doodem/majorincident
GitHub: doodem/majorincident
一个基于agent建模与蚁群优化算法的重大犯罪事件应急响应路径优化计算模型，在响应速度与信息收集之间实现动态权衡。
Stars: 0 | Forks: 0
# 优化重大犯罪事件响应
## 简介
重大犯罪事件与常规事件的不同之处在于其跨越的区域更广，持续时间更长，
这使得信息收集与响应时间同等重要。我们开发了一个事件响应的计算模型，
在其中，自主响应者使用基于 agent 的建模，在前往事件现场的途中
穿梭于基于图的道路网络。该路由算法将 Inverted Ant Colony Optimisation 与
A* pathfinding 相结合，使响应者能够探索替代路线，同时
实时平衡信息收集与响应时间。为了自适应地管理这种权衡，
引入了一种基于接近度的 pheromone 缩放机制，
在事件附近信息素的沉积强度会增加，从而将行为从收敛转变为探索。
第一张图（左）展示了 agent 路径决策的说明。
路径 (a) 和 (b) 距离相同。响应者观察到路径 (b)
更快，因为之前的响应者穿过了路径 (a) 并沉积了
改变环境的 pheromone（紫色）。第二张图（右）
展示了模型组件。Agent 响应者（深蓝色方块）
在前往事件节点（红色圆圈）的途中穿过代表道路（黑色）的边。
搜索半径（橙色）包含事件周围的一部分边。
只有这些边具有 agent 可以收集的数据点。
agent 在所有穿过的边上沉积 pheromone（紫色）。
颜色越深表示在该边上沉积的信息素越多，颜色越浅表示越少。
## 安装
```
# 获取代码
git clone https://github.com/doodem/majorincident.git
cd majorincident
# 设置 virtual environment
python -m venv .venv
source .venv/scripts/activate
# 安装依赖
pip install -r requirements.txt
```
## 模拟响应
```
from majorincident import (
VoronoiGraphRoadNetwork,
MajorCrimeIncidentResponse,
SearchRadiusCoverage,
ResponderReachedIncident
)
%matplotlib widget
```
```
# 构建 graph
graph_config = {
'road_network_points': 150,
'cluster_number': 2,
'cluster_points': 50,
'cluster_size': 0.5
}
graph = VoronoiGraphRoadNetwork(graph_config, seed = 42)
```
```
# 初始化 model 并选择一个 scenario
model = MajorCrimeIncidentResponse(
world = graph,
search_radius_size = 25,
number_of_responders = 30,
pheromone_deposit = 0.6,
dynamic_deposit = True,
dynamic_deposit_k = 0.2,
dynamic_deposit_n = 1.5
)
# 添加 measures
model.add_instrument(SearchRadiusCoverage())
model.add_instrument(ResponderReachedIncident())
# 运行 model
model.run()
```
```
# 显示 simulated response
model.sim()
```
标签：A*算法, 图网络, 基于代理建模, 库, 应急响应, 智能优化算法, 群智能, 路径规划, 逆向工具