基于改进遗传算法的消防疏散标识布局优化.pdf
《基于改进遗传算法的消防疏散标识布局优化.pdf》由会员分享,可在线阅读,更多相关《基于改进遗传算法的消防疏散标识布局优化.pdf(7页珍藏版)》请在咨信网上搜索。
1、2097-3012(2023)02-0268-07 Journal of Spatio-temporal Information 时空信息学报 收稿日期:2021-12-08;修订日期:2023-05-16 基金项目:四川省科技计划项目(2022YFS0533,2020JDTD0003)作者简介:周曈,研究方向为虚拟地理环境。E-mail: 基于改进遗传算法的消防疏散标识布局优化 周曈1,朱军1,李维炼1,付林1,柴金川2 1.西南交通大学 地球科学与环境工程学院,成都 611756;2.中国铁道科学研究院集团有限公司 国家铁道试验中心,北京 100015 摘 要:消防疏散标识布局对火灾疏散逃
2、生有重要意义,但现有的布局方法存在因布设者经验差异大,地方标准的不同导致标识引导效能差的问题。本文提出了标识引导效能计算思路,构建疏散标识布设优化模型,研究基于自定义算子的改进遗传算法,实现了改进遗传算法的消防疏散标识布局优化方法;并以地铁站台为例开展了实验模拟。结果表明,本文方法能够明显提高消防疏散标识引导效能。这可为室内消防疏散逃生下的标识布设提供科学依据。关键词:消防疏散标识;布局优化;改进的遗传算法;自定义算子;并行化加速 引用格式:周曈,朱军,李维炼,付林,柴金川.2023.基于改进遗传算法的消防疏散标识布局优化.时空信息学报,30(2):268-274 Zhou T,Zhu J,L
3、i W L,Fu L,Chai J C.2023.Optimizing fire evacuation sign layout optimization using improved genetic algorithm.Journal of Spatio-temporal Information,30(2):268-274,doi:10.20117/j.jsti.202302014 1 引 言 由于火灾具有不确定性、复杂性和快速性,往往会造成严重的生命财产损失(唐俊等,2019)。现有的构建博弈疏散模型可以证明,火灾疏散时合理的疏散标识可以显著提高人员的疏散效率(马晓辉等,2019;万展志等,
4、2020),在火灾疏散过程中尤为重要,设置合理有效的地面疏散标识是减少人员伤亡的重要手段之一(高坤,2020)。尽管疏散标识在火灾应急疏散中起到重要作用,但现有的疏散标识布设是按照相关标准和规范,根据经验布设,往往会造成标识信息单一、指向混乱。标识可视性降低、标识引导效用差,使得现有的标识布局存在着不能准确指出正确的逃生路径的弊端(胡志方和万斌,2017;徐慧智等,2019;Ma 等,2019),会导致不能及时为乘客提供正确信息,延误逃生,造成更大规模的伤亡(高坤,2020)。传统的遗传算法具有计算简单、通用性强、鲁棒性较高等优点,被广泛应用于包括标识布局优化在内的诸多领域内(ozowicka
5、,2021;Wan 等,2021)。其不足之处在于后期收敛慢导致整体执行时间长,还有可能错过全局最优解(何启嘉等,2021;杜航等,2021)。部分研究致力于优化该算法:Chen 等(2019)在遗传算法的基础上结合了模拟退火算法,将其应用在大型铁路综合客运枢纽公共换乘区引导标志设置中;Li 等(2022)将遗传算法与路由交换算法融合,实现了考虑流量平衡的人群疏散动态符号引导优化。但这些算法仍然存在着局部收敛能力不足,求解速度较慢、可能丢失最优解、在遗传算法的运行过程中,个体适应度的评价计算,往往占据了较长时间的问题(余雷等,2019)。针对以上问题,本文基于改进遗传算法探究了一种消防疏散标识
6、布局的优化方法。其提出了基于标识引导效能的计算思路,以标识引导效能最大化为目的,建立了疏散标识布设优化模型;通过基于用户自定义算子和并行化加速个体适应度计算,改进传统遗传算法存在的速度慢、可能丢失最优解问题,试图实现模型的快速求解,并以地铁站为例进行了实验模拟。周曈 等:基于改进遗传算法的消防疏散标识布局优化 269 2 研究方法 2.1 总体研究路线 本文以标识投影到视网膜上的有效成像面积为标准,提出消防疏散标识布局下的引导效能计算思路。首先,根据标识引导的约束条件,构建基于标识引导效能的消防疏散标识优化模型;然后,通过自定义算子和并行化计算,改进遗传算法用于求解优化模型;最后,通过原型系统
7、研发和模拟实验分析,论证本文方法的有效性与适用性(图 1)。图 1 研究技术路线 Fig.1 Research technological roadmap 2.2 基于标识引导效能的消防疏散标识优化模型 2.2.1 标识引导效能计算 本文定义标识引导效能的大小为标识投影到视网膜上的有效成像面积,为了确定该面积,采用了进一步简化的标准眼模型(Ai 和 Tsai,2012;吴爽,2017),将标识可视面积转换为视网膜面积。在该模型中,视网膜的成像机制被简化成简单的几何模型(图 2)。图 2 视网膜成像的等效模型示意图(吴爽,2017)Fig.2 Schematic diagram of the e
8、quivalent model for retinal imaging 在该视网膜成像模型的基础上,可以推导标识的引导效能 ij的大小,如图 2 所示。设当前位置为i 处,标识所在位置为 j 处,视距即当前位置 i 处到标识所在位置 j 处的距离为 Dij;瞳内间距 DT,标识可视面积 S1,视网膜成像面积 S2,根据相似三角形的性质可以得出:2T122ijDSSD (1)又因为标识的引导效能 ij同视网膜成像面积S2成正比,设为常数 K,则可以得到:0minmax22T10,/,ijijijijijijDDDDKD SD其他 (2)式中,当视距 DijDijmin时,标识始终能够发挥引导效用
9、,此时标识引导效能始终为最大值0;当视距 DijDijmax时,标识始终不能发挥引导作用,此时标识引导效能始终为 0。由于场景和标识的差异270 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)性,在实际的模型建立中 Dijmin和 Dijmax这两个阈值的取值往往需要根据场景特征和标识特点确定。绘制标识引导效能函数,如图 3 所示。图 3 标识引导效能函数 Fig.3 Marker-guided performance function 2.2.2 消防疏散标识优化模型构建 将室内场景定义为引导服务的需求空间 V,为了方便建立模
10、型,将需求空间离散为一系列元胞组成的集合。每一个元胞都是需求空间网络中的顶点,且每一个顶点 kV,都是消防疏散标识的潜在布设点,同时也是消防疏散标识引导范围内的需求点。将区域内现有的障碍物所在位置设为禁忌区域A,则剩下的区域均为符合可行性的标识选址区域B,且有 AV,BV,AB=V。定义标识引导需求点 i(i=1,2,3,n),疏散标识 j(j=1,2,3,m),n 为场景内所有的需求点的数量,m 为疏散标识的数量。消防疏散标识布局的目标是使得m个标识对场景内共计n个引导需求点提供的引导效能 最大,通过式(2)将标识引导效能 最大为目标函数,可以构建消防疏散标识布局模型如下:11maxmax1
11、s.t.0,1nmijijiiiAiB且 (3)式中,i为在标识选址空间约束下,i处是否需要被引导的决策变量,由于在密闭的疏散空间中,每一处都可能存在需要被引导的逃生人员,所以i始终为1;i为在标识选址空间约束下,标识引导需求点i处是否放置标识的决策变量,在i处放置标记时i=1,否则i=0。2.3 基于改进遗传算法的优化模型求解 为了实现上述消防疏散标识优化模型的求解,本文提出了基于改进遗传算法的优化模型求解方法。联合自定义算子和并行计算,实现了优化模型的求解。2.3.1 基于自定义算子的改进遗传算法(1)编码。在本算法中,个体指每个标识布局,而染色体指每个标识的不同坐标,本文选取的编码方式为
12、实数编码(real-number encoding),直接以原始数据表示染色体即可。相比于传统的二进制编码,该编码方式不需要将原始数据转换为二进制数,避免了频繁的编码和解码操作,降低了算法的计算量和额外最优解(刘振鹏等,2019;王雪峰,2019)。具体编码设定为(sign_x0,sign_x1,sign_xn,sign_y0,sign_y1,sign_yn),分别代表第1个、第2个第n+1个标识的x、y坐标。将算法得到的各坐标映射到场所布局,即为对应的消防疏散布局。(2)适应度计算。在遗传算法中,用适应度来评估个体的优越程度,适应度越大,越容易遗传到下一代。本文求解的优化模型目标是求引导效能
13、的最大值,可以设适应度函数Fit为 Fit=max (4)式中,目标函数的具体求解参考式(3)。按这个方法对步骤(1)中编码得到的不同个体进行适应度计算,即可得到种群G,并设定总的迭代次数g、迭代计数器t=0,进入迭代计算直到步骤(6)。(3)个体选择计算。是指在每个遗传算法的循环环节的开始,利用选择算子从当前种群中选出适当的个体作为双亲,从而用于后续的产生下一代个体。该选择的概率基于适应度高低,个体适应度越高,被选择的概率也就越高。本文使用的选择算子为锦标赛选择(tournament selection),在此算子中,从总体中随机选择多个个体,个体间相互比较适应度,最高者获胜被选择,进入下一
14、代个体(Kl和Yzge,2019a,2019b)。本方法中使用了AF共6个个体,具有不同的适应度值,随机选择了3个个体后即标识引导效能最高,假设C个体适应度最高,则视为获胜,进入子代,产生种群G1。锦标赛 周曈 等:基于改进遗传算法的消防疏散标识布局优化 271 算子不需要适应度函数的实际值,只需要比较多个个体间哪个更好即可,能够简单快速地完成选择操作,提高了算法速度。(4)染色体重组计算。染色体重组计算是指重新组合双亲的遗传信息,从而产生后代。相比于传统遗传算法中常见的单点交叉方法(1-point crossover),本文选用了双点交叉法(2-point crossover),在交叉过程中
15、选取两个交叉点,进行基因的交叉(Mirjalili,2019;Katoch等,2021)。假设第一个交叉点位于第二个基因后,第二个交叉点位于第五个基因后,则重组计算是指将两个交叉点之间的片段进行互换。将种群G1进行染色体重组计算,可以得到种群G2。(5)染色体变异计算。通过引入变异操作跳出局部最优解,得到新的解集。相比于传统的遗传算法采用的单点变异方法,本文采用交换式变异(swap mutation)方法,随机选择两个长度相同的基因序列,具有更强的变异能力,并能保留大多数的相邻信息,具有更强的跳出局部最优解,从而搜索全局最优解的能力。利用该变异方式对种群S2进行操作,可以得到种群G3。(6)判
16、断。将步骤(5)中得到的种群G3设为G,使得迭代计数器t的值加1,并判断迭代计数器t是否等于步骤(2)中定义的迭代次数g,若不满足,则回到步骤(2);若满足,则停止迭代,输出最终结果。通过选择、重组、变异操作中的自定义算子,增强了算法跳出局部最优解的能力,提升了算法的计算效率,降低了算法的运行时间。2.3.2 基于线程池的算法并行化加速 针对遗传算法的运行过程中,适应度评价计算耗时久的问题(刘嵩,2006),通过在该环节引入并行化加速方法,提升算法的运行效率。传统的多线程方案将创建进程转化为创建线程,降低了程序运行时间。但在多线程处理过程中,如果任务简单、运行时间短,会导致程序频繁地启动、运行
17、和销毁线程,造成了程序运行时间延长。为此,本文采用基于线程池的多线程技术,线程被预先创建并放入线程池中。相比于运行后就销毁线程的方法,线程池技术进行了重用线程,在运行完当前任务后,继续执行线程池中的下一个任务,如图4所示。这避免了多次创建和销毁线程,节省了相关时间,提升了算法运行效率,带来了更好的性能和系统稳定性。图 4 基于线程池的多线程技术 Fig.4 Multi-threading technologies based on thread pools 3 模拟实验分析 地铁是建于地下的大容量轨道交通系统。由于运营环境的特定性等因素,一旦突发火灾事故,乘客紧急逃生极其困难,群死群伤的可能性
18、极大,如2003年2月18日韩国大邱市地铁火灾,造成近200人死亡、140余人受伤。为了在地铁站台内设置合理有效的地面疏散标识,从而减少人员伤亡,本文选择地铁站台开展模拟实验。3.1 模型建立 为了消除用户现有的认知记忆对于实验的干扰,通过考察国内典型的地铁站布局,建立一个具有主要地铁站台特点的虚拟场景,其中,站台长度为42.5 m,宽度为7.5 m(图5)。图 5 地铁站台俯视图(单位:m)Fig.5 Top view of the metro platform(Unit:m)该场景设立了两个扶梯出口,主要障碍物为座椅和柱子,其中座椅两处,而每处往往是8个座椅连在一起的情况,因此,可以对座椅
19、进行简化处理,将相连的8个座椅简化为一个长方体障碍物,简化后的每处座椅长3 m、宽0.6 m。柱子14个,每个柱子的占地面积为0.5 m0.5 m。其中,忽略柱子上广告和光效应的影响,将柱子简272 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)化成没有修饰的长方体。根据障碍物的位置设定禁忌区域,将剩余区域设为可行性区域。采用交通枢纽分级导向标识布设方法,提出远视距定义,将可见性阈值Dijmax设为50 m,超出此距离的标识视为超出视距范围无法起到引导作用(李宁川,2017;林建新,2017;韩玉琦,2019)。由于地铁站台存在
20、面积小、乘客多、站台拥挤的风险,需要减小标识间的布设距离,从而提高标识的覆盖密度以提高引导效能。根据地铁站域空间标识系统研究中提出的近距离资讯类标识牌体视距,将地铁站台的疏散引导标识设为2.5 m(汤雅莉,2014)。瞳内间距DT的取值,则依靠进一步简化的标准眼模型中的定义设为22.78 mm。标识大小,则采用地铁环境下紧急事件中地埋式标识的外径大小80 mm,计算得到圆形的标识大小S1为0.02 m2,并根据场景条件设定模型参数(表1)。表 1 模型参数设定 Tab.1 Model parameters Dijmin/m Dijmax/m DT/m S1/m2 站台长度/m 站台宽度/m 参
- 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 改进 遗传 算法 消防 疏散 标识 布局 优化
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。