随着社会活动的日益多元化,为了有效控制大规模人群,通过人群仿真技术对人群行为建模来分析并预测人群的运动规律变得越来越重要。基于智能体的仿真模型由于将仿真对象构建为具有独立感知与决策能力的智能体,具有灵活自主的特点,更能贴近现实生活中行人的智能化程度,因此成为了目前人群仿真主要的建模方式。然而,基于多智能体的人群仿真中的一个关键问题是如何对人群行为模型进行校准及验证,从而使得仿真效果尽可能与真实的人群运动情况一致,确保仿真结果的可信度。由于多智能体人群仿真模型通常具有高维复杂特点,现有的校准方法大多对模型中的所有智能体采用统一化的参数校准。这种做法忽略了真实人群中普遍存在的行人差异性,并且随着人群规模的增加和场景的复杂化,行人差异性的影响更为明显,使得传统方法的校准效果进一步恶化。本研究将着重考虑人群的多样性,首先通过聚类将仿真中的行人进行分组,从而识别具有相同运动属性的行人使其共享参数以进行参数降维,同时对于不同运动属性的行人采用不同的校准参数以保证人群的多样性。在此基础上,设计支持多群组的参数协同校准方法。针对不同分组人群差异较大,具有相对独立性的特点,采用分而治之的策略逐一优化每个组的参数,同时在此过程中通过协作评估机制维持不同分组间的联系,确保对于各个分组的优化不是孤立进行的,从而在大规模参数优化的问题背景下实现了参数的高效寻优。此外,考虑到调用人群仿真模型评估的计算成本过高,本文将多组参数协同校准过程与资源分配策略结合,实时发现各个分组对于优化提升效果的贡献度,并据此动态调整评估次数在组间的分配,实现了计算资源的高效利用。最后,为了将校准参数用于新的仿真,同时也便于在新场景中对参数校准效果的有效性进行验证,本文设计了参数匹配过程,依据运动属性的相似性分配校准参数,为实现具有高可信度的人群仿真提供支持。