[發明專利]基于Map-Reduce與多智能體模型的大規模人群行為演化分析方法

在審

• 申請號: 201610111329.4
• 申請日: 2016-02-29
• 公開（公告）號: CN105787180A
• 公開（公告）日: 2016-07-20
• 發明（設計）人: 陳丹;竇明罡;陳靚影;王力哲
• 申請（專利權）人: 武漢大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魏波

技術領域

本發明屬于仿真建模技術領域，涉及一種人群仿真方法，具體涉及一種基于 map-reduce與多智能體模型的大規模人群行為演化分析方法。

背景技術

大規模人群仿真研究，如緊急疏散，在設施規劃、災害救援和打擊恐怖主義 等與公共安全相關的研究中發揮著日益重要的作用。傳統的人群行為研究大多采 用基于真實場景或物理實驗提取數據的研究方法。這些方法具有成本高、危險性 大、限制多、缺乏交互性等缺點。隨著計算機仿真技術和高性能計算技術的發展， 使用仿真的方法進行大規模人群場景的研究已經成為可能。與傳統的方法相比， 基于仿真的人群行為研究具效率高、成本低以及靈活性強等優點。多智能體模型 被廣泛用于許多疏散模擬。

然而由于多智能體模型的復雜性，大規模的人群仿真如果僅僅采用基于單機 的串行化仿真技術作為支撐，很容易造成仿真系統負載過重，無法達到預期的仿 真效果。智能體數量不僅僅是性能的問題，小規模的智能體仿真的結果無法反映 大規模人群的動力學特性。在該領域以往的研究工作中，為了支撐大規模智能體 的高效執行，采用了各種高性能計算技術，例如多CPU系統([文獻1])、云計 算([文獻2])、分布式計算和網格計算([文獻3-5])、通用圖形處理器計算(GPGPU) ([文獻6])和可編程門陣列(FPGA)([文獻7])等技術。這些技術都在不同程度 上擴大了多智能體人群仿真的規模，提升了仿真的執行效率。

近年來，由于數據科學的發展，誕生了以Google的map-reduce編程模型為 代表的大數據處理方法。Map-reduce編程模型([文獻6-7])(是不是文獻8-9？ 是的)適用于對鍵值-屬性值結構的長表格形式的數據進行快速高效的處理：首 先通過map過程對數據進行擴增，把單一的條目擴展成若干條中間數據；然后 再通過reduce過程對中間數據中的相關項進行合并處理，以得到最終結果。實 現map-reduce編程模型的計算框架，例如ApacheHadoop，通常部署在大規模集 群上，可以把針對大量數據的處理分布在多個節點上，從而實現對大數據“分而 治之”的處理方式，大幅度提升數據處理的響應速度。

在現有的基于多智能體的大規模人群仿真研究中，隨著人群規模的增大，仿 真過程中的數據量大幅度增加，而對于仿真群體中的單個個體來說，運算量并無 明顯的提升。傳統的分布式并行化處理算法能夠較好的將運算密集型操作進行分 解并紛發到不同節點上執行，但并不能實現大規模數據的高效分布式處理。現有 的基于分布式并行化方式的大規模人群仿真通常需要針對仿真場景的實際需求 對虛擬環境進行分區，并在此基礎上實現仿真過程的并行化。這種實現方法不僅 降低了仿真算法的通用性，而且跨越分區邊界的仿真事件需要大量跨節點通訊， 從而增加額外的節點間數據交換，降低了仿真執行效率。

綜上所述，亟待發明一種采用大數據處理的算法和平臺實現大規模人群行為 仿真的方法。

[文獻1]MaoT,JiangH,LiJ,etal.Parallelizingcontinuumcrowds[C]//Proceedings ofthe17thACMSymposiumonVirtualRealitySoftwareandTechnology.ACM, 2010:231-234.

[文獻2]ViguerasG,LozanoM,PerezC,etal.Ascalablearchitectureforcrowd simulation:Implementingaparallelactionserver[C]//ParallelProcessing,2008. ICPP'08.37thInternationalConferenceon.IEEE,2008:430-437.

[文獻3]ChenD,WangL,BianC,etal.Agridinfrastructureforhybridsimulations[J]. ComputerSystemsScienceandEngineering,2011,26(1),:197-206.