| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 行人流仿真方法 | 第10-12页 |
| 1.2.2 全局路径优化 | 第12页 |
| 1.3 行人流疏散仿真系统中存在的问题 | 第12-13页 |
| 1.4 本文主要研究内容和创新点 | 第13-14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第二章 行人流运动中的关系现象 | 第16-20页 |
| 2.1 引言 | 第16页 |
| 2.2 双层关系机制 | 第16-18页 |
| 2.3 集体视觉域 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 改进的社会力模型 | 第20-30页 |
| 3.1 引言 | 第20页 |
| 3.2 原始社会力模型的讨论 | 第20-21页 |
| 3.3 双层关系机制驱动的社会力模型 | 第21-27页 |
| 3.3.1 “群组-小团体”聚集效应 | 第21-23页 |
| 3.3.2 集体避让效应 | 第23-27页 |
| 3.4 改进社会力模型的框架及执行过程 | 第27-29页 |
| 3.4.1 行人位置及关系初始化 | 第27-29页 |
| 3.4.2 疏散局部路径规划及仿真 | 第29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于人工神经网络的Q-Learning算法的路径优化方法 | 第30-36页 |
| 4.1 引言 | 第30页 |
| 4.2 路径关键点的选取 | 第30-31页 |
| 4.3 基于人工神经网络的Q-Learning算法基本原理 | 第31-33页 |
| 4.4 路径优化用于疏散的层次结构 | 第33页 |
| 4.5 基于人工神经网络的Q-Learning算法路径优化方法应用实例 | 第33-34页 |
| 4.6 本章小结 | 第34-36页 |
| 第五章 行人流疏散仿真系统性能测试与实例 | 第36-46页 |
| 5.1 引言 | 第36页 |
| 5.2 不同场景下单向无交汇的行人流疏散 | 第36-39页 |
| 5.2.1 三种场景下不同规模群体疏散效率 | 第36-37页 |
| 5.2.2 三种场景下仿真实例 | 第37-39页 |
| 5.3 双向有交汇的行人流疏散 | 第39-45页 |
| 5.3.1 不同行人密度下五种仿真模型的对比 | 第39-41页 |
| 5.3.2 仿真实验及分析 | 第41-43页 |
| 5.3.3 与真实双向行人流对应的仿真实例 | 第43-45页 |
| 5.4 本章小结 | 第45-46页 |
| 第六章 总结与展望 | 第46-48页 |
| 6.1 总结 | 第46页 |
| 6.2 展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间的主要成果 | 第51-53页 |
| 致谢 | 第53页 |
