[发明专利]基于自适应差分进化算法的公共场所护栏布局优化方法

说明书

本发明公开了一种基于自适应差分进化算法的公共场所护栏布局优化方法，该方法运用基于带有外部归档的自适应差分进化算法对公共场所的护栏布局进行优化；构建目标向量、测试向量和基于人群仿真技术的适应度评估机制，其中，目标向量基于护栏布局通过编码而成，测试向量则是通过对目标函数进行变异、交叉等操作生成。本发明利用适应值来评估护栏布局的优劣，引导自适应差分进化算法不断进化，直至找到满意的护栏布局排列。本发明提出的优化方法还引入了外部归档和自适应参数调整机制，显著降低了优化方法对参数设置的敏感性，提高了优化效率和鲁棒性。

技术领域

本发明涉及智能计算和人群仿真技术领域，具体涉及一种基于自适应差分进化算法的公共场所护栏布局优化方法。

背景技术

现代化的城市中，电梯已成为公共场所的主要通行工具之一。越来越多的客流为公共场所的管理和规划带来了新的挑战。电梯的入口是造成公共场所人群拥堵的瓶颈之一，大量乘客聚集于此，可能会造成踩踏和偷窃等突发公共安全事件。因此，防止乘客聚集在电梯入口，使乘客能够高效通过电梯口是一个值得研究的课题。目前，最常见方法是使用护栏来引导乘客。设计良好的护栏可以正确引导人群，并避免突发事故；而设计不足通常则会导致拥挤，增加乘客的等待时间，降低了空间利用率。到目前为止，公共场所中的护栏仍然是由管理方的工作人员手动设计，高度依赖工作人员的相关知识和经验，有极强主观性，故而依据现场客观信息的自动护栏设计应运而生。管理方通常能够记录每天进站和出站的乘客的具体信息，基于这些真实的历史数据，自动为公共场所设计护栏，让人群的疏导更加智能，也成为可能。

差分进化算法是由Storn和Price提出的一种基于种群的新型启发式搜索算法，主要用于求解实数优化问题。种群中的每个个体对应一个解向量，称之为目标向量，其进化流程则与遗传算法非常类似，包括变异、杂交和选择等操作，生成测试向量。通过对目标向量和测试向量进行适应度评估，更新种群个体，引导搜索进化。该算法的基本思想是：从一个随机产生的初始种群开始，通过把种群中任意两个个体的向量差与第三个个体求和来产生新个体，然后将新个体与当代种群中相应的个体相比较，如果新个体的适应度优于当前个体的适应度，则在下一代中就用新个体取代旧个体，否则仍保存旧个体。通过不断地进化，保留优良个体，淘汰劣质个体，引导搜索向最优解逼近。

护栏自动设计是不同变量之间具有复杂关联关系的优化问题，适合用差分进化算法来求解。传统的差分进化算法在实际的应用中对参数和算子设置比较敏感、而且存在陷入局部最优化和收敛速度较慢等缺点。因此，降低差分进化算法的参数设置敏感性，提高差分进化算法求解地铁站护栏自动设计的效率和鲁棒性成为一个亟待解决的问题。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于自适应差分进化算法的公共场所护栏布局设计优化方法，即带有外部归档的自适应差分进化算法(JADE：Adaptive Differential Evolution with Optional External Archive)，该方法有效地克服了人工手动护栏布局的不足，提高了差分进化算法求解地铁站护栏自动设计的效率和鲁棒性，提升了实用性。

JADE是一种基于种群的智能算法，在使用JADE进行地铁站护栏自动优化时，本发明构建了新的护栏编码方式，适应值评估函数。护栏布局通对目标向量编码而成，使得护栏布局可以被JADE中的个体所表示；在评估目标向量和测试向量的适应值时，采用适应值评估函数计算适应值，来评估护栏布局的好坏，以便从种群中选出更优秀的个体，进而引导JADE不断进化，直至找到满意的护栏布局。

本发明的目的可以通过采取如下技术方案达到：

一种基于自适应差分进化算法的护栏布局设计优化方法，该优化方法包括以下步骤：

S1、初始化：产生种群P和外部归档A，所述种群P包含NP个目标向量，用向量X来表示，每个所述目标向量基于护栏布局进行编码，利用人群行为仿真技术，衡量区域内的拥挤程度，计算所有初始所述目标向量的适应值。