基于GDACO算法的引导疏散路径规划研究.pdf
《基于GDACO算法的引导疏散路径规划研究.pdf》由会员分享,可在线阅读,更多相关《基于GDACO算法的引导疏散路径规划研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、建筑防火设计Fire Science and Technology,October 2023,Vol.42,No.10基于 GDACO算法的引导疏散路径规划研究王馨1,张林鍹1,2,董芳芳3(1.新疆大学 电气工程学院,新疆 乌鲁木齐 830017;2.清华大学 国家计算机集成制造系统工程技术研究中心,北京 100084;3.新疆维吾尔自治区消防救援总队,新疆 乌鲁木齐 830000)摘要:针对教学建筑内中人员疏散存在盲目、无序、效率低等问题,提出了双层蚁群路径规划算法(GDACO)引导人员疏散的路径规划。对环境栅格进行处理,增添危险栅格,使初始蚁群信息素呈阶梯式分布;提出双层蚁群算法,引导层
2、蚁群通过全局搜索寻找引导路径,疏散层蚁群基于引导范围实现疏散路径寻优;进行路径优化处理,剔除冗余节点,对转折部分进行平滑处理。试验结果分析表明,所提 GDACO 算法能够减少路径转折点,规避风险路径,满足教学建筑内的引导疏散需求,规划路径符合实际疏散情况。关键词:疏散引导;路径规划;信息素分布;双层蚁群算法;路径优化;教学建筑中图分类号:X913.4;TP391.9 文献标志码:A 文章编号:1009-0029(2023)10-1386-07教学楼作为学生日常学习生活的重要载体,其消防安全建设受到了社会各界的广泛关注。近年来,教学楼相关安全事件层出不穷,其原因集中于电路线路老化、消防设计不合规
3、范以及意外人为因素等1-3。由于教学楼内部人员密集、疏散通道宽度有限,以及部分设施摆放不合理,一旦突发紧急情况,人员在疏散过程中受环境影响,产生烦躁、恐慌等负面心理,失去判断力,盲目逃生,导致拥挤推搡,继而延缓疏散效率,或造成踩踏事件等二次事故。因此,如何快速引导人群找到正确的疏散路径已经成为亟待解决的问题。静态疏散指示标志和疏散示意图是使用最广泛的消防疏散工具。事实上,当建筑物内突发火灾等紧急情况时,人们常常会过于慌乱而忽略静态疏散装置指向的安全出口,选择更加熟悉的安全出口或依据最近原则逃生4。为提高疏散装置的使用率,廖慧敏等5针对常规标志和增设引导标志的疏散效率问题进行模拟,相比于常规标志
4、,其增设颜色引导标志的试验表明各出口拥挤度降低,疏散情况均匀,出口利用率较高。范芮雯等6面向吊牌式和嵌入式疏散指示标志,研究了安全疏散标志的空间方向信息传递效能。张苏英等7针对智能消防疏散图需要结合火场信息动态路径规划等问题,实现智能消防疏散图路径规划。上述研究更多是基于静态疏散指示标志和疏散示意图进行研究,鲜少考虑动态疏散指示对疏散的影响且未考虑有效疏散信息的获取。在路径平滑方面,曹祥红等8针对传统疏散系统指示方向固定的问题,提出一种混合路径动态规划算法,对存在的冗余拐点,引入平滑判断因子获得简洁的疏散路径。范银辉9针对 RRT 算法在机器人路径规划中平滑度差的问题,采用 B 样条函数改善了
5、路径的平滑性。陈都等10针对机器人直线路径拐角处存在切线的几何不连续问题,提出基于 3次非均匀 B样条曲线的全局拐角平滑方法。B样条曲线对于拐点路径具有较好的平滑性能,已广泛应用于机器人路径规划研究中,但在疏散路径规划中的研究还相对较少。随着群智能优化算法的出现,学者们发现蚁群算法在路径寻优时展现出良好的效果。蚁群算法具有较好的全局搜索能力和鲁棒性,广泛应用于各个领域。但传统蚁群算法存在收敛效率慢、易陷入局部最优的弊端,因此,学者们在疏散路径规划领域对算法进行相应的改进与优化。王培良等11提出蚁群元胞算法,建立六边形元胞栅格地图,优化启发函数,分段更新信息素,解决传统算法求解四边形栅格地图,易
6、导致时间步长不一致、搜索速度慢、易陷入局部最优解等问题。XU L等12针对传统疏散示意图线路固定的问题,提出一种改进的蚁群优化算法,结合火灾产物因素改进启发函数和信息素更新策略,实现超市疏散路径规划。LI X J 等13针对城市地下综合体火灾问题,提出 IACO 算法,使用六边形栅格替代传统四边形栅格,考虑火灾的实时扩散,形成更短的疏散路径并避免“穿墙”等行为。以上学者从不同角度考虑相关因素进行算法设计与改进,但更多的只考虑了火灾因素,并未考虑疏散期间存在的人员拥堵对疏散效率的影响。上述研究表明,现有疏散路径规划存在以下不足:考虑引导疏散更多从静态疏散指示和疏散示意图的角度出发,有关动态疏散指
7、示标志的研究较少,且未考虑有效疏散信息如何得知;疏散路径规划后,需去除冗余节点并平滑路径,但当前研究较少;在进行疏散路径规划的算法设计时,很少考虑逃生出口的人员拥堵问题。因此,本文结合动态疏散指示标志、考虑路径引导的可能性以及疏散有效信息的传递性,提出了基于双层蚁群路径规划算法(Guided Double Layer Ant Colony Optimization Algorithm,GDACO)的人员引导疏散路径规划策略。首先,考虑路径引导因素,利用引导层蚁群进行全局路径点位搜索,得到疏散路径中可行进的点位;其次,通过疏散层蚁群模拟人员疏散路径轨迹,得到最佳的人员疏散路线;最后,考虑到算法求
8、解的最优路径存在冗余问题,引入准均匀 B 样条曲线对最优路径的拐角部分进行平滑处理,使最优路径更加贴合实际的人员疏散情况。通过试验对比,验证了本文提出的双层蚁群算法的可行性和实用性。1问题描述和环境建模1.1问题描述当建筑内突发紧急情况时,处于建筑物内部的人员需要及时撤离,本文提出考虑引导作用的消防疏散路径规划算法。动态疏散指示标志如图 1 所示,其工作原理为:建筑场所内突发紧急情况时,动态疏散指示标志通过相应传感器对疏散路径的环境监测,找到安全省时的疏散路径,通过疏散指示标志动态指引,引导人员实现疏散。对于引导疏散路径规划问题,做出以下设定:1)假设疏散环境和火源信息提前已知。2)假设人员在
9、环境中以 1.3 m/s 的速度14做匀速运动,忽略疏散个体间的相互作用。3)将待疏散人员全体视为整体,初始位置已知。4)最优路径并非最便捷路径,应考虑环境、人员的综合影响因素,确保疏散效率最大化。1.2环境建模为便于试验的分析研究,选用结构简单、可视性强的栅格图法构建环境模型。考虑到疏散路径应避免和障碍栅格接触,增添危险栅格,区分障碍物和可通行区域,其中一个栅格代表 1 m。栅格环境如图 2 所示。其中黑色为障碍栅格,不得通行;灰色为危险栅格,可以通行;白色为自由栅格,即自由通行区域。危险栅格定义与作用:危险栅格介于障碍栅格和自由栅格之间,是与障碍栅格相邻的自由栅格;危险栅格可使蚁群信息素呈
10、现阶梯式分布,当蚂蚁进行搜索时尽量避免靠近障碍栅格,避免算法在复杂环境下死锁严重以及“穿墙走”问题。为验证 GDACO 算法的寻路能力,共设计 3种仿真试验环境,分别为 2020、3030 和 4040 的不规则栅格地图,如图 3所示。为验证算法的实用性,将某校 U 形试验楼平面图进行栅格化处理,建立 5050的栅格环境,其中绿色栅格为安全出口,如图 4所示。2算法设计2.1基本蚁群算法蚁群算法是 DORIGO M 受到蚂蚁寻找食物行为的启发,提出的概率型算法15。蚂蚁通过寻找食物源,在走过的路径上释放信息素,信息素随着时间推移而挥发,后来的蚂蚁选择该路径的概率与路上的信息素浓度成正比。当一条
11、路上通过的蚂蚁越多,其留下的信息素也越多,后来的蚂蚁选择该路径的概率也越高,不断增加该路径的信息素强度,形成正反馈循环16。通过这种正反馈机制,蚂蚁最终发现最短路径。蚁群优化算法的寻路过程如图 5所示。食物源食物源食物源蚁群蚁群蚁群图 5蚁群算法寻路示意图Fig.5ACO pathfinding diagram在蚁群算法中,蚂蚁通过轮盘赌法选择下一待访问图 1动态疏散指示标志示意图Fig.1Dynamic evacuation indication sign diagram图 2栅格环境示意图Fig.2Grid environment diagram(a)2020(b)3030(c)4040图
12、 3三种栅格地图Fig.3Three types of grids diagram图 4教学楼栅格地图Fig.4Building grid map1386消防科学与技术2023年 10 月第 42 卷第 10 期行平滑处理,使最优路径更加贴合实际的人员疏散情况。通过试验对比,验证了本文提出的双层蚁群算法的可行性和实用性。1问题描述和环境建模1.1问题描述当建筑内突发紧急情况时,处于建筑物内部的人员需要及时撤离,本文提出考虑引导作用的消防疏散路径规划算法。动态疏散指示标志如图 1 所示,其工作原理为:建筑场所内突发紧急情况时,动态疏散指示标志通过相应传感器对疏散路径的环境监测,找到安全省时的疏散
13、路径,通过疏散指示标志动态指引,引导人员实现疏散。对于引导疏散路径规划问题,做出以下设定:1)假设疏散环境和火源信息提前已知。2)假设人员在环境中以 1.3 m/s 的速度14做匀速运动,忽略疏散个体间的相互作用。3)将待疏散人员全体视为整体,初始位置已知。4)最优路径并非最便捷路径,应考虑环境、人员的综合影响因素,确保疏散效率最大化。1.2环境建模为便于试验的分析研究,选用结构简单、可视性强的栅格图法构建环境模型。考虑到疏散路径应避免和障碍栅格接触,增添危险栅格,区分障碍物和可通行区域,其中一个栅格代表 1 m。栅格环境如图 2 所示。其中黑色为障碍栅格,不得通行;灰色为危险栅格,可以通行;
14、白色为自由栅格,即自由通行区域。危险栅格定义与作用:危险栅格介于障碍栅格和自由栅格之间,是与障碍栅格相邻的自由栅格;危险栅格可使蚁群信息素呈现阶梯式分布,当蚂蚁进行搜索时尽量避免靠近障碍栅格,避免算法在复杂环境下死锁严重以及“穿墙走”问题。为验证 GDACO 算法的寻路能力,共设计 3种仿真试验环境,分别为 2020、3030 和 4040 的不规则栅格地图,如图 3所示。为验证算法的实用性,将某校 U 形试验楼平面图进行栅格化处理,建立 5050的栅格环境,其中绿色栅格为安全出口,如图 4所示。2算法设计2.1基本蚁群算法蚁群算法是 DORIGO M 受到蚂蚁寻找食物行为的启发,提出的概率型
15、算法15。蚂蚁通过寻找食物源,在走过的路径上释放信息素,信息素随着时间推移而挥发,后来的蚂蚁选择该路径的概率与路上的信息素浓度成正比。当一条路上通过的蚂蚁越多,其留下的信息素也越多,后来的蚂蚁选择该路径的概率也越高,不断增加该路径的信息素强度,形成正反馈循环16。通过这种正反馈机制,蚂蚁最终发现最短路径。蚁群优化算法的寻路过程如图 5所示。食物源食物源食物源蚁群蚁群蚁群图 5蚁群算法寻路示意图Fig.5ACO pathfinding diagram在蚁群算法中,蚂蚁通过轮盘赌法选择下一待访问图 1动态疏散指示标志示意图Fig.1Dynamic evacuation indication sig
16、n diagram图 2栅格环境示意图Fig.2Grid environment diagram(a)2020(b)3030(c)4040图 3三种栅格地图Fig.3Three types of grids diagram图 4教学楼栅格地图Fig.4Building grid map1387Fire Science and Technology,October 2023,Vol.42,No.10节点,蚂蚁从 i 点转移至 j 点移动概率如式(1)式(3)所示。Pkij(t)=()ij(t)()ij(t)k k()ik(t)()ik(t),j k 0,其他(1)ij=1dij(2)dij=()
17、xi-xj2-()yi-yj2(3)式中:ij(t)表示 t时刻 i、j之间的信息素浓度;ij为距离定义的启发信息;dij为 i到 j的欧几里得距离;和为常数,反映信息素和启发信息的相对重要性;k为蚂蚁的待访问位置集合。蚁群经过一轮迭代循环后,路径上的信息素分别通过式(4)、式(5)更新。ij(t+1)=(1-)ij(t)+ij(t)(4)ij(t)=k=1mkij(t)(5)式中:为信息素挥发系数;ij(t)为所有信息素增量;kij(t)为第 k 只蚂蚁在 i和 j之间的信息素增量,如式(6)所示。kij(t)=QLk,路径(i,j)路径k0,其他(6)式中:Q 为信息素强度,是常数;Lk为
18、第 k只蚂蚁所走路径的总长度,如式(7)所示。Lk=i=1n-1()xi+1-xi2+()yi+1-yi2(7)传统蚁群算法在求解疏散路径规划问题时存在初期收敛速度慢、后期易早熟收敛等问题。考虑到现实疏散的路径选择,需改进蚁群算法,实现最优疏散路径引导。2.2基于引导的双层蚁群搜索策略为了在复杂环境中生成疏散路径,最大化提升疏散效率,提出将蚁群划分为引导层蚁群和疏散层蚁群的双层蚁群搜索策略17。设计引导层蚁群时,为提高算法搜索速度,将蚁群分为两组,分别从起点和终点同时进行路径搜索;疏散层蚁群基于引导层蚁群的路径指引,进行小范围搜索,实现疏散路径规划。与原始蚁群算法的单一方向搜索策略不同,引导层
19、蚁群的并行双向搜索能够减少路径搜索时间,使信息素从起点和终点同时更新,提高算法的搜索效率。2.2.1改进初始信息素分布传统蚁群算法初次迭代时,初始信息素浓度相同,导致蚂蚁在初次路径搜索时较为盲目,且搜索时间较长。因此,提出栅格信息素阶梯分布的方法,引导蚁群初始路径搜索。初始信息素分布如图 6所示。初始信息素浓度分布表达式如式(8)所示。0(j)=0,j为自由栅格 0,j为危险栅格0,j为障碍栅格(8)式中:0为信息素初始值;j为当前蚂蚁的周围栅格状态;为大于 0小于 1的常数。2.2.2信息素增强因子蚂蚁在觅食过程中找到食物源便开始返程,释放信息素,引导随后的蚂蚁到达食物源,形成正反馈循环。同
20、时,随着时间的推移信息素逐渐挥发,进而剔除部分复杂路线,增加了蚂蚁找到最优路径的可能性。但当大量蚂蚁位于同一路线时,信息素的累积速度将远远高于挥发速度,这会导致算法提前收敛实现最优。此时,即使存在最优路径也会因信息素浓度的悬殊而被忽略。为避免算法提前收敛达到最优,提出信息素增强因子 q 如式(9)所示。q=et-1a-b,Lnown-1是否结束忽略 Pj点j=j+1连接 PiPj图 8去除冗余节点流程图Fig.8Remove redundant node flowchart原始路径准均匀 B样条曲线图 9路径平滑处理示意图Fig.9Path smoothing diagram1389Fire
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GDACO 算法 引导 疏散 路径 规划 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。