火灾中基于个体行为的人群疏散仿真

为了指导火灾中的人群疏散,研究了一种新的人群疏散模型用于提高人群疏散仿真的真实性.通过分析个体对火灾警报的不同响应时间,个体在疏散过程中采取的不同运动速度,个体间的组运动方式,个体的出口选择等因素对人群疏散的影响,建立了个体行为特征与元胞自动机相结合的人群疏散模型.该模型包括个体对火灾警报响应模型、个体逃生速度模型、组...     

人群疏散的社会力蚁群模型

密集人群的运动仿真研究是当下辅助实际应用的一种重要手段.针对现有疏散仿真存在的诸如模拟精确度较低、疏散模型不连续、人群行为过于单一等问题,本文提出一种新的人群疏散模型,该模型将社会力模型与蚁群算法相结合,用社会力作为蚁群算法中信息素更新策略的度量值.建立社会力蚁群模型,该模型充分考虑了人群疏散中个体间的作用力关系,解决了算法中易于出现的停滞和早熟现象.实验结果表明,该方法可以有效发挥蚁群算法在人群模拟中的优势,较传统算法具有更高的效率和运算速度,对大规模建筑内人群疏散有重要参考价值.     

基于紧急状态下信息不对称性的人群模拟

人群模拟技术在模拟灾难发生时人群的疏散、预测突发事件等方面都有广泛的应用.本文基于智能体的人群模拟模型,针对紧急状态下室内空间提出了一种新的模型.由于室内空间内的不同群体对其结构的熟悉程度存在差异,这使得人群在选择疏散路径时存在多样性.基于该差异性本文提出了信息不对称性的概念.人群个体受到周围邻域内群体的影响而参考邻域内群体的运动趋势并结合自身属性形成倾向速度.倾向速度代表人群个体的运动趋势.求解倾向速度的过程由主观影响因子和客观影响因子控制.邻域群体构成了客观影响因子,而人群个体的属性则构成了主观影响因子.本文引入有限状态机逻辑来体现人群决策的改变.通过本文实验的模拟效果,证明了考虑信息不对称性在紧急状态下人群模拟中的必要性.     

基于人工势场和元胞自动机的人员疏散系统仿真

基于元胞自动机模型对公众场合火灾中人员疏散进行研究,通过对火灾中疏散个体微观建模,结合人工势场将影响人行为的火、门和障碍物等各种因素量化,构建出元胞的移动规则,从而确定元胞下一时间步长的移动路径.仿真结果显示,该系统能够较真实地模拟人员疏散过程.     

紧急情况下客船人员疏散过程仿真

为训练客船驾驶员应急疏散组织能力,优化客船疏散方案,依托航海虚拟仿真训练平台,基于改进的蚁群算法,提出一种考虑邻接网格面积与转向角度等因素的疏散模型,采用一种改进的约束Delaunay三角网生成算法高效生成导航网格.基于"育鹏"轮建立船舶三维场景,进行人员疏散过程仿真实验.结果表明,该模型有效地优化了多层甲板复杂场景中的人员疏散路径,充分展现了不同年龄、性别疏散个体路径选择的差异性,为具有复杂人群组成结构的客船应急疏散演练提供了一种良好的解决方案.     

智能疏散系统导向标志计算及疏散路径仿真

为了解决大型综合建筑中智能疏散系统在火灾等突发情况发生时可根据复杂建筑结构规划出合理、安全的疏散路径问题,提出了一种基于改进A~*算法的多起点、多出口路径规划方法。通过增加转弯惩罚值,结合火灾影响区域实时信息和火灾中心点的距离改进了估价函数,进而计算出最优疏散路径。依据搜索出的最优路径调整三维楼层地图中各个导向标志方向,从而引导不同位置人员从最优路径疏散逃生。仿真实验结果表明,在计算多起点、多出口疏散路径时,改进A~*算法与传统Dijkstra算法和A~*算法相比,搜索方向更加明确,路径更加平滑,搜索效率更高,运行时间更短,并能结合火灾信息保证疏散路径的安全性。该算法在求解大型综合建筑火灾安全疏散路径方面具有很好的应用前景。     

突发火灾环境的群体疏散问题研究综述

为了解突发火灾环境的群体疏散问题研究进展,从群体疏散的模型、路径规划问题优化算法、仿真软件研究进行综述,结合火灾环境下群体疏散的特点,总结现有疏散问题的研究方法和成果,展望该领域的研究趋势。研究表明:现有疏散模型主要集中在多种模型和思想融合的研究,对火灾蔓延过程和疏散过程相结合较少;疏散路径问题的求解方面,考虑动态火灾环境下路径规划研究不足;疏散软件方面的研究主要通过国外仿真软件模拟火灾环境下的疏散,缺乏开发适合我国的疏散软件。研究趋势是构建充分考虑疏散者行为和心理、建筑物结构、火灾环境的疏散模型,路径规划算法改进与创新、疏散路径的动态优化。     

基于花香浓度的人工蜂群算法在机器人路径规划中的应用

传统的人工蜂群算法是在一种较理想的环境中进行的,不会考虑风的阻力、长时间飞行找不到蜜源使体力下降等现实因素。本文提出了基于花香浓度的人工蜂群算法——FABC算法,在传统的人工蜂群算法中加入了步长和视野范围两个因素提升求解精度,并在侦查蜂阶段提出了花香浓度机制避免陷入局部最优,提高收敛速度。为了验证FABC算法的有效性,采用4个经典测试函数对FABC算法进行了仿真实验,并将实验结果与传统人工蜂群算法以及其他改进人工蜂群算法进行对比。最后将FABC算法应用到机器人路径规划仿真实验中,实验结果证明FABC算法能够有效地解决机器人路径规划问题。     

基于群智能混合算法的应急物流路径优化研究

应急物流系统是解决突发事件的有效框架体系,如何选择合适的配送路径以确保受灾群众及时获取物资,对解决应急救援问题有重要意义。通过建立应急物流路径优化模型,考虑到使用人工萤火虫算法会产生寻优精度低以及陷入局部最优等问题,为了提高系统优化性能,参照蜂群和粒子群的群体移动规律,改进萤火虫算法的位置更新策略,引入两种群智能混合算法进行比较实验。设置距离参数和平均交通复杂度,计算物流运输路径系统消耗时间,并采取表格形式显示。实验结果表明群智能混合算法能大幅度优化应急物流路径规划模型,提高配送效率。     

基于元胞自动机和SIS传染算法的恐慌状态下行人疏散模型

为了研究人群在恐慌状态下的疏散行为特征,基于元胞自动机和SIS传染算法提出了一种用于恐慌状态下的行人疏散模型.通过场域模型给出了行人的移动收益公式,并利用SIS传染算法来研究恐慌情绪在人群中的传播规律及对疏散行为造成的影响,同时,给出了恐慌情绪量化公式.然后,通过仿真实验对疏散时间、行人密度、恐慌情绪比值和平均速度等参数进行了分析和讨论.仿真实验结果表明:行人密度与恐慌人数之间为正相关,人群到出口的距离与恐慌人数比例、恐慌因子W_p之间为正相关;恐慌情绪比值与疏散时间、恐慌因子Wp之间为负相关,人群平均速度与行人密度之间为负相关.     

基于改进萤火虫算法的人群疏散仿真

基本萤火虫算法在人群疏散仿真中存在疏散速度慢、疏散路径不平滑的缺陷,针对该问题,提出一种改进萤火虫算法。借鉴微粒群算法的位置更新策略,将全局最优引入到萤火虫算法的位置更新过程。与原始算法相比,改进后的算法在收敛速度和求解精度方面有明显的提升。在搭建的3D仿真系统中,对改进后的算法进行人群疏散仿真实验。仿真实验表明,该算法能够实现人群远离危险源并最终到达目标安全区域的路径规划,仿真效果逼真。与原始算法及微粒群算法相比,该算法在提高人群疏散速度的同时,也提高了疏散路径的平滑性和稳定性。     

基于背景场的粒子群优化多出口疏散策略

针对复杂建筑人群疏散出口选择策略问题,本文着重考虑行人对综合最短距离的认知差异,引入距离因素和密度因素建立混合距离策略,并结合修正的背景场建模规则,将出口选择策略融入到粒子群更新机理中,构建了基于背景场的粒子群优化算法的出口选择策略.通过数值实验模拟了出口选择策略的疏散性能,实验结果揭示了多出口建筑物内群体运动的机理,反映了疏散策略的动态化调整性能.仿真疏散过程也验证了多出口选择混合距离策略在群体疏散中的合理性和有效性.     

基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.     

浅析基于云模型的人工蜂群算法

人工蜂群算法是一种模拟蜜蜂群体寻找优良蜜源的仿生智能优化方法,是最新提出的智能优化算法,近十年来己经成为智能计算领域的一朵奇葩。许多学者致力于研究改进人工蜂群算法的性能,并取得了不错的成果。云模型是我国学者李德毅院士提出的定性和定量转换模型,其应用一直是研究的热点,有不少学者将云模型与智能优化算法结合,并成功地用来解决一些实际问题。该文在对人工蜂群算法深入研究的基础上,利用云模型的优点,提高蜂群的搜索寻优能力,使得人工蜂群算法有更快的收敛速度。     

海底隧道火灾事故人群疏散优化方案研究

为提高海底隧道火灾事故人群疏散效率,基于火灾应急情景分析,建立时间成本最低的人群疏散优化模型。首先,考虑海底隧道火灾事故特性和CO对疏散人员的伤害,给出模型的目标函数和限制条件,提升模型的适用性。然后,改进蚁群算法的启发式函数、疏散人员转移规则和信息素更新策略,优化路径选择策略,并求解模型。以翔安海底隧道火灾为例进行案例仿真模拟。结果表明,该模型在实现时间成本最低的同时,避免了疏散个体累积伤害值超限,又使出口得到充分利用,提升了疏散的综合安全效益。     

一种应用于火灾环境路径规划的蚂蚁群算法

在火灾环境中,针对蚁群算法容易陷入局部最优的问题,文章使用了一种改进的蚁群算法用于解决火灾环境中人群疏散的路径规划问题。对蚁群算法的改进分为两个方面:一是在蚁群算法的启发式函数中考虑人员密度因素;二是动态自适应调整信息素强度,采取局部和全局信息素更新相结合的策略更新路径上的信息素,并引入交叉操作,加快算法的逃逸能力。由于在火灾环境中个体情绪差异对路径选择的影响较大,在文章的规划方法中,为个体建立情绪数学模型,不同情绪的个体对路径的选择是不同的。仿真实验表明,文中提出的规划方法能够为不同情绪类型的个体规划出最优逃生路径,避免了局部最优且收敛速度较快。     

基于改进人工蜂群算法的移动机器人路径规划研究

为了进一步提升基于人工蜂群(artificial bee colony,ABC)算法机器人路径规划的科学性,文章在建立路径规划实验模型基础上在ABC算法中引入了混沌映射产生初始解和反轮盘赌机制进行并行选择,提出等距分布式并行搜索,同时在全局更新机制中引入势场作用,进而得到了一种改进人工蜂群的(improved artificial bee colony,IABC)算法。将IABC算法应用于路径规划,并利用Taguchi正交试验选取实验参数值与目标函数参数值进行基于ABC算法与IABC算法的路径规划对比实验,实验结果表明,IABC算法规划出的路径质量较佳,能够提升规划效率。     

场景语义信息引导的路径规划

针对人群疏散的仿真模拟中,如何引导虚拟人群避免与障碍物发生碰撞,顺利通过复杂环境到达期望目标的问题,提出一种基于语义信息的路线规划方法。该方法首先采用语义信息实现全局路径规划,进而利用势场方法来避免碰撞,最终完成人群的快速疏散。仿真结果表明,该方法在产生高质量路径的同时,可以快速灵活地完成人群在复杂场景中的运动,提高了疏散效率。     

改进的DDPG算法在机器人路径规划中的应用

深度强化学习(DRL)在连续控制问题中具有优异的性能,被广泛用于路径规划等领域.为了实现移动机器人在未知环境中的智能路径规划,提出了一个路径规划的模型,基于深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)的自主路径规划模型.针对DDPG算法前期对环境没有先验知识,收敛速度慢和移动时会出现局部最优情况,提出了一种改进的DDPG算法.通过在DDPG算法中添加人工势场的引力场和斥力场,以加快收敛速度和移动机器人到达目标点的时间.对奖赏函数进行改进,增加直走奖励,以提高规划路径的稳定性.     

改进人工人群搜索算法在基于LBS物流配送中的应用

以基于LBS物流系统的物流车辆路径规划为研究对象,将一种改进人工势场法与人群搜索算法相结合,对LBS系统中物流车辆的路径规划进行优化.该算法首先利用LBS系统获取环境信息,包括车辆、目标和障碍物的位置和速度信息,其次在基本人工势场法的基础上加入速度因子,使配送车辆初步形成能躲避障碍物并追踪动态物流对象的可行性路径,随后利用人群搜索算法,在可行性路径中搜索最短路径,进而生成物流车辆至动态物流对象的最优路径.该算法有效的将改进式人工势场法和人群搜索算法紧密结合在一起,通过仿真实验证明了该算法在基于LBS的物流系统中物流配送路径规划的有效性,同时将该算法与传统路径规划A*算法进行对比,证明该算法有效的提高了系统中的整体搜索效率.