m基于鱼群优化算法的的三维场景下人员疏散系统matlab仿真

简介: m基于鱼群优化算法的的三维场景下人员疏散系统matlab仿真

1.算法描述

    人工鱼群优化算法,模仿鱼群的行为特点而设计的一种寻优策略。人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)是Li Xiao-lei在2002年提出的(Yazdani, Toosi, & Meybodi, 2010),目的是模仿鱼类捕食、群集、跟随、移动等行为。AFSA是基于鱼类集体向某个目标运动,并受到自然的启发,是一种并行和随机搜索算法。与狮子和猴子不同,在像鱼类这种动物物种中没有领导者,每个成员都有自我组织的行为。鱼对它们的群体和环境一无所知,通过相邻成员之间的数据交换在环境中随意移动,这种交互作用为鱼群优化带来了更多的复杂性。

    在一片水域中,鱼往往能自行或尾随其他鱼找到营养物质多的地方,因而鱼生存数目最多的地方一般就是本水域中营养物质最多的地方,人工鱼群算法就是根据这一特点,通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为,从而实现寻优。

人工鱼拥有以下几种典型行为:

(1)觅食行为:一般情况下鱼在水中随机地自由游动,当发现食物时,则会向食物逐渐增多的方向快速游去。

(2)聚群行为: 鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群,鱼聚群时所遵守的规则有三条:

分隔规则:尽量避免与临近伙伴过于拥挤;

对准规则:尽量与临近伙伴的平均方向一致;

内聚规则:尽量朝临近伙伴的中心移动。

(3)追尾行为:当鱼群中的一条或几条鱼发现食物时,其临近的伙伴会尾随其快速到达食物点。

(4)随机行为:单独的鱼在水中通常都是随机游动的,这是为了更大范围地寻找食物点或身边的伙伴。

人工鱼有四种基本行为,包括觅食Pray、聚群Swarm、追尾Follow和评价行为bulletin。

3.1 觅食行为

   这是鱼趋向食物的一种活动,一般认为它是通过视觉或味觉来感知水中的食物量或食物浓度来选择行动的方向。

   设置人工鱼当前状态,并在其感知范围内随机选择另一个状态,如果得到的状态的目标函数大于当前的状态,则向新选择得到的状态靠近一步,反之,重新选取新状态,判断是否满足条件。

   选择次数达到一定数量后,如果仍然不满足条件,则随机移动一步。

3.2 聚群行为

   大量或少量的鱼聚集成群,进行集体觅食和躲避敌害,这是它们在进化过程中形成的一种生存方式。

   人工鱼探索当前邻居内的伙伴数量,并计算伙伴的中心位置,然后把新得到的中心位置的目标函数与当前位置的目标函数相比较,如果中心位置的目标函数优于当前位置的目标函数并且不是很拥挤,则当前位置向中心位置移动一步,否则执行觅食行为。

  鱼聚群时会遵守两条规则:一是尽量向邻近伙伴的中心移动,二是避免过分拥挤。

3.3 追尾行为

   当某一条鱼或几条鱼发现食物时,它们附近的鱼会尾随而来,导致更远处的鱼也会尾随过来。

    人工鱼探索周围邻居鱼的最优位置,当最优位置的目标函数值大于当前位置的目标函数值并且不是 很拥挤,则当前位置向最优邻居鱼移动一步,否则执行觅食行为。

3.4 随机行为

   它是觅食行为的一个缺省行为,指人工鱼在视野内随机移动。当发现食物时,会向食物逐渐增多的方向快速的移动。

2.仿真效果预览
matlab2022a仿真结果如下:

1.png
2.png
3.png

3.MATLAB核心程序

    for i = 1:length(nodes_id)
        node = nodes_id(i);
        people_waitting_in_current_node = cell2mat(p_in_node(node));
        people_node_waitting = [people_node_waitting,people_waitting_in_current_node];
    end
    people_node_waitting = setdiff(people_node_waitting,people_prepare_moving);
    %% 更新正在移动的队列
    people_moving = [people_moving,people_prepare_moving];
    
    %% 判断当前是否有边内等待的人,如果有,先遍历他们,让他们进入目标节点
    people_side_index = [];   %记录从边内等待状态转变为进入节点内的那些人在people_side_waitting中的索引
    people_node_index = [];   %记录进入某个节点的人在people_side_waitting中的索引
    for i = 1:length(people_side_waitting)
        p = people_side_waitting(i);
        path = cell2mat(path_all(p));
        
%         from_node = path(end-1);
%         to_node = path(end);
        if length(path)>1
           from_node = path(end-1);
           to_node   = path(end);
        else
           from_node = path(end);
           to_node   = path(end);
        end
        
        %如果到达的是终点,则记录
        if ismember(to_node,destination_nodes)
            people_side_index = [people_side_index,i];
            people_node_index = [people_node_index,i];
            arrival_exit_people = [arrival_exit_people,p];
            
            Sum_node(to_node) = Sum_node(to_node)+1;
            diff = setdiff(p,cell2mat(p_in_node(to_node)));
            p_in_node(to_node) = { [cell2mat(p_in_node(to_node)) , diff]};
    
            people_in_side = cell2mat(p_in_side(from_node,to_node));
            people_in_side = setdiff(people_in_side,p);
            p_in_side(from_node,to_node) = {people_in_side};
            p_in_side(to_node,from_node) = {people_in_side};
            Sum_side(from_node,to_node) = Sum_side(from_node,to_node) -1;
            Sum_side(to_node,from_node) = Sum_side(from_node,to_node);
 
            t_left(p) = NaN;
            t(p) = t(p) + t_move(p) + t_wait_node(p) + t_wait_side(p); 
            % 进入后,该人的移动时间、节点内等待时间、边内等待时间均置零
            t_move(p) = 0;
            t_wait_node(p) = 0;
            t_wait_side(p) = 0;
            exit_num = exit_num + 1;
        elseif Sum_node(to_node)<nodes_capacity(to_node)
            %% 如果所到达的节点没有超过容量限制,就进入
            people_side_index = [people_side_index,i];
            people_node_index = [people_node_index,i];
 
            Sum_node(to_node) = Sum_node(to_node)+1;
            diff = setdiff(p,cell2mat(p_in_node(to_node)));
            p_in_node(to_node) = { [cell2mat(p_in_node(to_node)) , diff]};
 
            people_in_side = cell2mat(p_in_side(from_node,to_node));
            people_in_side = setdiff(people_in_side,p);
            p_in_side(from_node,to_node) = {people_in_side};
            p_in_side(to_node,from_node) = {people_in_side};
            Sum_side(from_node,to_node) = Sum_side(from_node,to_node) -1;
            Sum_side(to_node,from_node) = Sum_side(from_node,to_node);
            if i>=length(first_people)
               exit_num  = exit_num + 1;
            end
        else
            %% 如果超过了容量限制,则继续等待,不需要做任何操作
            if i>=length(first_people)
               exit_num  = exit_num + 1;
            end
        end
    end
    if ~isempty(people_side_waitting)
       %% 更新进入节点后,节点和人的属性
        in_node_people = people_side_waitting(people_node_index);
        t(in_node_people) = t(in_node_people) + t_move(in_node_people) + t_wait_node(in_node_people) + t_wait_side(in_node_people); 
        % 进入后,该人的移动时间、节点内等待时间、边内等待时间均置零
        t_move(in_node_people) = 0;
        t_wait_node(in_node_people) = 0;
        t_wait_side(in_node_people) = 0;
        %% 更新边内等待队列
        people_side_waitting(people_side_index) = [];
    end
相关文章
|
1天前
|
机器学习/深度学习 算法
基于心电信号时空特征的QRS波检测算法matlab仿真
本课题旨在通过提取ECG信号的时空特征并应用QRS波检测算法识别心电信号中的峰值。使用MATLAB 2022a版本实现系统仿真,涵盖信号预处理、特征提取、特征选择、阈值设定及QRS波检测等关键步骤,以提高心脏疾病诊断准确性。预处理阶段采用滤波技术去除噪声,检测算法则结合了一阶导数和二阶导数计算确定QRS波峰值。
|
1天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了一种结合粒子群优化(PSO)与分组卷积神经网络(GroupCNN)的时间序列预测算法。该算法通过PSO寻找最优网络结构和超参数,提高预测准确性与效率。软件基于MATLAB 2022a,提供完整代码及详细中文注释,并附带操作步骤视频。分组卷积有效降低了计算成本,而PSO则智能调整网络参数。此方法特别适用于金融市场预测和天气预报等场景。
|
5天前
|
算法
基于极大似然算法的系统参数辨识matlab仿真
本程序基于极大似然算法实现系统参数辨识,对参数a1、b1、a2、b2进行估计,并计算估计误差及收敛曲线,对比不同信噪比下的误差表现。在MATLAB2022a版本中运行,展示了参数估计值及其误差曲线。极大似然估计方法通过最大化观测数据的似然函数来估计未知参数,适用于多种系统模型。
|
13天前
|
算法 BI Serverless
基于鱼群算法的散热片形状优化matlab仿真
本研究利用浴盆曲线模拟空隙外形,并通过鱼群算法(FSA)优化浴盆曲线参数,以获得最佳孔隙度值及对应的R值。FSA通过模拟鱼群的聚群、避障和觅食行为,实现高效全局搜索。具体步骤包括初始化鱼群、计算适应度值、更新位置及判断终止条件。最终确定散热片的最佳形状参数。仿真结果显示该方法能显著提高优化效率。相关代码使用MATLAB 2022a实现。
|
13天前
|
算法 数据可视化
基于SSA奇异谱分析算法的时间序列趋势线提取matlab仿真
奇异谱分析(SSA)是一种基于奇异值分解(SVD)和轨迹矩阵的非线性、非参数时间序列分析方法,适用于提取趋势、周期性和噪声成分。本项目使用MATLAB 2022a版本实现从强干扰序列中提取趋势线,并通过可视化展示了原时间序列与提取的趋势分量。代码实现了滑动窗口下的奇异值分解和分组重构,适用于非线性和非平稳时间序列分析。此方法在气候变化、金融市场和生物医学信号处理等领域有广泛应用。
|
1月前
|
算法
基于模糊控制算法的倒立摆控制系统matlab仿真
本项目构建了一个基于模糊控制算法的倒立摆控制系统,利用MATLAB 2022a实现了从不稳定到稳定状态的转变,并输出了相应的动画和收敛过程。模糊控制器通过对小车位置与摆的角度误差及其变化量进行模糊化处理,依据预设的模糊规则库进行模糊推理并最终去模糊化为精确的控制量,成功地使倒立摆维持在直立位置。该方法无需精确数学模型,适用于处理系统的非线性和不确定性。
基于模糊控制算法的倒立摆控制系统matlab仿真
|
14天前
|
资源调度 算法
基于迭代扩展卡尔曼滤波算法的倒立摆控制系统matlab仿真
本课题研究基于迭代扩展卡尔曼滤波算法的倒立摆控制系统,并对比UKF、EKF、迭代UKF和迭代EKF的控制效果。倒立摆作为典型的非线性系统,适用于评估不同滤波方法的性能。UKF采用无迹变换逼近非线性函数,避免了EKF中的截断误差;EKF则通过泰勒级数展开近似非线性函数;迭代EKF和迭代UKF通过多次迭代提高状态估计精度。系统使用MATLAB 2022a进行仿真和分析,结果显示UKF和迭代UKF在非线性强的系统中表现更佳,但计算复杂度较高;EKF和迭代EKF则更适合维数较高或计算受限的场景。
|
16天前
|
算法
基于SIR模型的疫情发展趋势预测算法matlab仿真
该程序基于SIR模型预测疫情发展趋势,通过MATLAB 2022a版实现病例增长拟合分析,比较疫情防控力度。使用SIR微分方程模型拟合疫情发展过程,优化参数并求解微分方程组以预测易感者(S)、感染者(I)和移除者(R)的数量变化。![]该模型将总人群分为S、I、R三部分,通过解析或数值求解微分方程组预测疫情趋势。
|
16天前
|
算法 数据可视化 数据安全/隐私保护
基于LK光流提取算法的图像序列晃动程度计算matlab仿真
该算法基于Lucas-Kanade光流方法,用于计算图像序列的晃动程度。通过计算相邻帧间的光流场并定义晃动程度指标(如RMS),可量化图像晃动。此版本适用于Matlab 2022a,提供详细中文注释与操作视频。完整代码无水印。
|
7天前
|
机器学习/深度学习 算法
基于小波神经网络的数据分类算法matlab仿真
该程序基于小波神经网络实现数据分类,输入为5个特征值,输出为“是”或“否”。使用MATLAB 2022a版本,50组数据训练,30组数据验证。通过小波函数捕捉数据局部特征,提高分类性能。训练误差和识别结果通过图表展示。

热门文章

最新文章