[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

说明书

技术领域

本发明属于仿真建模技术领域，涉及一种人群仿真方法，具体涉及一种基于 map-reduce与多智能体模型的大规模人群行为演化分析方法。

背景技术

大规模人群仿真研究，如紧急疏散，在设施规划、灾害救援和打击恐怖主义 等与公共安全相关的研究中发挥着日益重要的作用。传统的人群行为研究大多采 用基于真实场景或物理实验提取数据的研究方法。这些方法具有成本高、危险性 大、限制多、缺乏交互性等缺点。随着计算机仿真技术和高性能计算技术的发展， 使用仿真的方法进行大规模人群场景的研究已经成为可能。与传统的方法相比， 基于仿真的人群行为研究具效率高、成本低以及灵活性强等优点。多智能体模型 被广泛用于许多疏散模拟。

然而由于多智能体模型的复杂性，大规模的人群仿真如果仅仅采用基于单机 的串行化仿真技术作为支撑，很容易造成仿真系统负载过重，无法达到预期的仿 真效果。智能体数量不仅仅是性能的问题，小规模的智能体仿真的结果无法反映 大规模人群的动力学特性。在该领域以往的研究工作中，为了支撑大规模智能体 的高效执行，采用了各种高性能计算技术，例如多CPU系统([文献1])、云计 算([文献2])、分布式计算和网格计算([文献3-5])、通用图形处理器计算(GPGPU) ([文献6])和可编程门阵列(FPGA)([文献7])等技术。这些技术都在不同程度 上扩大了多智能体人群仿真的规模，提升了仿真的执行效率。

近年来，由于数据科学的发展，诞生了以Google的map-reduce编程模型为 代表的大数据处理方法。Map-reduce编程模型([文献6-7])(是不是文献8-9？ 是的)适用于对键值-属性值结构的长表格形式的数据进行快速高效的处理：首 先通过map过程对数据进行扩增，把单一的条目扩展成若干条中间数据；然后 再通过reduce过程对中间数据中的相关项进行合并处理，以得到最终结果。实 现map-reduce编程模型的计算框架，例如ApacheHadoop，通常部署在大规模集 群上，可以把针对大量数据的处理分布在多个节点上，从而实现对大数据“分而 治之”的处理方式，大幅度提升数据处理的响应速度。

在现有的基于多智能体的大规模人群仿真研究中，随着人群规模的增大，仿 真过程中的数据量大幅度增加，而对于仿真群体中的单个个体来说，运算量并无 明显的提升。传统的分布式并行化处理算法能够较好的将运算密集型操作进行分 解并纷发到不同节点上执行，但并不能实现大规模数据的高效分布式处理。现有 的基于分布式并行化方式的大规模人群仿真通常需要针对仿真场景的实际需求 对虚拟环境进行分区，并在此基础上实现仿真过程的并行化。这种实现方法不仅 降低了仿真算法的通用性，而且跨越分区边界的仿真事件需要大量跨节点通讯， 从而增加额外的节点间数据交换，降低了仿真执行效率。

综上所述，亟待发明一种采用大数据处理的算法和平台实现大规模人群行为 仿真的方法。

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

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

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