为了模拟一些在普通情况下无法获得或很难获得的实验数据，比如大型公共场所的踩踏拥挤事件等,需要能够精确地对真实场景中的群体运动进行建模。这些事故的发生本身具有不可预测性，和不可重复性的特点。即无法通过预先在特定场景下等待事故的发生，也不能人为地引发这些事故。所以，这种现实中大规模群体伤亡事故的视频样本极其珍贵稀有，且不宜获得。然而，通过群体运动模型对真实场景中的群体运动进行模拟，是解决珍贵的实验数据采集困难问题的有效方法之一。本文提出了一种基于组和启发式规则的社会力群体运动仿真模型，能够对真实场景下的避让、分层和聚集等宏观现象进行有效建模，并且微观对比实验表明本文模型较Moussaid的基于启发式规则的社会力模型具有更小的相对距离误差，也即能够更加真实地对视频场景进行模拟。引入聚合力和组的概念，使群体运动在更符合具有一定社会关系的群体运动规律的同时，减少了计算单元的个数从而提高了模型效率；对启发式规则进行修正，采用局部最短路径的思想，以分段函数描述个体的期望方向；在模型的计算过程中，加入避让距离的概念，有效地解决了Moussaid社会力模型中的碰撞问题。采用遗传算法对模型参数进行校正，通过典型的宏观现象实验和相对距离误差使模型与真实场景视频做比较的两种实验，验证了模型的有效性。实验证明改进模型较原模型有更小的相对距离误差和更小的运行时间，能够对真实场景进行更加有效地建模。