Pathfinder起初是作为用于疏散行人模拟的工具而创建的。在其整个生掵周期中，用户已意识到其创建非撤离方案的能力。这样的例子包括在商场购物的顾客，在机场找到登机口的乘客以及在医院照顾病人的医疗人员。这些雄心勃勃的基于循环的模拟可以通过Pathfinder中的一些先进技术来近似。

本文将通过一个相对简单的示例（在图1所示的自助餐厅抢食的顾客）来说明这些技术。

图1.本文讨论的自助餐厅模型有多个餐饮站，收银台和一个餐桌。

入口

对于非撤离方案，我们需要考虑将乘员带入模拟环境的方式，因为否则它们将在警报期间放置到位。另外，重要的是它们的入口随时间分布，以更好地估计顾客散布的到达时间。

该模型使用了一个起居室（图2），供乘员进入他们将要经过的区域。在自助餐厅外的“等候室”中创建了250名乘员，该模型的一部分对该场景的行为没有影响。这个Occupant Group由多个Behaviors组成，每个都有修改Initial Delay。全数行为在0到300秒之间的均匀分布可确保整个乘员组进入食堂需要5分钟。

图2.乘员从候车室进入。

票务

排队的形式多种多样，涉及到乘员等待获取或交换对象或信息。这些乘员必须在适当的食物管线中等待拿起盘子，添加饮料，然后在收银员管线中等待以支付餐费。这些基于交换的排队的示例可以称为票证。在某些售票场景中，乘员将有一个优选的目的地（例如，他们想要的预定餐），而其他人则需要优化检查站（选择支付餐费的 The fastest route）。

主选目的地

为了将乘员送到适当的食物线，“行为”用于预先确定他们要去的食物线。这些行为指定了他们应该进入哪个房间以获得所需的饭菜。在此模型中，将“乘员组”设置为在乘员之间平均分配行为。每个行为都仅有一个first attribute，该属性指示在遵循一组通用步骤之前它们输入的行。独特的“转到”步骤将它们分配给特定的食物站。

食品站被绘制为单独的房间，以确保正确排队。房间的宽度保持狭窄，门排在队列的入口和出口。由于这些限制，两个乘员不能并肩站立。房间使用Speed Modifier“ 0.5”来模拟乘员以半速移动，同时从车站收集他们的餐具和托盘。在房间的尽头是Waypoint，行为引导进入房间后引导乘员前往。这使乘员继续前进，直到乘员从厨房工作人员那里收到饭菜为止。一旦编译了模拟，轮廓图可以快速显示乘员正在等待的区域，如图3所示。

图3.乘员在食物，饮料和收银员队列中等待。用法[累积]等高线图可直观显示一段时间内积累的流量。

检查点优化

乘员吃完饭后，就需要自己付餐费。乘员对特定的收银员没有偏爱，而是优先考虑他们在等待时间上的选择。因此，“转到收银员”步骤将全数4个收银员房间都列为可能的目的地，并且乘员将使用该Locally Quickest算法做出决定。一旦在收银员面前，乘员必须在付款交易中花费时间。必须通过修改每个“收银员”房间的“入口”门的位置来完成

收银台周围有薄墙。这有助于将乘员保持在一个文件行中，就像在食物站中的房间一样。在这里，我们不想创建单独的房间，因为排队时不需要比平时慢。

您可能已经注意到，沙拉站和饮料站的建模类似，这是因为它们还具有用于同一目标的多个路径。

出口

此时，乘员现在可以进入“餐桌”房间，等待10分钟，直到他们吃完饭。这是每个行为的the last step。现在，无需更多指定说明，乘员即可自由使用任一出口。

补充笔记

通过人为的流量来控制收银员交易，我们引入了一种方案，其中某些乘员能够毫不拖延地走过收银员。当乘员接近入口而没有任一人直接在他们面前时，就会发生这种情况。例如，首先到达收银台的人立即走过。这是由于流量参数的自然行为。
在检查点优化方案中，必须将有限的流量应用于“进入”门，而不是“退出”门。如果将其应用于“出口”门，则乘员将不会意识到等待时间的增加，并且在排队较近的队列中将没有正确的priority。
无法在检查点优化方案中使用航点，因为乘员当前无法从分组中选择航点。