劉 弘

( 1) 山東師范大學(xué)信息科學(xué)與工程學(xué)院，250358，濟(jì)南；2) 山東省分布式計(jì)算機(jī)軟件新技術(shù)重點(diǎn)實(shí)驗(yàn)室，250014，濟(jì)南 )

1 引 言

近年來，隨著社會(huì)經(jīng)濟(jì)的高速發(fā)展，各種聚集了大量人群的大型公共活動(dòng)不斷增多，這其中的安全問題引起了越來越多的關(guān)注.在一些人員密集的公共建筑場(chǎng)所內(nèi)，由于建筑設(shè)計(jì)上的不合理，以及應(yīng)急管理方面的不到位，當(dāng)發(fā)生各種緊急突發(fā)事件、人員需要緊急撤離時(shí)，容易造成疏散人群的擁擠和阻塞，甚至發(fā)生嚴(yán)重的人員踩踏事故.研究突發(fā)事件下人群疏散的行為特征及運(yùn)動(dòng)規(guī)律，對(duì)于促進(jìn)建筑物的合理設(shè)計(jì)，加強(qiáng)安全管理，從而有效地預(yù)防和減少各種突發(fā)情況下人員的傷亡，具有十分重要的意義.

突發(fā)事件下的人群疏散運(yùn)動(dòng)是一個(gè)非常復(fù)雜的過程.組織人員進(jìn)行疏散實(shí)驗(yàn)，雖然針對(duì)性強(qiáng)，獲得的信息量大，但是實(shí)驗(yàn)費(fèi)用和人員安全問題是不可回避的，所以計(jì)算機(jī)仿真模擬成為研究突發(fā)事件下人群疏散的最主要方法.通過對(duì)密集人群疏散過程的仿真，可以再現(xiàn)行人在疏散過程中的動(dòng)態(tài)行為特性，模擬密集人群在疏散過程中擁擠的產(chǎn)生機(jī)理、傳播過程和流量分布趨勢(shì).對(duì)事故易發(fā)區(qū)如出口和擁擠區(qū)域的流量密度分布進(jìn)行分析，可以為擁擠事故的預(yù)防和控制提供科學(xué)的理論基礎(chǔ).

密集人群的疏散行為特性研究是行人流理論的一個(gè)分支，與常規(guī)情況下的行人流相比，行人的疏散行為不僅包含了從當(dāng)前位置到目的地的移動(dòng)行為，還包含了出口和路徑的選擇行為.尤其是在內(nèi)部結(jié)構(gòu)復(fù)雜的大型公共場(chǎng)所中，行人的出口和路徑選擇行為決定了人群的流量分布以及疏散效率.因此，行人的疏散行為具有宏觀和微觀的雙重特性.宏觀層面，行人期望以最快的速度到達(dá)目的地，并且會(huì)根據(jù)獲取的外界環(huán)境信息調(diào)整自己的決策和行為；微觀層面，行人會(huì)根據(jù)選擇的目的地方向進(jìn)行速度和位置的更新，并且在移動(dòng)過程中盡量避免與其他行人發(fā)生擁擠和碰撞.行人疏散行為的宏觀因素和微觀因素相互關(guān)聯(lián)、相互影響，共同影響人群的疏散過程.

行人的疏散行為具有許多與常態(tài)下不同的特性.首先，行人遇到緊急情況時(shí)會(huì)產(chǎn)生緊張、恐慌的心理，本能的反應(yīng)是希望以最快的速度逃離危險(xiǎn)區(qū)域.疏散過程中，行人的移動(dòng)速度往往要髙于通常條件下的走行速度.其次，行人會(huì)根據(jù)實(shí)時(shí)的環(huán)境信息，動(dòng)態(tài)地選擇和變更疏散時(shí)間較短的出口和路徑.因此，行人出行的目的地以及路徑是動(dòng)態(tài)變化的.第三，行人之間會(huì)進(jìn)行信息的傳遞，不斷更新自己的信息集合以做出更優(yōu)的選擇.疏散開始時(shí)，行人首先會(huì)根據(jù)視野信息和歷史信息做出初始的判斷，例如判斷出口的位置、估算疏散的時(shí)間.如果行人對(duì)場(chǎng)所不熟悉，則將跟隨周圍的行人進(jìn)行移動(dòng).疏散過程中，行人之間將會(huì)互相交換信息集合，以獲取更全面的信息，從而選擇疏散時(shí)間較短的路徑.因此，行人的疏散行為還具有一定的自組織特性.

人們從生物進(jìn)化機(jī)理和一些物理現(xiàn)象中受到啟發(fā),從而提出了許多用以解決復(fù)雜優(yōu)化問題的群智能優(yōu)化算法,它具有高效的優(yōu)化性能、無須問題特殊信息等優(yōu)點(diǎn).群智能優(yōu)化算法是計(jì)算智能的一個(gè)重要分支，受到了各領(lǐng)域廣泛的關(guān)注和應(yīng)用，在許多領(lǐng)域(包括過程控制、機(jī)器學(xué)習(xí)、智能交通、經(jīng)濟(jì)預(yù)測(cè)和工程優(yōu)化等)取得了顯著的成績(jī).在解決疏散問題的建模方法中,蟻群算法及微粒群算法已經(jīng)有相關(guān)的研究及應(yīng)用.

2016年,中國工程院?jiǎn)?dòng)了“中國人工智能2.0”重大咨詢項(xiàng)目,認(rèn)為未來的人工智能將是人、計(jì)算機(jī)和互聯(lián)網(wǎng)融合在一起運(yùn)行的智能系統(tǒng).數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí),深度整合多種媒體的非結(jié)構(gòu)化數(shù)據(jù),人機(jī)和腦機(jī)交互,成為群體智能系統(tǒng).

在互聯(lián)網(wǎng)環(huán)境下，海量的人類智能與機(jī)器智能相互賦能增效，形成人機(jī)物融合的“群智空間”，以充分展現(xiàn)群體智能.其本質(zhì)上是互聯(lián)網(wǎng)科技創(chuàng)新生態(tài)系統(tǒng)的智力內(nèi)核，將輻射包括從技術(shù)研發(fā)到商業(yè)運(yùn)營(yíng)整個(gè)創(chuàng)新過程的所有組織及組織間關(guān)系網(wǎng)絡(luò).因此，群體智能的研究不僅能推動(dòng)人工智能的理論技術(shù)創(chuàng)新，同時(shí)能對(duì)整個(gè)信息社會(huì)的應(yīng)用創(chuàng)新、體制創(chuàng)新、管理創(chuàng)新、商業(yè)創(chuàng)新等提供核心驅(qū)動(dòng)力.

2 人群疏散仿真模型

在大規(guī)模人群疏散中，不同個(gè)體組合成一個(gè)群體,群體中的個(gè)體和個(gè)體之間又存在著交互作用，這種交互作用呈現(xiàn)出明顯的非線性特征[1].個(gè)體的行為特點(diǎn)使得群體行為表現(xiàn)為各種能量的匯聚、沖突、平衡、失衡，以及群體性趨向和排斥等現(xiàn)象[2].上述現(xiàn)象決定了對(duì)疏散人群運(yùn)動(dòng)規(guī)律的建模十分困難.因此，如何在針對(duì)非常規(guī)突發(fā)事件的大規(guī)模人群疏散中，結(jié)合各種人的心理狀態(tài)、行為特征、運(yùn)動(dòng)規(guī)律及交互作用等各種不確定性因素，建立合理的仿真模型，是一個(gè)亟需解決的問題.

微觀仿真模型中具有代表性的有社會(huì)力模型、元胞自動(dòng)機(jī)模型及基于Agent的模型.

社會(huì)力模型是由Helbing等[3]提出的一種基于多粒子自驅(qū)動(dòng)系統(tǒng)框架的模型,以經(jīng)典Newton力學(xué)為基礎(chǔ)，假設(shè)個(gè)體在疏散過程中受到三種力的作用: 驅(qū)動(dòng)力、人和人之間的作用力以及人和障礙物之間的作用力.所謂社會(huì)力，就是個(gè)體在疏散中受到的來自于其他人及周圍環(huán)境的這些物理、心理、社會(huì)上的相互作用的統(tǒng)稱.該模型得到了同行的高度評(píng)價(jià)，并作為封面文章發(fā)表在Nature雜志上[4].迄今為止，社會(huì)力模型已被公認(rèn)為是對(duì)疏散時(shí)的個(gè)體動(dòng)力學(xué)特征進(jìn)行仿真模擬的最有代表性的數(shù)學(xué)模型，主要原因就是它能夠很好地模擬出人群運(yùn)動(dòng)中諸如“快即是慢”、拱形擁堵等復(fù)雜現(xiàn)象.國內(nèi)外學(xué)者在Helbing的研究基礎(chǔ)上，對(duì)社會(huì)力模型進(jìn)行了諸多改善和發(fā)展[5-7].

社會(huì)力模型獨(dú)特的優(yōu)點(diǎn)在于較強(qiáng)的真實(shí)性，能體現(xiàn)人群運(yùn)動(dòng)的自組織現(xiàn)象.但社會(huì)力模型也有其局限，它是一種從微觀角度、針對(duì)個(gè)體進(jìn)行建模的模型，需要設(shè)定復(fù)雜的建模規(guī)則，并且計(jì)算的時(shí)間復(fù)雜度為O(N2)，即隨著疏散人數(shù)N的增大，計(jì)算時(shí)間將急劇增長(zhǎng)，因此，當(dāng)涉及到區(qū)域性的大規(guī)模人群疏散時(shí)，計(jì)算效率會(huì)很低.

元胞自動(dòng)機(jī)(Cellular Automaton， CA)是一種離散的微觀模型[8]，是在有限元胞自動(dòng)機(jī)的基礎(chǔ)上發(fā)展起來的，用于分析和模擬幾何空間內(nèi)的現(xiàn)象.構(gòu)成元胞自動(dòng)機(jī)的每一個(gè)部件被稱為“元胞”，在空間網(wǎng)格上，這些元胞有規(guī)則地排列在一起組成了元胞空間，每個(gè)元胞有自己的屬性，并且隨著每個(gè)時(shí)間步的改變而改變.元胞自動(dòng)機(jī)具有一些特定的局部規(guī)則，且在時(shí)間和空間上處于離散狀態(tài).元胞在當(dāng)前刻的狀態(tài)僅僅與上一刻該元胞的狀態(tài)有關(guān).用于研究人群動(dòng)力學(xué)并且基于元胞自動(dòng)機(jī)的代表性模型是由 Ansgar Kirchner[9]提出來的.加拿大的 Henein 和 White 在文獻(xiàn)[10]中對(duì) Kirchner的元胞自動(dòng)機(jī)模型進(jìn)行了改進(jìn)，并利用基于多智能體技術(shù)的計(jì)算機(jī)模擬對(duì)疏散過程中的人群行為進(jìn)行了分析.在其提出的模型中闡述了人群中的個(gè)體傷亡是由于個(gè)體之間的相互作用力達(dá)到一定的閾值，并給出了個(gè)體之間相互作用力遵循的四個(gè)基本規(guī)則.元胞自動(dòng)機(jī)模型已經(jīng)在人群疏散仿真研究中受到高度重視[11].

元胞自動(dòng)機(jī)模型由于其規(guī)則簡(jiǎn)單，計(jì)算速度快，資源耗費(fèi)少， 適于大規(guī)模人群的計(jì)算機(jī)模擬.但是，在行人運(yùn)動(dòng)和疏散模型中元胞的智能性還比較欠缺，忽視了群體作用的影響，模擬結(jié)果與實(shí)際情況偏差比較大，這是元胞自動(dòng)機(jī)單獨(dú)用于模擬人群行為的局限之處.

Agent-based 的模型是當(dāng)前研究的熱點(diǎn)之一[12,13].這種仿真模型建模的對(duì)象不是整個(gè)人群，而是人群中的每一個(gè)個(gè)體，將每個(gè)個(gè)體定義為一個(gè)計(jì)算對(duì)象.定義對(duì)象的狀態(tài)屬性和行為規(guī)則，在疏散模擬中，個(gè)體根據(jù)所處的環(huán)境，獲取環(huán)境的反饋信息，依據(jù)被定義的行為規(guī)則，采取相應(yīng)的行動(dòng).

基于Agent的群體模型存在的最大問題是難以控制.一方面，當(dāng)群體行為比較復(fù)雜時(shí)，要制定滿足需要的規(guī)則比較困難，另一方面，這種模型將碰撞檢測(cè)和全局路徑規(guī)劃分開，兩種目標(biāo)經(jīng)常存在沖突，最終結(jié)果經(jīng)常脫離預(yù)先的估計(jì).如果為每個(gè)Agent都做全局運(yùn)動(dòng)規(guī)劃，則計(jì)算開銷太大.因此，基于Agent的群體模型往往只能用于處理較小規(guī)模的群體，并且在實(shí)時(shí)計(jì)算環(huán)境中很難應(yīng)用.

宏觀模型中，人群是作為整體來考慮的，人群中的所有人都具有同樣的移動(dòng)特性.人員之間的相互作用、人員的主觀心理在模型中都得不到體現(xiàn)，這也造成了模型仿真結(jié)果的應(yīng)用性不強(qiáng).但是相對(duì)而言建模簡(jiǎn)單，對(duì)計(jì)算復(fù)雜度要求不高，對(duì)計(jì)算機(jī)資源要求很低，是早期主流的疏散仿真模型.

微觀模型的研究對(duì)象為單個(gè)行人個(gè)體，考慮了個(gè)體之間的相互影響等行人細(xì)節(jié)，適用于復(fù)雜的環(huán)境.但是，由于考慮了細(xì)節(jié)，而且研究對(duì)象為個(gè)體，導(dǎo)致了計(jì)算復(fù)雜度過高，當(dāng)仿真大規(guī)模人群疏散時(shí)，計(jì)算的時(shí)間急劇增加.

本研究結(jié)合宏觀模型和微觀模型的優(yōu)點(diǎn)，建立一種混合模型，彌補(bǔ)兩種模型在仿真大規(guī)模人群疏散時(shí)的不足.該模型采用多層次群體控制的方法.在群體模型中增加一個(gè)群組層，這樣就形成了群、群組和個(gè)體的三層結(jié)構(gòu).該模型將群組視為主要控制對(duì)象，群組內(nèi)選擇引領(lǐng)個(gè)體，引領(lǐng)個(gè)體具有一定的記憶力和針對(duì)事件發(fā)生做出反應(yīng)的能力，群組之間通過交流傳遞信息.因?yàn)榇蟛糠值挠?jì)算針對(duì)組而非個(gè)體，計(jì)算量大大減少，可以實(shí)時(shí)地模擬規(guī)模較大的群體.這是本研究的重點(diǎn)之一.

3 群體智能優(yōu)化算法在路徑規(guī)劃中的研究

群體智能[14](Swarm Intelligence)指的是“簡(jiǎn)單智能的主體通過合作表現(xiàn)出復(fù)雜智能行為的特性”.它具有分布式控制、全局信息傳播、非直接通訊模式和自組織等特點(diǎn)，突出了群體中個(gè)體之間通過協(xié)作而表現(xiàn)出復(fù)雜行為的涌現(xiàn)現(xiàn)象.群體智能利用群體優(yōu)勢(shì)，使之在沒有集中控制并且不提供全局模型的前提下，為尋找復(fù)雜的分布式問題的解決方案提供了新的思路.

自然界中的群居昆蟲，如螞蟻、蜜蜂、魚群、鳥群等，它們個(gè)體結(jié)構(gòu)都十分簡(jiǎn)單，但是通過個(gè)體間的合作表現(xiàn)出來的行為能力卻極其復(fù)雜.群居昆蟲個(gè)體雖然無智能，但是通過合作從一定程度上體現(xiàn)出較高的“智能”.受這些社會(huì)性昆蟲群體行為的啟發(fā)，研究人員通過模擬這些群體的行為產(chǎn)生了一系列解決傳統(tǒng)優(yōu)化問題的群體智能算法，先后提出了模擬螞蟻行為的蟻群算法(Ant Colony Optimization，ACO)[15]，模擬鳥類行為的微粒群算法(Particle Swarm Optimization，PSO)[16]、模擬青蛙覓食的混合蛙跳算法(Shuffled Frog Leaping Algorithm，SFLA)[17]和模擬蜜蜂覓食的人工蜂群算法(Artificial Bee Colony，ABC)[18，19]等.這些群體智能優(yōu)化算法的出現(xiàn)，使原來一些復(fù)雜的、難于用常規(guī)的優(yōu)化算法進(jìn)行處理的問題可以得到解決，大大增強(qiáng)了人們解決和處理優(yōu)化問題的能力.

人群疏散研究中的一個(gè)關(guān)鍵問題是如何對(duì)人群的運(yùn)動(dòng)路徑進(jìn)行規(guī)劃.群體運(yùn)動(dòng)的復(fù)雜性和微妙性，造成群體路徑規(guī)劃一方面需要考慮環(huán)境約束，另一方面還需考慮群體中個(gè)體之間的交互影響.近年來，一些新的計(jì)算智能技術(shù)逐漸引入到路徑規(guī)劃中來，遺傳算法、蟻群算法[20,21]、人工魚群、微粒群算法[22]、人工蜂群算法[23-25]等應(yīng)用于路徑規(guī)劃問題的研究成果不斷涌現(xiàn)，同時(shí)也促進(jìn)了各種方法的融合發(fā)展[26]，其中有代表性的是蟻群算法、微粒群算法和人工蜂群算法.

3.1蟻群算法蟻群算法以類似螞蟻覓食的方式在求解復(fù)雜組合優(yōu)化問題上取得了良好的仿真效果，疏散情況下的疏散對(duì)象所表現(xiàn)的自組織，從眾等行為與螞蟻覓食的行為非常相似，且蟻群算法的正反饋機(jī)制能夠體現(xiàn)疏散個(gè)體對(duì)環(huán)境的感知和交互.所以，用蟻群算法求解疏散問題是適合的.付軍棟等[27]結(jié)合某商場(chǎng)的工程實(shí)例，采用改進(jìn)的蟻群算法規(guī)劃出最佳的疏散路線，將平面疏散與垂直疏散融合，提出了三維疏散的方案，結(jié)果表明動(dòng)態(tài)疏散蟻群算法在大型商場(chǎng)環(huán)境中可以有效躲避障礙物.

蟻群算法采用分布式并行計(jì)算機(jī)制，易于與其他啟發(fā)式方法結(jié)合，具有較強(qiáng)的魯棒性等優(yōu)點(diǎn)，尤其是在求解復(fù)雜的組合優(yōu)化問題方面的優(yōu)勢(shì)，使其在短期內(nèi)得到了很大發(fā)展，其應(yīng)用領(lǐng)域也不斷得到擴(kuò)展.但同時(shí)也有搜索時(shí)間長(zhǎng)、收斂速度慢、容易發(fā)生停滯、易于陷入局部最優(yōu)解等不足.

3.2微粒群算法來源于對(duì)鳥類捕食行為的模擬，微粒群優(yōu)化算法中的每一個(gè)解都被看作是搜索空間中的一個(gè)粒子(疏散對(duì)象)，每個(gè)粒子擁有一個(gè)由優(yōu)化函數(shù)確定的適應(yīng)值，通過存儲(chǔ)記憶可知到目前為止發(fā)現(xiàn)的自身最好位置和當(dāng)前位置.除此之外，每個(gè)粒子還保持了到目前為止整個(gè)群體中所有粒子搜索發(fā)現(xiàn)的全局最好位置.粒子自身的飛行經(jīng)驗(yàn)(自身經(jīng)驗(yàn))和同伴經(jīng)驗(yàn)(社會(huì)經(jīng)驗(yàn))使其具有動(dòng)量不斷嘗試跳出當(dāng)前位置直至移動(dòng)至最優(yōu)位置.這種仿生機(jī)制非常自然地適合于對(duì)人群疏散過程進(jìn)行模擬抽象.也就是說，每個(gè)疏散個(gè)體可以抽象為一個(gè)粒子，依據(jù)當(dāng)前自身狀態(tài)與鄰域疏散個(gè)體不斷交互學(xué)習(xí)，從而不斷發(fā)現(xiàn)新的疏散路徑信息.與疏散過程相似，這也是一個(gè)動(dòng)態(tài)過程.使用粒子群優(yōu)化算法預(yù)測(cè)疏散時(shí)間的模型由Izquierdo J等[28]提出，該模型使用微觀粒子模擬個(gè)體的疏散行為，以粒子到出口的距離最短為目標(biāo)，研究了出口大小和疏散時(shí)間的關(guān)系.

微粒群算法是一種基于種群的啟發(fā)式優(yōu)化算法，由于其參數(shù)設(shè)置少，實(shí)現(xiàn)簡(jiǎn)單，并且具有較好的尋優(yōu)特性、收斂速度快等特點(diǎn)，使其得到迅速發(fā)展.微粒群算法最突出的一個(gè)特點(diǎn)就是收斂速度快，但這個(gè)特點(diǎn)同時(shí)也帶來了算法早熟收斂的問題.

3.3人工蜂群算法人工蜂群算法是一種新的群智能進(jìn)化算法，算法具有全局收斂、適應(yīng)范圍寬、設(shè)置參數(shù)少、本質(zhì)并行性等優(yōu)點(diǎn)[29].但ABC 算法的研究剛剛開始，在算法參數(shù)的自適應(yīng)、算法改進(jìn)、與其他算法的比較與混合等諸多問題上有待進(jìn)一步研究.

人工蜂群算法是通過各人工蜂個(gè)體的局部尋優(yōu)行為，最終在群體中使全局最優(yōu)值突現(xiàn)出來，有著較快的收斂速度.它具有很強(qiáng)的發(fā)現(xiàn)最優(yōu)解的能力，這是因?yàn)樗惴ɡ昧艘I(lǐng)蜂和跟隨蜂尋路的正反饋機(jī)制，在一定程度上可以加快進(jìn)化過程.而且蜜蜂間不斷進(jìn)行信息交流和傳遞，從而能夠相互協(xié)作，有利于發(fā)現(xiàn)較好解.由于在人工蜂群算法中使用概率規(guī)則而不是確定性規(guī)則指導(dǎo)搜索，不必知道其他先驗(yàn)的信息，所以該算法有極好的魯棒性和廣泛的適用性.但人工蜂群算法又是一種新型的隨機(jī)優(yōu)化算法，其研究剛剛起步，還存在很多問題有待深入改進(jìn)和解決.例如算法的收斂性、理論依據(jù)；算法的改進(jìn)研究，特別是與其它進(jìn)化算法的結(jié)合；以及完善ABC算法在復(fù)雜領(lǐng)域的應(yīng)用，將其用于解決現(xiàn)實(shí)中的實(shí)際問題等，都需要我們進(jìn)一步的研究和探討[30].

人工蜂群算法結(jié)合全局搜索和局部搜索的方法來使蜜蜂在食物源的探索和開采兩個(gè)方面達(dá)到較好的平衡，它在函數(shù)優(yōu)化方面的性能優(yōu)于差分進(jìn)化和微粒群等算法.但是，目前人工蜂群算法作為一種新的隨機(jī)優(yōu)化算法，在接近全局最優(yōu)解時(shí)，仍舊存在著搜索速度變慢、過早收斂、個(gè)體的多樣性減少、甚至陷入局部最優(yōu)解等問題.

但是隨著對(duì)其研究的深入化，人工蜂群算法的性能將不斷完善，算法的尋優(yōu)能力、與他算法的結(jié)合，以及在復(fù)雜領(lǐng)域中，人工蜂群算法的應(yīng)用都有待進(jìn)一步探索.

群體智能具有天然的分布式和自組織特征.它在沒有集中控制且不提供全局模型的前提下表現(xiàn)出了明顯的優(yōu)勢(shì)，為求解復(fù)雜優(yōu)化問題、實(shí)施路徑規(guī)劃提供了新的思路.由于群體智能的靈感來源于自然界中生物的群體行為特性，因此利用群體智能算法進(jìn)行人群疏散仿真具有其它方法無法比擬的優(yōu)勢(shì).首先，群體智能僅僅需要對(duì)個(gè)體行為進(jìn)行建模，通過個(gè)體之間的協(xié)作與交互突現(xiàn)出復(fù)雜的群體智能行為，因此具有實(shí)現(xiàn)簡(jiǎn)單、計(jì)算復(fù)雜度低的優(yōu)勢(shì).其次，群體智能是對(duì)自然界客觀存在的群體行為的提取與總結(jié)，基于群體智能的人群疏散仿真具有更好的仿真效果與逼真度.因此，利用群體智能的典型算法進(jìn)行人群疏散仿真理論上可行，具有良好的理論研究意義及實(shí)際可用價(jià)值.

從國內(nèi)外的研究現(xiàn)狀來看，基于群體智能的方法在人群疏散仿真中的研究還比較少，但是已經(jīng)引起相關(guān)領(lǐng)域研究人員的重視.

本研究在群體智能算法的基礎(chǔ)上，以人群疏散仿真為應(yīng)用領(lǐng)域，結(jié)合人群疏散社會(huì)力模型，在人工蜂群與疏散人群之間形成建模映射，從而構(gòu)建基于群體智能算法的人群疏散仿真模型.研究成果將深化對(duì)突發(fā)事件下人群行為機(jī)理和動(dòng)態(tài)演化規(guī)律的認(rèn)識(shí)，為人群疏散應(yīng)急決策提供依據(jù)，這在該研究領(lǐng)域還是很有競(jìng)爭(zhēng)力的研究課題.

4 基于人工蜂群算法的路徑規(guī)劃與仿真

在公共場(chǎng)所內(nèi)，人群中的行為簇現(xiàn)象會(huì)更加明顯，而行人的聚集也會(huì)造成小群體，這些特征不論在模型搭建還是仿真模擬時(shí)都需要加以考慮.小團(tuán)體可分為兩類：第一類小團(tuán)體從人群進(jìn)入建筑物時(shí)就形成，成員一般由家人、情侶和朋友等組成，這類小團(tuán)體成員少、內(nèi)部聯(lián)系緊密，定義為緊密型小團(tuán)體；第二類小團(tuán)體在逃生時(shí)形成，成員一般由對(duì)附近環(huán)境熟悉的人員吸引周圍的人聚集成了小團(tuán)體一起逃生，這類小團(tuán)體成員多、內(nèi)部聯(lián)系不緊密，定義為逃生型小團(tuán)體.

本研究采用人工蜂群算法，主要是根據(jù)出口處的擁擠度及人群到各出口的距離，合理的劃分逃生型小群體，并選擇引領(lǐng)者，為逃生型小群體在出口擁擠度及到出口的距離之間找一個(gè)動(dòng)態(tài)的平衡.

圖1 人工蜂群算法路徑規(guī)劃流程圖

圖1中，疏散場(chǎng)景屬性為根據(jù)視頻提取的場(chǎng)景信息.在人工蜂群算法中，合適的適應(yīng)度函數(shù)是影響算法優(yōu)化結(jié)果和效率的重要因素.本研究中，我們根據(jù)疏散仿真的要求定義適應(yīng)度函數(shù)，根據(jù)出口處的擁擠度及人群到各出口的距離，將疏散人群劃分為多個(gè)小群體，在各群組中選擇引領(lǐng)者，引領(lǐng)者通過與導(dǎo)航Agent交互，動(dòng)態(tài)選擇到出口的路徑.

4.1人工蜂群算法及其改進(jìn)人工蜂群算法是建立在蜜蜂自組織模型和群體智能基礎(chǔ)上的一種非數(shù)值優(yōu)化的計(jì)算方法.算法的三個(gè)要素包括：食物源、雇傭蜂和非雇傭蜂；兩種基本的自組織模式：為食物源招募蜜蜂和放棄某個(gè)食物源.食物源對(duì)應(yīng)著優(yōu)化問題的可行解，其質(zhì)量由單一的參數(shù)“收益率”表示，收益率的大小決定了候選解的質(zhì)量；雇傭蜂也稱為引領(lǐng)蜂，與被采集的食物源相對(duì)應(yīng)；偵查蜂和跟隨蜂統(tǒng)稱為雇傭蜂.在算法開始時(shí)，非雇傭蜂做如下兩種選擇：1) 成為偵察蜂，在蜂巢周圍隨機(jī)探索新食物源，以增強(qiáng)算法的全局搜索能力.當(dāng)偵察蜂發(fā)現(xiàn)新的食物源后記錄下該食物源的信息轉(zhuǎn)為引領(lǐng)蜂.2) 成為跟隨蜂，即等待在蜂巢中通過觀看引領(lǐng)蜂跳搖擺舞的方式選擇到哪個(gè)食物源進(jìn)行采蜜.引領(lǐng)蜂首先對(duì)其對(duì)應(yīng)的食物源進(jìn)行鄰域搜索，按照“貪婪”選擇方式，如果搜索到的食物源收益率高于之前的食物源，則用新食物源的位置替換舊食物源的位置，否則保持食物源位置不變.然后對(duì)每個(gè)食物源計(jì)算其概率值，跟隨蜂按照概率值大小選擇所要采集的食物源，并像引領(lǐng)蜂一樣對(duì)食物源的位置進(jìn)行更新.ABC 算法就是通過蜜蜂不斷地局部尋優(yōu)最終使全局最優(yōu)值凸現(xiàn)出來.

為了使傳統(tǒng)的人工蜂群算法能用于人群疏散，我們對(duì)算法做了如下改進(jìn)[23].

1) 將待疏散的人群與人工蜂群算法中的各參數(shù)做映射(如表1).

表1

2) 改進(jìn)個(gè)體目標(biāo)選擇適應(yīng)度函數(shù).

根據(jù)疏散仿真的要求，采用公式(1) 和(2)設(shè)定個(gè)體的適應(yīng)度值:

(1)

fiti=min{goalposik}.

(2)

其中g(shù)oalposik為第k個(gè)安全出口相對(duì)于個(gè)體i的適應(yīng)度值，xi表示第i個(gè)個(gè)體，exitk表示第k個(gè)安全出口，count[k]為當(dāng)前時(shí)間選擇第k個(gè)安全出口作為逃生目標(biāo)的個(gè)體總數(shù)，sn表示群體規(guī)模，goalposi為個(gè)體i的目標(biāo)位置，c1,c2為權(quán)重系數(shù).由公式 (1) 可以看出，個(gè)體在進(jìn)行目標(biāo)選擇時(shí)綜合考慮了距離、人群密度和可達(dá)性等因素，使得個(gè)體能夠在全局范圍內(nèi)自適應(yīng)地選擇適應(yīng)度值最高的安全區(qū)域作為目標(biāo)，以提高人群疏散的速度.

3) 引領(lǐng)者的選擇.

引領(lǐng)者是根據(jù)適應(yīng)度值在群組中選擇的.適應(yīng)度值的定義為

(3)

其中，w1和w2是權(quán)重值，w1+w2=1.xij是群組i中的第j個(gè)個(gè)體，k(xij) 是xij對(duì)場(chǎng)景的熟悉程度，d(xij)是從xij到所選擇出口的距離.群組i中具有最高適應(yīng)度值的個(gè)體被選擇作為引領(lǐng)者.

4.2社會(huì)力模型及其改進(jìn)Dirk Helbing根據(jù)人群行為特征，以牛頓力學(xué)為基礎(chǔ)建立了社會(huì)力模型.社會(huì)力是指一個(gè)人運(yùn)動(dòng)時(shí)受到所處環(huán)境(包括環(huán)境中的人和物)對(duì)其施加的力，依據(jù)行人不同的動(dòng)機(jī)和在環(huán)境中受到的影響，共有四種作用力的影響：自身驅(qū)動(dòng)力、人和人之間的作用力、人和障礙物之間的作用力以及擾動(dòng)力.這些力的合力作用于行人，產(chǎn)生一個(gè)加速度.在整個(gè)個(gè)體行走過程中，以及個(gè)體和個(gè)體之間始終存在一定的力的作用.例如，驅(qū)動(dòng)力會(huì)引導(dǎo)個(gè)體朝目標(biāo)方向前進(jìn)；在個(gè)體身體接觸之前，人和人之間的作用力使人群中的個(gè)體避免相互碰撞；人和環(huán)境之間的作用力使人群中的個(gè)體避免與障礙物碰撞.這個(gè)過程可以用經(jīng)典牛頓第二定律來解釋，表達(dá)式如下：

(4)

(5)

(6)

(7)

(8)

(9)

(10)

我們的改進(jìn)主要有以下兩點(diǎn)：

1) 為了群組中的個(gè)體跟隨引領(lǐng)者向出口移動(dòng)，我們修改了跟隨者對(duì)應(yīng)的社會(huì)力模型，把原模型中自驅(qū)動(dòng)力選擇出口作為目標(biāo)，改為以本群組的引領(lǐng)者作為目標(biāo)[31].

將原始的社會(huì)力模型 (4) 改為跟隨者對(duì)應(yīng)的公式 (11).

(11)

主要的修改是對(duì)右邊第一項(xiàng)：自驅(qū)動(dòng)力.原始的自驅(qū)動(dòng)力公式為

(12)

2) 在社會(huì)力模型中增加視覺因子.

由于行人的視野半徑R有限，不能對(duì)全局的疏散狀態(tài)熟知，在不可見安全出口區(qū)域，行人只能看到視野半徑R內(nèi)的目標(biāo)，此時(shí)行人會(huì)隨機(jī)行走，由于從眾效應(yīng)，往往會(huì)往疏散行人較多的方向進(jìn)行移動(dòng).本研究引進(jìn)了視覺因子，以便行人根據(jù)視野范圍內(nèi)的行人數(shù)量選擇自己的方向[23].

原始的社會(huì)力模型中的心理力是各向同性的，即周圍物體的排斥力是相同的，不考慮個(gè)體的視覺極限.為了保持團(tuán)隊(duì)中的個(gè)人行為一致，并觀望未來執(zhí)行動(dòng)態(tài)全局規(guī)劃和本地導(dǎo)航，我們?cè)诠?(8) 中添加了可視化參數(shù)，擴(kuò)展原始的社會(huì)力模型，相關(guān)公式如下所示：

(13)

Vis=λ(1+cosθ)/2+(1-λ)(1-cosθ)/4,

(14)

(15)

(16)

我們將人工蜂群算法與社會(huì)力模型結(jié)合，利用人工蜂群的群體智能尋優(yōu)及交互機(jī)制，從宏觀角度組織人群疏散，利用社會(huì)力模型的作用力聚集及避障，從微觀角度更真實(shí)地仿真人群疏散，彌補(bǔ)兩種模型在仿真人群疏散時(shí)的不足.本方法整體采用多蜂群人工蜂群算法群組并行疏散，進(jìn)行全局路徑規(guī)劃，群組內(nèi)部采用有引領(lǐng)者的社會(huì)力模型向目標(biāo)移動(dòng)疏散，進(jìn)行局部路徑規(guī)劃.因?yàn)榇蟛糠值挠?jì)算針對(duì)群組而非個(gè)體，計(jì)算量大大減少，可以實(shí)時(shí)地模擬規(guī)模較大的群體，為疏散演練提供幫助.

5 結(jié) 語

本文研究是在三項(xiàng)國家自然科學(xué)基金(基于計(jì)算智能的群體行為控制模型及路徑生成研究(No.61272094), 基于群體智能的人群疏散仿真模型及動(dòng)態(tài)路徑規(guī)劃方法研究(No. 61472232), 基于知識(shí)的人群疏散路徑導(dǎo)航及仿真研究(No. 61876102 ) 的資助下完成的.在多年研究的基礎(chǔ)上，我們開發(fā)了一個(gè)基于群體智能的人群疏散仿真平臺(tái)，對(duì)我們提出的模型及方法進(jìn)行了驗(yàn)證.正在進(jìn)行的工作是結(jié)合視頻數(shù)據(jù)驅(qū)動(dòng)[32]，引入機(jī)器學(xué)習(xí)的方法[33]，通過訓(xùn)練逐漸提高疏散效率，建立基于知識(shí)的人群疏散路徑導(dǎo)航[34]，為校園中快速人群疏散訓(xùn)練及應(yīng)急管理提供支持.