基于粒子群算法(PSO)的人员疏散动力学模型
一种基于粒子群优化(PSO)算法的全局快速终端滑模控制方法
一种基于粒子群优化(PSO)算法的全局快速终端滑模控制方法郝春玲【摘要】为了减小六轴机械臂运行时的震动,提高控制系统的响应时间,基于PSO 智能算法对其进行全局优化控制,将机械臂系统离散成6个子系统,分别设计各个子系统,并且基于Lyapunov理论验证控制系统的稳定性.仿真结果表明,采用PSO算法对六轴机械臂进行运行轨迹控制时具有精度高、运行误差小及收敛周期短的优点,切实提高了控制系统的响应速度及控制精度.%In order to eliminate the chattering and improve the response speed of the system. This paper deals with a fast terminal sliding mode control method based on PSO( particle swarm optimization) for the six manipulator control system. Then stability of the system is demonstrated by Lyapunov theory and the optimization control parameters are achieved based on PSO algorithm. The simulation results show that the PSO algorithm has the advantages of high precision,low running error and short convergence period when the trajectory control of the six-axis manipulator is carried out,thus the response speed and control precision of the control system are all improved.【期刊名称】《电子器件》【年(卷),期】2017(040)005【总页数】5页(P1304-1308)【关键词】智能机器人;PSO算法;六轴机械臂;终端滑模控制【作者】郝春玲【作者单位】渤海船舶职业学院机电工程系,辽宁葫芦岛125100【正文语种】中文【中图分类】TP24随着科技的不断进步,以及时下较为流行的工业4.0,机器人逐渐体现了其特有的优势,对其进行智能控制成为了国内外学者的研究热点,文献[1-3]阐述了基于模糊控制策略调整PID值,表现出了较好的鲁棒性。
基于PSO的丁二酸发酵动力学模型参数优化
后进一步优化厌氧发酵生产 丁二酸 的过程奠定 了基
础。
见 分 光 光 度 计 于 ６ ０ｎ Ｏ ） 测 定 吸 光 ６ ｍ（ Ｄ 。 处
值。
２ 丁二酸间歇发酵 过程动力学模 型
２ １ 实 验 材 料 与方 法 ．
（） ５ 葡萄糖含量测定 。 取 １ Ｌ发酵培养液进 行适 当稀 释后 用生物传 ｍ
种子培养基 （／ ） 葡萄 糖 １ （ 消 ） 胰 蛋 白 ｇＬ ： ０分 ， 胨 ５ Ｎ Ｈ Ｏ ０ Ｎ Ｈ Ｐ ４ Ｈ ０９６ Ｋ Ｈ Ｏ ・Ｈ ０ ， ａ Ｃ ３ ，ａ ２Ｏ ・ ２ ． ， ２ Ｐ ４３ ２ １ ２ ｌ． ；Ｈ ７ ０ １ １℃灭菌 １ ｉ。 ５ ５ ｐ ． ，２ ５ｍｎ
过 程 控 制
化 自 化 仪 ，０ ，７ ）０ １ 工 动 及 表 ２０３ ３： —３ １ （ １
Ｃｏ ｔ ｌ ｎ ｎ ｔ ｍｅ ｔ ｉ ｈ ｍｉ ａ ｎ ｕ ｔ ｎｒ ｄ Ｉ ｓ ｕ ｎｓ ｎ Ｃ ｅ ｃ ｌＩ ｄ ｓ ｙ ｏａ ｒ ｒ
基 于 Ｐ Ｏ 的丁 二酸 发酵 动 力 学模 型 参数 优化 Ｓ
仍处于实验室 阶段 ， 向产业化 过渡还需要 进一步 的 理论与实验研究 。对 于丁二酸发 酵生产来 说 ， 如何
种前通入 Ｎ １ ， ｈ以保 持发酵体 系的厌 氧环境 ， 接种
量为 ３ ， ％ 搅拌转速 ２０ｒｍ， ０ 培养温度 ３ ｐ ７℃ ， 培养时 间 ４ 。采用 １ ｏ ＬＮ Ｏ ８ｈ ０ｍ ｌ ａ Ｈ调节发酵 过程 ｐ ／ Ｈ为 ７０ ． ，实 验 过 程 中 连 续 通 人 Ｃ ： 通 气 量 为 Ｏ，
感分析仪测定 。 （） ６ 菌体 生长测定 南 京 工业大 学材 料 Ｊ１，
化学工程国家重点实验室选育并保存 。
基于PSO-SVR算法的高职学生学业预警模型研究
第15期2021年5月No.15May ，2021基于PSO-SVR 算法的高职学生学业预警模型研究摘要：文章针对目前学业预警机制中存在的问题，提出了基于粒子群优化的支持向量回归机学业预警模型。
综合考虑学生的基础知识、学习态度、学习氛围及学习成绩等多方面因素，确定合理的数据集结构，结合PSO-SVR 算法，实现对大学3年总体学业状况的预测。
关键词：学业预警；支持向量回归机；粒子群优化算法中图分类号：TP181文献标志码：A江苏科技信息Jiangsu Science &Technology Information颜金龙，李献丽，侯舟波（浙江国际海运职业技术学院，浙江舟山316021）基金项目：浙江省教育科学规划课题；项目名称：基于教育数据挖掘的高职学生学业预警决策研究；项目编号：2020SCG249。
作者简介：颜金龙（1988—），男，浙江舟山人，讲师，硕士；研究方向：船舶动力工程技术。
0引言学业预警是学校针对学生在求学过程中出现的学业不佳、违规违纪等现象对学生本人及家长做出及时提示并采取相关措施以帮助学生顺利完成学业的一种监督管理制度［1］。
如何设定学业状态报警红线，及时对学业不佳的同学起到警示作用，提高毕业率，是各大高校尤其是高职院校一直在探讨的问题［2-4］。
本文基于粒子群优化的支持向量回归机（PSO-SVR ）算法建立数据模型，结合学生的入学成绩、第一学年成绩、考证情况、旷缺课数、操行分等信息，对该模型进行训练和交叉验证，从而实现对其3年总挂科数的预测和学业状态预警。
1学生数据样本整理1.1数据结构确定本文从船舶工程学院16级选取了来自5个不同班级的196位学生的信息作为数据样本。
以学生在校期间包括：学习成绩、操行分、考证情况、作息时间、消费水平、上网时长等在内的24项数据信息作为输入指标，具体构成如表1所示，将大学3年总挂科门数是否超过预警阈值作为输出量。
1.2数据清洗由于原始样本中存在部分无效数据和各指标格式不统一的情况，故需对其进行数据清洗。
基于3种群lotka-volterra模型的种群动力学函数优化算法
基于3种群lotka-volterra模型的种群动力学函数优化算法种群动力学是指研究种群数量随时间变化的数学模型。
Lotka-Volterra模型是一种经典的种群动力学模型，它基于两个物种的互动关系来描述种群数量的变化。
然而，实际上很多生态系统中存在多种物种的互动，因此将Lotka-Volterra模型扩展到三种物种是一种有趣和重要的研究方向。
为了优化三种群Lotka-Volterra模型的种群动力学函数，可以采用多种方法。
下面将介绍三种常用的优化算法。
1. 粒子群算法（Particle Swarm Optimization，PSO）粒子群算法是一种启发式优化算法，它模拟了鸟群或鱼群等生物的群体行为。
在PSO中，每个个体被看作是粒子，个体的位置表示解空间中的一个解，粒子的速度表示方向和速度。
通过更新速度和位置，粒子群逐渐收敛到最优解。
在三种群Lotka-Volterra模型中，可以将每个粒子的位置看作是物种数量，通过更新速度和位置，找到最优的物种数量组合。
2. 遗传算法（Genetic Algorithm，GA）遗传算法是一种模拟自然界生物进化过程的优化算法。
在遗传算法中，每个个体被编码为一串基因，通过选择、交叉和变异等操作，不断优化个体的适应度。
在三种群Lotka-Volterra模型中，可以将每个个体的基因编码为物种数量，通过选择、交叉和变异等操作，寻找最优的物种数量组合。
3. 蚁群算法（Ant Colony Optimization，ACO）蚁群算法是一种模拟蚁群行为的优化算法。
在ACO中，每个蚂蚁通过释放信息素和选择路径的方式寻找最优解。
信息素表示路径的好坏程度，蚂蚁通过信息素的引导选择路径，并更新信息素浓度。
在三种群Lotka-Volterra模型中，可以将信息素浓度看作是物种数量的评价，蚂蚁在过程中通过更新信息素浓度，找到最优的物种数量组合。
以上三种优化算法都可以应用于优化三种群Lotka-Volterra模型的种群动力学函数，通过不断迭代和更新寻找最优的物种数量组合。
改进PSO算法在氧化动力学模型参数估计中的应用
关键词 粒子群 优化算法 中图法分类号
算术交叉
多样性 变异 Ａ
动力学模 型
参数估计
０ ６ ４ ３ ． Ｉ Ｔ Ｐ １ ８ ；
文献 标志码
现代 化 工 生 产要 求 采 用 更 为 精 确 的 数 学 模 型
工生 产 过 程 模 型 的 参 数 估 计 问 题 。粒 子 群 优 化 （ Ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗ ａ ｒ ｍ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ，Ｐ Ｓ Ｏ） 算法是由 Ｋ ｅ ｎ ｎ ｅ ．
算 术交 叉和 多 样 性 变 异 的改 进 Ｐ Ｓ Ｏ算 法 。在 进 化 过程中， 采用 自适 应权 重平 衡 算 法 的全 局 与 局 部 搜 索 能力 ； 在 群 体 中随机 选 择 粒 子 与 当前 最 优 粒 子进 行算 术交 叉 操 作 ， 引 导 粒 子 逐 步 向极 值 点 逼 近 ， 从 而提 高 了算 法 的局 部 搜 索 能力 ； 对 种 群 中最优 粒 子 进 行 多样性 变异 操 作 ， 避 免 算 法 出 现早 熟 收 敛 。数
应用 。
式（ １ ） 中， Ｙ为 因 变 量 ， 为 自变 量 ， ｒ为参 数 。 已知 实 际数 据对 （ ， Ｙ ） （ ＝１ ， ２ ， …， ｎ ） ， 非 线性 模 型参 数 的估 计 问题 就是求 解一 组参 数 ｒ ， 使得 最 小 。
然而 ， 与其他基于种群搜 索的进化算法一 样 ， Ｐ Ｓ Ｏ算 法 也存 在 后期 局部 搜 索 能力 差 、 易 出现早 熟
来描述其过程 ， 为 了寻求理论上 的合理性 ， 通常采 用非 线性 模 型来 描 述 。 同 时 又 希 望 尽 可 能 与 实 际
生产 过程 相 吻 合 ， 因此 ， 通 常 需 要 用 实 际 数 据 来 估 计 模 型 的参 数 ¨ ｌ ２ Ｊ 。非 线性 模型 一般 形式 为
基于粒子群优化算法的任务调度研究
基于粒子群优化算法的任务调度研究随着计算机技术的不断发展，人们对于计算机的利用也越来越广泛，尤其是在各种业务领域和科学研究中，计算机的作用日益重要。
然而，在计算机的运行过程中，如何对任务进行调度管理却成为了一项关键的技术挑战。
在这种情况下，一种基于粒子群优化算法的任务调度研究方法被提出，帮助人们更好地处理大规模任务的调度问题。
一、算法原理简介粒子群优化算法(Particle Swarm Optimization，PSO)是一种基于群体智能模型的优化算法，其基本思想源自于模拟鸟群、鱼群等生物群体的游动行为。
该算法通过定义一群“粒子”来描述待优化问题的解空间，其中每个粒子用来表示解向量。
在每一个时刻，所有粒子都会尝试向着当前的最优解位置靠近，通过不断的更新粒子的位置，逐步找到全局最优解。
在此过程中，每个粒子的速度和位移都是通过计算当前粒子与自身历史最优值以及整个群体历史最优值之间的距离来确定的。
二、粒子群优化算法与任务调度在计算机的任务调度问题中，主要考虑如何使多个任务更好地按照优化目标进行调度，以达到整个计算机系统的最优化效果。
而粒子群优化算法可以为任务调度问题提供一种新的解决方案。
具体来说，可以通过定义一个包含多个粒子的群体，每个粒子表示一个可能的任务调度解，然后通过不断地迭代来逐步找到最优的任务调度方案。
在此过程中，每个粒子的速度和位移都是根据当前的任务调度问题来确定的。
首先，需要将任务调度问题转化为适合PSO算法的优化目标函数，然后通过设置适当的参数和约束条件，确定每个粒子的位置和速度，并计算每个粒子的适应度值。
通过不断的迭代计算和更新，逐步找到最优的任务调度解，从而实现更有效的任务调度管理。
三、基于粒子群优化算法的任务调度研究现状目前，基于粒子群优化算法的任务调度研究已经得到了广泛的关注和应用。
研究人员通过不断优化算法的细节，使得基于粒子群优化算法的任务调度能够更好地处理大规模任务调度问题，并取得了不错的效果。
基于粒子群算法的6自由度机械臂动力学模型参数辨识
基于粒子群算法的6自由度机械臂动力学模型参数辨识禹鑫燚;詹益安;洪学劲峰;欧林林【摘要】提出了基于粒子群优化(PSO)算法的工业机器人动力学参数辨识方法.首先利用改进的牛顿-欧拉方法,建立考虑关节摩擦的机械臂线性动力学模型,然后引入PSO算法,建立基于PSO算法的估计未知动力学参数的算法,最后以UR工业机器人为实验对象,通过设计激励轨迹,激励工业机器人关节运动,并对关节运动参数进行采样,实现UR工业机器人的动力学参数估计,并根据力矩预测精度验证动力学模型.实验证明了所提出算法辨识工业机器人动力学模型参数的准确性和有效性.%A method for identification of industrial robots' dynamical parameters based on the particle swarm optimization ( PSO) algorithm is presented.The method uses the modified Newton-Euler method to constructs manipulators' lin-ear dynamical model which considers joint friction, and then, establishes an algorithm based on PSO for estimation of unknown dynamical parameters.Identification experiments are carried out for a UR industrial robot.The dynam-ic parameter estimation of the UR industrial robot is achieved by designing the excitation trajectories to excite joint motion of industrial robots and sampling relevant data.The dynamical model is validated according to the torque prediction accuracy.The experimental results show that the identification of dynamical model parameters using the proposed algorithm is accurate and effective.【期刊名称】《高技术通讯》【年(卷),期】2017(027)007【总页数】8页(P625-632)【关键词】工业机器人;动力学模型;参数辨识;粒子群优化(PSO)算法【作者】禹鑫燚;詹益安;洪学劲峰;欧林林【作者单位】浙江工业大学信息工程学院杭州310000;浙江工业大学信息工程学院杭州310000;浙江工业大学信息工程学院杭州310000;浙江工业大学信息工程学院杭州310000【正文语种】中文近年来，工业机器人已被广泛应用于工业生产的各个领域，特别是在造船、汽车和航空制造业[1,2]。
基于粒子群优化算法的路径规划研究
基于粒子群优化算法的路径规划研究摘要：路径规划在许多领域具有重要的应用价值，例如交通运输、机器人导航等。
粒子群优化算法（Particle Swarm Optimization，PSO）作为一种智能优化算法，可用于解决路径规划问题。
本文通过研究基于粒子群优化算法的路径规划，探讨了其在不同应用场景下的优化效果，并对其原理和算法流程进行了详细描述。
实验结果表明，基于粒子群优化算法的路径规划能够有效地寻找最优路径，并在实际应用中取得良好的效果。
1. 引言路径规划是一个经典的求解问题，涉及到如何在给定的环境中找到从起点到目标点的最优路径。
传统的路径规划算法如Dijkstra算法、A*算法、最小生成树等，虽然在某些情况下能够得到较好的结果，但在处理复杂环境和大规模问题时效率较低。
为了克服这些问题，智能优化算法逐渐被应用于路径规划问题的研究中。
2. 粒子群优化算法粒子群优化算法是一种基于社会行为的群体智能优化算法，灵感来源于鸟群、鱼群等群体协同行为。
算法的基本思想是通过模拟鸟群中个体的行为，寻找最优解。
粒子群优化算法通过改变粒子的速度和位置进行搜索，并通过个体最好值和群体最好值进行更新，最终找到全局最优解。
3. 基于粒子群优化算法的路径规划模型基于粒子群优化算法的路径规划模型主要包括问题的建模和目标函数的定义。
问题建模是将路径规划问题转化为数学模型，通常表示为一个图，其中节点表示路径上的位置，边表示两个位置之间的连接关系。
目标函数用于评估路径的质量，可以根据实际需求确定。
在模型中，通过使用粒子群优化算法来搜索最优路径。
4. 算法流程基于粒子群优化算法的路径规划算法流程包括以下几个步骤：- 初始化粒子群，包括粒子的位置和速度。
- 计算粒子适应度，在路径规划中可以使用目标函数进行评估。
- 通过比较当前粒子的适应度和个体最优值，更新个体最优值。
- 通过比较当前粒子的适应度和群体最优值，更新群体最优值。
- 更新粒子的速度和位置，以寻找更优的解。
基于粒子群优化算法的多目标优化问题求解
基于粒子群优化算法的多目标优化问题求解摘要多目标优化问题是现代科学技术中经常遇到的问题之一。
传统的优化算法难以有效地解决这类问题，因此需要一种高效的优化算法来解决这种问题。
粒子群优化算法(Particle Swarm Optimization, PSO)作为一种新兴的优化算法，在多目标优化问题中表现出了良好的效果，本文将介绍基于粒子群优化算法的多目标优化问题求解的思路和方法。
1. 引言随着现代科学技术的不断发展，各行各业都涉及到了多目标优化问题。
例如，自动化工厂调度、工厂布局优化、电力系统调度等领域都需要解决多目标优化问题，传统的优化算法在解决这类问题上显得无能为力。
因此，研究高效的解决多目标优化问题的算法已成为当前的研究热点。
2. 多目标优化问题的定义与分类多目标优化问题(Multi-objective Optimization Problem, MOP)是指存在多个相互矛盾的目标函数需要最小化或最大化的优化问题。
多目标优化问题具有多样性、复杂性和不确定性等特点，它的解决涉及到数学、统计、计算机等多个领域。
根据问题的特征，多目标优化问题可分为以下几类：(1)在选择解时采用 Pareto 最优的非支配解集（Pareto Optimal Non-Dominated Solution Set, PONDS）作为解的选择标准，通常称为 Pareto 优化问题。
Pareto优化问题的主要研究方向是改进搜索算法和维护非支配解集。
(2)基于权衡的多目标优化问题。
在权衡的多目标优化问题中，目标函数的权值在不同的情况下有所不同，因此需要对不同权值下的优化结果进行比较，然后选择最优的结果。
该问题通常用加权平均法或效用函数法等方法来求解。
(3)约束多目标优化问题。
约束多目标优化问题是指在多目标优化问题的基础上，加入了约束条件。
该问题中要求解最优解，同时需要满足一定的约束条件。
3. 粒子群优化算法的概述粒子群优化算法(PSO)是一种优化算法，它是由Kennedy和Eberhart在1995年提出的。
粒子群算法结合数学模型
粒子群算法结合数学模型粒子群算法（Particle Swarm Optimization，PSO）是一种基于群体智能的优化算法，通过模拟鸟群或鱼群等生物群体的行为规律，来求解函数最优化问题。
粒子群算法的主要思想是通过在解空间中搜索最优解，并通过不断更新粒子的速度和位置来寻找全局最优解。
粒子群算法可以用于解决多种数学模型，下面将以其中两个经典的数学模型为例，分别是著名的单纯形法和旅行商问题。
单纯形法（Simplex Method）是一种用于线性规划问题求解的数学方法。
该方法通过构建一个称为单纯形的多面体，在解空间中搜索最优解。
单纯形法的关键是在每一步迭代中选择合适的顶点进行搜索。
而在粒子群算法中，可以将每个粒子看作单纯形中的一个顶点，并通过更新粒子的速度和位置来逐步逼近最优解。
具体来说，每个粒子的位置表示一个解，通过计算目标函数的值来评估解的好坏，然后根据群体中的最优解和个体最优解来更新粒子的速度和位置，以寻找更优的解。
通过不断迭代，粒子群算法可以逐步逼近单纯形法的最优解。
旅行商问题（Traveling Salesman Problem，TSP）是一个著名的组合优化问题，目的是找到一条路径，使得旅行商依次经过每个城市，并最终回到起始城市，同时总路径最短。
对于TSP问题，可以将每个城市看作解空间中的一个点，通过计算路径长度来评估解的好坏。
粒子群算法可以通过不断调整粒子的速度和位置，来搜索全局最优的路径。
具体来说，每个粒子的位置表示一条路径，通过计算路径长度来评估解的好坏，然后根据群体中的最优解和个体最优解来更新粒子的速度和位置，以搜索更优的路径。
通过不断迭代，粒子群算法可以逐步逼近TSP问题的最优解。
总结来说，粒子群算法通过模拟生物群体的行为规律，在解空间中搜索最优解，因此可以用于解决多种数学模型。
无论是单纯形法还是旅行商问题，都可以通过粒子群算法来求解。
粒子群算法的优势在于可以快速收敛到全局最优解，并且具有较强的鲁棒性和适应性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｖｏ ． ６ ＮＯ ２ Ｉ３ ．
Ａ ｐｒ ２ ２ ． ０１
基 于 粒 子 群 算 法 （ Ｓ 的人 员 疏 散 动力 学模 型 ＊ Ｐ Ｏ）
郑瑶 辰 陈建 桥 魏 俊 红 郭 细 伟
（ 中科 技 大 学 力 学 系 武 汉 华 ４ ０ ７ ） （２ 结 构 分 析 与 安 全 评 定 湖 北 省 重 点 实 验 室 武汉 ３０４ ３程 ４０７） ３ ０ ４
第 ３ 卷 第 ２期 ６
２ １ 年 ４月 ０２
武 汉理 工 大学 学报 （ 交通 科 学与 工程 版 ）
Ｊ ｕ ｎ ｌ ｆＷ ｕ ａ ｉｅ ｓｔ ｆＴｅ ｈ ｏｏ ｙ ｏ ｒ ａ ｈ ｎ Ｕｎ ｖ ｒ ｉ ｏ ｃ ｎ ｌｇ ｏ ｙ （ ｒｎｐ ｒ ｔ ｎＳ ｉ ｃ Ｔ ａｓ ｏｔ ｉ ｃ ｎ ｅ＆ Ｅ ｇｎｅｉｇ ａ０ ｅ ｎ ｉｅｒ ） ｎ
收 稿 日期 ：０ １１－５ ２ １ —１１ 郑 瑶 辰 （９ ８ ） 男 ， 士 生 ， 要 研 究 领 域 为 进 化算 法 应用 １８一 ： 博 主
国 家 自然 科 学 基 金 项 目资 助 （ 准 号 ：０ ７ １ ３ 批 ５９８１）
动 ， 此方法忽 略了疏散人 群中个体 的作 用和个 体 但 间 的差 异 ； 另一 种 是微 观 的方 法 ， 社 会力 模 型ｌ 如 ＿ Ｉ ］ 和元胞 自动机 模 型［ ］ 格 子 气模 型 （ Ｇ 是 元 胞 ２． Ｌ Ａ） 自动机 的一种 特殊 形 式． 格 子气 模 型 中， 在 每个 行 人在栅 格 中被视 为 自主粒 子 ． Ｇ 可 以再 现 拥 挤 Ｌ Ａ 的人群在 疏散过程 中 的某 些特 征Ｌ ．ｚｕｅｄ ５ Ｉｑ ｉ ｏ等 提 ］ ｒ 出在模 拟 人 员 疏 散 过 程 的 时 候 使 用 粒 子 群 算 法
摘 要 ： 于 粒 子 群 算 法 思 想 ， 立 紧 急 情 况 下 公 共 场 馆 人 员 疏 散 的动 力 学 模 型 ． 模 型 考 虑 人 员 之 基 建 该
间 的 相互 作 用 ， 据 人 员 实 时 局 部 密 度 的 变 化 改 变 个 体 的 最 大 速 度 以及 保 有 区 域 尺 寸 ， 有 时 空 依 具 非 均 匀 的 特 点 ． 义 个 体 冲 量 以及 受 伤 冲量 阈值 ， 虑 人 员 受 伤 对 疏 散 过 程 的 影 响 ， 时 还 比较 了 定 考 同 多 出 口疏 散 与 单 出 １疏 散 的特 点 和效 率 ． 例 结 果 表 明 ， 散 结 果 与 元 胞 自动 机 模 型 相 似 ， 想 化 ＝ Ｉ 算 疏 理 更 新 流程 的 结 果 小 于 其 他 疏 散 模 型 的 结果 ．
（ ａｔ ｌ ｓ ａｍ ｐｉ ｚｔ ｎ Ｐ Ｏ 模 型． Ｓ ｐｒ ｃ ｗ ｒ ｏ ｔ ａｉ ， Ｓ ） ｉｅ ｍｉ ｏ Ｐ Ｏ模 型
子 ， 随机 分 布在 目标 区域 ， 并 然后 粒 子根 据 自己个 体 和社 会行 为 规则 ， 时 间进行 位 置更新 （ 化 ） 随 进 ，
朝 向 目的地 移 动．
ｃ １・ｒ ｎ ）・（ ｃ ｒ ｅ ｔ ）＋ ａ ｄ（ Ｐ — ｕ ｒ ｎ Ｘ
２ ・ｒ ｎｄ （ ・ （ ａ ） Ｐｇ— ｃ ｒ ｅ ｔ ） （ ｕ ｒ ｎ Ｘ ２）
展， 考虑局部 密度对个 体最大 速度和保 有 区域 的影
响 ， 立 时空 非均 匀人 员 疏 散 动力 学 数值 模 型 ， 建 提
值； ｃ 和 为加 速 因 子 ， 别 表 示 粒 子朝 向 自己 分 之 前到 达 的 最 佳 位 置 和 全 局 最 佳 位 置 的 加 速 权
重 ；因 ｒｎ ）
１ Ｐ Ｏ 方 法 描述 Ｓ
粒 子群 优化 算 法 是 一 种 进 化 型 算 法 ， 始 的 原
在 标准 的 Ｐ Ｏ算 法 中 ， 子 的位 置 和速 度 的 Ｓ 粒
更 新方 程 如下 ＿ ． ８
ｎ ｗ ｅ Ｘ 一 ｃ ｒ ｅ ｔ ｕ ｒ ｎ Ｘ ＋ ｎ ｗＶ ｅ ｎ ｗＶ 一 （ ・ｃ ｒ ｅ ｔ ＋ ｅ ￡ ｕ ｒ ｎ Ｊ （） １
属于微 观建模 方法 ， 将行 人 抽 象 为粒 子 ， 并利 用 自 身最优 以及 群体最优 的信息 ， 断 向出 口靠 近并 完 不 成疏 散［ ． 文 对 Ｐ Ｏ方 法 用 于 人 员疏 散 进 行 拓 ６本 ］ Ｓ
式 中 ： 为 人 群 的位 置 ； 为人 员 移 动 的 速 度 ； Ｘ Ｖ
出理想化 流程思想 以及人员受 伤理论 ． 其成 果可 以 为大型公共 建 筑 的防灾 设 计 、 全 疏 散性 能 评 估 、 安 日常管理 和应 急管理 提供依据 ．
Ｐ 为第 ｉ 粒 子 的最好 位 置 ； 为 群体 的最 好位 个 Ｐ
目前 ， 员疏散模 型 的建模 方法 大致 可 分为 ２ 人 种 ： 种是宏观 的方法 ， 一 即把 人 群视 为连 续 流动 介
质 ， 用 Ｎａｉ －ｔｋｓ控 制 方 程 来 描 述 人 群 的运 利 ｖ ｒ ｏｅ ｅＳ
想 法是 模 拟一 群 鸟试 图 到达 一 个 未 知 目的地 （ 如 食 物 位置 ） 社会行 为 ］利 用粒 子群 算 法来 模 拟 的 ． 人 群疏 散 的 问题 中 ， 目的地 就 是 疏 散 区 域 的某 个 出 口 ，粒 子” “ 理解 为公 共空 间里 每个 移 动 的人． 模 拟 过程 中首 先 由计 算机 生成 等 同于人 群 数 目的粒
关 键 词 ： 员 疏 散 ； 子 群 算 法 ； 部 密 度 ； 想 化更 新 ； 伤 人 粒 局 理 受 中 图 法分 类 号 ： ９ ３ ４ Ｔ ３ １ ９ Ｘ １ ． ； Ｐ ９． Ｄ ：０ ３ ６／．ｓｎ １ ０—８ ３ ２ １． ２ Ｏ ６ ＯＩ１ ． ９ ３ｊｉ ． ０ ６２ ２ ． ０ ２ ０ ． １ ｓ