CN114065614A - 基於麻雀搜索算法的體育館人羣疏散仿真方法、系統、電子設備和介質 - Google Patents
基於麻雀搜索算法的體育館人羣疏散仿真方法、系統、電子設備和介質 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 Pending English (en)劉瑩
孫澄
鄭曉涵
劉敏
劉芳芳
黃麗蒂
董琪
楊陽
梁靜
唐徵徵
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology Priority to CN202111282884.0A priority Critical patent/CN114065614A/zh Publication of CN114065614A publication Critical patent/CN114065614A/zh Pending legal-status Critical Current-
- 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]
本發明提出基於麻雀搜索算法的體育館人羣疏散仿真方法、系統、電子設備和介質，所述方法步驟為：收集體育館參數化信息，製作出體育館模型和人物模型，並將人物模型導入疏散模型中。獲取疏散場景模型的語義信息後,在體育館場景下設定疏散人羣參數信息,並針對疏散羣體的參數信息進行人羣初始化；通過麻雀搜索算法，將疏散人羣分為發現者、加入者及預警者，採用麻雀搜索算法規劃宏觀路徑，通過社會力模型實現微觀人羣運動指導,得到最終人羣疏散路徑。該方法可以實際反映疏散羣體之間的關係，規劃出更合理的疏散路徑，縮短疏散時間，大大提升疏散效率。
基於麻雀搜索算法的體育館人羣疏散仿真方法、系統、電子設 備和介質
技術領域
本發明屬於人羣疏散仿真技術領域，特別是涉及基於麻雀搜索算法的體育館人羣疏散仿真方法、系統、電子設備和介質。
背景技術
隨着社會經濟實力的增強，能容納大量人羣的體育館建築不斷增多。但在出現重大自然災害或緊急突發事件時，由於各種因素，大量人員必須應急疏散時，極易造成疏散事故，導致體育館使用者身體及財富上的損失。
傳統疏散演練方法局限性過多，因此計算機仿真技術近年來受到更多的關注。計算機仿真技術信息量豐富、針對性強、在達到最佳疏散演練效果的同時，能夠降低生產成本。
麻雀搜索算法是由薛建凱於2020年提出的一種羣智能優化算法，其基本原理是模擬麻雀的覓食行為，具有良好的全局搜索能力。其仿生學原理為:麻雀覓食過程可定義為發現者-加入者模型,並加入偵察預警機理。發現者自身適應度高,搜尋範圍廣,引領整個種羣的搜尋與覓食。加入者為獲取更好的適應度,跟隨發現者並進行覓食。同時,加入者為提高自身捕食效率,部分加入者會監視發現者以便於開展食物競爭，並在其附近進行覓食。但一旦整個羣體受到捕食者的威脅或意識到威脅存在時，會迅速展開反捕的行動。
在真實的疏散場景中，疏散羣眾會有追隨心裏，並且在遇到危險源時，會改變疏散路徑，因此疏散人羣距離危險源的距離也是影響人羣疏散的重要因素之一。
在現有的人羣疏散仿真中，如何真實反映疏散情況以及如何提高疏散效率，尚缺乏有效的解決方案。
發明內容
本發明目的是為了解決現有技術中的問題，提出了基於麻雀搜索算法的體育館人羣疏散仿真方法、系統、電子設備和介質。本發明採用麻雀搜索算法與社會裏模型相結合的方式，從而真實反映疏散情況並提高疏散效率。
本發明根據此方案實現，本發明提出基於麻雀搜索算法的體育館人羣疏散仿真方法，所述方法包括：
步驟一：設置體育館場景參數信息﹐建立體育館疏散場景模型和人物模型，並把人物模型輸入到疏散場景模型中；
步驟二：通過獲取體育館疏散場景模型的語義信息,在相應的疏散場景下設定疏散人羣參數信息，並針對疏散人羣參數信息實現人羣初始化；
步驟三：利用麻雀搜索算法進行宏觀路徑規劃,利用社會力模型進行微觀人羣運動指導,以獲取最終人羣疏散路徑,從而實現人羣疏散仿真；
所述利用麻雀搜索算法進行宏觀路徑規划具體為：根據疏散個體到最終疏散出口的距離和到危險源的距離分別計算適應度，根據適應度決定麻雀屬於發現者還是加入者；對求解出的適應度值排序，選擇前N個個體作為發現者，發現者個數N不小於體育館疏散出口的2倍；發現者和加入者的身份是動態變化的，但是發現者和加入者所佔整個種羣數量的比例是不變的，當有一隻麻雀變成發現者，必然有另一隻麻雀變為加入者；在發現者和加入者中選取一部分麻雀作為預警者，當預警者到臨近危險源的距離小於該危險源的安全半徑時，預警者發出警報，其周圍的麻雀迅速撤離到安全區域；
遵循宏觀路徑規劃原則對麻雀進行位置更新，直到算法達到最大迭代次數時，終止計算；具體為：在利用麻雀搜索算法進行宏觀路徑規劃之後，獲取當前最優值，如果當前最優值比上一次迭代的最優值好，就進行更新操作，否則不進行更新操作，並繼續進行迭代操作直到滿足條件為止，最終得到全局最優值和最佳適應度值，即可作為全局疏散路徑；
步驟四：當最終出口的疏散人數等於總人數時疏散過程結束，導出疏散路徑。
進一步地，體育館場景參數包括體育館規模、有無固定坐席、體育館使用功能、出口數目、出口寬度以及建築結構信息；
在體育館場景中，隨機設置N處危險源，N不超過疏散出口數量，為每個危險源設置一個危險半徑，記做Rs，n＝1、2......N；危險源指能夠導致人員傷害或病變、物質資源和財產經濟損失、工作環境破壞以及這些情況組合的源頭或狀態因素。
進一步地，所述適應度的函數為:
其中,Da表示疏散個體位置到最終疏散出口的距離，D表示疏散個體位置到危險源的距離；α和β表示權重系數，α、β∈[0，1]。進一步地，將探測到危險的預警者數目所佔比例設置在10％-20％範圍內。
進一步地，在疏散人羣中有兩種初始角色，即發現者和加入者，發現者以體育館疏散出口為目標，加入者以發現者為目標；發現者與跟隨他的加入者算作一個羣組。
進一步地，通過社會力模型進行微觀人羣運動指導的具體步驟是：針對每個羣組內的個體行人，根據社會力模型計算行人本身的驅動力、行人之間的相互排斥力和行人受體育館環境中牆或障礙物阻力的合力；羣組內的個體行人按照計算的所受合力完成行為運動。
本發明還提出基於麻雀搜索算法的體育館人羣疏散仿真系統，所述系統包括：
疏散建模模塊，用於設置體育館場景參數信息﹐建立體育館疏散場景模型和人物模型，並把人物模型輸入到疏散場景模型中；
初始化模塊；用於通過獲取體育館疏散場景模型的語義信息,在相應的疏散場景下設定疏散人羣參數信息，並針對疏散人羣參數信息實現人羣初始化；
路徑規劃及人羣運動模塊：用於利用麻雀搜索算法進行宏觀路徑規劃,利用社會力模型進行微觀人羣運動指導,以獲取最終人羣疏散路徑,從而實現人羣疏散仿真；
所述利用麻雀搜索算法進行宏觀路徑規划具體為：根據疏散個體到最終疏散出口的距離和到危險源的距離分別計算適應度，根據適應度決定麻雀屬於發現者還是加入者；對求解出的適應度值排序，選擇前N個個體作為發現者，發現者個數N不小於體育館疏散出口的2倍；發現者和加入者的身份是動態變化的，但是發現者和加入者所佔整個種羣數量的比例是不變的，當有一隻麻雀變成發現者，必然有另一隻麻雀變為加入者；在發現者和加入者中選取一部分麻雀作為預警者，當預警者到臨近危險源的距離小於該危險源的安全半徑時，預警者發出警報，其周圍的麻雀迅速撤離到安全區域；
遵循宏觀路徑規劃原則對麻雀進行位置更新，直到算法達到最大迭代次數時，終止計算；具體為：在利用麻雀搜索算法進行宏觀路徑規劃之後，獲取當前最優值，如果當前最優值比上一次迭代的最優值好，就進行更新操作，否則不進行更新操作，並繼續進行迭代操作直到滿足條件為止，最終得到全局最優值和最佳適應度值，即可作為全局疏散路徑；
導出模塊：用於當最終出口的疏散人數等於總人數時疏散過程結束，導出疏散路徑。
本發明還提出一種電子設備，所述電子設備包括：
至少一個處理器；以及，
與所述至少一個處理器通信連接的存儲器；其中，
所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行所述的基於麻雀搜索算法的體育館人羣疏散仿真方法。
本發明還提出一種存儲有電腦程式的計算機可讀存儲介質，該程序被處理器執行時實現所述的基於麻雀搜索算法的體育館人羣疏散仿真方法。
本發明將麻雀搜索算法與社會力模型相融合,運用麻雀搜索算法實現宏觀路徑規劃並實現真實場景人羣在疏散過程中的出口選擇現象,運用社會力模型實現微觀個體運動指導,共同完成複雜場景下的人羣疏散仿真,結果表明,該方法可以真實有效地完成複雜場景下的人羣疏散仿真。本發明採用麻雀搜索算法對疏散人羣分組,真實反映人羣分組行為,使人羣疏散仿真方法更貼近現實。本發明把人羣分為發現者、加入者及預警者,不同的身份執行不同的社會力模型進行疏散,避免碰撞衝突,測算真實的疏散時間,提高疏散效率。
附圖説明
圖1是本發明所述的基於麻雀搜索算法的體育館人羣疏散仿真方法流程圖；
圖2是本發明所述的基於麻雀搜索算法的體育館人羣疏散仿真系統框圖。
具體實施方式
下面將結合本發明實施例中的附圖對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
麻雀搜索算法(簡稱麻雀算法)是由薛建凱於2020年提出的一種羣智能優化算法，其基本原理為模仿麻雀的覓食行為，具有良好的全局搜索能力。
在一個羣組中，麻雀有着三種身份，分別是發現者、加入者及預警者。
發現者的職責是在羣體中負責搜尋食物，並給整個麻雀羣體指明覓食區域和方向，而加入者則是利用發現者來獲取食物。一旦某個麻雀發現了捕食者，就會開始鳴叫預警其他麻雀，此時的麻雀也充當預警者的身份。
麻雀搜索算法主要包括：
(1)一個大的麻雀羣組由若干個小的麻雀羣組構成，一個麻雀羣組包括一部分發現者和一部分加入者，二者數量之和恆定。每隻麻雀都有偵察預警機制，有一部分麻雀可以探測到危險。
(2)根據適應度函數值的高低來劃分羣組中的個體是屬於發現者還是加入者。羣組中適應度高的若干個體作為發現者，其餘個體作為加入者。每一個加入麻雀追隨的發現麻雀是隨機確立的。
(3)在搜索食物過程中，一旦遇到危險，某些麻雀可以成為預警者使其他麻雀轉移至安全區域。
社會力模型是Dirk Helbing根據人類羣體行為特徵,以牛頓力學為基礎構建的。社會力是指人羣運動時受到所處環境(包括環境中的人和物)對其施加的力,按照行人不同的動機和在環境中所受到的影響,共有以下四種作用力的影響:自身驅動力、人與人之間的作用力、人與障礙物之間的作用力和擾動力。上述合力作用於行人，產生一種加速度。在整個個體行走過程中,以及個體和個體之間始終存在一定的力的作用。
結合圖1-2，本發明提出基於麻雀搜索算法的體育館人羣疏散仿真方法，所述方法包括：
步驟一：設置體育館場景參數信息﹐建立體育館疏散場景模型和人物模型，並把人物模型輸入到疏散場景模型中；
所述體育館場景參數包括體育館規模、有無固定坐席、體育館使用功能、出口數目、出口寬度以及建築結構信息；當最終出口的疏散人數等於總人數時疏散過程結束，並實時存儲疏散人羣總數、疏散時間和人羣疏散路徑。
步驟二：通過獲取體育館疏散場景模型的語義信息,在相應的疏散場景下設定疏散人羣參數信息，並針對疏散人羣參數信息實現人羣初始化；
在體育館場景中，隨機設置N處危險源，N不超過疏散出口數量，為每個危險源設置一個危險半徑，記做Rs，n＝1、2......N；危險源指能夠導致人員傷害或病變、物質資源和財產經濟損失、工作環境破壞以及這些情況組合的源頭或狀態因素，例如火災火焰燃燒位置。
步驟三：採用麻雀搜索算法對人羣進行分組並利用麻雀搜索算法進行宏觀路徑規劃,利用社會力模型進行微觀人羣運動指導,以獲取最終人羣疏散路徑,從而實現人羣疏散仿真；
在疏散人羣中有兩種初始角色，即發現者和加入者，發現者以體育館疏散出口為目標，加入者以發現者為目標；發現者與跟隨他的加入者算作一個羣組。
所述利用麻雀搜索算法進行宏觀路徑規划具體為：根據疏散個體到最終疏散出口的距離和到危險源的距離分別計算適應度，根據適應度決定麻雀屬於發現者還是加入者；對求解出的適應度值排序，選擇前N個個體作為發現者，發現者個數N不小於體育館疏散出口數目的2倍；發現者和加入者的身份是動態變化的，但是發現者和加入者所佔整個種羣數量的比例是不變的，當有一隻麻雀變成發現者，必然有另一隻麻雀變為加入者；在發現者和加入者中選取一部分麻雀作為預警者(將探測到危險的預警者數目所佔比例設置在10％-20％範圍內。)，當預警者到臨近危險源的距離小於該危險源的安全半徑時，預警者發出警報，其周圍的麻雀迅速撤離到安全區域；
所述適應度的函數為:
其中,Da表示疏散個體位置到最終疏散出口的距離，D表示疏散個體位置到危險源的距離；α和β表示權重系數，α、β∈[0，1]。遵循宏觀路徑規劃原則對麻雀進行位置更新，直到算法達到最大迭代次數時，終止計算；根據適應度函數計算它們的適應度並保留當前羣體中最好的解，之後對麻雀位置進行更新。具體為：在利用麻雀搜索算法進行宏觀路徑規劃之後，獲取當前最優值，如果當前最優值比上一次迭代的最優值好，就進行更新操作，否則不進行更新操作，並繼續進行迭代操作直到滿足條件為止，最終得到全局最優值和最佳適應度值，即可作為全局疏散路徑；
發現者的位置更新公式為：
其中，t代表算法當前迭代的總次數。α∈(0,1]代表一個隨機數。T為一個常數，表示最大的迭代次數，X表示第i個麻雀在第j維中的位置信息，R代表距離危險源的距離，Rs∈代表危險源的危險半徑。Q代表服從正態分佈的隨機數。L代表所有元素均為1的1行d列的矩陣。當R