3、基于CNN的多智能体人群模拟替代方法

基于CNN的多智能体人群模拟替代方法

在多智能体人群模拟领域，计算时间会随着智能体数量的增加而显著增长，这成为了一个亟待解决的关键问题。本文提出了一种使用卷积神经网络（CNNs）的方法，旨在从每个智能体的条件和人群的初始排列来估计模拟结果，以实现快速获取模拟结果的目标。

1. 相关背景

在许多领域，如交通流量计算、人类行为模拟等，多智能体模拟都有广泛应用。在多智能体人群模拟中，传统方法采用自下而上的方式，基于智能体之间的交互来计算人群流动，但这种方法的计算时间会随着智能体数量的增加而增加，导致难以快速获得模拟结果。

而深度神经网络（DNNs）在一些模拟领域已经展现出了加速模拟的潜力。例如，在流体动力学模拟中，有方法用CNNs替代纳维 - 斯托克斯方程的部分计算过程；在分子动力学模拟中，也有使用DNNs从短期模拟结果估计长期模拟结果的方法。此外，CNNs在图像领域取得了巨大进展，并且逐渐应用到自然语言处理、声学信号处理和游戏AI等其他领域。在人群模拟方面，已有研究通过CNNs提取当前人群的空间特征，准确预测未来人群流动，这是因为人群的初始排列对未来人群流动有显著影响。

2. 问题设定

在多智能体人群模拟的一般设定中，人群的场景（如路线、速度等）和人群在不同时间戳的坐标是关键输入。给定人群场景和初始坐标，模拟器会计算人群在后续时间的坐标，并输出目标值。

3. 提出的方法

提出的方法主要包括两个步骤：
- 转换为三维张量（3d - tensor） ：将人群场景和初始坐标转换为适合CNNs的3d - tensor。具体操作是，先为每个条件和每个值创建二维