简介这份资源是面向城市安全研究、建筑疏散设计及应急管理方向学习者的MATLAB仿真代码包围绕人员疏散过程建模展开可用于预测和优化紧急情况下的人群疏散效率。压缩包共6个文件约28KB以4个m脚本为主另有1个fig界面文件和1个asv数据文件脚本承担核心计算与策略实现fig提供可视化交互界面asv保存初始位置、数量与行为模式等模拟数据。代码覆盖人群样本生成、疏散路径传播计算、迭代更新与伤亡评估等环节采用agent-based或流体动力学思路读者可据此复现从参数输入、初始化、模拟迭代到结果分析的全流程理解避障、跟随与恐慌反应对疏散时间的影响。目前已有74人学习适合作为课程设计、科研入门或模型改进的参考素材。1. 人员疏散过程建模仿真代码从“跑起来”到“跑得准”的分水岭拿到“人员疏散过程建模仿真代码.zip”这类资源的人十有八九不是想研究社会力模型的数学推导而是手头有个具体场景要交差商场消防评估、地铁站客流组织、校园应急演练方案或者论文里需要一组能自圆其说的仿真数据。问题在于同样一份代码有人跑出来的疏散曲线平滑合理有人跑出来的人全卡在门口抖动甚至穿墙——差别不在代码本身而在对模型边界和参数含义的理解。人员疏散仿真本质上是在离散时间步里求解“人往哪走、走多快、什么时候挤住”这三件事主流方案分两派元胞自动机离散网格快但粗糙和社会力模型连续空间真实但容易数值爆炸。这份代码大概率属于后者或混合方案。它适合两类人一是需要快速产出疏散时间、密度分布、瓶颈位置等指标的工程人员二是想把仿真结果写进论文、需要可复现实验流程的研究者。接下来我会按“先看懂模型在算什么、再动手改参数跑通、最后避开那几个必踩的坑”的顺序讲清楚。2. 疏散仿真代码的骨架先搞懂它在算什么再谈怎么改2.1 社会力模型和元胞自动机你的场景该选哪个打开代码之前先确认它用的是哪套底层逻辑这决定了你后面所有参数调整的方向。社会力模型的核心思想是每个人受到三个力的合力驱动——朝向目标的驱动力、人与人之间的排斥力、人与墙壁的排斥力。位置更新是连续的速度由合力积分得到。它的优势是能自然涌现出拱形拥堵、瓶颈振荡这些真实现象代价是参数敏感时间步长稍大就数值不稳定。元胞自动机则把空间切成网格每个人占据一个格子按转移概率往邻格移动。它跑得快、不会数值爆炸但走出来的轨迹是锯齿状的密度计算也偏粗糙。怎么判断代码属于哪种看主循环里位置更新那几行。如果是pos vel * dt这种连续更新就是社会力如果是grid[new_x][new_y] grid[old_x][old_y]这种格子搬移就是元胞自动机。混合方案也常见用社会力算受力方向但把位置吸附到网格上做碰撞检测。选型建议很直接如果你要的是疏散时间、出口流量这类宏观指标元胞自动机够用且省心如果你要分析人群密度分布、挤压风险区域、个体行为差异社会力模型更合适。我一般会先看代码里有没有repulsion、desired_speed、relaxation_time这几个变量名有就是社会力系。2.2 把代码跑起来的最小闭环环境、入口、输出拿到一个仿真代码包别急着读全部源码。先找到入口文件通常是main.py、simulation.py或run.py然后看它依赖什么。常见依赖是numpy、scipy、matplotlib有些会用pygame做可视化。下面是一套通用的环境搭建和首次运行流程# 创建独立环境避免和系统包冲突 python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate # 安装常见依赖版本不要太新仿真代码对numpy版本敏感 pip install numpy1.24.3 scipy matplotlib pygame # 找到入口文件后先看它需要什么参数 python main.py --help如果代码没有--help就直接看if __name__ __main__:下面的调用。很多仿真代码的入口长这样# 典型的仿真入口结构 if __name__ __main__: # 场景配置房间尺寸、出口位置、人数 room Room(width20.0, height15.0, exits[(20, 7.5)]) # 初始化人群随机分布在房间内 pedestrians init_pedestrians(num100, roomroom) # 仿真参数 sim Simulation(dt0.01, max_steps5000, modelsocial_force) # 主循环 for step in range(sim.max_steps): sim.update(pedestrians, room) if sim.all_evacuated(): break # 输出疏散时间、每步位置记录 sim.save_results(output/evacuation_log.csv)这段代码的逻辑很清晰先定义空间和出口再撒人然后按时间步推进最后存结果。关键参数是dt时间步长和max_steps最大步数。dt取 0.01 秒是常见做法再大就容易出现人穿过墙壁或速度突变max_steps要保证足够覆盖最坏情况100 人场景一般 5000 步够用。首次运行建议把人数调到 10 人确认能跑通再放大。2.3 输出文件里该看什么疏散时间、密度热图、轨迹代码跑完后通常会生成几类文件CSV 格式的每帧位置记录、PNG 格式的密度热图、有时还有 GIF 或 MP4 的动画。别只看最后那个疏散时间数字那个数字受随机种子影响很大。真正有信息量的是三样东西第一疏散时间曲线。把每帧剩余人数画出来正常情况是一条先平后陡再平的 S 形曲线。如果曲线尾部拖得很长说明有人在角落里卡住了可能是初始分布有问题或者出口吸引力不够。第二密度热图。这是找瓶颈的利器。把空间切成小格子统计每格的人数用颜色深浅表示。出口前方如果出现深红色区块说明这里发生了拱形拥堵需要调整出口宽度或加导流栏。第三个体轨迹。随机抽几个人看他们的路径如果出现原地打转、来回振荡说明排斥力参数太大或者驱动力方向计算有误。# 从CSV读取轨迹并画疏散曲线的最小代码 import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(output/evacuation_log.csv) # 假设列名为 step, id, x, y, evacuated remaining df[df[evacuated] 0].groupby(step)[id].nunique() plt.plot(remaining.index, remaining.values) plt.xlabel(Time step) plt.ylabel(Remaining pedestrians) plt.title(Evacuation curve) plt.savefig(evacuation_curve.png, dpi150)这段代码做了一件事按时间步统计还没疏散出去的人数。groupby(step)[id].nunique()是核心它去重计数避免同一个人被重复统计。如果你的 CSV 列名不同改一下就行。画出来的曲线如果尾部有长拖尾下一步就去查那些最后才出去的人的初始位置。3. 参数调优让仿真结果从“能看”变成“可信”3.1 期望速度、松弛时间、排斥力系数三个必调参数社会力模型里有三个参数决定了仿真像不像真实人群。第一个是期望速度desired_speed也就是每个人想走多快。正常成年人平地行走速度在 1.2 到 1.4 米每秒楼梯上降到 0.5 到 0.8。代码里如果统一设成 1.5那是在模拟一群健步如飞的年轻人老人小孩场景要往下调。第二个是松弛时间relaxation_time它表示一个人从当前速度调整到期望速度需要多久典型值 0.5 秒。这个值越小人越“急”加速越猛越大越“懒”反应越慢。第三个是排斥力系数A和B控制人与人之间保持多大距离。A越大人越不愿意靠近别人B越大排斥力衰减越快相当于“社交距离”变短。调参顺序建议先固定relaxation_time0.5把desired_speed按场景设对然后调A和B让密度分布合理。什么叫合理出口前 2 米范围内密度不超过 4 人每平方米再高就是踩踏风险区了。# 参数配置示例不同场景的推荐值 params { adult_flat: {desired_speed: 1.34, relaxation_time: 0.5, A: 2000, B: 0.08}, elderly: {desired_speed: 0.8, relaxation_time: 0.8, A: 2500, B: 0.10}, stair_down: {desired_speed: 0.6, relaxation_time: 0.6, A: 2200, B: 0.09}, }这段配置里A的单位是牛顿B的单位是米它们共同决定排斥力随距离衰减的曲线。A2000, B0.08是一组经典值适合平地成年人。注意A和B要成对调单独改一个容易让力曲线变形。3.2 出口宽度和初始分布两个被低估的变量很多人把精力全花在调人身上的参数却忽略了出口和初始分布这两个更影响结果的因素。出口宽度直接决定疏散时间经验公式是每米出口宽度每秒通过 1.2 到 1.5 人。如果你有 200 人出口 2 米宽理论最短疏散时间就是 200 除以 2 乘以 1.3大约 77 秒。仿真结果如果远大于这个数说明瓶颈不在出口宽度而在人群到达出口的路径上。初始分布同样关键。均匀随机撒人是最偷懒的做法真实场景里人往往聚集在座位区、柜台前、车厢里。代码里如果有init_pedestrians函数看看它是不是用了np.random.uniform均匀分布。如果是你可以改成高斯混合分布把人群聚成几团更贴近实际。# 把均匀分布改成双峰分布模拟商场里两处人群聚集 def init_pedestrians_clustered(num, room): pedestrians [] for i in range(num): if i num * 0.6: # 60%的人聚集在左侧区域 x np.random.normal(5, 1.5) y np.random.normal(7.5, 2.0) else: # 40%的人聚集在右侧区域 x np.random.normal(15, 1.5) y np.random.normal(7.5, 2.0) # 裁剪到房间范围内 x np.clip(x, 0.5, room.width - 0.5) y np.clip(y, 0.5, room.height - 0.5) pedestrians.append(Pedestrian(x, y)) return pedestrians这段代码用np.random.normal生成两个高斯簇np.clip保证人不会跑到墙外。0.6和0.4是两簇的人数比例1.5和2.0是标准差控制聚集的松散程度。改完初始分布后你会发现疏散曲线的形状明显变化前期更平缓因为远处的人要先走过来。3.3 时间步长和数值稳定性为什么你的人会穿墙时间步长dt是社会力模型里最容易被忽视的数值参数。dt太大积分误差累积人会穿过墙壁或者速度飙到不合理值dt太小仿真慢得让人想砸键盘。经验规则是dt应该小于排斥力特征时间的一半。排斥力特征时间大约是B / desired_speed对于B0.08、速度 1.34特征时间约 0.06 秒所以dt取 0.01 到 0.02 秒比较安全。如果你发现仿真里有人穿墙先别改力参数先把dt减半试试。如果减半后不穿墙了那就是数值稳定性问题不是模型问题。另一个常见现象是人在出口处高频抖动走不出去这通常是排斥力和驱动力在出口附近达到了不稳定的平衡解决办法是给出口区域加一个“吸引力增强”或者把出口处的排斥力系数临时调低。# 检查数值稳定性的简单方法记录最大速度 max_speed 0 for step in range(sim.max_steps): sim.update(pedestrians, room) current_max max(p.speed for p in pedestrians) if current_max 3.0: # 超过3米每秒就不正常 print(fStep {step}: max speed {current_max:.2f}, check dt) max_speed max(max_speed, current_max)这段代码在每步更新后检查最大速度。正常人跑步也就 3 米每秒左右仿真里如果出现 5 甚至 10说明数值发散了。这时候优先检查dt和排斥力系数A是不是太大。4. 避坑与排查那些让仿真结果不可信的细节4.1 现象疏散时间每次跑都不一样差出好几十秒原因初始位置用了随机数但没固定随机种子。仿真代码里只要有np.random或者random每次运行的结果就会不同。这在调试阶段是好事在出报告时是灾难。解决在入口文件最前面加np.random.seed(42)和random.seed(42)。固定种子后同样的参数跑出来的结果完全可复现。如果要研究随机性影响就固定一组种子跑 20 次取均值和标准差而不是每次换种子跑一次就下结论。4.2 现象人全挤在出口前面但就是出不去密度越来越高原因出口检测逻辑有问题。常见的是出口区域判定太小人到了出口边缘但没被判定为“已疏散”于是继续往出口挤后面的人推前面的人形成死锁。解决检查出口判定条件。如果是if x room.width - 0.1这个 0.1 米的阈值太苛刻人稍微偏一点就出不去。改成if x room.width - 0.5或者用圆形判定if distance_to_exit 0.5。另外已经到达出口的人要从人群中移除不能再参与受力计算否则他们会堵住后来者的路。4.3 现象密度热图上一片红但实际场景不可能那么挤原因密度计算的分辨率不对。如果格子划得太小比如 0.1 米见方一个人就占一格密度值会虚高如果格子太大又会把稀疏区域平均成高密度。解决密度计算的格子边长建议取 0.5 米这是人体肩宽的量级。统计时用人数除以格子面积单位是人每平方米。另外密度热图要做时间平均单帧的密度波动很大把最后 100 帧平均一下才能看出稳定的瓶颈区域。4.4 现象改了参数后仿真变慢十倍跑一次要半小时原因dt调小后步数成倍增加或者人数调大后每步的力计算是 O(n²) 复杂度。社会力模型里每个人要和所有其他人算排斥力100 人就是 10000 次计算500 人就是 250000 次。解决如果只是调试参数先用 50 人跑确认趋势对了再放大。如果必须跑大规模场景加一个邻居搜索优化只计算距离小于 2 米的两个人之间的排斥力超过这个距离的排斥力可以忽略。代码里加一行if distance 2.0: continue就能省掉大量计算。4.5 现象论文里需要对比不同方案但仿真结果没有置信区间原因只跑了一次把单次结果当成了确定值。仿真本质上是随机实验单次结果没有统计意义。解决每个方案至少跑 20 次每次用不同的随机种子然后报告疏散时间的均值和 95% 置信区间。如果两个方案的置信区间有重叠就不能说哪个方案更好。这个习惯能让你的结论从“看起来是这样”变成“统计上显著”。5. 进阶用敏感性分析找到真正重要的参数跑通仿真、调好参数、避开坑之后如果你想把这个工作做得更有说服力下一步是做敏感性分析。简单说就是每次只改一个参数看疏散时间变化多少。变化大的参数就是关键参数变化小的就可以固定住不用管。具体做法选 5 个参数期望速度、松弛时间、排斥力系数 A、出口宽度、人数每个参数取 3 个水平低、中、高用正交实验设计跑 27 组而不是 3 的 5 次方 243 组。正交表可以用pyDOE2库生成。# 用正交实验做敏感性分析的骨架 import numpy as np from pyDOE2 import fracfact # 生成 2 的 5 次方部分因子设计16 组实验 design fracfact(a b c d e) # 把 -1 和 1 映射到实际参数范围 param_ranges { desired_speed: (1.0, 1.5), relaxation_time: (0.3, 0.8), A: (1500, 2500), exit_width: (1.0, 3.0), num_people: (50, 200), } results [] for row in design: params {} for i, key in enumerate(param_ranges): low, high param_ranges[key] params[key] low (row[i] 1) / 2 * (high - low) evac_time run_simulation(params) # 你的仿真函数 results.append(evac_time) # 分析哪个参数影响最大这段代码用部分因子设计把实验次数从 243 降到 16代价是牺牲了高阶交互项的估计但对于找主效应足够了。跑完之后算每个参数的效应值效应最大的那个就是最该花时间精确测量的参数。我自己的习惯是每次拿到一个新的疏散仿真代码先固定随机种子跑 10 人小场景确认能出结果然后做一次单参数扫描看看哪个参数让疏散时间变化超过 20%最后才做正式实验。这样能避免在无关参数上浪费一整天。希望帮到你。本文还有配套的精品资源点击获取