中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2020 , Vol. 42 >Issue 1: 10 - 14

DOI: https://doi.org/10.3969/j.issn.1673-3819.2020.01.003

理论研究

基于社会力模型的恐怖袭击建模与仿真

  • 聂智波 1, 2 ,
  • 汪民乐 1 ,
  • 孙慧凝 2 ,
  • 冯健 2
展开
  • 1.火箭军工程大学, 陕西 西安 710025
  • 2.武警工程大学, 陕西 西安 710086

作者简介：聂智波(1977—),男,陕西西安人,博士研究生,讲师,研究方向为军事运筹学与反恐怖。

汪民乐(1964—),男,教授,博士生导师。

Copy editor: 许韦韦

收稿日期: 2019-05-08

  修回日期: 2019-06-11

  网络出版日期: 2022-05-19

收起

Terrorist Attacks Modeling and Simulation Based on Social Force Model

  • NIE Zhi-bo 1, 2 ,
  • WANG Min-le 1 ,
  • SUN Hui-ning 2 ,
  • FENG Jian 2
Expand
  • 1. Rocket Force University of Engineering, Xi'an 710025, China
  • 2. Engineering University of PAP, Xi'an 710086, China

Received date: 2019-05-08

  Revised date: 2019-06-11

  Online published: 2022-05-19

Fold

摘要

基于恐怖袭击中行人和恐怖分子间博弈,建立了行人—恐怖分子系统社会力模型和主因素恐怖袭击系统社会力模型。采用蜂窝网络元胞自动机仿真,实现了恐怖袭击过程可视化,得到恐怖袭击中行人分布的成行,成锚,成盾,牺牲者现象和恐怖分子的守门员效应;分析了行人疏散时间、逃生策略、恐怖分子数量三者与行人伤亡数量的关系。结论显示,恐怖分子平均战斗力是决定行人伤亡数量的主因素;恐怖袭击中行人最佳逃生策略是远离,适当冒险,坚决逃亡。

关键词： 恐怖袭击; 社会力; 元胞自动机; 博弈

本文引用格式

聂智波 , 汪民乐 , 孙慧凝 , 冯健 . 基于社会力模型的恐怖袭击建模与仿真[J]. 指挥控制与仿真, 2020 , 42(1) : 10 -14 . DOI: 10.3969/j.issn.1673-3819.2020.01.003

Abstract

Based on the game between pedestrians and terrorists in terrorist attacks, the social force model of pedestrian-terrorist system and the social force model of main factor terrorist attack system are established.Cellular automata simulation of cellular network is used to realize the visualization the process of terrorist attack,and the simulation shows pedestrians are the distribution of column, anchor and shield,the pedestrian victim effect and the terrorist goalkeeper effect are obtained.The relationship between pedestrian evacuation time, escape strategy, the number of terrorists and the number of pedestrian casualties is analyzed.The conclusions show that the average combat effectiveness of terrorists is the main factor in the number of pedestrian casualties. The best escape strategy in terrorist attacks of pedestrians is to stay away, take appropriate risks and run resolutely.

Key words： terrorist attacks; social forces; cellular automata; game

基于人类行为的复杂性,恐怖袭击难以量化和模拟,因此定性方法是当前反恐怖研究的主流。为有效利用反恐怖资源,降低反恐怖成本,一些学者逐步将定量研究方法引入反恐怖研究领域[1⇓-3]。反恐怖资源投入受恐怖袭击形式、过程和结果影响,由于当前尚未见到描述恐怖袭击的过程模型的研究成果,因此关于反恐怖资源优化的研究较为粗略。
但恐怖袭击过程中行人与恐怖分子双方行为特征符合离散行人流系统特征,因此可用离散行人流系统方法研究。常用离散行人流系统研究方法有实验观测、抽象建模、演化建模法,其中,演化建模法常用流体力学模型、格子气模型和元胞自动机[4⇓⇓-7]模型法,文献[8]给出这几种方法的分类特征,文献[9]给出一种基于Lanchester三方作战模型。
采用元胞自动机对恐怖袭击中的离散行人流进行演化建模是研究恐怖袭击的可行方法,其中行人流演化规则可由社会力确定。社会力模型[10-11]用牛顿第二定律表示人的综合性行为。社会力主要由自驱动力、行人之间相互的作用力、边界或障碍对行人的作用力三部分构成,通过三个力的叠加,由牛顿第二定律可得在某时刻某人受到的社会力[10]
fi=mi d v i d t= f i s+ ∑ j ≠ ifij+ ∑ wfiw
本文采用离散行人流系统研究方法,将恐怖袭击过程离散化,采用社会力建模,对每阶段每个恐怖分子和行人建立行为社会力模型并求解,将解作为元胞自动机下一阶段仿真初值迭代,实现恐怖袭击过程可视化。结论可应用于反恐怖资源优化和反恐怖辅助决策并为群众提供一种优化的逃生策略。

1 恐怖袭击中行人和恐怖分子系统的社会力模型

1.1 行人——恐怖分子系统社会力模型

f i = m i d v i d t = ∑ j = 1 k f i j f + f i s + ∑ c = 1 , c ≠ i n f i c r + ∑ p = 1 w f i p a + ∑ u = 1 z f i u b g j = m j d v j d t = ∑ i = 1 n g j i f + g j s + ∑ q = 1 , q ≠ j k g j q r + ∑ p = 1 w g j p a
式(2)中,m为质量,fi为行人i所受社会力, d v i d t为行人i速度变化率, ∑ j = 1 k f i j f为k个恐怖分子对行人i的斥力, f i s为行人i内生驱动力, ∑ c = 1 , c ≠ i n f i c r为行人i其他行人间互斥力, ∑ p = 1 w f i p a为w个边界和障碍物对行人i的斥力, ∑ u = 1 z f i u b为z个出口对行人i的引力;gj为恐怖分子j所受社会力, d v j d t为恐怖分子j速度变化率, ∑ i = 1 n g j i f为n个行人对恐怖分子j的引力, g j s为恐怖分子j内生驱动力, ∑ q = 1 , q ≠ j k g j q r为恐怖分子j与其他恐怖分子之间斥力, ∑ p = 1 w g p q a为w个边界和障碍物对恐怖分子的斥力。

1.2 主因素恐怖袭击系统社会力模型

由于求生是行人主要目标,因此行人追求安全效益最大化,同时恐怖分子追求袭击效益最大化,所以“贪婪法则”是双方合理策略。由博弈分析知模型(2)中,对行人i占决定性地位的社会力为内生求生推动力、出口的引力、挡路行人的斥力和威胁到自己生命的恐怖分子j的斥力,其余暂时不影响生命的社会力在“贪婪法则”下都忽略不计;同理,恐怖分子社会力为内在驱动力、目标行人对恐怖分子引力和挡路的恐怖分子间斥力,其余社会力忽略不计,因此由模型(2)得主因素恐怖袭击系统社会力模型(3),模型(3)中行人i和恐怖分子j互为目标,双方内生驱动力由个体相对位置确定,社会力大小为体现个体竞争力的内生驱动力与其他力之和,示意如图1。图1a)表示行人i在自身心理安全范围内时双方所受社会力,图1b)表示行人i在自身心理安全范围外时双方所受社会力。
f i = m i d v i d t = f i j f + f i s + f i c r + f i u b g j = m j d v j d t = g j i f + g j s + g j q r
图1 主因素恐怖袭击社会力模型

2 仿真和结论

2.1 仿真参数

采用元胞自动机模型,以主因素恐怖袭击社会力模型为规则,对以冷兵器为主的恐怖袭击过程进行可视化仿真。元胞自动机常用网格划分为冯·诺依曼型和摩尔型,这两种网格划分具有行进时间与行进距离间匹配度低的缺陷。本文采用蜂窝网络型元胞自动机。常用元胞自动机网络划分如图2。
图2 常用元胞自自动机邻居划分
本文设计出一种基于社会力模型的蜂窝网络双背景场元胞自动机模型,仿真场景为100×200个元胞构成的室内空间,恐怖分子采用冷兵器砍杀型恐怖袭击,参数如下:恐怖分子3、4、6人;恐怖分子平均杀死一个人需要的时间:108、216、324时间步长;出口宽度:11、21;出口位置:两端中线对称位置,左上和右下的极端不对称位置;恐怖分子初始位置:右上、左上、右下、左下、出口A附近、出口B附近;行人心理安全范围:3、5、9;行人密度0.1%、1%、3%、5%、10%;行人体力服从正态分布N(0.6,1);恐怖分子速度1,随机慢化概率5%。
基于博弈,认为双方都是理性的,行人以保全性命为首要目标,疏散过程谋求个体安全利益最大化,不主动与恐怖分子对抗;恐怖分子以杀害更多行人为目标。

2.2 恐怖袭击时行人分布的特殊现象

仿真显示,不同初始密度行人,在恐怖袭击过程中均呈一致的位置分布变化趋势:恐怖袭击发生之前行人为随机分布,呈明显混沌现象;随着恐怖袭击进行,行人逐步选择最短路线向合适出口疏散,此时恐怖袭击区域内行人出现自组织特征,出现多条成行现象,行逐渐加密为公路,继续加密并连接为锚形,随着行人持续聚集,在出口附近演化为盾型,如密度大则形成高密度盾型,演化过程如图3。
图3 混沌与呈锚、呈盾现象
图3a)为25%的行人初始状态下的混沌状态,图3b)为不等大出口空间行人疏散过程中出现的呈锚现象,图3c)给出行人密度为50%极度拥挤状态下出现的高密度呈盾现象。
图3b)的两条公路显示,行人疏散到出口最短路径后,便缺乏为后来人让路的动力,此时公路上的行人变成外侧行人的障碍,而道路中间资源闲置,影响了疏散效果。这体现在地铁站等公共场合,疏散路径强制分道的必要性。
如行人采取不同疏散策略或出口位置不同、大小不同时,会出现不对称现象,图4给出行人密度为10%、出口位置不对称、大小不对称时,在疏散过程中逐渐出现的不对称锚,而后演化为不对称盾现象。图4显示,当出口位置不对称时,对称的小出口附近会出现拥堵,大出口长边一侧会出现行人拥堵,而短边一侧会出现出口闲置;不对称出口的疏散效率低于对称出口,不等大出口的疏散效率低于对称大小出口。
图4 不对称呈锚、呈盾现象

2.3 行人不同逃生策略时的分布

图5给出行人采取贪婪法则逃生策略,向最近的出口疏散,向人少的出口疏散,向恐怖分子少的出口疏散等不同情况下行人分布。
图5 疏散策略和恐怖分子空腔
仿真显示,恐怖分子处将形成空腔(图5a)。当行人中有人被恐怖分子抓住处于正在被杀害状态时,会产生牺牲者效应(图5a、图5c),在牺牲者死亡过程中,恐怖分子无暇攻击其他人,此时,其他人应抓紧机会,适当冒险,穿越恐怖分子威胁区域通过,将这种策略命名为牺牲者策略。当恐怖分子处在出口处,则出现较强的守门员效应,此时行人较为合理的选择是向恐怖分子少的出口疏散(图5b)。当守门员效应和牺牲者效应同时出现,则首选牺牲者策略(图5a)。

3 数据分析

图6给出三个恐怖分子时,恐怖分子108杀人时间步长下前三名行人死亡时间分析。图6显示,不论行人多少,第一人死亡时间几乎是相同的,第二人死亡时间略晚,第三人死亡时间略大但不足两倍杀人时间。结果说明,恐怖分子一个袭击周期内,三名恐怖分子几乎处于满负荷攻击状态,前两名恐怖分子很容易抓住并杀伤(死)攻击目标,第三名恐怖分子抓住攻击目标稍晚,在行人疏散完成以前,平均有2.5人被杀害。反恐怖力量若能在119个时间单位内赶到现场,此时第一名行人尚未被杀死,具有较大的被救活的可能。
图6 前三名行人平均死亡时间
图7显示,三个恐怖分子时,行人死亡率大致稳定在0.5%左右。图8说明,大部分恐怖分子都能够处于满负荷杀人状态,未被伤害的行人在被害者死亡之前已经疏散完成,最终疏散时间与恐怖分子的杀人效率高度相关。
图7 不同密度初始状态行人死亡率
图8 不同密度初始状态行人疏散时间

4 结束语

主因素恐怖袭击系统社会力模型结合元胞自动机仿真方法能可视化重现恐怖袭击过程。在冷兵器砍杀型恐怖袭击中,恐怖分子几乎处于满负荷杀人状态,决定行人伤亡数量的主因素是恐怖分子的杀人速度;行人提高生存率的较好策略是向恐怖分子少的出口疏散,在疏散受阻时及时绕道,有牺牲者出现时应适度冒险突围;对于公共场所,设置对称性疏散通道优于不对称性通道,疏散通道要强制分道。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
徐致靖, 祖正虎, 许晴, 等. 恐怖活动动力学建模研究进展[J]. 军事医学, 2012, 6(10):793-796.

[2]
胡小依, 帅斌, 种鹏云. 危险品运输网络恐怖袭击风险定量研究[J]. 计算机应用研究, 2014(6):1723-1726.

[3]
丁雪枫. 恐怖袭击事件的防御资源分配问题[J]. 同济大学学报(自然科学版), 2014, 43(7):1111-1115.

[4]
Neumann J V. The Computer and the Brain[J]. Annals of the History of Computing, 1958, 11(3):161-163.

[5]
Xia L, Chen Y, Liu X, et al. Experiences and Issues of Using Cellular Automata for Assisting Urban and Regional Planning in China[J]. International Journal of Geographical Information Science, 2017, 31(8):1606-1629.

DOI

[6]
Feng Y, Tong X. Calibrating Nonparametric Cellular Automata with a Generalized Additive Model to Simulate Dynamic Urban Growth[J]. Environmental Earth Sciences, 2017, 76(14):496.

DOI

[7]
Cowburn R P, Welland M E. Room Temperature Magnetic Quantum Cellular Automata[J]. Science, 2000, 287(5457):1466-1468.

PMID

[8]
陶亦舟. 行人流数据模拟的若干新方法[D]. 上海交通大学博士学位论文, 2015.

[9]
田宝国, 卢翰, 丛凯. 基于部队移动模式三方作战 Lanchester 模型研究[J]. 兵器装备工程学报, 2019, 40(2): 1-9.

[10]
Helbing D. Social Force Model for Pedestrian Dynamics[J]. Physical Review E., 1995, 51(5):4282-4286.

PMID

[11]
Helbing D, Farkas I, Vicsek T. Simulating Dynamic Features of Escape Panic[J]. Nature, 2000, 407(6803):487-490.

DOI

Options
文章导航

/

〈 〉