[发明专利]一种结合Q-learning与多蜂群算法的疏散路径规划方法及系统

说明书

本发明公开了一种结合Q‑learning与多蜂群算法的疏散路径规划方法及系统，包括：对构建的疏散场景模型初始化疏散人群和疏散出口；采用多蜂群算法进行宏观路径规划，结合微观人群运动指导驱动个体到达疏散出口，直至疏散出口的疏散人数等于总人数，疏散过程结束。将原始单一种群划分为多个子种群，引入多种搜索策略构建搜索策略池，结合Q表对搜索策略进行反馈调节，构建搜索策略的自适应选择机制，实现全局范围的搜索；通过不断缩小跟随蜂的邻域的范围，使其在顶部E个优秀解的指导下进行搜索，提高更新成功率；自适应调整侦查蜂的搜索方向向着更有希望更新成功的一侧进行，避免搜索的盲目性，结合社会力模型产生无碰撞的人群运动，提高疏散效率。

技术领域

本发明涉及人群疏散路径规划技术领域，特别是涉及一种结合Q-learning与多蜂群算法的疏散路径规划方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着社会的发展，各大旅游景点、影院和超市等室内场所常常会发生人群聚集现象，存在安全隐患。在人群密集环境中，危险事故一旦发生，行人在慌乱的情况下避开危险源，寻找安全出口，但是疏散的无序性不仅会降低疏散效率，而且可能会造成碰撞、踩踏事故，对疏散人员形成二次伤害。因此，在人群密集场所如何有效地指导人群疏散，提高疏散速度，同时降低危险的发生率，成为一个热点问题。人群疏散中，人们往往处于慌乱和盲目状态，通常情况下不知道最有利于疏散的出口，也不知道到达这个出口的最合适的路径。因此人群疏散需要路径规划的指导。

人工蜂群算法(Artificial Bee Colony algorithm,ABC)作为一种群体智能算法，因为其解决优化问题的优秀能力以及人工蜂群表现出的自组织性、自学习性与人群类似，因此被应用于人群疏散中路径规划中，表现出比较好的效果。人工蜂群算法是一种受蜜蜂觅食行为启发而得到的智能优化算法。一个蜂群内部分为雇佣蜂、跟随蜂、侦查蜂三种蜜蜂，雇佣蜂偏好于探索、跟随蜂偏好于开发，侦查蜂负责在全局范围内寻找新的位置，模仿蜜蜂的觅食行为进行搜索寻优。由于其概念简单，易于实现，人工蜂群算法已被成功地用于路径规划、影像分类、图像分割等应用领域的相关问题；

然而，发明人发现，目前将人工蜂群算法应用于人群疏散仿真还存在一些不足，即，对人群疏散路径规划时对路径搜索的盲目性问题，对于不同状态的个体，无法满足匹配不同的路径搜索需要的问题以及算法在路径规划计算时的收敛速度慢的问题，不利于高效有序的整体疏散人群，以及不利于真实地再现现实生活中的人群疏散状态。

发明内容

为了解决上述问题，本发明提出了一种结合Q-learning与多蜂群算法的疏散路径规划方法及系统，将原始单一种群划分为多个子种群，通过引入多种搜索策略构建搜索策略池，结合Q表对搜索策略进行反馈调节，构建搜索策略的自适应选择机制，实现全局范围的搜索；通过不断缩小跟随蜂的邻域的范围，使其在顶部E个优秀解的指导下进行搜索，提高更新成功率；通过自适应调整侦查蜂的搜索方向向着更有希望更新成功的一侧进行，避免搜索的盲目性；结合社会力模型的微观人群运动指导，产生无碰撞的人群运动，提高疏散效率，缩短疏散时间。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种结合Q-learning与多蜂群算法的疏散路径规划方法，包括：

对构建的疏散场景模型初始化疏散人群和疏散出口；

采用多蜂群算法进行宏观路径规划，结合微观人群运动指导驱动个体到达疏散出口，直至疏散出口的疏散人数等于总人数，疏散过程结束；

所述多蜂群算法包括将疏散人群分为多个群组，根据群组内个体所在位置与疏散出口的距离和疏散出口的拥挤度计算适应度，根据适应度值和Q表中待选择搜索策略的质量值确定搜索策略，以此确定下一位置，群组中跟随者可选择的领导者范围为群组中适应度值最好的E个领导者，且领导者转化为侦察者后，采用改进的侦查者搜索策略得到新位置。