多目标人车混合时空疏散模型研究

论文摘要

人车混合疏散是目前现代交通学科、对地观测学科、地理学科、人工智能学科、计算机学科、现代通信学科、以及公共卫生与安全等领域所共同面临的一个重要研究问题与急迫课题。目前国内外的疏散理论研究不能满足人车混合疏散的研究需求,其中疏散模型基本都集中于人员的疏散,交通流模型则直接面向车辆,而对于我国人车混合通行的交通特点,现有疏散研究缺少人车混合疏散运动模式的分析、人车混合疏散行为的演化规律的研究,从而在现实中缺少适用性,也无法形成人车混合的科学疏导决策。另一方面,目前从优化角度进行疏散建模的研究不多,已有的优化模型也大多是考虑单一交通模式在一个目标上的优化或者将多个目标转化为单目标优化,其得到的单个最优解无法为管理者提供多个目标上的决策依据。鉴于此,本文依据计算机仿真与多目标优化相结合的研究思路,为解决上述问题展开了系列研究：提出了大型活动场所人员疏散模型和基于蚁群算法的层次多目标疏散路径算法。针对大型场所多目标应急疏散路径问题,构建了层次引导网络,描述了一种面向目的的组织结构,在寻找出口的过程中为人员提供多级指导,只有当处于某个层次网络中的人员到达相邻的下一层次网络时,才允许其进入下一层网络直至最终到达出口所在的层次,该层次网络能够有效避免人员疏散过程中的盲目性,在层次引导网络的基础上,提出了一种多目标优化疏散模型,同时优化三个疏散目标,分别为最小化疏散时间、疏散距离和拥堵程度；提出了基于蚁群优化算法的层次多目标疏散路径算法,应用于大型体育馆内部人员疏散问题。数值实验结果表明,与K最短路径、NSAG-Ⅱ、基本蚁群算法相比,多目标疏散模型和基于蚁群算法的层次多目标疏散路径算法能够为大型建筑物内部人员疏散问题提供多个高效、安全的时空路径疏散方案。提出了基于蚁群优化算法的人车混合疏散模型。在分析了人车混合通行特征和混合疏散目标体系的基础上,针对突发事件下的人车混合疏散问题,以人车混合疏散的总时间最短、混合道路利用程度最高为目标,建立了一种人车混合疏散的多目标优化模型,设计了蚁群求解算法,并提出了带有自适应禁忌调整和限制阈值的信息素更新策略的多目标蚁群优化算法。通过应用于大型体育场及其周边路网集成环境,实验结果表明该模型及算法对人车混合交通流疏散问题具有良好的效果,尤其是当行人所占比例为50%——80%时,人车混合疏散效果在两个目标上较优,可以为大型场所的安全出行和突发事件下的人车混合疏散方案的制定提供一定的理论指导。提出了基于多蚁群系统的人车混合疏散模型。在研究了人车混合疏散过程中的行为特征以及相同对象之间、不同对象之间的相互影响的基础上,建立了总疏散时间最小、整个路网交通负载均衡的疏散模型,针对单一蚂蚁系统的正反馈机制可能导致某些较优路径上的拥堵这一不足,根据疏散过程中的群体效应提出了基于多蚁群系统协同进化的方法来解决人车混合疏散问题,用多个蚁群系统模拟疏散过程中不同的交通对象之间的竞争和影响,利用蚁群间的通信机制模拟人员和车辆的交互。数值实验结果证明基于多蚁群系统的疏散模型和算法在Pareto解的分布、疏散效率和个体出口分布等方面均优于基于单一蚁群系统的方法,体现了多蚁群协同进化算法在解决人车混合疏散问题上的优越性。提出了基于粒子群的人车混合疏散模型。针对疏散个体在紧急情况下的疏散过程中所呈现的一些特殊心理和行为：从众心理和行为、小群体现象,利用粒子群优化理论来模拟和优化人车混合疏散过程,定义了人车时空冲突和时空拥挤度的概念,建立了基于时空冲突和时空拥挤度最小为目标的疏散模型,提出了带邻域学习因子的离散粒子群优化算法,将疏散个体看作粒子,粒子的运动除了受到自身经验和群体最优个体的影响之外,同时还向邻域中的最优个体学习,这种局部和全局并存的学习机制既模拟了疏散过程中的从众行为,又加速了寻找安全出口的进程。实验结果表明,基于粒子群的人车混合疏散模型可以应用于人车混合疏散仿真,并在一定程度上优于基于蚁群算法的疏散模型。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究的背景和意义
• 1.2 应急疏散问题的定义及特性
• 1.3 多目标优化算法
• 1.3.1 多目标优化问题的定义
• 1.3.2 多目标优化问题的基本概念
• 1.3.3 解决多目标优化问题的方法
• 1.4 应急疏散研究现状
• 1.4.1 建筑物内人员疏散
• 1.4.2 路网上的车辆疏散
• 1.4.3 人车混合疏散
• 1.4.4 基于优化算法的疏散模型
• 1.4.5 主要存在的问题
• 1.5 论文主要研究内容
• 1.6 论文的组织结构
• 第2章 大型活动区域人员疏散模型
• 2.1 人员疏散心理和行为
• 2.2 层次化引导疏散网络
• 2.3 基于蚁群算法的大型公共场所人员疏散模型
• 2.3.1 数学模型
• 2.3.2 蚁群优化算法
• 2.3.3 层次化多目标疏散路径优化算法
• 2.4 数值实验及分析
• 2.4.1 仿真数据
• 2.4.2 仿真结果及分析
• 2.5 本章小结
• 第3章 人车混合疏散优化及混合比例研究
• 3.1 应急交通特征
• 3.2 人车混合疏散目标体系
• 3.2.1 问题描述
• 3.2.2 人车混合疏散目标
• 3.2.3 混合疏散网络表达
• 3.3 人车混合疏散多目标优化模型
• 3.3.1 数学模型
• 3.3.2 人车混合疏散多目标蚁群优化算法
• 3.3.3 改进的人车混合疏散多目标蚁群优化算法
• 3.4 实验结果及分析
• 3.5 本章小结
• 第4章 基于多蚁群系统的人车混合疏散模型
• 4.1 人车混合疏散行为及相互影响
• 4.2 多蚁群协同进化
• 4.2.1 单一蚁群系统的不足
• 4.2.2 多蚁群协同进化算法
• 4.2.3 多蚁群优化算法在交通中的应用
• 4.3 基于多蚁群系统的人车混合疏散模型
• 4.3.1 评价指标的设计
• 4.3.2 数学模型
• 4.3.3 基于多蚁群系统的疏散路径优化算法
• 4.4 数值实验与分析
• 4.5 本章小结
• 第5章 基于粒子群的人车混合疏散模型
• 5.1 研究背景
• 5.1.1 粒子群优化算法概述
• 5.1.2 粒子群优化算法在交通中的应用
• 5.2 疏散个体及疏散网络
• 5.2.1 疏散网络描述
• 5.2.2 疏散个体描述
• 5.3 基于时空冲突和拥挤度的疏散模型
• 5.3.1 时空冲突计算
• 5.3.2 时空拥挤度计算
• 5.3.3 数学模型
• 5.4 离散粒子群优化算法
• 5.4.1 离散粒子群算法的基本运算
• 5.4.2 粒子的运动方程
• 5.5 带邻域学习因子的离散粒子群算法
• 5.5.1 邻域学习因子
• 5.5.2 适应函数
• 5.5.3 算法流程
• 5.6 实验结果及分析
• 5.7 本章小结
• 第6章 总结与展望
• 6.1 主要工作总结
• 6.2 研究展望
• 致谢
• 参考文献
• 攻读博士期间参与的科研项目以及发表的论文
• 参与的科研项目
• 发表的论文