基于VR火灾逃生游戏的应急行为评估系统

在突发事件场景中,个体的行为和心理具有较强的复杂性和动态性,是真实感群体行为模拟所面临的一大挑战。将虚拟现实和游戏技术相结合,设计了虚拟现实火灾逃生游戏VRFEG(Virtual Reality Fire Escape Game),并对用户的应急行为进行有效的评估分析。VRFEG主要由交互式情节设计、架构设计、数据采集和行为分析等四个模块组成。实验表明,VRFEG系统具有直观、易用等特点,能让人们在感受游戏刺激的同时学习到一些应急逃生的技能,也为获取人们在突发状况下的部分行为数据提供了一个有效和有趣的通道。

基于传染病机制的突发事件下群体情绪感染模型

突发事件往往伴随着大量的人员伤亡,实践表明群体恐慌情绪的产生和蔓延是上述伤亡的一个重要致因。基于SIRS传染病模型,提出了一个改进的群体情绪感染模型E-SIRS,建立恐慌传播过程中的状态转移关系及其定量表达函数。利用Lyapunov理论计算该自组织环境下群体情绪感染的平衡稳定点;利用NetLogo动态模拟了突发事件下群体情绪感染的人数变化趋势。实验结果表明,E-SIRS能较全面地刻画恐慌人群情绪的动态变化,有助于进一步的应急决策。

VR+药效团:一种交互可视的虚拟筛选系统

基于药效团的虚拟筛选技术比传统筛选技术具有更高的准确率、更快的计算速度和更低的研究成本.但分子的微观性和结构复杂性对用户的空间感知和数据分析能力提出了挑战.本文将虚拟现实和药效团计算技术相结合,基于Unity3D引擎和HTC Vive设备,设计实现了一个交互可视的虚拟筛选系统,主要功能包括分子解析和绘制、药效团计算、基于HTC Vive的可视交互.实验表明,本文提出的交互可视虚拟筛选系统能够为药效团的设计分析带来新的视角,增强药物设计研究者的交互体验.

改进型帝国竞争模型算法的研究

为了改善帝国竞争算法(Imperialist Competitive Algorithm,ICA)易早熟收敛,搜索范围低,精度小,帝国之间信息交互性不强等缺点,提出了两种基于同化模型和竞争模型的改进的ICA算法。针对殖民地在移动过程中由于过于直接的靠近统治者而造成的搜索范围过小以及容易陷入局部最优的情况在同化过程中引入了差异因子来增大搜索范围。针对帝国之间的交互性的缺失,引入了人忠诚度的算子来实现帝国交互以及同化机制的模型改变,较强的帝国统治者会因为忠诚度算子获得更多的支持,从而细致划分了一个帝国中的每个国家,利用纳什均衡和最大最小公平性引导帝国竞争进而使算法向最优解进行搜索。在竞争过程中设置时间节点动态划分迭代阶段,根据迭代的不同阶段特点选择最优竞争系数。对算法进行了理论证明,最后将算法应用于多个函数进行检测并与其他的改进ICA算法进行比较,在搜索精度和范围广度上有了一定的提高。

基于预测算子的GSO特征选择算法

如今很多领域能采集到的特征变量数以万计,而能作为训练集的样本量却远小于特征数量,因此利用特征选择降低数据维数并提高算法的性能成了首要工作.特征选择的三类主流方法为过滤式、包裹式和嵌入式,但最近用演化计算(Evolutionary Computing,EC)技术进行特征选择获得了更多的关注,已有实验证明EC技术能取得更好的性能.提出一种基于预测算子的群搜索(Group Search Optimizer,GSO)特征选择算法(GSO feature selectionalgorithm based on predictive operators,PGSO)用于特征选择问题.首先在GSO算法基础上引入基于轮盘赌选择算法的变异算子,按变异概率来选择粒子某一维度的值进行变异,若变异后的粒子的适应度值更优,则保留该变异,以此来保持群体的多样性,提高算法的搜索性能.再者,对GSO算法加入预测算子,选取种群中5%的粒子学习生产者的历史最优位置,来预测下一生产者的位置,这样很大程度上加快了粒子的寻优速度.最后,在UCI中的六个数据集上将其与基于粒子群优化(Particle Swarm Optimization,PSO)算法、GSO算法以及竞争选择(Competitive Selection Optimization,CSO)算法的特征选择算法进行比较,实验结果验证了所提出的算法在单目标特征选择问题上有较低的错误率和快速收敛的性能,且它不易陷入局部最优.

基于能量机制的多头绒泡菌动力学优化算法

随着人工智能和大数据的迅猛发展,大数据的爆炸式增长和问题的复杂性分布导致对并行智能处理的要求日趋迫切.传统的理论模型和技术方法面临严峻挑战,受自然界启发的物理学法则和生物学方法逐渐成为研究热点.受多头绒泡菌的生长觅食等行为启发,提出了一种基于能量机制的多头绒泡菌动力学算法(physarum-energy dynamic optimization algorithm,PEO).该算法以多头绒泡菌算法为基础,根据其动力学特征,引入能量机制,以改进现有的多头绒泡菌算法全局信息交互能力差等缺点.此外,PEO引入了年龄因子的概念和扰动机制,以控制算法在不同阶段的寻优能力和收敛速度,并从理论角度对算法模型的收敛性进行证明.最后,通过在TSP数据集上实验证明算法在不同规模数据集的有效性和收敛性,并进行了参数分析.与其他的优化算法的对比实验数据表明,PEO在面对复杂问题的求解速度和收敛速度明显优于其他的优化算法,具有高精度和快收敛的特性.

云环境亚健康研究

云环境亚健康状态诊断与分析是云环境健康状况评估领域亟待解决的关键难题,迫切需要一套可度量、可量化的指标和模型来进行云环境亚健康状态的理论分析与系统评估.结合医学领域亚健康的概念及模型,提出云环境亚健康状态的定义及内涵,并从云环境健康标准及测评体系、云环境亚健康状态形式化模型、云环境亚健康状态诊断及分析、云环境亚健康状态治疗等方面总结云环境亚健康研究的知识结构;从云监控、云架构、云平台性能评价与分析、云平台能耗控制、云安全等方面对云环境亚健康相关的研究现状进行总结与分析.

根生群优化算法

针对全局优化问题,基于一类支持向量数据描述(SVDD)和已有的根系生长算法提出一种新的智能优化算法——根生群优化算法,将根系划分为主根群体和侧根群体。基于SVDD描述主根群体的生长行为,将土壤中养分浓度最高的位置作为全局优化的目标,构建了根系生长模型;分析了RGSO的数学模型,从理论上证明了RGSO的收敛性。在实验中,与当前最先进的其他三种算法进行综合比较,并观察了不同参数对优化效果的影响。实验结果验证了RGSO的收敛性和有效性,表明RGSO是一种解决全局优化问题的有效算法。

结合影子障碍物和ORCA模型的人群仿真方法

人群仿真已经成为疏散演练、安全监控等重要应用领域的关键支撑技术,但是复杂的个体心理、个性特征,以及个体间的相互影响对人群仿真的真实感提出了挑战.本文从用户的安全心理特征和运动速度特征出发,研究个体在拐角处的运动轨迹和避碰行为的真实感.首先,将影子障碍物模型分别转化为ORCA(optimal reciprocal collision avoidance)半平面和期望速度,分别提出了两种影子障碍物和ORCA模型的结合方法.然后,通过提出影子障碍物的手动生成方法,处理任意角度的拐角以及一些非封闭墙面的情况.基于上述方法,融合行为模拟和物理模拟技术,提出基于速度的人群仿真框架,并对复杂场景以及大规模人群进行实验分析.最后,将上述方法应用在地铁站环境的复杂场景,并采用Unity3D引擎进行真实感渲染,在仿真效果和计算效率两方面与现有的社会力模型进行比较.实验结果表明,本文提出的结合影子障碍物和ORCA模型的人群仿真方法计算效率高、真实感强,具有较好的应用前景.