使得疏散模型更加符合真实人群的运动情况。本发明专利技术提出了具体的人群疏散模型，与传统疏散模型相比，本发明专利技术的模型能够再现典型的人群自组织现象，更贴近真实人群疏散情况，并且提高人群疏散效率。并且提高人群疏散效率。

【技术实现步骤摘要】
一种基于路径规划的人群疏散模型


[0001]本专利技术涉及一种基于路径规划的人群疏散模型，属于计算机仿真领域。

技术介绍

[0002]当公共场所突发火灾、地震等意外情况时，往往会引发人群拥堵、踩踏等一系列安全事故，造成重大的人员伤亡。公共安全一直是社会关注的焦点问题之一，对于公共场所突发事件下的人群疏散问题研究，已成为当前科研领域的一个热门研究方向。当公共场所中发生意外情况后，对人群进行快速有序疏散，能够有效降低安全事故发生的风险。通过对路径规划算法进行改进，可以对公共场所中疏散通道的规划以及指示标志的设置提供建议和参考，提高公共场所的安全性和应急响应能力；然后针对公共场所中行人之间恐慌情绪传染易导致人群混乱拥堵、行人在疏散过程中会受到指示标志的指引等特点，改进人群疏散模型，使得模型仿真符合实际情况，能够应用在更加复杂的真实环境，对人群疏散研究具有重要意义。
[0003]人工蜂群算法和其他智能优化算法相比，不需要指定初始值，在解空间随机生成初始可行解；所需要的参数比较少，不需要过多的外部信息；每个角色进行局部寻优寻找全局最优解，全局搜索能力强；通过不同角色之间的相互交流协作以及角色转换，能够完成复杂的群体行为。因此本专利技术采用人工蜂群算法进行路径规划研究。
[0004]与其他智能优化算法相比，人工蜂群算法虽然实现简单，适用性广泛，但算法早期容易陷入局部最优，无法收敛至全局最优解，而且算法的局部搜索能力较差，寻找到的最优解精度不足。
[0005]与其他疏散模型相比，社会力模型虽然通过引入行人与环境之间的物理和心理排斥力确定行人的移动方向，更加符合真实情况。但是公共场所中的行人受到恐慌情绪或者指示标志等因素的影响后，会在移动中改变自身的期望移动方向或者期望移动速度，社会力模型无法准确地描述这类人群运动情况，仍存在一定的局限性。
[0006]与其他疏散模型相比，社会力模型虽然通过引入行人与环境之间的物理和心理排斥力确定行人的移动方向，更加符合真实情况。但是公共场所中的行人受到恐慌情绪或者指示标志等因素的影响后，会在移动中改变自身的期望移动方向或者期望移动速度，社会力模型无法准确地描述这类人群运动情况，仍存在一定的局限性。

技术实现思路

[0007]本专利技术针对上述方案中存在的不足，提出了一种基于路径规划的人群疏散模型。首先使用改进的人工蜂群算法寻找合适的疏散路径，在路径的关键节点设置指示标志引导行人疏散，提高人群疏散效率。然后在社会力模型的基础上加入恐慌情绪和疏散标志对人群疏散的影响，使得疏散模型更加符合真实人群的运动情况。
[0008]本专利技术采用的技术方案如下：
[0009]本专利技术提供一种基于路径规划的人群疏散模型。本专利技术首先对人工蜂群算法进行
改进，解决其容易过早收敛以及寻优精度不高的问题，利用改进的人工蜂群算法对公共场所的复杂路况进行全局路径规划。规划出合适的路径后，在路径的关键节点设置指示标志，通过指示标志引导公共场所中的人群疏散，防止恐慌情绪在疏散过程中大量蔓延，使得行人能够冷静地选择出合适的路径前往安全区域，提高人群疏散效率。然后在传统的社会力模型基础上，加入行人的恐慌情绪以及指示标志对人群疏散的影响，使其更加符合真实的人群疏散情况。因此，本专利技术特征主要包括以下步骤：
[0010](1)基于混沌映射初始化路径规划算法的初始解；
[0011](2)基于粒子群算法提高规划路径的质量；
[0012](3)基于动态恐慌情绪修改行人自驱力；
[0013](4)利用指示标志的引导行人疏散；
[0014]下面是对每个步骤实现的具体描述。
[0015]基于混沌映射初始化路径规划算法初始解的步骤：
[0016]本专利技术将Tent混沌映射机制引入人工蜂群算法中，进行蜜源初始化，使得蜜源时能够均匀地初始化在解空间，增加初始解的多样性，防止算法前期陷入局部最优。改进后的初始化公式如式(2)所示。
[0017][0018][0019]其中，为Tent混沌映射的生成的混沌值，的映射s范围为(0,1)。
[0020]基于粒子群算法提高规划路径质量的步骤：
[0021]受粒子群思想启发，对蜜源搜索公式进行改进：利用群体最优解信息提高算法的收敛速度；采用自适应惯性权重因子平衡算法的全局搜索和局部搜索能力，提高算法的寻优精度。改进后的蜜源搜索过程如式(3)所示。
[0022][0023]其中，c1是受到已知全局蜜源影响的权重，c2是受到其他蜜源影响的权重。是当前全局最优的蜜源，x
k
表示相邻蜜源，x
i
表示为当前蜜源，k∈(1，2，
…
，N)且k≠i。的取值范围为(0，1)，w是自适应惯性权重因子。
[0024]惯性权重的值越大，算法的搜索范围越大，有利于算法的全局搜索；惯性权重的值越小，算法搜索的步长越小，有利于寻找局部最优值。算法前期为了加快收敛速度，应采用大步长的搜索策略。后期为避免错过全局最优解，适合采用小步长的搜索策略。因此，为兼顾算法的收敛速度和全局最优解的精度，本文提出自适应惯性权重w，如式(4)所示。
[0025][0026]其中，W
max
和W
min
分别是加权因子的最大值和最小值，iter为当前迭代次数。在算法前期，迭代次数较小，惯性权重的值比较大，能够保证较大的搜索步长，保证算法快速收敛。
随着迭代次数的增大，惯性权重的就越来越小，算法的局部搜索能力逐渐提高，保证寻找局部最优解的能力。
[0027]基于动态恐慌情绪修改行人自驱力：
[0028]环境的危险程度取决于环境中危险源的影响，行人能感知到的危险源数量越多，距离危险源越近，行人的恐慌值越高。本模型定义行人自身感知到的恐慌值如式(5)所示。
[0029][0030]其中，m表示行人感知范围内的危险源数量，p
i
(t)表示t时行人i的坐标，p
d
表示危险源d的坐标，r
d
表示危险源d的影响范围，rand(0，1)是0到1之间的随机数，代表周围没有危险源时自带的恐慌值。
[0031]在情绪感染过程中，行人个体受到的感知范围内其他行人情绪传播的情绪累计量用P
i
表示，如式(6)所示。
[0032][0033]其中，j为行人i感知范围内的其他行人,panic
j
(t
‑
1)为上一时刻行人j的恐慌值，α为情绪感染成功的概率，α∈(0，1)，行人j的恐慌值越大，感染成功的机率越高，如式(7)所示。
[0034][0035]因此，t时刻行人i的恐慌情绪值panic
i
(t)由t
‑
1的恐慌情绪、t
t
时刻来着于周围危险源产生的情绪以及t时刻来自于行人i感知范围内的其他行人传播的情绪总量组成，如式(8)所示。
[0036][0037]但是随着行人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于路径规划的人群疏散模型，其特征在于：(1)基于混沌映射初始化路径规划算法的初始解在算法初始化阶段引入Tent混沌映射，使生成的初始解在搜索空间中分布的更加均匀，提高解的多样性。(2)基于粒子群算法提高规划路径的质量利用已知的全局最优解信息和自适应惯性权重，对算法的搜索策略进行改进，在初期保持较大的搜索范围，保证收敛速度，后期缩小搜索范围，提高局部搜索能力。(3)基于动态恐慌情绪修改行人自驱力引入恐慌因子将恐慌情绪对人群疏散的影响量化到行人的期望移动速度和反应时间上，修正社会力模型中的行人自驱力。(4)利用指示标志的引导行人疏散在社会力模型中加入指示标志对行人的引导力，将指示标志对人群疏散的影响通过力的形式表现，能够在疏散中动态改变行人的期望移动方向。2.根据权利1所述的一种基于路径规划的人群疏散模型，其特征在于基于混沌映射初始化路径规划算法的初始解：本模型将Tent混沌映射机制引入人工蜂群算法中，进行蜜源初始化，使得蜜源时能够均匀地初始化在解空间，增加初始解的多样性，防止算法前期陷入局部最优。改进后的初始化公式如式(2)所示。化公式如式(2)所示。其中，为Tent混沌映射的生成的混沌值，的映射范围为(0,1)。3.根据权利1所述的一种基于路径规划的人群疏散模型，其特征在于基于粒子群算法提高规划路径的质量：受粒子群思想启发，对蜜源搜索公式进行改进：利用群体最优解信息提高算法的收敛速度；采用自适应惯性权重因子平衡算法的全局搜索和局部搜索能力，提高算法的寻优精度。改进后的蜜源搜索过程如式(3)所示。本发明提出自适应惯性权重w，如式(4)所示。其中，W
max
和W
min
分别是加权因子的最大值和最小值，titer为当前迭代次数。在算法前期，迭代次数较小，惯性权重的值比较大，能够保证较大的搜索步长，保证算法快速收敛。随着迭代次数的增大，惯性权重的就越来越...

【专利技术属性】
技术研发人员：郑志蕴，李钝，张怀珠，
申请(专利权)人：郑州大学，
类型：发明
国别省市：