1. 项目概述
这个基于元胞自动机的室内人员疏散模型，是我在应急疏散系统研究中的一个基础实践。它通过离散化的网格空间模拟人员在紧急情况下的移动行为，为建筑安全设计提供量化参考。核心思路是将连续空间离散为网格单元，每个元胞代表0.4m×0.4m的实际空间（这是基于成年人肩宽的标准设定），通过状态转换规则模拟人员移动过程。
模型最吸引我的地方在于其"简单但有效"的特性。虽然规则简单（仅考虑4邻域移动），但通过静态场引导和冲突处理机制，已经能够反映出真实疏散中的拥堵、路径选择等关键现象。在50×50的网格中（约20m×20m的房间），即使是最基础的实现也能在普通笔记本上达到实时仿真速度。
提示：元胞自动机模型的核心价值不在于完全还原现实，而是通过简化的规则捕捉复杂系统的关键特征。这在应急方案预演、建筑布局优化等场景中特别实用。
2. 核心模型设计
2.1 空间离散化与状态定义
模型的物理空间处理采用了经典的网格划分方法：
- 网格精度选择：0.4m的元胞尺寸是经过验证的平衡点。更小（如0.2m）会增加计算量但精度提升有限，更大（如0.6m）会导致人员"块状化"失真。这个尺寸对应成年人侧身通过的最小空间需求。
- 状态编码方案：
matlab复制这种编码方式在MATLAB中内存占用极小（每个元胞仅需2bit），便于快速矩阵运算。% 状态矩阵示例（5×5局部） [ 0 0 2 2 2; % 第一行：空地、空地、障碍物×3 1 0 2 0 0; % 第二行：人员、空地、障碍物、空地×2 0 3 3 3 0; % 第三行：空地、出口×3、空地 ]
2.2 静态场生成算法
静态场是模型的核心导航机制，我采用改进的Dijkstra算法实现：
matlab复制function S = computeStaticField(grid, exit_pos)
[rows, cols] = size(grid);
S = inf(rows, cols); % 初始化为无穷大
% 出口区域设为0距离（支持多出口扩展）
for e = 1:size(exit_pos,1)
S(exit_pos(e,1), exit_pos(e,2)-exit_size:exit_pos(e,2)+exit_size) = 0;
end
queue = exit_pos; % 初始化队列为出口位置
while ~isempty(queue)
[r, c] = queue(1,:);
neighbors = [r-1,c; r+1,c; r,c-1; r,c+1]; % 4邻域搜索
for k = 1:size(neighbors,1)
nr = neighbors(k,1); nc = neighbors(k,2);
% 边界检查与障碍物检查
if nr>=1 && nr<=rows && nc>=1 && nc<=cols && grid(nr,nc)~=2
new_dist = S(r,c) + 1;
if new_dist < S(nr,nc)
S(nr,nc) = new_dist;
queue = [queue; nr,nc]; % 加入待处理队列
end
end
end
queue(1,:) = []; % 移除已处理节点
end
end
算法的时间复杂度为O(N²)，对于50×50的网格仅需3ms即可完成计算（MATLAB R2021a实测）。静态场在仿真过程中保持不变，除非出口位置动态变化。
3. 人员移动逻辑实现
3.1 基本移动规则
人员移动遵循梯度下降原则，但在实际编码中需要注意几个关键细节：
- 邻域获取函数：
matlab复制function neighbors = get_neighbors(grid, i, j) candidates = [i-1,j; i+1,j; i,j-1; i,j+1]; % 4方向候选 valid = candidates(:,1)>=1 & candidates(:,1)<=size(grid,1) & ... candidates(:,2)>=1 & candidates(:,2)<=size(grid,2); neighbors = candidates(valid,:); % 过滤边界外的位置 end - 移动冲突处理采用双阶段策略：
- 优先级阶段：记录每个人员未移动的持续步数，数值越大优先级越高
- 随机阶段：对同优先级冲突，使用随机数决定移动顺序：
matlab复制[~, idx] = sort(rand(1, num_conflicts)); % 生成随机排序
3.2 动态障碍物实现
为模拟现实中的不确定因素，我增加了障碍物动态变化功能：
matlab复制if mod(t, 10) == 0 % 每10步尝试改变障碍物
obs_change_prob = 0.05; % 变化概率
if rand() < obs_change_prob
% 随机选择一个现有障碍物移动
[obs_r, obs_c] = find(grid == 2);
if ~isempty(obs_r)
sel = randi(length(obs_r));
new_r = obs_r(sel) + randi([-1 1]);
new_c = obs_c(sel) + randi([-1 1]);
% 新位置有效性检查
if new_r>1 && new_r<N && new_c>1 && new_c<N && grid(new_r,new_c)==0
grid(obs_r(sel), obs_c(sel)) = 0;
grid(new_r, new_c) = 2;
end
end
end
end
这种实现方式比完全随机生成更合理，模拟了家具被碰撞推移的场景。
4. 性能优化技巧
4.1 矩阵化运算加速
原始的双层for循环在MATLAB中效率较低，改用矩阵运算可提升5-8倍速度：
matlab复制% 替代逐元胞处理的方式
people_pos = find(grid == 1);
[rows, cols] = ind2sub(size(grid), people_pos);
% 批量计算所有人员的邻域
all_neighbors = [rows-1, cols; rows+1, cols; rows, cols-1; rows, cols+1];
% 使用逻辑矩阵快速过滤无效移动
valid_mask = all_neighbors(:,1)>=1 & all_neighbors(:,1)<=N & ...
all_neighbors(:,2)>=1 & all_neighbors(:,2)<=N;
4.2 可视化优化
实时可视化是调试模型的重要工具，我推荐使用以下设置：
matlab复制h = imagesc(grid);
axis equal tight
set(gca, 'YDir', 'normal'); % 修正MATLAB默认的y轴反向问题
% 自定义颜色映射
cmap = [1 1 1; % 0-白色-空地
1 0 0; % 1-红色-人员
0.2 0.2 0.2; % 2-深灰-障碍物
0 0.8 0]; % 3-绿色-出口
colormap(cmap);
% 添加动态标题
title(sprintf('Step: %d | Evacuated: %d/%d (%.1f%%)', ...
t, evacuated_count, total_people, 100*evacuated_count/total_people));
drawnow limitrate % 比drawnow更高效的刷新方式
5. 典型问题排查
5.1 人员卡死现象
在早期版本中，经常出现人员被困在角落无法移动的情况。解决方案是：
- 增加移动记忆：记录人员最近移动方向，当检测到连续多步未移动时，允许临时反向移动
matlab复制% 在人员数据结构中增加last_move字段 if steps_not_moved > 3 allowed_directions = setdiff([1 2 3 4], opposite_dir(last_move)); end - 引入随机扰动：以小概率（如5%）随机选择非最优方向，模拟人员焦虑行为
5.2 出口拥塞优化
单出口场景下容易出现瓶颈效应，通过两种方式缓解：
- 出口区域扩展：将出口从单行改为3×3区域，允许更多人同时通过
matlab复制exit_zone = exit_pos(1)-1:exit_pos(1)+1, exit_pos(2)-1:exit_pos(2)+1; - 速度调节机制：根据出口拥挤程度动态调整移动速度
matlab复制crowd_factor = sum(grid(exit_zone) == 1) / numel(exit_zone); move_prob = max(0.2, 1 - crowd_factor); % 确保最低移动概率
6. 模型扩展方向
6.1 多出口动态选择
实际建筑通常有多个出口，改进后的出口选择逻辑：
matlab复制function chosen_exit = select_exit(person_pos, exits, S)
distances = zeros(1, size(exits,1));
for e = 1:size(exits,1)
% 计算到每个出口中心的距离
exit_center = [exits(e,1), round(mean(exits(e,2)-exit_size:exits(e,2)+exit_size))];
distances(e) = S(person_pos(1), person_pos(2)) + ...
norm(person_pos - exit_center);
end
[~, chosen_exit] = min(distances);
end
6.2 恐慌情绪传播
更高级的扩展可以模拟恐慌情绪的传播影响：
- 恐慌度模型：
matlab复制panic = zeros(size(grid)); % 恐慌源（如火灾位置） panic(fire_r, fire_c) = 1; % 每步扩散 panic = conv2(panic, [0.1 0.15 0.1; 0.15 0 0.15; 0.1 0.15 0.1], 'same'); - 对移动速度的影响：
matlab复制speed_factor = 1 + 2*panic(i,j); % 恐慌加速但可能降低决策质量
这个基础模型虽然简单，但通过不断迭代优化，我已经用它为三个商场改造项目提供了疏散方案建议。最实用的经验是：模型参数一定要通过实地测量校准，比如人员移动速度建议用手机视频分析工具实际测量目标人群的步频。