[发明专利]基于Map-Reduce与多智能体模型的大规模人群行为演化分析方法

权利要求书

1.一种基于map-reduce与多智能体模型的大规模人群行为演化分析方法，其 特征在于，包括以下步骤：

步骤1：将智能体信息转化为智能体键值-属性值条目；

步骤2：Map过程；接受输入的智能体键值-属性值条目，并且计算智能体 所有邻域的吸引力，最终生成一个由若干对键值-属性值形式数据组成的中间数 据表；

步骤3：Reduce过程；接收由map过程输出的中间数据表并进行处理；

步骤4：位置选择与个体移动；

步骤5：仿真数据生成。

2.根据权利要求1所述的基于map-reduce与多智能体模型的大规模人群行 为演化分析方法，其特征在于：步骤1中所述将智能体信息转化为智能体键值- 属性值条目，所述智能体信息包括一组属性和一个候选网格列表，属性用来描述 智能体的各种状态，包括一个键值属性以及其他一些属性和一组权重；候选网格 列表用于智能体的决策过程，这个列表存储了所有候选邻域的吸引力值；所述智 能体键值-属性值条目包括属性位置、键值位置及其他一些预定义的属性；仿真 开始之前每个智能体被转化为智能体键值-属性值条目；转换通过预定义的一些 属性和上一个处理的智能体属性位置信息和键值位置信息将智能体信息依次转 换为智能体键值-属性值条目。

3.根据权利要求1所述的基于map-reduce与多智能体模型的大规模人群行 为演化分析方法，其特征在于：步骤2中所述中间数据表包括了一个智能体键值 -属性值条目，以及若干个记录由候选邻域相关参数的条目，所述相关参数包括 候选领域的位置信息以及其吸引力值；iKey是中间数据表条目的标识符；同一 个智能体的候选队列形成的中间数据表条目具有相同的标识iKey，因此它们将 在Hadoop框架下reduce操作中进行统一提交；Map过程完成后，中间数据表将 被Hadoop框架按吸引力进行排序。

4.根据权利要求3所述的基于map-reduce与多智能体模型的大规模人群行 为演化分析方法，其特征在于：步骤3中所述接收由map过程输出的中间数据 表并进行处理，在处理过程中，具有相同iKey的中间数据表条目被合并并且排 序，形成新的描述智能体信息的智能体键值-属性值条目，该条目附加了对应的 智能体的决策信息；Reduce过程的输出与map过程的输入具有形式上的一致性； 经过reduce过程处理的智能体组成了一个新的键值-属性值列表，这个列表中的 智能体键值-属性值条目与map过程输入列表中的智能体键值-属性值条目一一 对应：输出列表与输入列表相比，每个智能体的信息中都附加了本次仿真时间片 的决策信息；整个reduce过程输出的新的智能体键值-属性值条目列表按照智能 体的竞争力从高到低排序，为下一步骤做好准备。

5.根据权利要求1所述的基于map-reduce与多智能体模型的大规模人群行 为演化分析方法，其特征在于：步骤4中所述位置选择和个体移动，其具体实现 过程是：reduce过程输出的有序的智能体键值-属性值条目列表被串行化的逐个 处理，保证竞争力较高的智能体在位置选择中具有更高的优先级；对于列表中的 每一个智能体，候选列表项中第一个可到达的位置就被选为移动目标；所述候选 列表是智能体决策过程中，对智能体所在位置周边的可到达邻域进行排序而得 到；目标选定之后就进行移动过程，即对当前智能体的位置坐标信息进行更新， 使智能体所描述的个体被移动到所选的位置，输出一个新的智能体条目列表，该 列表同样具有和步骤2中map过程的输入智能体键值-属性值条目列表相同的形 式，并直接被作为下一个仿真时间片的map过程的输入。

6.根据权利要求1所述的基于map-reduce与多智能体模型的大规模人群行 为演化分析方法，其特征在于：步骤5中所述仿真数据生成，其具体实现过程是： 整个仿真过程在Hadoop集群上异步化的执行，以仿真时间片作为单位不停地循 环，当用户需要特定时刻的仿真数据时，通过仿真系统的数据请求模块发送一个 必要同步信号，该信号为整个map-reduce过程制造一个全局锁，使整个hadoop 集群的所有节点都在当前仿真时间片暂停；来自所有仿真节点的中间数据可构成 静态仿真场景，并返回用户；当这个过程完成后，全局锁消失，所有节点恢复正 常运行状态。