[发明专利]一种在CPSS下基于ACP理论的群体演化方法

权利要求书

1.一种在CPSS下基于ACP理论的群体演化方法，其要点在于：在信息物理社会系统融合的复杂系统下，基于ACP方法实现了对复杂系统的管理与控制，利用智能体的人工社会建模方法解决了对人建模困难的问题，基于此应用于人群疏散规律的研究，考虑到人员社会关系对疏散过程中心理的影响，建立群体演化的博弈分析模型分析个体间的状态更新行为，最后引入Q强化学习算法指导智能体不断学习更新，指导智能体的作出决策。

该机制具体包括以下步骤：

S1)对社交网络中的节点关系进行相关定义；

S2)量化出社会关系三个主要影响因素，包括个体间的亲密度、信任度以及个体坚持度，得到个体的从众程度；

S3)建立群体演化博弈的模型，包括个体间博弈过程和个体博弈后内部的行为更新规则；

S4)引入Q强化学习算法指导智能体不断学习更新，指导智能体作出决策。

2.如权利要求1所述的一种在CPSS下基于ACP理论的群体演化方法，所述步骤S1)中，对社交网络中的节点关系进行相关定义包括以下步骤：

步骤S11)定义个体间关系。社交网络中的用户行为能够一定程度上反映社会关系，在社交网络中，假设个体V_i对个体V_j或者V_j对个体V_i存在关注关系，则他们之间的关注关系表示为R_i,j或R_j,i，此处R_i,j≠R_j,i表示个体间的关系是有向性的；

步骤S12)定义个体间的社会关系网络。社会中的个体间关系网络用G＝(V,E)表示，V表示社交网络中的个体，也即人工社会中的用来代替人类个体的智能体，E表示个体间产生联系的边集合，智能体总数为N＝|V|,即网络中的节点总数；

步骤S13)定义五元组H＝(N,S,A,U,P)，其中N为多智能体数量集合N＝{1,2……n}；S为系统群体状态集合；A为动作合集，其中a＝{a₁,a₂……a_i}。U是智能体节点的效用函数，在一个博弈周期内节点获得累积收益，在疏散过程中每个个体总是会追求自己的最大效用值，因此会模仿相邻节点所选择更优的策略来改进自身的效用值；P是转移概率函数，根据不同影响因素导致不同的从众程度来更新个体间的追随关系。

3.如权利要求1所述的一种在CPSS下基于ACP理论的群体演化方法，所述步骤S2)中量化出社会关系三个主要影响因素，包括个体间的亲密度、信任度以及个体坚持度，得到个体的从众程度，具体步骤如下：

步骤S21)计算节点间的亲密度。现实社会中的个体间亲密度，体现在社交网络中可以表征为节点间的亲密关系，亲密关系的好友或者亲人，在社交网络中，亲密节点间的个体拥有更多的共同好友，所涉及共同兴趣领域也会更多相同的地方，表征为节点出度，计算公式如下：

表示i的节点出度，Γⁱⁿ(j)表示节点j的入度节点集合；

步骤S22)计算节点的信任度。在社交网络中，某个用户被关注的越多，那么现实生活中该用户可能是具备更高的社会影响力的个体，他的行为具有一定的指引性作用，可以看作是具有更高信任度的节点。在社交网络中，表现为节点的入度，因此节点的信任度计算公式为：

表示两个节点间共同的入度节点数量；

步骤S23)计算个体的坚持度，一些个体在社交网络中与人互动交流较少，与人互动频率较低，该个体可能具有较高的自我主观能动性，在群体疏散过程中可能表现出较低从众程度。因此个体坚持度可以表示为节点间互动频率的倒数，计算公式为：

式中，f_i表示个体i与其所有出向边个体的互动频率，f_ij表示在社交网络中两个个体之间的互动频率；

步骤S24)由三个不同的影响因素，可以得到个体的从众函数，计算公式为：

δ＝αh(i,j)+β(i,j)-λf(i,j)

α、β、λ分别表示三个不同因素的权重系数，从众系数越大，群体越容易导致拥堵情况发生，疏散效率越低。