常 欽， 黨會森

(中國人民公安大學安全防范系，北京 100038)

0 引言

目前我國群體性事件呈階段性多發(fā)態(tài)勢，對人民正常的生產(chǎn)、生活造成了很大的影響。研究群體性事件，制定相應對策，減少其危害，已經(jīng)成為一個熱門課題?，F(xiàn)在對群體性事件的研究集中在兩個方面：一是社會沖突理論方面，其大多從法律界定、處置預案、策略等角度研究群體性事件的具體對策;二是群體性事件的發(fā)生機理方面，運用計算機仿真在理論上研究群體性事件的發(fā)生和發(fā)展規(guī)律。二者相互結合，構成了群體性事件研究的理論體系。

在研究群體性事件的發(fā)生機理方面，具有代表性的是基于元胞自動機和Agent的建模方法。元胞自動機是一種把時間、空間離散化，取有限的離散狀態(tài)，遵循構建的局部規(guī)則，同步更新元胞空間里的元胞狀態(tài)以達到模擬人群行為的目的;而基于Agent的模型是一種“自下而上”，先從個體Agent的微觀行為和局部規(guī)則入手，進而以涌現(xiàn)的方式生成復雜的整體行為的建模方法。二者在模擬人群行為方面，既有優(yōu)勢又存在一些不足，后面將做出詳細的分析。結合二者的優(yōu)點，本文提出了一種基于網(wǎng)格的Agent模型，對群體性事件的人群聚集行為進行研究。

1 元胞自動機與Agent

1.1 元胞自動機

元胞自動機是由空間上各向同性的一系列元胞組成。具體地說，構成元胞自動機的部件被稱為“元胞”，每個元胞具有一個狀態(tài)，它們各自的狀態(tài)根據(jù)一個局部規(guī)則隨時間變化。元胞空間內(nèi)的元胞依照這樣的局部規(guī)則進行同步的狀態(tài)更新，整個元胞空間則表現(xiàn)為離散時間維上的變化［1］。

元胞自動機已經(jīng)在交通流模型中得到了很好的應用，但在人流模型中，元胞自動機還存在一些不足：一是元胞自動機模型中的元胞個體通常是不可以移動的，元胞在整體上的運動是通過元胞個體的狀態(tài)變化來實現(xiàn)的，并不能很好的描述人群的真實行為;二是元胞自動機每個元胞的更新規(guī)則相同，不能體現(xiàn)人群個體之間的差異性;三是元胞自動機只考慮有限鄰居的狀態(tài)來決定自己狀態(tài)的改變，在模擬人群方面有一定的局限性。

1.2 Agent技術

作為人工智能領域發(fā)展起來的新型Agent模型，能夠連續(xù)不斷地感知外界以及自身狀態(tài)的變化，自主產(chǎn)生相應的動作。它具有自主性、主動性、持續(xù)性、交互性的特點，通過自身不斷感知→決策→行動形成個體的行為，不同個體交互、行動便涌現(xiàn)出了群體行為［2］17－19。基于 Agent的建模方法本著“自下而上”的思想，在小規(guī)模人群仿真中發(fā)揮了很好的作用，但基于Agent的模型缺乏時序邏輯性，在大規(guī)模的人群仿真中有些不適宜［3］。

2 基于網(wǎng)格的Agent模型

基于網(wǎng)格的Agent模型是在元胞自動機和A-gent模型的基礎之上，針對其不足而提出的一種建模模型。它主要有以下特點：

(1)在基于網(wǎng)格空間的智能體模型中，網(wǎng)格只是作為智能體的空間定位。

(2)基于網(wǎng)格空間的智能體模型是基于全場景的宏觀層面上的決策和基于領域的微觀層面決策的集合。

(3)模型中的個體是單獨決策，有利于解決一些復雜的、非線性問題。

(4)基于網(wǎng)格空間的智能體模型使個體行動更加精確，更具有時序邏輯性。

3 基于網(wǎng)格Agent的群體性事件人群聚集模型

3.1 網(wǎng)格的設定

根據(jù)《中國成年人人體尺寸標準 GB1000—88》，18～60歲成年男子的最大肩寬的95%分數(shù)位為46.9 cm，胸厚的95%分位數(shù)為24.5 cm，18～55歲的成年女子最大肩寬的95%分位數(shù)為43.8 cm，身體厚度的95%分位數(shù)為23.9 cm［4］。為了精確地描述人群行為規(guī)律，本文將人員個體占用的平面空間設為50 cm×30 cm，每一個Agent個體處于一個網(wǎng)格平面空間內(nèi)。

3.2 人群聚集個體模型的建立

根據(jù)Agent通過自身不斷感知→決策→行動形成個體行為的特點，把人群聚集的個體模型分為探測行為、決策行為和行動3部分。

3.2.1 探測行為

智能體的探測能力是有限的，在周期內(nèi)，它只能對有限空間范圍進行探測。這種探測，是以個體A-gent當前位置為中心，以它的掃描步長為半徑的圓形區(qū)域，探測到的外界及其他智能體的信息存儲在一個二維數(shù)組內(nèi)，該二維數(shù)組顯示了探測范圍內(nèi)的每個坐標是否存在智能體或障礙物，如果存在，記錄其坐標及其他相關信息，否則，將該坐標標記為空。

3.2.2 決策行為

根據(jù)探測到的信息，依據(jù)一定的規(guī)則，智能體對下一步的行動進行決策，這其中包括：

(1)目標決策。智能體P(x，y)通過探測范圍內(nèi)其他智能體的坐標，計算出智能體平均中心坐標作為自己的目標。這個目標將對智能體產(chǎn)生目標吸引力Fx，y，智能體計算周圍每個網(wǎng)格的目標吸引力，作為自己決策下一步行動的依據(jù)之一，如圖1所示。

圖1 目標吸引力權重表

其中，

圖1只是一個行動步長的吸引力權重表，根據(jù)式(1)還可以計算出兩個甚至是更多步長的吸引力權重表，為智能體提供目標決策的依據(jù)。

(2)速度決策。智能體的速度取決于目標的吸引度以及周圍人群的密度：

式(2)中，λ 為比例常數(shù);η∈［0，1］，表示保持原來速度的慣性;U是采用前期網(wǎng)絡模型研究的速度與密度的經(jīng)驗公式［5］：

式(4)中，U0為個人自由移動速度;D為研究對象所處位置在一定范圍內(nèi)的人員密度。

在基于網(wǎng)格Agent的模型中，我們把速度量化為網(wǎng)格步長，即Vt+1大于閾值τ時，定義智能體的速度為兩單元網(wǎng)格/周期，當Vt+1小于閾值τ時，智能體的速度為一單元網(wǎng)格/周期。

(3)避障決策。當智能體周圍網(wǎng)格的備選目標存在障礙或其他智能體時，該網(wǎng)格被標記為Dx，y=0，表示該網(wǎng)格不可到達，當備選目標不存在障礙或者其它智能體時，記為Dx，y=1，表示該網(wǎng)格可到達。當智能體探測到目標網(wǎng)格周邊有其他智能體存在時，則比較自身備選目標和對方備選目標，如有重合目標網(wǎng)格存在，則比較重合網(wǎng)格的權重［2］34，權重大的智能體把該網(wǎng)格標記為Dx，y=1，權重小的把該網(wǎng)格標記為 Dx，y=0。

智能體在選擇目標改變自身狀態(tài)的時候，還有一種保持與前一段時間的行走路線同一方向的趨勢，我們把它定義為慣性。為了描述個體行走的慣性趨勢，我們又定義了備選目標的慣性權重。智能體記錄自身由上一個位置運動到當前位置的方向，把它作為自己下一步運動的慣性方向，計算備選目標的慣性權重。3個方向(其他方向可由對稱性得出)的慣性權重Ax，y如圖2所示。

圖2 三種方向的慣性權重表

智能體在作出上述決策判斷后，要計算出每個備選目標網(wǎng)格的一個總權重Ux，y

式(5)中，Ux，y為備選目標的總權重，a、b為調整參數(shù)。

3.2.3 行動

在作出上述決策后，智能體就要根據(jù)決策結果向下一個目標運動了。首先是確定步長，然后計算確定步長范圍內(nèi)每個備選目標網(wǎng)格的總權重，選擇權重最大的一個網(wǎng)格作為t+1時刻的目標網(wǎng)格并向其移動。其執(zhí)行過程如圖3所示。

圖3 智能體行動步驟

4 基于網(wǎng)格Agent人群聚集仿真

針對前面討論的模型，以群體性事件人群聚集為例，運用該模型對事件進行仿真研究。

首先進行活動區(qū)域初始化，設活動區(qū)域為一個200 m×150 m的矩形。然后將進行3個仿真實驗，分別設定初始人數(shù)為50、100、150，得到仿真結果如圖4～圖6。

圖4 初始人數(shù)為50的仿真結果圖

圖5 初始人數(shù)為100的仿真結果圖

圖6 初始人數(shù)為150的仿真結果圖

在每個仿真結果圖中，第一幅圖為仿真的起始階段，區(qū)域內(nèi)隨機分布了相應數(shù)量的初始人員;第二幅圖為人群規(guī)模初步形成時的時間效果圖;第三幅圖為人群規(guī)模達到最大時的時間效果圖。通過分析，我們可以得到一些結論，如表1所示。

表1 人群聚集仿真實驗結果表

從表1中我們可以看到，在群體性事件的初始階段，參加群體性事件的人數(shù)越多，規(guī)模增加的越快，人群達到最大規(guī)模所需的時間也就越短。例如，當初始人數(shù)為50時，人群聚集規(guī)模達到最大是在第30秒，當初始人數(shù)為100時，人群聚集規(guī)模達到最大是在第20秒時，當初始人數(shù)為150時，人群規(guī)模達到最大是在第10秒。這也與現(xiàn)實的群體性事件規(guī)律相吻合。例如，在甕安事件中一開始只有十多人進行游行，當隊伍達到200人時，聚集規(guī)模迅速加大加快，以至于達到了上千人的規(guī)模沖擊政府［6］。這說明，在處置群體性事件的時候，一定要在早期采取適當?shù)拇胧┻M行干預，避免事件“發(fā)酵”，帶來更大的損害。

5 結論

在研究元胞自動機與Agent模型的基礎上，本文建立了一個基于網(wǎng)格Agent的群體性事件人群聚集模型。Agent通過判斷周圍網(wǎng)格的目標權重、慣性權重以及有無障礙來選擇自身最佳移動目標，實現(xiàn)自身運動，達到模擬人群聚集的效果。在此基礎上，本文又運用模型對群體性事件人群聚集進行了仿真實驗，觀察到了有關人群聚集的規(guī)律。

盡管我們認為基于網(wǎng)格的Agent模型很好的表現(xiàn)了群體性事件人群聚集的個體特性，但人群仿真終究是一個復雜的過程，其間有許多因素還遠不是現(xiàn)有模型可以完全包括的，因此，還需要進一步的探索研究。

［1］ 劉真余，芮小平，董承瑋，等.元胞自動機地鐵人員疏散模型仿真［J］.計算機應用工程，2009，45(27)：203－205.

［2］ 常寧寧.基于多智能體的群體性事件仿真研究［D］.長沙：國防科技大學計算機系，2008.

［3］ 李峰，劉曉強.基于Agent和元胞的火災逃生仿真模型應用研究［J］.系統(tǒng)仿真學報，2008，20(15)：4163 －4267.

［4］ 沙云飛.人群疏散的微觀仿真模型研究［D］.北京：清華大學土木工程系，2008.

［5］ 黃希發(fā).大型場館內(nèi)突發(fā)事件情況下人員應急疏散仿真研究［D］.哈爾濱：哈爾濱工程大學自動化學院，2005.

［6］ Bu Fangliang，Chang Qin.Dynamic model of the mass event based on agenttechnology［C］. Proceedings 2010IEEE International Conference on Emergency Management and Management Sciences，2010：484－487.