1.一种基于多蜂群算法的人群疏散仿真方法，其特征是：该方法包括：

设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；

提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；

将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真；

所述多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；

所述社会力模型中的社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力，将行人运动描述为力相互作用的结果，包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动；

采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：

设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；

初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；

将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；

辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；

更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。

2.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，根据设置的疏散场景参数信息，采用模型设计软件创建疏散场景模型，并对创建的疏散场景模型进行渲染；所述疏散场景模型为二维场景模型或三维场景模型；所述疏散场景模型包括疏散场景的所有房间和出口。

3.如权利要求2所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，在创建的疏散场景模型的每一个疏散出口处设置计数器，用于统计每个出口疏散的人群个体数；

根据每个出口疏散的人群个体数，分别计算出口处的拥挤度；所述拥挤度为正常情况下通过出口的预设个数与相应出口疏散的人群个体数总值的比值。

4.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，将疏散人群划分群组具体为：根据个体距离出口的位置以及个体之间的距离将疏散人群划分群组；

在每个群组中筛选出引领蜂具体为：在每个群组中，筛选距离出口最近的个体作为引领蜂。

5.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：所述初始参数中，种群中的采蜜蜂规模与侦查蜂规模各占种群规模的二分之一；

在初始化初始参数后，根据搜索的环境空间随机产生种群规模数量的可能解，每个解是一个D维向量。

6.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：采用社会力模型进行微观人群运动指导的具体步骤为：对于每个群组内的个体行人，通过社会力受力公式计算行人自身的驱动力、行人之间的排斥力和行人受墙或障碍物的力的所受合力；

群组内的个体行人按照计算的所受合力进行行为运动。

7.如权利要求1所述的一种基于多蜂群算法的人群疏散仿真方法，其特征是：在该方法中，实时存储疏散人群总数、疏散时间、人群疏散路径，存储的信息可导出保存，用于后续人群疏散的运动展示和对比分析。

8.一种计算机可读存储介质，其中存储有多条指令，其特征是：所述指令适于由终端设备设备的处理器加载并执行以下处理：设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；

提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；

将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真；

所述多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；

所述社会力模型中的社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力，将行人运动描述为力相互作用的结果，包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动；

采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：

设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；

初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；

将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；

辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；

更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。

9.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征是：所述指令适于由处理器加载并执行以下处理：设置疏散场景参数信息，创建疏散场景模型和人物模型，并将人物模型导入疏散场景模型中，所述疏散场景模型作为人群疏散的环境空间，所述人物模型作为疏散人群；

提取疏散场景模型的语义信息，在该疏散场景下设置疏散人群参数信息，并根据疏散人群参数信息进行人群初始化；

将疏散人群划分群组，在每个群组中筛选出引领蜂，采用多蜂群算法并增设辅助种群进行宏观路径规划，采用社会力模型进行微观人群运动指导，得到最终人群疏散路径，进行人群疏散仿真；

所述多蜂群算法在人工蜂群中加入分组后形成多个子种群，每个子种群分别独立运行，并在种群中加入辅助种群以增强子种群间的通信，将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；

所述社会力模型中的社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力，将行人运动描述为力相互作用的结果，包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动；

采用多蜂群算法并增设辅助种群进行宏观路径规划的具体包括：

设置多蜂群算法初始参数，所述初始参数包括种群规模、最大迭代次数、迭代次数初始值、适应度阈值和子种群规模；

初始化初始参数，根据搜索的环境空间随机产生可能解，即食物源；将疏散人群划分出的群组作为子种群，在每个子种群中分别运行人工蜂群算法；

将各个子种群中的引领蜂信息通过矩阵传递到增设的辅助种群中，辅助种群中包含各个子种群中的引领蜂信息；

辅助种群将各个子种群中的引领蜂按照适应度值进行优劣排序，选择子种群两倍规模的优秀个体随机分配到各个子种群中；

更新子种群状态，迭代次数加一，返回初始化初始参数的步骤迭代执行，直至迭代次数达到最大迭代次数完成收敛，终止。