本发明涉及影视动画制作技术领域，具体为一种影视动画制作中大规模群体智能运动的制作方法。
背景技术：
影视三维动画涉及影视特效创意、前期拍摄、影视3d动画、特效后期合成、影视剧特效动画等。随着计算机在影视领域的延伸和制作软件的增加，三维数字影像技术扩展了影视拍摄的局限性，在视觉效果上弥补了拍摄的不足，在一定程度上电脑制作的费用远比实拍所产生的费用要低的多，同时为剧组因预算费用、外景地天气、季节变化而节省时间。制作影视特效动画的计算机设备硬件均为3d数字工作站。制作人员专业有计算机、影视、美术、电影、音乐等。影视三维动画从简单的影视特效到复杂的影视三维场景都能表现的淋漓尽致。在电影电视的制作过程中，大规模的人物群体动画的解决方案一直是复杂和高端的，例如指环王中的幽灵大军就是通过massive软件模拟实现的。massive软件是一种过于高端复杂和封闭的软件，在普通的影视制作中，很少会接触到这个软件，但是若不使用massive软件，而采用大量的真人来完成拍摄，其拍摄成本太高，且大量的真人难以指挥，为此，我们提出了一种影视动画制作中大规模群体智能运动的制作方法投入使用，以解决上述问题。
技术实现要素：
本发明的目的在于提供一种影视动画制作中大规模群体智能运动的制作方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种影视动画制作中大规模群体智能运动的制作方法，该影视动画制作中大规模群体智能运动的制作方法的具体步骤如下：
s1：通过改变场景的属性、图层的属性以及观察点的位置来创建不同的帧，利用创建的一组帧组成轨迹演示动画；
s2：利用二进制的编码方式对轨迹演示动画中的染色体进行编码；
s3：在对染色体进行编码后，确定种群的规模，并随机产生一组串结构数据作为优化的初始群体；
s4：将种群中的每个染色体状态记为xi，个体i的历史最优状态记为xpbesti，群体最优状态记为xgbest，通过式xi，iter+1＝xpbesti+r×n(0，σ)×(xgbest-xi，iter)进行学习，式中iter为迭代次数，r为0～1之间的正实数，n(0，σ)为正态分布随机数，即学习因子，其中σ的取值大小决定了是细微集中搜索还是广阔搜索；
s5：评价种群中的所有染色体i，求出每个染色体目前为止找到的最优解xpbesti，并将所有最优解xpbesti中的最优染色体记为xgbest；
s6：通过式xi，iter+1＝xpbesti+r×n(0，σ)×(xgbest-xi，iter)更新各染色体i的状态，以产生第iter+1代种群xiter+1；
s7：当算法执行次数达到最大进化代数或最优目标函数值达到预设精度时，算法结束，输出群体最优状态xgbest及其目标函数值；
s8：采用动画管理器编辑和管理组成动画的帧和轨迹，通过改变帧的时间属性预览动画的播放下效果，同时将动画导出成一个avi文件，被第三方软件调用。
优选的，所述步骤s1中，场景的属性包括场景的背景颜色和光照角度，图层的属性包括图层的透明度和比例尺。
优选的，所述步骤s2中，染色体由基因构成的串结构组成，一个染色体为一个个体。
优选的，所述步骤s4中，n(0，σ)的取值决定了是进行趋同性为还是趋异性为，即：当n(0，σ)＞0时，染色体i以矢量差(xgbest-xi，iter)为方向趋同；当n(0，σ)＜0时，染色体i以矢量差(xgbest-xi，iter)为方向趋异。
与现有技术相比，本发明的有益效果是：本发明利用学习过程的趋同与趋异行为对算法进行改进，并将改进后的算法用于角色路径的规划中，避免群体中的个体发生碰撞，提高了动画制作效率，并增强了群体行为的自主性。
附图说明
图1为本发明工作流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种影视动画制作中大规模群体智能运动的制作方法，该影视动画制作中大规模群体智能运动的制作方法的具体步骤如下：
s1：通过改变场景的属性、图层的属性以及观察点的位置来创建不同的帧，利用创建的一组帧组成轨迹演示动画，场景的属性包括场景的背景颜色和光照角度，图层的属性包括图层的透明度和比例尺；
s2：利用二进制的编码方式对轨迹演示动画中的染色体进行编码，染色体由基因构成的串结构组成，一个染色体为一个个体；
s3：在对染色体进行编码后，确定种群的规模，并随机产生一组串结构数据作为优化的初始群体；
s4：将种群中的每个染色体状态记为xi，个体i的历史最优状态记为xpbesti，群体最优状态记为xgbest，通过式xi，iter+1＝xpbesti+r×n(0，σ)×(xgbest-xi，iter)进行学习，式中iter为迭代次数，r为0～1之间的正实数，n(0，σ)为正态分布随机数，即学习因子，其中σ的取值大小决定了是细微集中搜索还是广阔搜索，n(0，σ)的取值决定了是进行趋同性为还是趋异性为，即：当n(0，σ)＞0时，染色体i以矢量差(xgbest-xi，iter)为方向趋同；当n(0，σ)＜0时，染色体i以矢量差(xgbest-xi，iter)为方向趋异；
s5：评价种群中的所有染色体i，求出每个染色体目前为止找到的最优解xpbesti，并将所有最优解xpbesti中的最优染色体记为xgbest；
s6：通过式xi，iter+1＝xpbesti+r×n(0，σ)×(xgbest-xi，iter)更新各染色体i的状态，以产生第iter+1代种群xiter+1；
s7：当算法执行次数达到最大进化代数或最优目标函数值达到预设精度时，算法结束，输出群体最优状态xgbest及其目标函数值；
s8：采用动画管理器编辑和管理组成动画的帧和轨迹，通过改变帧的时间属性预览动画的播放下效果，同时将动画导出成一个avi文件，被第三方软件调用。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。