[发明专利]基于禁忌搜索蜂群算法的人群疏散仿真方法及系统

说明书

本发明公开了基于禁忌搜索蜂群算法的人群疏散仿真方法及系统，设置疏散场景参数信息和人物模型信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中；设置基于禁忌搜索的蜂群算法的初始参数；宏观疏散仿真：初始化初始参数，采用基于禁忌搜索的蜂群算法进行宏观路径规划，搜索初始点到目标点的初始路径，路径由若干个点组成；微观疏散仿真：在初始路径的基础上，当疏散人群数量大于设定阈值时，个体之间不可避免地会发生碰撞，采用社会力模型进行微观人群运动指导，产生无碰撞的疏散运动，得到最终人群疏散路径，进行人群疏散仿真；将疏散人数、疏散所用时间和最终人群疏散路径导出并保存，用于人群疏散的运动展示和对比分析。

技术领域

本发明涉及人群疏散仿真的技术领域，特别是涉及基于禁忌搜索蜂群算法的人群疏散仿真方法及系统。

背景技术

近些年来，随着社会经济的高速发展，公共场所内经常会出现大规模人群聚集现象，人群聚集的公共场合中突发事件的安全疏散仿真模拟越来越受到重视。因此如何规避人群密集场景下的拥塞事件，减少生命财产的损失，一直是安全领域研究的热点问题。随着科学技术的发展，人群运动仿真技术成为研究的热点。通过仿真手段模拟研究人群疏散的行为规律，其费用开销小等优势对在紧急情况发生时人群的疏散具有重大的现实意义。

人工蜂群算法(artificial bee colony，ABC)是D.Karaboga在2005年将蜜蜂的觅食行为应用到函数优化问题中而提出的群体智能领域新兴的智能优化技术，由于人工蜂群算法计算简单、便于实现和鲁棒性强的特点，因此受到了国内外专家学者的持续关注，其应用范围也从最初的数值优化领域被逐步扩展到工程优化、机器学习、图形学和数据挖掘等领域。人工蜂群算法是通过密封之间的相互合作寻找最优解的群智能算法，由蜜源、被雇佣峰(采蜜蜂)和未被雇佣峰(跟随蜂、侦查蜂)三项基本元素构成，同时引入三种基本的行为模式：搜索蜜源、招募蜜源和放弃蜜源.其中蜜源的位置代表优化问题的可行解，蜜源质量对应可行解的适应度。

禁忌搜索算法(tabu search algorithm,TS)是由Glover在1986年提出的一种全局逐步寻优算法。它从一个初始可行解出发，选择一系列的特定搜索方向作为试探，选择实现让特定的目标函数值变化最多的移动。为了避免陷入局部最优解，禁忌搜索中采用了一种灵活的“记忆”技术，对已经进行的优化过程进行记录和选择，指导下一步的搜索方向，这就是禁忌表的建立。也就是说，在禁忌搜索算法中，禁忌表是用来防止搜索过程中出现循环，避免陷入局部最优的。

基于禁忌搜索的蜂群算法就是把禁忌搜索算法中的禁忌表加入到蜂群算法中来，用来存储采蜜蜂已经搜索到的局部最优解，并对它进行标记，在下一次的搜索过程中利用禁忌表中的信息，不搜索或者有选择的搜索这些解，可以解决蜂群算法容易陷入局部最优的问题。

社会力模型作为微观仿真模型，其本身较宏观模型有显著的优势，一经提出，就受到了专家学者的广泛关注。社会力模型能够较为真实的模拟出疏散中的行人的行为，能够仿真出人群中产生的真实现象。它认为行人的行走并非收到外力作用，而是受到自身的驱动力，这种驱动力就是所谓的“社会力”。

人群疏散仿真主要包括两种方法：宏观疏散仿真方法与微观疏散仿真方法。宏观疏散仿真方法就是将人群作为一个整体处理，从而忽略了个体之间的交互与影响，因此计算复杂度较低，仿真程度也较差。微观疏散仿真方法中的微观模型要为每个疏散个体都作全局运动规划，计算开销太大，由于疏散人群数量大，每个个体计算路径导致的速度又过慢，这种微观模型往往只能用于处理较小规模的群体，并且在实时计算环境中很难应用。

综上所述，在现有技术的人群疏散仿真中对于如何将基于禁忌搜索的蜂群算法应用于人群疏散仿真方法，以及如何提高公共场所中人群疏散的效率以及危机情况下的疏散人群的安全性的问题，尚缺乏有效的解决方案。

发明内容