Пешеходное моделирование в AnyLogic

Ограничения оптимизационного эксперимента

Оптимизационный эксперимент завершился тем, что количество грузовиков осталось равным нулю, а оптимальным признано значение 0,3. В рамках заданного целевого функционала (минимизация суммарных затрат по себестоимости) экономически выгоднее доводить турбины до выхода из строя и отправлять вертолёты, чем проводить техническое обслуживание.

Это указывает на неполноту модели: не учтены затраты на обслуживание парка, постоянные операционные расходы на грузовики и вертолёты, а также стоимость простоев турбин. Сам факт отказа или необходимости ТО несёт разные экономические потери, которые должны быть выражены в денежном эквиваленте. После корректировки целевой функции решение изменится.

Общий принцип продемонстрирован: у модели есть управляющие параметры. Их можно изменять вручную для экспериментов или использовать оптимизационный эксперимент для автоматического подбора значений, минимизирующих или максимизирующих целевой показатель.

Встроенные библиотеки AnyLogic

Помимо библиотеки моделирования процессов (дискретно-событийный подход), AnyLogic содержит ряд специализированных библиотек:
• Библиотека производственных систем – станки, конвейеры, краны, поворотные столы, контейнеры, рабочие участки, станции обработки. Позволяет быстро описывать практически любые производственные процессы.
• Пешеходная библиотека (Pedestrian Library) – моделирование поведения отдельных людей и групп.
• Библиотека железнодорожного транспорта – пути, поезда, составы.
• Библиотека дорожного движения – автомобили, дороги, перекрёстки, парковки.
• Библиотека жидкостных потоков – перемещение жидкости по трубам.

Эти библиотеки позволяют быстро создавать модели из различных предметных областей.

Пешеходное моделирование: область применения
Пешеходная библиотека востребована в задачах:
• Обеспечение безопасности на массовых объектах.
• Увеличение пропускной способности транспортных узлов (метро, вокзалы, аэропорты).
• Предварительная оценка геометрии объекта на этапе утверждения плана строительства.
• Планирование альтернативных маршрутов на время ремонтных работ.
• Оптимизация функционирования торговых центров, музеев, пешеходных переходов, парковок и т.д.
Моделирование поведения людей – ключевой инструмент повышения эффективности таких объектов.

Пример: Парижский терминал Евростар
Проект приурочен к Лондонской Олимпиаде. Скоростные поезда соединяли Лондон с Парижем и Брюсселем (позднее линию продлили до Амстердама, и также применялся AnyLogic). Задача для Северного вокзала Парижа:
1. Определить, сколько поездов может обслужить терминал в час пик (могут ли два поезда отправляться с интервалом 3–4 минуты).
2. Оптимизировать количество пунктов контроля и их распределение по типам пассажиров.
3. Оптимизировать политику управления очередями.
Геометрия терминала была воссоздана точно: залы ожидания, таможня, паспортный контроль (французский и британский), контроль билетов, зоны бизнес-класса, платформы. Разные типы пассажиров (бизнес, паспорт ЕС, британский паспорт, иностранный паспорт) отображались разными цветами.

Модели пешеходных потоков

Активное развитие моделей началось в 1980-х годах.
• Макроскопические модели – моделируются целые потоки (газокинетические, жидкостные). Жидкостные модели лежат в основе нормативных требований МЧС по регулированию людских потоков (ширина проёмов, высота дверных проходов и т.п.).
• Микроскопические модели – моделируется каждый пешеход. Два подкласса:
o Клеточные автоматы (Cellular Automata) – пространство дискретно, агенты перемещаются по клеткам. Скорость может варьироваться (перешагивание через несколько клеток). Проблема: конфликты за клетку, тупиковые ситуации. Преимущество – высокая скорость вычислений. Недостаток – сильное упрощение; реалистичны лишь для усреднённых общих случаев, плохо работают при сложной геометрии.
o Непрерывные модели – траектории непрерывны. Наибольшее развитие получил молекулярный подход: взаимодействие людей описывается подобно движению молекул, с использованием второго закона Ньютона (F = ma). Основной вызов – описать силы, действующие на агента.

Модель социальных сил (Social Force Model)

Дирк Хелбинг (Dirk Helbing) в 2000 г. в журнале Nature опубликовал работу, предложив модель социальных сил. Она стала доминирующей в области моделирования человеческих потоков и вшита в пешеходную библиотеку AnyLogic.

Принцип: на агента действуют силы:
• движущая сила к цели;
• отталкивание от других агентов;
• отталкивание от стен и препятствий.

Равнодействующая определяет ускорение и траекторию. Модель максимально приближена к реальности, но вычисления требуют больше времени. Результаты очень реалистичны.

Элементы разметки пространства

Как и в модели конвейерного завода, работа начинается с плана (чертежа). На карту наносятся:
• Стены – границы помещений.
• Виртуальные коридоры – задаются с определённым шагом; модель автоматически соединяет их концы, формируя разрешённые пути следования агентов.
• Сервисы (точки обслуживания) – кассы, стойки регистрации и т.п.
• Очереди – связаны с сервисами.
• Залы ожидания (Waiting Area) – места, где агенты ожидают изменения состояния (например, приглашение на посадку).
• Целевые зоны – точки назначения, куда стремятся агенты.
• Зоны ускорения/замедления – моделируют влияние эскалаторов, узких проходов и пр.
• Уровни (Level) – возможность создавать многоэтажные помещения.

Базовые блоки пешеходной модели

Структура напоминает библиотеку моделирования процессов, но с учётом специфики движения людей (обход препятствий, нестандартные траектории, остановки у ларьков и т.п.).

• Источник пешеходов (Ped Source) – создаёт агентов (в том числе группы).
• Цели и маршруты – задают направление движения.
• Разветвления потоков – распределение по альтернативным путям.
• Сервисы – обслуживание агентов.
• Зоны ожидания.
• Удаление пешехода из модели.

Группы пешеходов

Люди могут объединяться в группы (актуально для экскурсий, семей и т.д.). При этом силы отталкивания между членами группы нивелируются – наоборот, они стремятся держаться вместе.
Элементы управления группами:
• Ped Group Assemble – формирование группы из отдельных агентов.
• Ped Group Change Formation – изменение типа построения: шеренга (в ширину), цепочка (в длину), толпа (произвольное близкое расположение).
• Ped Group Disassemble – роспуск группы на отдельных агентов.

Настройки: наличие/отсутствие лидера (например, экскурсовод); возможность обслуживания одного за всех (покупка билетов на всю группу, пока остальные ждут в зоне ожидания).

Многоуровневые объекты и специальные элементы

Для повышения реалистичности:
• Лестницы, эскалаторы, дорожки – визуальные элементы с соответствующим влиянием на скорость.
• Наклонная плоскость – моделирует пандусы и наклонные поверхности.
• Лифты – перемещение агента между уровнями без самостоятельного движения по лестнице/эскалатору.

Эвакуация

У каждого пешеходного блока есть специальная точка, вызывающая функцию эвакуации. Агенты принудительно направляются к заданным зонам спасения. Это аналогично выходу заявки в дискретно-событийных моделях при переполнении очереди, но здесь принудительный уход из зоны моделирования.

Анализ плотности и управление потоками

После прогона модели доступны потоковые характеристики, включая плотностную картину – визуализацию зон максимального сгущения агентов. Это позволяет:
• Выявлять и устранять узкие места, изменяя логистику.
• Намеренно создавать зоны сгущения, например в аэропортах, чтобы замедлить поток пассажиров до зоны выдачи багажа и избежать гигантских очередей у багажных лент, ограниченных физическими возможностями разгрузки.

Примеры реализованных проектов

• Торговый центр – заданы помещения, входы, коридоры; часть комнат – служебные, недоступные для посетителей.
• Эйфелева башня – пропускная способность не соответствует потоку (рассчитана на 500 тыс. чел./год, а в 2010 г. – 6,5 млн). Узкое место – последние два этажа (смотровая площадка). Цель – опробовать варианты управления потоками для увеличения пропускной способности. Оператор башни выступил заказчиком. С помощью оптимизационного эксперимента оценивались различные решения.

Комбинирование подходов и производительность

Модель может сочетать пешеходную библиотеку с другими подходами (системная динамика, дискретно-событийный). Однако агентные пешеходные модели ресурсоёмки. Всегда необходимо взвешивать детализацию и время вычислений, избегая неоправданного использования «тяжеловесных» элементов там, где можно обойтись более лёгкими абстракциями.

Краткие итоги

Представленный материал охватывает два связанных аспекта имитационного моделирования. Первый демонстрирует опасность формального применения оптимизации без полноценной экономической проработки. Оптимизатор честно ищет минимум заданной целевой функции, и если потери от простоя и выхода оборудования из строя не монетизированы, он выдаёт абсурдное, но математически точное решение. Это подчёркивает, что качество управленческих рекомендаций напрямую зависит от полноты модели затрат: каждое значимое событие, включая простой, должно получить денежную оценку.

Центральная тема – пешеходное моделирование как мощный инструмент анализа объектов массового скопления людей. Переход от дискретно-событийного мира конвейеров к миру пешеходов требует принципиально иной механической основы. Ключевой вклад здесь принадлежит модели социальных сил Дирка Хелбинга. Используя ньютоновскую динамику, она превращает абстрактных агентов в объекты, реалистично реагирующие на окружение, стены и друг друга. Это позволяет воспроизводить естественные феномены: образование заторов, обход препятствий, движение в группах.

Инструментарий разметки (стены, коридоры, зоны ожидания, уровни) даёт возможность перенести архитектурный план в модель практически без упрощений. Блочная архитектура Ped Source, Ped Service, Ped Wait и других элементов зеркально отражает логику дискретно-событийной библиотеки, снижая порог входа для специалистов, уже знакомых с AnyLogic. При этом принципиально расширяется поведенческий арсенал: агенты не просто следуют фиксированному маршруту, а адаптируются, меняют скорость, формируют группы с разным строем, управляются лидером, могут обслуживаться коллективно.

Примеры парижского терминала Евростар и Эйфелевой башни не просто иллюстрируют возможности, а раскрывают практическую методологию: от точного воспроизведения геометрии и стратификации пассажиров до использования плотностных карт для поиска узких мест и целенаправленного управления потоком – как для устранения, так и для создания контролируемых скоплений. Последнее особенно важно в транспортных хабах, где необходимо синхронизировать скорость обслуживания на разных этапах, чтобы не создавать очереди там, где пропускная способность физически ограничена (выдача багажа). Модель также позволяет отрабатывать эвакуационные сценарии, переводя агентов в режим принудительного движения к зонам спасения.

С практической точки зрения важно осознавать вычислительную цену высокой детализации. Встроенные многоуровневые пространства, лифты, эскалаторы, наклонные плоскости увеличивают реализм, но требуют осторожного комбинирования с менее затратными подходами – системной динамикой или дискретно-событийным моделированием там, где индивидуальная траектория не критична. Владение этим балансом позволяет создавать эффективные гибридные модели для поддержки решений о геометрии объектов, логистике, безопасности и распределении ресурсов.