一种在CPSS下基于ACP理论的群体演化方法技术

本发明专利技术涉及一种在CPSS下基于ACP理论的群体演化方法，属于社会计算与通信信息技术领域。本发明专利技术所提技术方案包括如下步骤：首先对社交网络中的节点关系进行相关定义并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。其次，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。最后，引入Q强化学习算法，指导智能体不断学习更新策略。本发明专利技术为研究未来智能环境中群体的疏散规律提供了一种可实现的动态模型研究方法。

【技术实现步骤摘要】
一种在CPSS下基于ACP理论的群体演化方法
本专利技术属于通信信息技术和社会计算领域，涉及一种应急场景下大规模人群疏散的群体演化建模方法。
技术介绍
社会公共安全一直以来都是政府和人们关注的重点，众多学者和研究员在这方面也投入了大量的研究，公共场所中突发事件引发的大规模人群拥堵行为一直以来都备受关注。在上下班高峰期的地铁站，举办盛大赛事的室内场馆等，若发生火灾或者自然灾害等突发事件时，极易因为种种因素引发大规模的拥堵甚至是踩踏等恶性事件，带来极为不良的后果。因此研究突发事件下人群疏散行为将具有重要的社会意义。目前社会上，在较为密闭的公共场都会配有相应的应急措施，包括烟感传感器，温湿度传感器等，实时监测一定范围内环境变化及时上传系统中心以便应对一些如火灾等突发事件发生时可以发出警报，对人群疏散起到了一定引导作用。但是依然会存在一些因突发事件导致的事故，因此，在已有的硬件基础之上，科学的理论指导方针也尤为重要。未来社会将会更加智能化，如今已经步入物联网世界，同时也正往信息物理融合的路上，较之传统的物联网，信息物理融合则是将计算、通信和存储集为一体，使得机器具备自我控制和智能感知计算的能力。在学术界，研究者提出了人作为社会的主体，作为信息传播中重要的载体之一，未来的城市化进程应当是信息物理社会融合为一体的系统，实现以人为主，服务为人的智慧城市。当在信息物理社会系统融合的情况下来研究大规模群体演化规律时，如何对于该复杂系统进行有效管理，并在此系统下对群体活动进行研究将成为一大研究热点。目前，有学者提出基于ACP方法的理论控制框架，解决了信息物理社会融合的复杂系统管理控制问题，该方法包括人工社会、计算实验和平行执行构成，即利用计算机建人工系统模型，通过大量计算计算实验方法得出更多的计算数据，用平行执行的方法指导实际场景，即利用虚实结合方式，计算机上的虚拟场景与实际的场景相互映射，计算得到理论上的最佳决策方案。在此理论基础上，对于未来的信息物理社会系统融合下的大规模群体演化规律研究提供了一个合适的方法，即基于ACP方法，通过建立人工社会系统，用智能体代替人类个体，解决对人的建模问题，同时考虑人类个体在大规模群体疏散过程中受社会关系影响产生的不同程度的从众心理而演化出不同的行为规律。从而为实际系统提供理论上的方法指导。
技术实现思路
通过以上分析，本专利技术目的在于在信息物理社会融合系统下提供一种基于ACP理论框架下群体演化模型方法，考虑个体间的社会关系在群体疏散过程中对个体决策的影响，通过智能体群体间的演化博弈过程以及与现实环境的实时交互学习，从而建立马尔科夫模型，从社交网络用户间的交互关系作为验证数据来研究群体的演化规律。为了实现上述目的，本专利技术采用的技术方案如下：一种在信息物理社会系统下基于ACP理论的群体演化模型方法，包括了以下的步骤：步骤1)对社交网络中的节点关系进行相关定义；步骤2)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；步骤3)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；步骤4)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。进一步，整个技术方案如图1所示；所述步骤1)具体包括以下步骤：步骤11)定义个体间的关系表示，社交网络中个体间的互相关注行为是有向性的，用V表示社交网络中的节点,R表示网络中用户间的关注关系；步骤12)定义社交关系网络，个体间的社交网络包含边和节点，用G＝(V,E)表示，N＝|V|为网络中智能体的总个数；步骤13)定义个体决策的状态五元组H,表示群体演化博弈的马尔科夫状态模型。所述步骤2)具体包括以下步骤：步骤21)计算网络中节点间的亲密度，社交网络中具有亲密关系的好友或者亲人会具有更高的亲密关系，拥有更多的共同好友和兴趣，用h(i,j)表示。步骤22)计算信任度，社交网络中信任度越高的人在现实生活中越容易引起他人的追随，在社交网络中被关注的数量越多可表征为具有更高的信任度，用t(i,j)表示；步骤23)计算节点的个体坚持度，个体坚持度越高，越会保持自己的意见不会追随大众。社交网络中那些与人交流互动较少，互动频率越低的人可能具有更高的个体坚持度，可用网络中节点间互动频率的倒数求得表示，用f(i,j)表示。步骤24)求节点的从众程度，节点在网络中共同受到多种关系影响，其从众程度由三种不同影响因素加权表示，用δ表示。所述步骤3)具体包括以下步骤：步骤31)根据博弈过程中的收益矩阵表，如表1，计算得的t时刻下节点i的效用函数，表示该轮博弈过程中节点i收益。步骤32)行为规则的更新，某个节点会学习邻居节点效用更高的节点模仿以更新自己的行为，选取规则为在其邻居节点效用值最高的节点进行学习，并根据费米过程求其学习转换概率；步骤33)在一轮结束后，智能体节点进入下一轮动作的选择，此时上一轮博弈演化过程中系统的总收益将被每个个体分享，因此总收益除以参与博弈的个体即可求得上一步的一步累积收益。步骤4)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。本专利技术的有益效果在于：本专利技术提供的一种在信息物理社会系统下基于ACP理论的群体演化模型方法，为在智慧环境下的群体提供一种研究群体疏散演化规律的方法，解决了对人建模难以及不确定性高的问题，实现一种从“预测-应对”到“情景-应对”的动态方案转变过程。附图说明为了详尽的介绍本专利技术的目的、所采用的技术方案以及创新性，下面将结合附图对本专利技术作进一步的详细描述，其中：图1ACP理论的方法框架图图2技术方案整体流程图图3节点行为更新变化图具体实施方式下面将结合附图，对本专利技术的提出的技术方案进行详细的描述。本专利技术提出的一种在信息物理社会系统下基于ACP理论的群体演化建模方法，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，其中，ACP理论控制框架如图1所示，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。该机制整个流程如图2所示，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。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Vi对个体Vj或者Vj对个体Vi存在关注关系，则他们之间的关注关系表示为Ri,j或Rj,i，此处Ri,j≠Rj,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，智能体总数本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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Vi对个体Vj或者Vj对个体Vi存在关注关系，则他们之间的关注关系表示为Ri,j或Rj,i，此处Ri,j≠Rj,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……ai}。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...

【专利技术属性】
技术研发人员：胡敏，赖礼城，黄宏程，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50