基于群體智能的人群疏散路徑規(guī)劃仿真研究

劉 弘

( 1) 山東師范大學(xué)信息科學(xué)與工程學(xué)院，250358，濟南；2) 山東省分布式計算機軟件新技術(shù)重點實驗室，250014，濟南 )

1 引 言

近年來，隨著社會經(jīng)濟的高速發(fā)展，各種聚集了大量人群的大型公共活動不斷增多，這其中的安全問題引起了越來越多的關(guān)注.在一些人員密集的公共建筑場所內(nèi)，由于建筑設(shè)計上的不合理，以及應(yīng)急管理方面的不到位，當(dāng)發(fā)生各種緊急突發(fā)事件、人員需要緊急撤離時，容易造成疏散人群的擁擠和阻塞，甚至發(fā)生嚴(yán)重的人員踩踏事故.研究突發(fā)事件下人群疏散的行為特征及運動規(guī)律，對于促進建筑物的合理設(shè)計，加強安全管理，從而有效地預(yù)防和減少各種突發(fā)情況下人員的傷亡，具有十分重要的意義.

突發(fā)事件下的人群疏散運動是一個非常復(fù)雜的過程.組織人員進行疏散實驗，雖然針對性強，獲得的信息量大，但是實驗費用和人員安全問題是不可回避的，所以計算機仿真模擬成為研究突發(fā)事件下人群疏散的最主要方法.通過對密集人群疏散過程的仿真，可以再現(xiàn)行人在疏散過程中的動態(tài)行為特性，模擬密集人群在疏散過程中擁擠的產(chǎn)生機理、傳播過程和流量分布趨勢.對事故易發(fā)區(qū)如出口和擁擠區(qū)域的流量密度分布進行分析，可以為擁擠事故的預(yù)防和控制提供科學(xué)的理論基礎(chǔ).

密集人群的疏散行為特性研究是行人流理論的一個分支，與常規(guī)情況下的行人流相比，行人的疏散行為不僅包含了從當(dāng)前位置到目的地的移動行為，還包含了出口和路徑的選擇行為.尤其是在內(nèi)部結(jié)構(gòu)復(fù)雜的大型公共場所中，行人的出口和路徑選擇行為決定了人群的流量分布以及疏散效率.因此，行人的疏散行為具有宏觀和微觀的雙重特性.宏觀層面，行人期望以最快的速度到達目的地，并且會根據(jù)獲取的外界環(huán)境信息調(diào)整自己的決策和行為；微觀層面，行人會根據(jù)選擇的目的地方向進行速度和位置的更新，并且在移動過程中盡量避免與其他行人發(fā)生擁擠和碰撞.行人疏散行為的宏觀因素和微觀因素相互關(guān)聯(lián)、相互影響，共同影響人群的疏散過程.

行人的疏散行為具有許多與常態(tài)下不同的特性.首先，行人遇到緊急情況時會產(chǎn)生緊張、恐慌的心理，本能的反應(yīng)是希望以最快的速度逃離危險區(qū)域.疏散過程中，行人的移動速度往往要髙于通常條件下的走行速度.其次，行人會根據(jù)實時的環(huán)境信息，動態(tài)地選擇和變更疏散時間較短的出口和路徑.因此，行人出行的目的地以及路徑是動態(tài)變化的.第三，行人之間會進行信息的傳遞，不斷更新自己的信息集合以做出更優(yōu)的選擇.疏散開始時，行人首先會根據(jù)視野信息和歷史信息做出初始的判斷，例如判斷出口的位置、估算疏散的時間.如果行人對場所不熟悉，則將跟隨周圍的行人進行移動.疏散過程中，行人之間將會互相交換信息集合，以獲取更全面的信息，從而選擇疏散時間較短的路徑.因此，行人的疏散行為還具有一定的自組織特性.

人們從生物進化機理和一些物理現(xiàn)象中受到啟發(fā),從而提出了許多用以解決復(fù)雜優(yōu)化問題的群智能優(yōu)化算法,它具有高效的優(yōu)化性能、無須問題特殊信息等優(yōu)點.群智能優(yōu)化算法是計算智能的一個重要分支，受到了各領(lǐng)域廣泛的關(guān)注和應(yīng)用，在許多領(lǐng)域(包括過程控制、機器學(xué)習(xí)、智能交通、經(jīng)濟預(yù)測和工程優(yōu)化等)取得了顯著的成績.在解決疏散問題的建模方法中,蟻群算法及微粒群算法已經(jīng)有相關(guān)的研究及應(yīng)用.

2016年,中國工程院啟動了“中國人工智能2.0”重大咨詢項目,認(rèn)為未來的人工智能將是人、計算機和互聯(lián)網(wǎng)融合在一起運行的智能系統(tǒng).數(shù)據(jù)驅(qū)動學(xué)習(xí),深度整合多種媒體的非結(jié)構(gòu)化數(shù)據(jù),人機和腦機交互,成為群體智能系統(tǒng).

在互聯(lián)網(wǎng)環(huán)境下，海量的人類智能與機器智能相互賦能增效，形成人機物融合的“群智空間”，以充分展現(xiàn)群體智能.其本質(zhì)上是互聯(lián)網(wǎng)科技創(chuàng)新生態(tài)系統(tǒng)的智力內(nèi)核，將輻射包括從技術(shù)研發(fā)到商業(yè)運營整個創(chuàng)新過程的所有組織及組織間關(guān)系網(wǎng)絡(luò).因此，群體智能的研究不僅能推動人工智能的理論技術(shù)創(chuàng)新，同時能對整個信息社會的應(yīng)用創(chuàng)新、體制創(chuàng)新、管理創(chuàng)新、商業(yè)創(chuàng)新等提供核心驅(qū)動力.

2 人群疏散仿真模型

在大規(guī)模人群疏散中，不同個體組合成一個群體,群體中的個體和個體之間又存在著交互作用，這種交互作用呈現(xiàn)出明顯的非線性特征[1].個體的行為特點使得群體行為表現(xiàn)為各種能量的匯聚、沖突、平衡、失衡，以及群體性趨向和排斥等現(xiàn)象[2].上述現(xiàn)象決定了對疏散人群運動規(guī)律的建模十分困難.因此，如何在針對非常規(guī)突發(fā)事件的大規(guī)模人群疏散中，結(jié)合各種人的心理狀態(tài)、行為特征、運動規(guī)律及交互作用等各種不確定性因素，建立合理的仿真模型，是一個亟需解決的問題.

微觀仿真模型中具有代表性的有社會力模型、元胞自動機模型及基于Agent的模型.

社會力模型是由Helbing等[3]提出的一種基于多粒子自驅(qū)動系統(tǒng)框架的模型,以經(jīng)典Newton力學(xué)為基礎(chǔ)，假設(shè)個體在疏散過程中受到三種力的作用: 驅(qū)動力、人和人之間的作用力以及人和障礙物之間的作用力.所謂社會力，就是個體在疏散中受到的來自于其他人及周圍環(huán)境的這些物理、心理、社會上的相互作用的統(tǒng)稱.該模型得到了同行的高度評價，并作為封面文章發(fā)表在Nature雜志上[4].迄今為止，社會力模型已被公認(rèn)為是對疏散時的個體動力學(xué)特征進行仿真模擬的最有代表性的數(shù)學(xué)模型，主要原因就是它能夠很好地模擬出人群運動中諸如“快即是慢”、拱形擁堵等復(fù)雜現(xiàn)象.國內(nèi)外學(xué)者在Helbing的研究基礎(chǔ)上，對社會力模型進行了諸多改善和發(fā)展[5-7].

社會力模型獨特的優(yōu)點在于較強的真實性，能體現(xiàn)人群運動的自組織現(xiàn)象.但社會力模型也有其局限，它是一種從微觀角度、針對個體進行建模的模型，需要設(shè)定復(fù)雜的建模規(guī)則，并且計算的時間復(fù)雜度為O(N2)，即隨著疏散人數(shù)N的增大，計算時間將急劇增長，因此，當(dāng)涉及到區(qū)域性的大規(guī)模人群疏散時，計算效率會很低.

元胞自動機(Cellular Automaton， CA)是一種離散的微觀模型[8]，是在有限元胞自動機的基礎(chǔ)上發(fā)展起來的，用于分析和模擬幾何空間內(nèi)的現(xiàn)象.構(gòu)成元胞自動機的每一個部件被稱為“元胞”，在空間網(wǎng)格上，這些元胞有規(guī)則地排列在一起組成了元胞空間，每個元胞有自己的屬性，并且隨著每個時間步的改變而改變.元胞自動機具有一些特定的局部規(guī)則，且在時間和空間上處于離散狀態(tài).元胞在當(dāng)前刻的狀態(tài)僅僅與上一刻該元胞的狀態(tài)有關(guān).用于研究人群動力學(xué)并且基于元胞自動機的代表性模型是由 Ansgar Kirchner[9]提出來的.加拿大的 Henein 和 White 在文獻[10]中對 Kirchner的元胞自動機模型進行了改進，并利用基于多智能體技術(shù)的計算機模擬對疏散過程中的人群行為進行了分析.在其提出的模型中闡述了人群中的個體傷亡是由于個體之間的相互作用力達到一定的閾值，并給出了個體之間相互作用力遵循的四個基本規(guī)則.元胞自動機模型已經(jīng)在人群疏散仿真研究中受到高度重視[11].

元胞自動機模型由于其規(guī)則簡單，計算速度快，資源耗費少， 適于大規(guī)模人群的計算機模擬.但是，在行人運動和疏散模型中元胞的智能性還比較欠缺，忽視了群體作用的影響，模擬結(jié)果與實際情況偏差比較大，這是元胞自動機單獨用于模擬人群行為的局限之處.

Agent-based 的模型是當(dāng)前研究的熱點之一[12,13].這種仿真模型建模的對象不是整個人群，而是人群中的每一個個體，將每個個體定義為一個計算對象.定義對象的狀態(tài)屬性和行為規(guī)則，在疏散模擬中，個體根據(jù)所處的環(huán)境，獲取環(huán)境的反饋信息，依據(jù)被定義的行為規(guī)則，采取相應(yīng)的行動.

基于Agent的群體模型存在的最大問題是難以控制.一方面，當(dāng)群體行為比較復(fù)雜時，要制定滿足需要的規(guī)則比較困難，另一方面，這種模型將碰撞檢測和全局路徑規(guī)劃分開，兩種目標(biāo)經(jīng)常存在沖突，最終結(jié)果經(jīng)常脫離預(yù)先的估計.如果為每個Agent都做全局運動規(guī)劃，則計算開銷太大.因此，基于Agent的群體模型往往只能用于處理較小規(guī)模的群體，并且在實時計算環(huán)境中很難應(yīng)用.

宏觀模型中，人群是作為整體來考慮的，人群中的所有人都具有同樣的移動特性.人員之間的相互作用、人員的主觀心理在模型中都得不到體現(xiàn)，這也造成了模型仿真結(jié)果的應(yīng)用性不強.但是相對而言建模簡單，對計算復(fù)雜度要求不高，對計算機資源要求很低，是早期主流的疏散仿真模型.

微觀模型的研究對象為單個行人個體，考慮了個體之間的相互影響等行人細(xì)節(jié)，適用于復(fù)雜的環(huán)境.但是，由于考慮了細(xì)節(jié)，而且研究對象為個體，導(dǎo)致了計算復(fù)雜度過高，當(dāng)仿真大規(guī)模人群疏散時，計算的時間急劇增加.

本研究結(jié)合宏觀模型和微觀模型的優(yōu)點，建立一種混合模型，彌補兩種模型在仿真大規(guī)模人群疏散時的不足.該模型采用多層次群體控制的方法.在群體模型中增加一個群組層，這樣就形成了群、群組和個體的三層結(jié)構(gòu).該模型將群組視為主要控制對象，群組內(nèi)選擇引領(lǐng)個體，引領(lǐng)個體具有一定的記憶力和針對事件發(fā)生做出反應(yīng)的能力，群組之間通過交流傳遞信息.因為大部分的計算針對組而非個體，計算量大大減少，可以實時地模擬規(guī)模較大的群體.這是本研究的重點之一.

3 群體智能優(yōu)化算法在路徑規(guī)劃中的研究

群體智能[14](Swarm Intelligence)指的是“簡單智能的主體通過合作表現(xiàn)出復(fù)雜智能行為的特性”.它具有分布式控制、全局信息傳播、非直接通訊模式和自組織等特點，突出了群體中個體之間通過協(xié)作而表現(xiàn)出復(fù)雜行為的涌現(xiàn)現(xiàn)象.群體智能利用群體優(yōu)勢，使之在沒有集中控制并且不提供全局模型的前提下，為尋找復(fù)雜的分布式問題的解決方案提供了新的思路.

自然界中的群居昆蟲，如螞蟻、蜜蜂、魚群、鳥群等，它們個體結(jié)構(gòu)都十分簡單，但是通過個體間的合作表現(xiàn)出來的行為能力卻極其復(fù)雜.群居昆蟲個體雖然無智能，但是通過合作從一定程度上體現(xiàn)出較高的“智能”.受這些社會性昆蟲群體行為的啟發(fā)，研究人員通過模擬這些群體的行為產(chǎn)生了一系列解決傳統(tǒng)優(yōu)化問題的群體智能算法，先后提出了模擬螞蟻行為的蟻群算法(Ant Colony Optimization，ACO)[15]，模擬鳥類行為的微粒群算法(Particle Swarm Optimization，PSO)[16]、模擬青蛙覓食的混合蛙跳算法(Shuffled Frog Leaping Algorithm，SFLA)[17]和模擬蜜蜂覓食的人工蜂群算法(Artificial Bee Colony，ABC)[18，19]等.這些群體智能優(yōu)化算法的出現(xiàn)，使原來一些復(fù)雜的、難于用常規(guī)的優(yōu)化算法進行處理的問題可以得到解決，大大增強了人們解決和處理優(yōu)化問題的能力.

人群疏散研究中的一個關(guān)鍵問題是如何對人群的運動路徑進行規(guī)劃.群體運動的復(fù)雜性和微妙性，造成群體路徑規(guī)劃一方面需要考慮環(huán)境約束，另一方面還需考慮群體中個體之間的交互影響.近年來，一些新的計算智能技術(shù)逐漸引入到路徑規(guī)劃中來，遺傳算法、蟻群算法[20,21]、人工魚群、微粒群算法[22]、人工蜂群算法[23-25]等應(yīng)用于路徑規(guī)劃問題的研究成果不斷涌現(xiàn)，同時也促進了各種方法的融合發(fā)展[26]，其中有代表性的是蟻群算法、微粒群算法和人工蜂群算法.

3.1蟻群算法蟻群算法以類似螞蟻覓食的方式在求解復(fù)雜組合優(yōu)化問題上取得了良好的仿真效果，疏散情況下的疏散對象所表現(xiàn)的自組織，從眾等行為與螞蟻覓食的行為非常相似，且蟻群算法的正反饋機制能夠體現(xiàn)疏散個體對環(huán)境的感知和交互.所以，用蟻群算法求解疏散問題是適合的.付軍棟等[27]結(jié)合某商場的工程實例，采用改進的蟻群算法規(guī)劃出最佳的疏散路線，將平面疏散與垂直疏散融合，提出了三維疏散的方案，結(jié)果表明動態(tài)疏散蟻群算法在大型商場環(huán)境中可以有效躲避障礙物.

蟻群算法采用分布式并行計算機制，易于與其他啟發(fā)式方法結(jié)合，具有較強的魯棒性等優(yōu)點，尤其是在求解復(fù)雜的組合優(yōu)化問題方面的優(yōu)勢，使其在短期內(nèi)得到了很大發(fā)展，其應(yīng)用領(lǐng)域也不斷得到擴展.但同時也有搜索時間長、收斂速度慢、容易發(fā)生停滯、易于陷入局部最優(yōu)解等不足.

3.2微粒群算法來源于對鳥類捕食行為的模擬，微粒群優(yōu)化算法中的每一個解都被看作是搜索空間中的一個粒子(疏散對象)，每個粒子擁有一個由優(yōu)化函數(shù)確定的適應(yīng)值，通過存儲記憶可知到目前為止發(fā)現(xiàn)的自身最好位置和當(dāng)前位置.除此之外，每個粒子還保持了到目前為止整個群體中所有粒子搜索發(fā)現(xiàn)的全局最好位置.粒子自身的飛行經(jīng)驗(自身經(jīng)驗)和同伴經(jīng)驗(社會經(jīng)驗)使其具有動量不斷嘗試跳出當(dāng)前位置直至移動至最優(yōu)位置.這種仿生機制非常自然地適合于對人群疏散過程進行模擬抽象.也就是說，每個疏散個體可以抽象為一個粒子，依據(jù)當(dāng)前自身狀態(tài)與鄰域疏散個體不斷交互學(xué)習(xí)，從而不斷發(fā)現(xiàn)新的疏散路徑信息.與疏散過程相似，這也是一個動態(tài)過程.使用粒子群優(yōu)化算法預(yù)測疏散時間的模型由Izquierdo J等[28]提出，該模型使用微觀粒子模擬個體的疏散行為，以粒子到出口的距離最短為目標(biāo)，研究了出口大小和疏散時間的關(guān)系.

微粒群算法是一種基于種群的啟發(fā)式優(yōu)化算法，由于其參數(shù)設(shè)置少，實現(xiàn)簡單，并且具有較好的尋優(yōu)特性、收斂速度快等特點，使其得到迅速發(fā)展.微粒群算法最突出的一個特點就是收斂速度快，但這個特點同時也帶來了算法早熟收斂的問題.

3.3人工蜂群算法人工蜂群算法是一種新的群智能進化算法，算法具有全局收斂、適應(yīng)范圍寬、設(shè)置參數(shù)少、本質(zhì)并行性等優(yōu)點[29].但ABC 算法的研究剛剛開始，在算法參數(shù)的自適應(yīng)、算法改進、與其他算法的比較與混合等諸多問題上有待進一步研究.

人工蜂群算法是通過各人工蜂個體的局部尋優(yōu)行為，最終在群體中使全局最優(yōu)值突現(xiàn)出來，有著較快的收斂速度.它具有很強的發(fā)現(xiàn)最優(yōu)解的能力，這是因為算法利用了引領(lǐng)蜂和跟隨蜂尋路的正反饋機制，在一定程度上可以加快進化過程.而且蜜蜂間不斷進行信息交流和傳遞，從而能夠相互協(xié)作，有利于發(fā)現(xiàn)較好解.由于在人工蜂群算法中使用概率規(guī)則而不是確定性規(guī)則指導(dǎo)搜索，不必知道其他先驗的信息，所以該算法有極好的魯棒性和廣泛的適用性.但人工蜂群算法又是一種新型的隨機優(yōu)化算法，其研究剛剛起步，還存在很多問題有待深入改進和解決.例如算法的收斂性、理論依據(jù)；算法的改進研究，特別是與其它進化算法的結(jié)合；以及完善ABC算法在復(fù)雜領(lǐng)域的應(yīng)用，將其用于解決現(xiàn)實中的實際問題等，都需要我們進一步的研究和探討[30].

人工蜂群算法結(jié)合全局搜索和局部搜索的方法來使蜜蜂在食物源的探索和開采兩個方面達到較好的平衡，它在函數(shù)優(yōu)化方面的性能優(yōu)于差分進化和微粒群等算法.但是，目前人工蜂群算法作為一種新的隨機優(yōu)化算法，在接近全局最優(yōu)解時，仍舊存在著搜索速度變慢、過早收斂、個體的多樣性減少、甚至陷入局部最優(yōu)解等問題.

但是隨著對其研究的深入化，人工蜂群算法的性能將不斷完善，算法的尋優(yōu)能力、與他算法的結(jié)合，以及在復(fù)雜領(lǐng)域中，人工蜂群算法的應(yīng)用都有待進一步探索.

群體智能具有天然的分布式和自組織特征.它在沒有集中控制且不提供全局模型的前提下表現(xiàn)出了明顯的優(yōu)勢，為求解復(fù)雜優(yōu)化問題、實施路徑規(guī)劃提供了新的思路.由于群體智能的靈感來源于自然界中生物的群體行為特性，因此利用群體智能算法進行人群疏散仿真具有其它方法無法比擬的優(yōu)勢.首先，群體智能僅僅需要對個體行為進行建模，通過個體之間的協(xié)作與交互突現(xiàn)出復(fù)雜的群體智能行為，因此具有實現(xiàn)簡單、計算復(fù)雜度低的優(yōu)勢.其次，群體智能是對自然界客觀存在的群體行為的提取與總結(jié)，基于群體智能的人群疏散仿真具有更好的仿真效果與逼真度.因此，利用群體智能的典型算法進行人群疏散仿真理論上可行，具有良好的理論研究意義及實際可用價值.

從國內(nèi)外的研究現(xiàn)狀來看，基于群體智能的方法在人群疏散仿真中的研究還比較少，但是已經(jīng)引起相關(guān)領(lǐng)域研究人員的重視.

本研究在群體智能算法的基礎(chǔ)上，以人群疏散仿真為應(yīng)用領(lǐng)域，結(jié)合人群疏散社會力模型，在人工蜂群與疏散人群之間形成建模映射，從而構(gòu)建基于群體智能算法的人群疏散仿真模型.研究成果將深化對突發(fā)事件下人群行為機理和動態(tài)演化規(guī)律的認(rèn)識，為人群疏散應(yīng)急決策提供依據(jù)，這在該研究領(lǐng)域還是很有競爭力的研究課題.

4 基于人工蜂群算法的路徑規(guī)劃與仿真

在公共場所內(nèi)，人群中的行為簇現(xiàn)象會更加明顯，而行人的聚集也會造成小群體，這些特征不論在模型搭建還是仿真模擬時都需要加以考慮.小團體可分為兩類：第一類小團體從人群進入建筑物時就形成，成員一般由家人、情侶和朋友等組成，這類小團體成員少、內(nèi)部聯(lián)系緊密，定義為緊密型小團體；第二類小團體在逃生時形成，成員一般由對附近環(huán)境熟悉的人員吸引周圍的人聚集成了小團體一起逃生，這類小團體成員多、內(nèi)部聯(lián)系不緊密，定義為逃生型小團體.

本研究采用人工蜂群算法，主要是根據(jù)出口處的擁擠度及人群到各出口的距離，合理的劃分逃生型小群體，并選擇引領(lǐng)者，為逃生型小群體在出口擁擠度及到出口的距離之間找一個動態(tài)的平衡.

圖1 人工蜂群算法路徑規(guī)劃流程圖

圖1中，疏散場景屬性為根據(jù)視頻提取的場景信息.在人工蜂群算法中，合適的適應(yīng)度函數(shù)是影響算法優(yōu)化結(jié)果和效率的重要因素.本研究中，我們根據(jù)疏散仿真的要求定義適應(yīng)度函數(shù)，根據(jù)出口處的擁擠度及人群到各出口的距離，將疏散人群劃分為多個小群體，在各群組中選擇引領(lǐng)者，引領(lǐng)者通過與導(dǎo)航Agent交互，動態(tài)選擇到出口的路徑.

4.1人工蜂群算法及其改進人工蜂群算法是建立在蜜蜂自組織模型和群體智能基礎(chǔ)上的一種非數(shù)值優(yōu)化的計算方法.算法的三個要素包括：食物源、雇傭蜂和非雇傭蜂；兩種基本的自組織模式：為食物源招募蜜蜂和放棄某個食物源.食物源對應(yīng)著優(yōu)化問題的可行解，其質(zhì)量由單一的參數(shù)“收益率”表示，收益率的大小決定了候選解的質(zhì)量；雇傭蜂也稱為引領(lǐng)蜂，與被采集的食物源相對應(yīng)；偵查蜂和跟隨蜂統(tǒng)稱為雇傭蜂.在算法開始時，非雇傭蜂做如下兩種選擇：1) 成為偵察蜂，在蜂巢周圍隨機探索新食物源，以增強算法的全局搜索能力.當(dāng)偵察蜂發(fā)現(xiàn)新的食物源后記錄下該食物源的信息轉(zhuǎn)為引領(lǐng)蜂.2) 成為跟隨蜂，即等待在蜂巢中通過觀看引領(lǐng)蜂跳搖擺舞的方式選擇到哪個食物源進行采蜜.引領(lǐng)蜂首先對其對應(yīng)的食物源進行鄰域搜索，按照“貪婪”選擇方式，如果搜索到的食物源收益率高于之前的食物源，則用新食物源的位置替換舊食物源的位置，否則保持食物源位置不變.然后對每個食物源計算其概率值，跟隨蜂按照概率值大小選擇所要采集的食物源，并像引領(lǐng)蜂一樣對食物源的位置進行更新.ABC 算法就是通過蜜蜂不斷地局部尋優(yōu)最終使全局最優(yōu)值凸現(xiàn)出來.

為了使傳統(tǒng)的人工蜂群算法能用于人群疏散，我們對算法做了如下改進[23].

1) 將待疏散的人群與人工蜂群算法中的各參數(shù)做映射(如表1).

表1

2) 改進個體目標(biāo)選擇適應(yīng)度函數(shù).

根據(jù)疏散仿真的要求，采用公式(1) 和(2)設(shè)定個體的適應(yīng)度值:

(1)

fiti=min{goalposik}.

(2)

其中g(shù)oalposik為第k個安全出口相對于個體i的適應(yīng)度值，xi表示第i個個體，exitk表示第k個安全出口，count[k]為當(dāng)前時間選擇第k個安全出口作為逃生目標(biāo)的個體總數(shù)，sn表示群體規(guī)模，goalposi為個體i的目標(biāo)位置，c1,c2為權(quán)重系數(shù).由公式 (1) 可以看出，個體在進行目標(biāo)選擇時綜合考慮了距離、人群密度和可達性等因素，使得個體能夠在全局范圍內(nèi)自適應(yīng)地選擇適應(yīng)度值最高的安全區(qū)域作為目標(biāo)，以提高人群疏散的速度.

3) 引領(lǐng)者的選擇.

引領(lǐng)者是根據(jù)適應(yīng)度值在群組中選擇的.適應(yīng)度值的定義為

(3)

其中，w1和w2是權(quán)重值，w1+w2=1.xij是群組i中的第j個個體，k(xij) 是xij對場景的熟悉程度，d(xij)是從xij到所選擇出口的距離.群組i中具有最高適應(yīng)度值的個體被選擇作為引領(lǐng)者.

4.2社會力模型及其改進Dirk Helbing根據(jù)人群行為特征，以牛頓力學(xué)為基礎(chǔ)建立了社會力模型.社會力是指一個人運動時受到所處環(huán)境(包括環(huán)境中的人和物)對其施加的力，依據(jù)行人不同的動機和在環(huán)境中受到的影響，共有四種作用力的影響：自身驅(qū)動力、人和人之間的作用力、人和障礙物之間的作用力以及擾動力.這些力的合力作用于行人，產(chǎn)生一個加速度.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.例如，驅(qū)動力會引導(dǎo)個體朝目標(biāo)方向前進；在個體身體接觸之前，人和人之間的作用力使人群中的個體避免相互碰撞；人和環(huán)境之間的作用力使人群中的個體避免與障礙物碰撞.這個過程可以用經(jīng)典牛頓第二定律來解釋，表達式如下：

(4)

(5)

(6)

(7)

(8)

(9)

(10)

我們的改進主要有以下兩點：

1) 為了群組中的個體跟隨引領(lǐng)者向出口移動，我們修改了跟隨者對應(yīng)的社會力模型，把原模型中自驅(qū)動力選擇出口作為目標(biāo)，改為以本群組的引領(lǐng)者作為目標(biāo)[31].

將原始的社會力模型 (4) 改為跟隨者對應(yīng)的公式 (11).

(11)

主要的修改是對右邊第一項：自驅(qū)動力.原始的自驅(qū)動力公式為

(12)

2) 在社會力模型中增加視覺因子.

由于行人的視野半徑R有限，不能對全局的疏散狀態(tài)熟知，在不可見安全出口區(qū)域，行人只能看到視野半徑R內(nèi)的目標(biāo)，此時行人會隨機行走，由于從眾效應(yīng)，往往會往疏散行人較多的方向進行移動.本研究引進了視覺因子，以便行人根據(jù)視野范圍內(nèi)的行人數(shù)量選擇自己的方向[23].

原始的社會力模型中的心理力是各向同性的，即周圍物體的排斥力是相同的，不考慮個體的視覺極限.為了保持團隊中的個人行為一致，并觀望未來執(zhí)行動態(tài)全局規(guī)劃和本地導(dǎo)航，我們在公式 (8) 中添加了可視化參數(shù)，擴展原始的社會力模型，相關(guān)公式如下所示：

(13)

Vis=λ(1+cosθ)/2+(1-λ)(1-cosθ)/4,

(14)

(15)

(16)

我們將人工蜂群算法與社會力模型結(jié)合，利用人工蜂群的群體智能尋優(yōu)及交互機制，從宏觀角度組織人群疏散，利用社會力模型的作用力聚集及避障，從微觀角度更真實地仿真人群疏散，彌補兩種模型在仿真人群疏散時的不足.本方法整體采用多蜂群人工蜂群算法群組并行疏散，進行全局路徑規(guī)劃，群組內(nèi)部采用有引領(lǐng)者的社會力模型向目標(biāo)移動疏散，進行局部路徑規(guī)劃.因為大部分的計算針對群組而非個體，計算量大大減少，可以實時地模擬規(guī)模較大的群體，為疏散演練提供幫助.

5 結(jié) 語

本文研究是在三項國家自然科學(xué)基金(基于計算智能的群體行為控制模型及路徑生成研究(No.61272094), 基于群體智能的人群疏散仿真模型及動態(tài)路徑規(guī)劃方法研究(No. 61472232), 基于知識的人群疏散路徑導(dǎo)航及仿真研究(No. 61876102 ) 的資助下完成的.在多年研究的基礎(chǔ)上，我們開發(fā)了一個基于群體智能的人群疏散仿真平臺，對我們提出的模型及方法進行了驗證.正在進行的工作是結(jié)合視頻數(shù)據(jù)驅(qū)動[32]，引入機器學(xué)習(xí)的方法[33]，通過訓(xùn)練逐漸提高疏散效率，建立基于知識的人群疏散路徑導(dǎo)航[34]，為校園中快速人群疏散訓(xùn)練及應(yīng)急管理提供支持.