本發(fā)明屬于人群疏散仿真的技術(shù)領(lǐng)域，尤其涉及一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)。

背景技術(shù)：

近些年來，隨著各種火災(zāi)事故和緊急事件頻繁的發(fā)生，人群聚集的公共場合中突發(fā)事件的安全疏散仿真模擬越來越受到重視。模擬真實(shí)場景下的人群疏散行為有著重要的社會意義，可以幫助應(yīng)急部門制定相應(yīng)的應(yīng)急預(yù)案，指導(dǎo)場景的設(shè)計，避免災(zāi)難的發(fā)生，減少人員的傷亡。通過計算機(jī)仿真技術(shù)來進(jìn)行場景建模、路徑尋優(yōu)以及人群運(yùn)動行為建模，可以在達(dá)到最佳疏散演練效果的同時將成本最小化。因此,計算機(jī)仿真模擬成為研究突發(fā)事件下人群疏散的最主要方法。

人群疏散仿真主要包括兩種方法：宏觀疏散仿真方法與微觀疏散仿真方法。宏觀疏散仿真方法將人群作為一個整體處理，忽略個體之間的交互與影響，因此計算復(fù)雜度較低，但其仿真程度也較差。微觀疏散仿真方法中的微觀模型要為每個疏散個體都作全局運(yùn)動規(guī)劃，計算開銷太大，由于疏散人群數(shù)量大，每個個體計算路徑導(dǎo)致的速度又過慢，這種微觀模型往往只能用于處理較小規(guī)模的群體，并且在實(shí)時計算環(huán)境中很難應(yīng)用。由于人群疏散是一個非常復(fù)雜的物理過程，到目前為止，還沒有任何一個仿真模型能夠完整地描述疏散過程中的各種行為細(xì)節(jié)。因此，構(gòu)建涵蓋更多行為細(xì)節(jié)的疏散仿真模型是疏散仿真領(lǐng)域的主要研究趨勢。

人工蜂群算法(artificialbeecolony，abc)是群體智能領(lǐng)域新興的智能優(yōu)化技術(shù)，d.karaboga在2005年將蜜蜂的覓食行為應(yīng)用到函數(shù)優(yōu)化問題中而提出的，算法計算簡單、便于實(shí)現(xiàn)、魯棒性強(qiáng)，因此受到了國內(nèi)外專家學(xué)者的持續(xù)關(guān)注，其應(yīng)用范圍也從最初的數(shù)值優(yōu)化領(lǐng)域被逐步擴(kuò)展到工程優(yōu)化、機(jī)器學(xué)習(xí)、圖形學(xué)和數(shù)據(jù)挖掘等領(lǐng)域。人工蜂群算法是模擬蜜蜂的采蜜行為提出的一種智能優(yōu)化算法，由蜜源、被雇傭峰(引領(lǐng)蜂)和未被雇傭峰(跟隨蜂、偵查蜂)三項基本元素構(gòu)成，同時引入三種基本的行為模式：搜索蜜源、招募蜜源和放棄蜜源.其中蜜源的位置代表優(yōu)化問題的可行解，蜜源質(zhì)量對應(yīng)解的適應(yīng)度。

多蜂群算法以種群分割為基礎(chǔ)，通過分割后的子種群之間的相互制約、自動調(diào)節(jié)和自適應(yīng)原理提高種群內(nèi)部及全局性能。子種群以其它種群作為參照，通過合作與競爭的方式引入精英個體，激勵自身進(jìn)化過程，能夠有效彌補(bǔ)群體智能單一種群作業(yè)模式的缺陷。

綜上所述，在現(xiàn)有技術(shù)的人群疏散仿真中對于如何將多蜂群算法應(yīng)用于人群疏散仿真方法，以及如何提高公共場所中人群疏散的效率以及危機(jī)情況下的疏散人群的安全性的問題，尚缺乏有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了解決上述問題，本發(fā)明提供一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，本發(fā)明將宏觀疏散仿真方法與微觀疏散仿真方法進(jìn)行結(jié)合，有效彌補(bǔ)兩種疏散仿真方法在仿真大規(guī)模人群疏散時的不足，在宏觀疏散仿真方法中運(yùn)用多蜂群算法進(jìn)行宏觀路徑規(guī)劃，在微觀疏散仿真方法中運(yùn)用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，將多蜂群算法和社會力模型結(jié)合有效地提高公共場所中人群疏散的效率以及危機(jī)情況下的疏散人群的安全性，有利于設(shè)計疏散方案，為真實(shí)的疏散演練提供幫助。

本發(fā)明的第一目的是提供一種基于多蜂群算法的人群疏散仿真方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下一種技術(shù)方案：

一種基于多蜂群算法的人群疏散仿真方法，該方法包括：

設(shè)置疏散場景參數(shù)信息，創(chuàng)建疏散場景模型和人物模型，并將人物模型導(dǎo)入疏散場景模型中，所述疏散場景模型作為人群疏散的環(huán)境空間，所述人物模型作為疏散人群；

提取疏散場景模型的語義信息，在該疏散場景下設(shè)置疏散人群參數(shù)信息，并根據(jù)疏散人群參數(shù)信息進(jìn)行人群初始化；

將疏散人群劃分群組，在每個群組中篩選出引領(lǐng)蜂，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，得到最終人群疏散路徑，進(jìn)行人群疏散仿真。

本發(fā)明中，將多蜂群算法和社會力模型結(jié)合，利用多蜂群算法進(jìn)行宏觀路徑規(guī)劃并實(shí)現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象，利用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，共同完成復(fù)雜場景下的人群疏散仿真。實(shí)驗(yàn)結(jié)果表明，該方法能夠真實(shí)有效地實(shí)現(xiàn)復(fù)雜場景下的人群疏散仿真。

作為進(jìn)一步的優(yōu)選方案，在該方法中，根據(jù)設(shè)置的疏散場景參數(shù)信息，采用模型設(shè)計軟件創(chuàng)建疏散場景模型，并對創(chuàng)建的疏散場景模型進(jìn)行渲染；所述疏散場景模型為二維場景模型或三維場景模型；所述疏散場景模型包括疏散場景的所有房間和出口。

在本發(fā)明中，所述疏散場景模型作為人群疏散的環(huán)境空間，用戶可在該環(huán)境空間下進(jìn)行人群疏散的反復(fù)試驗(yàn)。

作為進(jìn)一步的優(yōu)選方案，在該方法中，在創(chuàng)建的疏散場景模型的每一個疏散出口處設(shè)置計數(shù)器，用于統(tǒng)計每個出口疏散的人群個體數(shù)。

作為進(jìn)一步的優(yōu)選方案，在該方法中，根據(jù)每個出口疏散的人群個體數(shù)，分別計算出口處的擁擠度；所述擁擠度為正常情況下通過出口的預(yù)設(shè)個數(shù)與相應(yīng)出口疏散的人群個體數(shù)總值的比值。

作為進(jìn)一步的優(yōu)選方案，在該方法中，將疏散人群劃分群組具體為：根據(jù)個體距離出口的位置以及個體之間的距離將疏散人群劃分群組；

在每個群組中篩選出引領(lǐng)蜂具體為：在每個群組中，篩選距離出口最近的個體作為引領(lǐng)蜂。

作為進(jìn)一步的優(yōu)選方案，在該方法中，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃的具體包括：

設(shè)置多蜂群算法初始參數(shù)，所述初始參數(shù)包括種群規(guī)模、最大迭代次數(shù)、迭代次數(shù)初始值、適應(yīng)度閾值和子種群規(guī)模；

初始化初始參數(shù)，根據(jù)搜索的環(huán)境空間隨機(jī)產(chǎn)生可能解，即食物源；將疏散人群劃分出的群組作為子種群，在每個子種群中分別運(yùn)行人工蜂群算法；

將各個子種群中的引領(lǐng)蜂信息通過矩陣傳遞到增設(shè)的輔助種群中，輔助種群中包含各個子種群中的引領(lǐng)蜂信息；

輔助種群將各個子種群中的引領(lǐng)蜂按照適應(yīng)度值進(jìn)行優(yōu)劣排序，選擇子種群兩倍規(guī)模的優(yōu)秀個體隨機(jī)分配到各個子種群中；

更新子種群狀態(tài)，迭代次數(shù)加一，返回初始化初始參數(shù)的步驟迭代執(zhí)行，直至迭代次數(shù)達(dá)到最大迭代次數(shù)完成收斂，終止。

在本發(fā)明中，多蜂群算法在蜂群中加入分組后形成多個子種群，每個子種群分別獨(dú)立運(yùn)行人工蜂群算法，以提高算法的收斂速度，并在種群中加入輔助種群以增強(qiáng)子種群間的通信，提高算法的尋優(yōu)精度，避免算法陷入局部最優(yōu)，算法分組后的子種群體現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象。該方法能夠體現(xiàn)真實(shí)的仿真效果，能夠有效地提高疏散時間，對緊急情況下的人群疏散具有良好的指導(dǎo)意義。

作為進(jìn)一步的優(yōu)選方案，所述初始參數(shù)中，種群中的采蜜蜂規(guī)模與偵查蜂規(guī)模各占種群規(guī)模的二分之一；

在初始化初始參數(shù)后，根據(jù)搜索的環(huán)境空間隨機(jī)產(chǎn)生種群規(guī)模數(shù)量的可能解，每個解是一個d維向量。

作為進(jìn)一步的優(yōu)選方案，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)的具體步驟為：

對于每個群組內(nèi)的個體行人，通過社會力受力公式計算行人自身的驅(qū)動力、行人之間的排斥力和行人受墻或障礙物的力的所受合力；

群組內(nèi)的個體行人按照計算的所受合力進(jìn)行行為運(yùn)動。

在本發(fā)明中，當(dāng)疏散人群數(shù)量較多時，個體之間不可避免地會發(fā)生碰撞，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，產(chǎn)生無碰撞的人群運(yùn)動。

作為進(jìn)一步的優(yōu)選方案，在該方法中，實(shí)時存儲疏散人群總數(shù)、疏散時間、人群疏散路徑，存儲的信息可導(dǎo)出保存，用于后續(xù)人群疏散的運(yùn)動展示和對比分析。

本發(fā)明的第二目的是提供一種計算機(jī)可讀存儲介質(zhì)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下一種技術(shù)方案：

一種計算機(jī)可讀存儲介質(zhì)，其中存儲有多條指令，所述指令適于由終端設(shè)備設(shè)備的處理器加載并執(zhí)行以下處理：

設(shè)置疏散場景參數(shù)信息，創(chuàng)建疏散場景模型和人物模型，并將人物模型導(dǎo)入疏散場景模型中，所述疏散場景模型作為人群疏散的環(huán)境空間，所述人物模型作為疏散人群；

提取疏散場景模型的語義信息，在該疏散場景下設(shè)置疏散人群參數(shù)信息，并根據(jù)疏散人群參數(shù)信息進(jìn)行人群初始化；

將疏散人群劃分群組，在每個群組中篩選出引領(lǐng)蜂，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，得到最終人群疏散路徑，進(jìn)行人群疏散仿真。

本發(fā)明的第三目的是提供一種終端設(shè)備。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下一種技術(shù)方案：

一種終端設(shè)備，包括處理器和計算機(jī)可讀存儲介質(zhì)，處理器用于實(shí)現(xiàn)各指令；計算機(jī)可讀存儲介質(zhì)用于存儲多條指令，所述指令適于由處理器加載并執(zhí)行以下處理：

設(shè)置疏散場景參數(shù)信息，創(chuàng)建疏散場景模型和人物模型，并將人物模型導(dǎo)入疏散場景模型中，所述疏散場景模型作為人群疏散的環(huán)境空間，所述人物模型作為疏散人群；

提取疏散場景模型的語義信息，在該疏散場景下設(shè)置疏散人群參數(shù)信息，并根據(jù)疏散人群參數(shù)信息進(jìn)行人群初始化；

將疏散人群劃分群組，在每個群組中篩選出引領(lǐng)蜂，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，得到最終人群疏散路徑，進(jìn)行人群疏散仿真。

本發(fā)明的有益效果：

(1)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，將多蜂群算法和社會力模型結(jié)合，利用多蜂群算法進(jìn)行宏觀路徑規(guī)劃并實(shí)現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象，利用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，共同完成復(fù)雜場景下的人群疏散仿真。實(shí)驗(yàn)結(jié)果表明，該方法能夠真實(shí)有效地實(shí)現(xiàn)復(fù)雜場景下的人群疏散仿真。

(2)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，結(jié)合宏觀疏散仿真方法與微觀疏散仿真方法的優(yōu)點(diǎn)，建立了一種宏微觀相結(jié)合的方法，彌補(bǔ)兩種方法在大規(guī)模人群疏散仿真時的不足，采用該模型實(shí)現(xiàn)人群疏散仿真。該方法能夠快速有效地進(jìn)行疏散，減少疏散時間并且增加出口的利用率，能夠?yàn)檎鎸?shí)地疏散演練提供幫助。

(3)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，利用應(yīng)用較為廣泛的人工蜂群算法進(jìn)行宏觀路徑規(guī)劃，并在原始算法的基礎(chǔ)上進(jìn)行改進(jìn)，形成多蜂群算法，能夠有效模擬真實(shí)場景中成群結(jié)隊的小團(tuán)體現(xiàn)象，加入分組后的群體分別執(zhí)行人工蜂群算法并用社會力模型實(shí)現(xiàn)避障，能實(shí)現(xiàn)真實(shí)地仿真效果并且提高了疏散效率。

(4)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，利用人工蜂群算法較強(qiáng)的全局尋優(yōu)能力，而且操作簡單，便于實(shí)現(xiàn)的優(yōu)點(diǎn)，利用多蜂群算法進(jìn)行宏觀路徑規(guī)劃并實(shí)現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象，多蜂群算法在人工蜂群中加入分組后形成多個子種群，每個子種群分別獨(dú)立運(yùn)行，并在種群中加入輔助種群以增強(qiáng)子種群間的通信，提高算法的尋優(yōu)精度，避免算法陷入局部最優(yōu)，算法分組后的子種群體現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象。算法適應(yīng)度體現(xiàn)人群疏散時間，把疏散時間作為疏散效率評價標(biāo)準(zhǔn)，利用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，共同完成復(fù)雜場景下的人群疏散仿真。

附圖說明

構(gòu)成本申請的一部分的說明書附圖用來提供對本申請的進(jìn)一步理解，本申請的示意性實(shí)施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當(dāng)限定。

圖1為本發(fā)明的基于多蜂群算法的人群疏散仿真方法流程示意圖；

圖2為本發(fā)明的人群疏散仿真平臺三維場景模型圖；

圖3為本發(fā)明的人群疏散仿真平臺語義提取結(jié)果圖；

圖4為本發(fā)明的人群初始化后人群的隨機(jī)分布情況圖；

圖5為本發(fā)明的宏觀路徑規(guī)劃的方法流程示意圖；

圖6為本發(fā)明的多蜂群算法和原始人工蜂群算法的對比圖；

圖7為本發(fā)明的多蜂群算法與其他路徑規(guī)劃算法的對比圖；

圖8為本發(fā)明的各個群組在引領(lǐng)個體的帶領(lǐng)下向出口的移動情況圖；

圖9為本發(fā)明的各個群組在引領(lǐng)個體的帶領(lǐng)下接近出口的移動情況圖；

圖10為的基于多蜂群算法的人群疏散仿真系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式：

應(yīng)該指出，以下詳細(xì)說明都是例示性的，旨在對本申請?zhí)峁┻M(jìn)一步的說明。除非另有指明，本發(fā)明使用的所有技術(shù)和科學(xué)術(shù)語具有與本申請所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。

需要注意的是，這里所使用的術(shù)語僅是為了描述具體實(shí)施方式，而非意圖限制根據(jù)本申請的示例性實(shí)施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復(fù)數(shù)形式，此外，還應(yīng)當(dāng)理解的是，當(dāng)在本說明書中使用術(shù)語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

在不沖突的情況下，本申請中的實(shí)施例及實(shí)施例中的特征可以相互組合。下面結(jié)合附圖與實(shí)施例對本發(fā)明作進(jìn)一步說明。

本發(fā)明為了解決背景技術(shù)所介紹的問題，本發(fā)明提供一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，本發(fā)明將宏觀疏散仿真方法與微觀疏散仿真方法進(jìn)行結(jié)合，有效彌補(bǔ)兩種疏散仿真方法在仿真大規(guī)模人群疏散時的不足，在宏觀疏散仿真方法中運(yùn)用多蜂群算法進(jìn)行宏觀路徑規(guī)劃，在微觀疏散仿真方法中運(yùn)用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，將多蜂群算法和社會力模型結(jié)合有效地提高公共場所中人群疏散的效率以及危機(jī)情況下的疏散人群的安全性，有利于設(shè)計疏散方案，為真實(shí)的疏散演練提供幫助。

實(shí)施例1：

本發(fā)明的第一目的是提供一種基于多蜂群算法的人群疏散仿真方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下一種技術(shù)方案：

一種基于多蜂群算法的人群疏散仿真方法，該方法包括：

設(shè)置疏散場景參數(shù)信息，創(chuàng)建疏散場景模型和人物模型，并將人物模型導(dǎo)入疏散場景模型中，所述疏散場景模型作為人群疏散的環(huán)境空間，所述人物模型作為疏散人群；

提取疏散場景模型的語義信息，在該疏散場景下設(shè)置疏散人群參數(shù)信息，并根據(jù)疏散人群參數(shù)信息進(jìn)行人群初始化；

將疏散人群劃分群組，在每個群組中篩選出引領(lǐng)蜂，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，得到最終人群疏散路徑，進(jìn)行人群疏散仿真。

本發(fā)明中，將多蜂群算法和社會力模型結(jié)合，利用多蜂群算法進(jìn)行宏觀路徑規(guī)劃并實(shí)現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象，利用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，共同完成復(fù)雜場景下的人群疏散仿真。實(shí)驗(yàn)結(jié)果表明，該方法能夠真實(shí)有效地實(shí)現(xiàn)復(fù)雜場景下的人群疏散仿真。

如圖1所示，

在本實(shí)施例中，具體通過七個步驟實(shí)現(xiàn)人群疏散仿真。

在本實(shí)施例中，系統(tǒng)的運(yùn)行環(huán)境是以visualstudio2012+osg作為開發(fā)工具，在windows7操作系統(tǒng)環(huán)境下進(jìn)行，實(shí)現(xiàn)復(fù)雜場景下的人群疏散仿真。仿真實(shí)驗(yàn)參數(shù)設(shè)置：辦公室場景大小為30m*30m，個體半徑為0.2m，個體質(zhì)量為80kg，社會力參數(shù)a＝2500n，b＝0.08m。c＝2000n，d＝0.05m，α＝0.7。

步驟(1)：設(shè)置疏散場景參數(shù)，辦公室場景大小為30m*30m，用模型設(shè)計軟件創(chuàng)建三維場景模型，包括疏散場景的所有房間和出口，并對其進(jìn)行渲染，該疏散場景模型作為人群疏散的環(huán)境空間，用戶可在該環(huán)境空間下進(jìn)行人群疏散的反復(fù)試驗(yàn)。

如圖2所示，為人群疏散仿真平臺三維場景模型圖；

在具體實(shí)施過程中，疏散場景參數(shù)包括疏散場景形狀以及建筑結(jié)構(gòu)信息，采基于單幅圖像的三維場景建模方法進(jìn)行場景建模，主要包括基元構(gòu)建和真實(shí)感處理兩方面的內(nèi)容，對得到的場景模型可以進(jìn)行旋轉(zhuǎn)、移動等交互式操作，場景模型滿足用戶的需要。

在每個出口處配置一個用于統(tǒng)計從相應(yīng)出口疏散的個體數(shù)量的計數(shù)器。若引領(lǐng)個體到達(dá)相應(yīng)出口，則相應(yīng)出口處的計數(shù)器加1。根據(jù)出口處的計數(shù)器的數(shù)值，得到出口的擁擠度；其中，擁堵度等于正常情況下通過相應(yīng)出口的預(yù)設(shè)個數(shù)與出口相匹配的群組內(nèi)個體總數(shù)的比值。

步驟(2)：用模型設(shè)計軟件創(chuàng)建三維人物模型，個體半徑為0.2m，個體質(zhì)量為80kg，用動作編輯軟件綁定人物動作，將人物模型導(dǎo)入到疏散場景模型中作為疏散人群。

在具體實(shí)施過程中，首先需要根據(jù)真實(shí)人物特征在模型設(shè)計軟件maya中進(jìn)行人體建模，其次用用動作編輯軟件綁定人物動作，使其可以運(yùn)動，最后將其導(dǎo)入到疏散場景模型中作為疏散人群。

步驟(3)：針對已經(jīng)建模的疏散場景進(jìn)行語義信息的提取，提取出的語義信息將作為人群疏散中的靜態(tài)環(huán)境信息使用，如圖3所示，是本發(fā)明的人群疏散仿真平臺語義提取結(jié)果圖；

在獲得場景模型對應(yīng)的語義信息后，可在該場景下設(shè)置疏散人群的參數(shù)信息。

步驟(4)：將疏散場景中的疏散人群存儲到種群空間中，根據(jù)個體距離出口的位置以及個體之間的距離劃分群組，篩選每個群組中距離出口最近的個體作為引領(lǐng)，并將該信息存儲到信息空間中。

本發(fā)明中在人工蜂群算法中引入分組策略，根據(jù)行人所選出口及距出口的距離進(jìn)行分組。算法初始化后，選擇同一出口個體劃分為一組；對每組行人，根據(jù)組內(nèi)個體數(shù)量及距目標(biāo)距離再次進(jìn)行分組，疏散過程中組號保持不變；以組為單位進(jìn)行引領(lǐng)蜂的選取、剩余個體角色轉(zhuǎn)換、路徑評價及最優(yōu)路徑的信息傳遞。在原始人工蜂群算法種群初始化后，將選擇同一個蜜源的個體劃分為一組，以組為單位進(jìn)行引領(lǐng)蜂選取、剩余個體角色轉(zhuǎn)換，同組內(nèi)進(jìn)行最優(yōu)路徑的信息交流與傳遞。顯然分組之后的種群收斂速度以及種群多樣性降低，所以為了增加全局通信能力，引入輔助種群使得最優(yōu)解的傳遞速度加快，加快算法收斂速度，同時提高了種群多樣性。

引領(lǐng)蜂被選擇的概率公式變?yōu)椋?/p>

公式中，pg,i代表第g組中第i個蜜源被選擇的概率，fitg,i代表第g組中第i個蜜源的質(zhì)量，即第g組中第i個解的適應(yīng)度值，ng代表第g組中解的個數(shù)。

步驟(5)：根據(jù)設(shè)置的疏散人群參數(shù)信息進(jìn)行人群初始化，如圖4所示為人群初始化后人群的隨機(jī)分布情況圖；

采用多蜂群算法進(jìn)行宏觀路徑規(guī)劃，搜索初始點(diǎn)到目標(biāo)點(diǎn)的路徑，路徑由一系列關(guān)鍵點(diǎn)組成。

如圖5所示，

在步驟(5)中的采用多蜂群算法進(jìn)行宏觀路徑規(guī)劃的過程為：

設(shè)置種群規(guī)模n(采蜜蜂、偵查蜂各n/2)，最大迭代次數(shù)maxcycle，適應(yīng)度閾值limit，子種群的規(guī)模ng等參數(shù)。

參數(shù)初始化，根據(jù)搜索空間隨機(jī)產(chǎn)生n個可能解，即食物源，每個解是一個d維向量，將種群劃分為ng個子種群，并在每個子種群中分別運(yùn)行人工蜂群abc算法。

將各個子種群中的引領(lǐng)個體信息通過矩陣傳遞到增設(shè)的輔助種群中，輔助種群中包含引領(lǐng)個體的信息。

輔助種群將引領(lǐng)個體按照適應(yīng)度值進(jìn)行優(yōu)劣排序，選擇2ng個優(yōu)秀個體隨機(jī)分配到子種群中。

子種群狀態(tài)更新，繼續(xù)運(yùn)行多蜂群算法，若滿足終止條件則執(zhí)行下一步，若不滿足終止條件則返回step2。

迭代，直到算法迭代次數(shù)達(dá)到maxcycle完成收斂則終止。

在最短路徑上選取下一個位置作為相應(yīng)組的目標(biāo)。

如圖6所示，是本發(fā)明的多蜂群算法和原始人工蜂群算法的對比圖，如圖所示的對比圖包括：

為了測試改進(jìn)后算法的性能，采用4組標(biāo)準(zhǔn)測試函數(shù)sphere、rosenbrock、griewank、rastrigin，在matlabr2014a中對abc和iabc進(jìn)行適應(yīng)度對比測試.實(shí)驗(yàn)初始化時種群規(guī)模為100，其中引領(lǐng)蜂和跟隨蜂的數(shù)目均為50，迭代次數(shù)為1000，適應(yīng)度閾值為50，維度為50.abc、iabc算法分別獨(dú)立運(yùn)行30次，得到各自的適應(yīng)度最大值、最小值、平均值和方差，其中最大值和最小值反映算法的質(zhì)量，平均值反映算法的收斂速度和尋優(yōu)精度，方差反映算法的穩(wěn)定性和數(shù)據(jù)的離散程度。

多蜂群算法在單模和多模函數(shù)測試中，函數(shù)優(yōu)化的平均值、方差、最小值均優(yōu)于abc算法，表明算法的尋優(yōu)精度更高，且具有更好的穩(wěn)定性，多蜂群算法中在蜂群中加入分組，多個種群并行計算，算法性能在收斂速度和尋優(yōu)精度上均有了明顯的提高。通過圖6可以更直觀地看出，多蜂群算法的收斂性能最好，可以快速收斂到蜜源所在區(qū)域，尋優(yōu)精度也有很大的提高。

圖7是本發(fā)明的多蜂群算法與其他路徑規(guī)劃算法的對比圖，如圖7所示的對比圖包括：

圖7中分別采用目前應(yīng)用較廣泛的蟻群算法(aco)、粒子群算法(pso)和本發(fā)明中的多蜂群算法(iabc)針對不同數(shù)量的人群進(jìn)行疏散時間對比，實(shí)驗(yàn)數(shù)據(jù)由每種算法對于不同數(shù)量疏散人群分別進(jìn)行20次實(shí)驗(yàn)平均得來。

步驟(6)：當(dāng)疏散人群數(shù)量較多時，個體之間不可避免地會發(fā)生碰撞，設(shè)置社會力參數(shù)，社會力參數(shù)a＝2500n，b＝0.08m,c＝2000n，d＝0.05m，α＝0.7，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，產(chǎn)生無碰撞的人群運(yùn)動。

社會力是指行人在人群中受到的心理作用和外界環(huán)境產(chǎn)生的物理作用的合力，將行人運(yùn)動描述為力相互作用的結(jié)果，包括行人自身驅(qū)動力、行人之間的相互作用力和行人與障礙物的相互作用力共同驅(qū)動。

在行人主觀意愿作用下，行人總是期望以最優(yōu)行走速度朝著期望目的地移動，所以行人自身的驅(qū)動力可以看作行人施加在自身的一個虛擬心理力.行人自身驅(qū)動力公式為：

當(dāng)行人在人群中行走時，無法避免會與其他行人發(fā)生相互作用，當(dāng)與其他行人過近，其他行人就會產(chǎn)生一個排斥力.而當(dāng)行人間距離較大時，行人之間的作用力則變?yōu)橐?行人之間的相互作用力公式為：

行走過程中，為保證自身安全和舒適性，行人會與障礙物保持一定的距離.這意味著行人運(yùn)動中會受到障礙物對行人的作用力.行人與障礙物的相互作用力公式為：

根據(jù)牛頓第二定律，社會力模型公式為：

步驟(7)：將疏散人數(shù)、疏散時間、疏散路徑等參數(shù)信息導(dǎo)出并保存，用于人群疏散的運(yùn)動展示和對比分析。

如圖8所示，為各個群組在引領(lǐng)個體的帶領(lǐng)下向出口的移動情況圖；圖9是各個群組在引領(lǐng)個體的帶領(lǐng)下接近出口的移動情況圖。通過圖8和圖9可以看出，各組在引領(lǐng)個體的帶領(lǐng)下進(jìn)行快速有效的疏散，避免了出口的擁堵現(xiàn)象，而且出口的利用率很高，減少了疏散因擁堵和出口選擇不當(dāng)而引起的疏散時間增加。

實(shí)施例2：

本發(fā)明的第二目的是提供一種計算機(jī)可讀存儲介質(zhì)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下一種技術(shù)方案：

一種計算機(jī)可讀存儲介質(zhì)，其中存儲有多條指令，所述指令適于由終端設(shè)備設(shè)備的處理器加載并執(zhí)行以下處理：

設(shè)置疏散場景參數(shù)信息，創(chuàng)建疏散場景模型和人物模型，并將人物模型導(dǎo)入疏散場景模型中，所述疏散場景模型作為人群疏散的環(huán)境空間，所述人物模型作為疏散人群；

提取疏散場景模型的語義信息，在該疏散場景下設(shè)置疏散人群參數(shù)信息，并根據(jù)疏散人群參數(shù)信息進(jìn)行人群初始化；

將疏散人群劃分群組，在每個群組中篩選出引領(lǐng)蜂，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，得到最終人群疏散路徑，進(jìn)行人群疏散仿真。

在該方法中，根據(jù)設(shè)置的疏散場景參數(shù)信息，采用模型設(shè)計軟件創(chuàng)建疏散場景模型，并對創(chuàng)建的疏散場景模型進(jìn)行渲染；所述疏散場景模型為二維場景模型或三維場景模型；所述疏散場景模型包括疏散場景的所有房間和出口。

所述疏散場景模型作為人群疏散的環(huán)境空間，用戶可在該環(huán)境空間下進(jìn)行人群疏散的反復(fù)試驗(yàn)。

在該方法中，在創(chuàng)建的疏散場景模型的每一個疏散出口處設(shè)置計數(shù)器，用于統(tǒng)計每個出口疏散的人群個體數(shù)。

在該方法中，根據(jù)每個出口疏散的人群個體數(shù)，分別計算出口處的擁擠度；所述擁擠度為正常情況下通過出口的預(yù)設(shè)個數(shù)與相應(yīng)出口疏散的人群個體數(shù)總值的比值。

在該方法中，將疏散人群劃分群組具體為：根據(jù)個體距離出口的位置以及個體之間的距離將疏散人群劃分群組；

在每個群組中篩選出引領(lǐng)蜂具體為：在每個群組中，篩選距離出口最近的個體作為引領(lǐng)蜂。

在該方法中，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃的具體包括：

設(shè)置多蜂群算法初始參數(shù)，所述初始參數(shù)包括種群規(guī)模、最大迭代次數(shù)、迭代次數(shù)初始值、適應(yīng)度閾值和子種群規(guī)模；

初始化初始參數(shù)，根據(jù)搜索的環(huán)境空間隨機(jī)產(chǎn)生可能解，即食物源；將疏散人群劃分出的群組作為子種群，在每個子種群中分別運(yùn)行人工蜂群算法；

將各個子種群中的引領(lǐng)蜂信息通過矩陣傳遞到增設(shè)的輔助種群中，輔助種群中包含各個子種群中的引領(lǐng)蜂信息；

輔助種群將各個子種群中的引領(lǐng)蜂按照適應(yīng)度值進(jìn)行優(yōu)劣排序，選擇子種群兩倍規(guī)模的優(yōu)秀個體隨機(jī)分配到各個子種群中；

更新子種群狀態(tài)，迭代次數(shù)加一，返回初始化初始參數(shù)的步驟迭代執(zhí)行，直至迭代次數(shù)達(dá)到最大迭代次數(shù)完成收斂，終止。

所述初始參數(shù)中，種群中的采蜜蜂規(guī)模與偵查蜂規(guī)模各占種群規(guī)模的二分之一；在初始化初始參數(shù)后，根據(jù)搜索的環(huán)境空間隨機(jī)產(chǎn)生種群規(guī)模數(shù)量的可能解，每個解是一個d維向量。

采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)的具體步驟為：

對于每個群組內(nèi)的個體行人，通過社會力受力公式計算行人自身的驅(qū)動力、行人之間的排斥力和行人受墻或障礙物的力的所受合力；

群組內(nèi)的個體行人按照計算的所受合力進(jìn)行行為運(yùn)動。

當(dāng)疏散人群數(shù)量較多時，個體之間不可避免地會發(fā)生碰撞，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，產(chǎn)生無碰撞的人群運(yùn)動。

在該方法中，實(shí)時存儲疏散人群總數(shù)、疏散時間、人群疏散路徑，存儲的信息可導(dǎo)出保存，用于后續(xù)人群疏散的運(yùn)動展示和對比分析。

實(shí)施例3：

本發(fā)明的第三目的是提供一種終端設(shè)備。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下一種技術(shù)方案：

一種終端設(shè)備，包括處理器和計算機(jī)可讀存儲介質(zhì)，處理器用于實(shí)現(xiàn)各指令；計算機(jī)可讀存儲介質(zhì)用于存儲多條指令，所述指令適于由處理器加載并執(zhí)行以下處理：

設(shè)置疏散場景參數(shù)信息，創(chuàng)建疏散場景模型和人物模型，并將人物模型導(dǎo)入疏散場景模型中，所述疏散場景模型作為人群疏散的環(huán)境空間，所述人物模型作為疏散人群；

提取疏散場景模型的語義信息，在該疏散場景下設(shè)置疏散人群參數(shù)信息，并根據(jù)疏散人群參數(shù)信息進(jìn)行人群初始化；

將疏散人群劃分群組，在每個群組中篩選出引領(lǐng)蜂，采用多蜂群算法并增設(shè)輔助種群進(jìn)行宏觀路徑規(guī)劃，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，得到最終人群疏散路徑，進(jìn)行人群疏散仿真。

在本實(shí)施例中，該終端設(shè)備及一種基于多蜂群算法的人群疏散仿真系統(tǒng)包括場景建模模塊、人物建模模塊、語義提取模塊、引領(lǐng)篩選模塊、宏觀路徑規(guī)劃模塊、微觀人群運(yùn)動模塊、數(shù)據(jù)導(dǎo)出模塊七個模塊。

如圖10所示，

其中：

場景建模模塊，其被配置為設(shè)置疏散場景參數(shù)，用模型設(shè)計軟件maya創(chuàng)建三維場景模型，包括疏散場景的所有房間和出口，并對其進(jìn)行渲染，該疏散場景模型作為人群疏散的環(huán)境空間，用戶可在該環(huán)境空間下進(jìn)行人群疏散的反復(fù)試驗(yàn)。

人物建模模塊，其被配置為用模型設(shè)計軟件maya創(chuàng)建三維人物模型，用動作編輯軟件motionbuilder綁定人物動作，將人物模型導(dǎo)入到疏散場景模型中作為疏散人群。

語義提取模塊，其被配置為針對已經(jīng)建模的疏散場景進(jìn)行語義信息的提取，提取出的語義信息將作為人群疏散中的靜態(tài)環(huán)境信息使用，在獲得場景模型對應(yīng)的語義信息后，可在該場景下設(shè)置疏散人群的參數(shù)信息。

引領(lǐng)篩選模塊，其被配置為將疏散場景中的疏散人群存儲到種群空間中，根據(jù)個體距離出口的位置以及個體之間的距離劃分群組，篩選每個群組中距離出口最近的個體作為引領(lǐng)，并將該信息存儲到信息空間中。

宏觀路徑規(guī)劃模塊，其被配置為根據(jù)設(shè)置的疏散人群參數(shù)信息進(jìn)行人群初始化后，采用多蜂群算法進(jìn)行宏觀路徑規(guī)劃，搜索初始點(diǎn)到目標(biāo)點(diǎn)的路徑，路徑由一系列關(guān)鍵點(diǎn)組成。

微觀人群運(yùn)動模塊，其被配置為當(dāng)疏散人群數(shù)量較多時，個體之間不可避免地會發(fā)生碰撞，采用社會力模型進(jìn)行微觀人群運(yùn)動指導(dǎo)，產(chǎn)生無碰撞的人群運(yùn)動。

數(shù)據(jù)導(dǎo)出模塊，其被配置為將疏散人數(shù)、疏散時間、疏散路徑等參數(shù)信息導(dǎo)出并保存，用于人群疏散的運(yùn)動展示和對比分析。

宏觀路徑規(guī)劃模塊包括：

設(shè)置種群規(guī)模n(采蜜蜂、偵查蜂各n/2)，最大迭代次數(shù)maxcycle，適應(yīng)度閾值limit，子種群的規(guī)模ng等參數(shù)。

參數(shù)初始化，根據(jù)搜索空間隨機(jī)產(chǎn)生n個可能解，即食物源，每個解是一個d維向量，將種群劃分為ng個子種群，并在每個子種群中分別運(yùn)行abc算法。

將各個子種群中的引領(lǐng)個體信息通過矩陣傳遞到增設(shè)的輔助種群中，輔助種群中包含引領(lǐng)個體的信息。

輔助種群將引領(lǐng)個體按照適應(yīng)度值進(jìn)行優(yōu)劣排序，選擇2ng個優(yōu)秀個體隨機(jī)分配到子種群中。

子種群狀態(tài)更新，繼續(xù)運(yùn)行iabc算法.若滿足終止條件則執(zhí)行下一步，若不滿足終止條件則返回step2。

該系統(tǒng)還包括計數(shù)器，其配置在每個出口處，用于統(tǒng)計從相應(yīng)出口疏散的個體數(shù)量。根據(jù)出口處的計數(shù)器的數(shù)值，得到出口的擁擠度；其中，擁堵度等于正常情況下通過相應(yīng)出口的預(yù)設(shè)個數(shù)與出口相匹配的群組內(nèi)個體總數(shù)的比值。

本發(fā)明的有益效果：

(1)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，將多蜂群算法和社會力模型結(jié)合，利用多蜂群算法進(jìn)行宏觀路徑規(guī)劃并實(shí)現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象，利用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，共同完成復(fù)雜場景下的人群疏散仿真。實(shí)驗(yàn)結(jié)果表明，該方法能夠真實(shí)有效地實(shí)現(xiàn)復(fù)雜場景下的人群疏散仿真。

(2)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，結(jié)合宏觀疏散仿真方法與微觀疏散仿真方法的優(yōu)點(diǎn)，建立了一種宏微觀相結(jié)合的方法，彌補(bǔ)兩種方法在大規(guī)模人群疏散仿真時的不足，采用該模型實(shí)現(xiàn)人群疏散仿真。該方法能夠快速有效地進(jìn)行疏散，減少疏散時間并且增加出口的利用率，能夠?yàn)檎鎸?shí)地疏散演練提供幫助。

(3)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，利用應(yīng)用較為廣泛的人工蜂群算法進(jìn)行宏觀路徑規(guī)劃，并在原始算法的基礎(chǔ)上進(jìn)行改進(jìn)，形成多蜂群算法，能夠有效模擬真實(shí)場景中成群結(jié)隊的小團(tuán)體現(xiàn)象，加入分組后的群體分別執(zhí)行人工蜂群算法并用社會力模型實(shí)現(xiàn)避障，能實(shí)現(xiàn)真實(shí)地仿真效果并且提高了疏散效率。

(4)本發(fā)明的一種基于多蜂群算法的人群疏散仿真方法及系統(tǒng)，利用人工蜂群算法較強(qiáng)的全局尋優(yōu)能力，而且操作簡單，便于實(shí)現(xiàn)的優(yōu)點(diǎn)，利用多蜂群算法進(jìn)行宏觀路徑規(guī)劃并實(shí)現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象，多蜂群算法在人工蜂群中加入分組后形成多個子種群，每個子種群分別獨(dú)立運(yùn)行，并在種群中加入輔助種群以增強(qiáng)子種群間的通信，提高算法的尋優(yōu)精度，避免算法陷入局部最優(yōu)，算法分組后的子種群體現(xiàn)真實(shí)場景人群疏散過程中的結(jié)伴同行現(xiàn)象。算法適應(yīng)度體現(xiàn)人群疏散時間，把疏散時間作為疏散效率評價標(biāo)準(zhǔn)，利用社會力模型進(jìn)行微觀個體運(yùn)動指導(dǎo)，共同完成復(fù)雜場景下的人群疏散仿真。

以上所述僅為本申請的優(yōu)選實(shí)施例而已，并不用于限制本申請，對于本領(lǐng)域的技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請的保護(hù)范圍之內(nèi)。