CN111311028A - 一种基于改进型粒子群优化算法的大型室内人员疏散*** - Google Patents
一种基于改进型粒子群优化算法的大型室内人员疏散*** Download PDFInfo
- Publication number
- CN111311028A CN111311028A CN202010207394.3A CN202010207394A CN111311028A CN 111311028 A CN111311028 A CN 111311028A CN 202010207394 A CN202010207394 A CN 202010207394A CN 111311028 A CN111311028 A CN 111311028A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- node
- nodes
- particle swarm
- personnel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 229940088597 hormone Drugs 0.000 claims description 8
- 239000005556 hormone Substances 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000003915 air pollution Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000008844 regulatory mechanism Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000007123 defense Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000006679 Mentha X verticillata Nutrition 0.000 description 2
- 235000002899 Mentha suaveolens Nutrition 0.000 description 2
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000012893 Hill function Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000008262 pumice Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
- H04M1/72406—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by software upgrading or downloading
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72457—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to geographic location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Environmental & Geological Engineering (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于改进型粒子群优化算法的大型室内人员疏散***，对群体智能算法中的粒子群优化算法进行改进，并将其用于优化多输入多输出的路径，并结合多种传感器感知环境信息，提供一种实时更新的室内人员疏散路径规划***及方法。本发明以其灵活高效的特征，在最短的时间内发现可能存在的突发事件，并通过任何电子设备给人群提供最合理，效率最高的疏散路径，将生命安全放在首位，可以在突发事件发生前以及发生时最大限度地挽救个人和社会损失。
Description
技术领域
本发明涉及一种基于改进型粒子群优化算法的大型室内人员疏散***，属于群体智能路径规划领域。
背景技术
随着中国城镇化的发展和人流密度的不断增加，高楼大厦鳞次栉比，建筑的内部结构也逐渐趋于多元化和复杂化，室内环境面积巨大且功能多样。面对突发事件，室内人员常常因不了解事件严重程度而错过最佳逃生机会，或者因不熟悉大楼内部结构而无法选择最佳逃生路线。聚集的人群面对突发恶性事件，拥挤踩踏等危险事故时有发生，有点甚至造成无法挽回的生命和财产损失。
为了解决当前逃生效率低下问题，近年来越来越多的工程和技术人员着眼于研究最佳的人群疏散方法，提出了各种路径规划方案，避免因判断失误形成拥挤踩踏的可怕结果。
中国专利号：CN201610867890，公开了一种考虑疏散引导的室内多出口行人流仿真方法，重点关注基于元胞自动机的引导作用，将引导人员的引导作用引入仿真模型，构建考虑多出口疏散引导情况的行人流仿真模型，量化多出口疏散场景中的引导作用力。
中国专利号：CN201810151107公开了一种人群疏散方法及***，根据各个人防工程的入口处通过的人群流量来计算出人群在各个人防工程疏散所需的时间，然后基于所述时间获取疏散时间最短的人防工程的位置，并将位置发送给显示终端进行显示，从而工作人员可将该人防工程附近的别的人防工程的人群引导到该人防工程进行疏散。
然而，模拟人的行为进行人工引导将大大消耗疏散时间，在地震、火灾等紧急突发事件中愈发显得复杂繁琐。同时，人群流量的计算，获取最短时间位置，到输出终端显示，直至工作人员引导这一过程将造成大量的信息延迟。因此，实时监测地理位置，高效指示最合理路径以及在不同环境下的适应性等都是尚未解决的难题。
发明内容
为了克服现有技术中的不足，本发明提出了一种基于改进型粒子群优化算法的大型室内人员疏散***，对群体智能算法中的粒子群优化算法进行改进，并将其用于优化多输入多输出的路径，并结合多种传感器感知环境信息，提供一种实时更新的室内人员疏散路径规划***及方法。
本发明中主要采用的技术方案为：
如图1所示，一种基于改进型粒子群优化算法的大型室内人员疏散***，所述***包括环境构建模块和规划路径模块，其中，
所述环境构建模块的具体构建步骤如下：
步骤1-1：在进入大型室内建筑物之前运用移动终端下载相关软件程序，该软件程序允许访问当前用户GPS定位信息，并且实时更新位置信息，且每隔一段时间软件程序将位置信息发送至处理终端，由处理终端采用改进算法进行数据处理，所述移动终端具有语音播报功能，当危险发生之时由移动终端进行语音播报，用于时刻提示人员个体最佳的路径；
步骤1-2：在建筑物室内各处每隔一定距离布置若干不同类型的传感器，用于预测不同突发事件，所述传感器的检测数据实时更新，所述传感器的检测数据与人群的GPS定位信息实时发送至处理终端，当传感器某一数值超过预先设定的安全阈值时，处理终端将提前给出警报，提醒疏散***及工作人员做出安全预判，便于在人群疏散前提前做出疏散路线规划；
步骤1-3：划分各个疏散节点，每一条疏散路径由多个弧段组成，建筑物每一层的每一个疏散节点均简化成疏散源点，通过疏散节点将建筑物从疏散源点到出口连接起来，其中，通过合并疏散节点形成新节点，以减少网络节点的数量，新节点形成后相关特征参数也作相应修改。
所述路径规划模块的具体构建步骤如下：
步骤2-1：基于图论建立多输入源点—多输出的疏散模型，将每个疏散源点的人合理分配到不同路径上，使得疏散网络疏散时间最小化，所述模型建立的关系式如下：
其中，minT＝min(maxTij)用于确保节点i和节点j之间的时间最小化，
表示节点i和节点j在不同环境导致不同速度的情况下所需疏散时间，Ci(t)≤Cmaxi用于确保t时刻节点i的人数不得超过该节点人员密度的容量阈值；
用于确保节点i上的每个人都被疏散，Pij≥0用于确保人员流动值为正；
步骤2-2：采用改进型的粒子群算法对路径规划进行优化，在传统PSO算法中，每个粒子对所有目标都有一定的适应值，每个目标的维数为n，将粒子i在迭代k次后的位置表示为
其速度表示为
将粒子i的最佳位置表示为Pi n(k)，整个粒子群的最佳位置表示为Pn(k)，即速度更新由Pi n(k)和Pn(k)共同完成，使粒子越来越接近最佳位置，Pi n(k)位置信息更新为：
同时
速度信息更新为：
其中，w是惯性权重；c1和c2是学习因子，通常c1＝c2＝2；r1和r2是[0,1]的随机数；
采用控制激素调节的函数对惯性权重进行描述，则基于生物激素调节机制的规律给出惯性权重w的设计为：
其中，wmax表示惯性权重最大值；wmin表示惯性权重最小值；w0表示惯性初值；k表示当前迭代次数；K表示阈值，且K＞0；Q表示Hill系数，且Q≥1基于上述公式，提出粒子新的速度更新公式如下：
步骤2-3基于改进的粒子群算法进行室内整体路径规划，且软件程序每隔一段时间刷新一次人员个体的GPS信息，以实时基于改进的粒子群算法给出最佳逃生路线；
步骤2-4：针对特殊时期构建瓶颈点检测模块的具体步骤如下：
计算瓶颈点和节点容量阈值，使用线性编程识别限制出口移动的潜在瓶颈点，以a作为人员密度的阈值来计算节点容量的阈值，当节点的人员密度超过a时，认为已经开始出现瓶颈点，即人员移动速度迅速降低甚至停止，具体表达式如下：
每个疏散节点
的容量阈值通过线性编程获得，如果
则将该节点视为瓶颈点。
2.根据权利要求1所述一种基于改进型粒子群优化算法的大型室内人员疏散***，其特征在于，所述步骤1-3中针对以下两种特殊位置，作初步设置：
(1)当建筑物通道交叉口中的疏散节点连接到周围的疏散交叉口节点时，将它们分别划分为一个疏散节点；
(2)由于人员流动不规则，位于T型路口和十字路口的疏散节点不进行合并。
优选地，其特征在于，所述疏散***的具体疏散步骤如下：
3-1：环境构建模块收集人员所在室内大型建筑物的GPS定位信息、结构组成以及出入口信息；
3-2：基于图论在室内设置节点，对特殊地段节点做增删修改；
3-3：根据突发事件类型确定正确和错误的疏散节点，初步确定可行路线；
3-4：利用改进的粒子群算法建立多输入源点—多输出的疏散模型，找到最合适的疏散路线；
3-5：通过步骤3-4中的模型结果，预判可能存在的瓶颈点；
3-6：判断是否在某一节点出现拥堵，若存在，打开其他不常用通道或选择离瓶颈点最近的其他节点逃生，然后转步骤3-4，重新规划逃生路线；否则，继续一下步骤3-7；
3-7：确定疏散方案，结束算法并输出最优规划路径。
优选地，所述步骤2-4中所述瓶颈点的解决方案如下：
情况A：该建筑物存在员工通道，当人群在疏散的时候，如果出现某个疏散节点人员拥堵的情况即出现瓶颈点，将考虑打开距离瓶颈点最近的不常用通道或者员工通道，以减小该节点人员压力。但由于员工入口狭窄且不安全，当瓶颈点不再拥挤或人员密度小于或等于a时，立即采取措施关闭员工入口，以确保人群安全。
情况B：该建筑物不存在员工通道，如果在该大型建筑物没有多余通道可用的情况下，出现瓶颈点，通过软件程序将推荐使用距离瓶颈点最近的别的畅通通道，并重新规划逃生路线，以提高逃生效率。
优选地，所述步骤1-2中的突发事件包括火灾、地震、盗窃、抢劫和空气污染，所述传感器包括温度传感器、环境光传感器、湿度传感器、气压传感器、GPS、噪声传感器、震动传感器、重力传感器和气敏传感器。
有益效果：本发明提供一种基于改进型粒子群优化算法的大型室内人员疏散***，基于改进型粒子群优化算法的多源点多输出的大型室内人员疏散***，以其灵活高效的特征，在最短的时间内发现可能存在的突发事件，并通过任何电子设备给人群提供最合理，效率最高的疏散路径，将生命安全放在首位，可以在突发事件发生前以及发生时最大限度地挽救个人和社会损失。其优点如下：
(1)实用性广泛。该***可以运用于各种复杂的大型室内建筑结构，且越是复杂的结构，疏散效果越好，出现瓶颈点的可能性越小；
(2)减少人员伤亡和财产损失。一方面，传感器的加入将给提前预知火灾地震等突发事件的发生提供可能，这不仅为人群疏散提供宝贵时间，还能让决策者提前做出决策，挽救宝贵财产；另一方面，高效的疏散路径在减少疏散时间的同时，也减少了救援人员的投入。
附图说明
图1是本发明疏散***的总体框架图；
图2是本发明不同突发事件与各种传感器的关系图；
图3是本发明的建筑结构特殊位置节点划分示意图之一；
图4是本发明的建筑结构特殊位置节点划分示意图之一；
图5是本发明卢浮宫案例建筑地上第三层的结构图；
图6是本发明基于改进粒子群算法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
一种基于改进型粒子群优化算法的大型室内人员疏散***，所述***包括环境构建模块和规划路径模块，其中，
所述环境构建模块的具体构建步骤如下：
步骤1-1：在进入大型室内建筑物之前运用电子设备(包括移动终端)下载相关软件程序，该软件程序允许访问当前用户GPS信息，并且实时更新位置信息，且每隔一段时间软件程序将位置信息发送至处理终端(计算机)，由处理终端(计算机)采用改进算法进行数据处理，所述移动终端具有语音播报功能，当危险发生之时由移动终端进行语音播报，用于时刻提示人员个体最佳的路径；
步骤1-2：在建筑物室内各处每隔一定距离布置若干不同类型的传感器(具体传感器的布置由本领域技术人员根据实际情况进行设置)，用于预测不同突发事件，所述传感器的检测数据实时更新，且所述传感器的检测数据与疏散人群的GPS定位信息实时发送至处理终端，(相当于每隔一段时间，不同类型传感器的实时检测数据和每个人当前的位置定位信息一起打包发送至处理终端，其中，传感器的信息统一通过无线电发给基站，GPS信息是由GPS卫星定位确定的，然后各自从基站和GPS卫星发给计算机终端，传感器信息只是作为危险警报的预提醒，后续的路径规划只与GPS定位信息有关。)当传感器某一数值超过预先设定的安全阈值时，处理终端将提前给出警报，提醒做出安全预判，便于在人群疏散前提前做出疏散路线规划；
步骤1.3：划分各个疏散节点，每一条疏散路径由多个弧段组成，建筑物每一层的每一个疏散节点均简化成疏散源点，通过疏散节点将建筑物从疏散源点到出口连接起来，其中，通过合并疏散节点形成新节点，以减少网络节点的数量，新节点形成后相关特征参数也作相应修改。
所述路径规划模块的具体构建步骤如下：
步骤2-1：基于图论建立多输入源点—多输出的疏散模型，将每个疏散源点的人合理分配到不同路径上，使得疏散网络疏散时间最小化，所述模型建立的关系式如下：
其中，minT＝min(maxTij)用于确保节点i和节点j之间的时间尽可能的最小化，
表示节点i和节点j在不同环境导致不同速度的情况下所需疏散时间，Ci(t)≤Cmaxi用于确保t时刻节点i的人数不得超过该节点人员密度的容量阈值；
用于确保节点i上的每个人都被疏散，Pij≥0用于确保人员流动值为正；
步骤2-2：采用改进型的粒子群算法对规划路径进行优化，在传统PSO算法中，每个粒子对所有目标都有一定的适应值，每个目标的维数为n，将粒子i在迭代k次后的位置表示为
其速度表示为
将粒子i的最佳位置表示为Pi n(k)，整个粒子群的最佳位置表示为Pn(k)，每个粒子根据自己当前最佳位置和群体共享的最佳位置来调整自己的速度和位置，即速度更新由Pi n(k)和Pn(k)共同完成，使粒子越来越接近最佳位置，Pi n(k)位置信息更新为：
同时
速度信息更新为：
其中，w是惯性权重；c1和c2是学习因子，通常c1＝c2＝2；r1和r2是[0,1]的随机数；
采用控制激素调节的函数对惯性权重进行描述，则基于生物激素调节机制的规律给出惯性权重w的设计为：
其中，wmax表示惯性权重最大值；wmin表示惯性权重最小值；w0表示惯性初值；k表示当前迭代次数；K表示阈值，且K＞0；Q表示Hill系数，且Q≥1，基于上述公式，提出粒子新的速度更新公式如下：
步骤2.3基于改进的粒子群算法进行室内整体路径规划，且软件程序每隔一段时间刷新一次人员个体的GPS定位信息，用于实时基于改进的粒子群算法给出最佳逃生路线；
步骤2.4：针对特殊时期构建瓶颈点检测模块的具体步骤如下：
计算瓶颈点和节点容量阈值，使用线性编程识别限制出口移动的潜在瓶颈点，以a作为人员密度的阈值来计算节点容量的阈值，a值根据不同建筑物情况而定，当节点的人员密度超过a时，认为已经开始出现瓶颈点，即人员移动速度迅速降低甚至停止，具体表达式如下：
每个疏散节点
的容量阈值通过线性编程获得，如果
则将该节点视为瓶颈点。
优选地，所述步骤1-3针对以下两种特殊位置，作初步设置：
(1)当建筑物通道交叉口中的疏散节点连接到周围的疏散交叉口节点时，将它们分别划分为一个疏散节点；
(2)由于人员流动不规则，位于T型路口和十字路口的疏散节点不进行合并。
优选地，步骤2.3中室内整体路径规划的具体步骤如下：
3-1：收集人员所在室内大型建筑物的地理位置、结构组成、入口出口信息；
3-2：基于图论在室内设置节点，对特殊地段节点做增删修改；
3-3：根据突发事件类型确定正确和错误的源点，初步确定可行路线；
3-4：利用改进的粒子群算法建立多输入源点—多输出的疏散模型，找到最合适的疏散路线；
3-5：通过步骤3-4中的模型结果，预判可能存在的瓶颈点；
3-6：判断是否在某一节点出现拥堵，若存在，打开其他不常用通道或选择离瓶颈点最近的其他节点逃生，然后转步骤3-4，重新规划逃生路线；否则，继续一下步骤3-7；
3-7：确定疏散方案，结束算法并输出最优规划路径。
优选地，步骤2.4中所述瓶颈点的解决方案如下：
情况A：该建筑物存在员工通道，当人群在疏散的时候，如果出现某个疏散节点人员拥堵的情况即出现瓶颈点，将考虑打开距离瓶颈点最近的不常用通道或者员工通道，以减小该节点人员压力。但由于员工入口狭窄且不安全，当瓶颈点不再拥挤或人员密度小于或等于a时，立即采取措施关闭员工入口，以确保人群安全。
情况B：该建筑物不存在员工通道，如果在该大型建筑物没有多余通道可用的情况下，出现瓶颈点，通过软件程序将推荐使用距离瓶颈点最近的别的畅通通道，并重新规划逃生路线，以提高逃生效率。
优选地，所述步骤1-2中的突发事件包括火灾、地震、盗窃与抢劫、以及空气污染，所述传感器包括温度传感器、环境光传感器、湿度传感器、气压传感器、GPS、噪声传感器、震动传感器、重力传感器和气敏传感器。
如图2所示，本发明中，突发事件与传感器之间的关联，可以是火灾对应温度传感器、环境光传感器、湿度传感器、气压传感器；地震对应GPS、噪声传感器、震动传感器；盗窃与抢劫对应重力传感器；空气污染对应气敏传感器等。
实施例1：
环境构建模块
为了验证并将紧急疏散模型应用于卢浮宫，在进入宫殿进行参观之前，确保每位游客和工作人员配备智能手机、智能手表、电脑(或者平板)等中一种或者多种，下载特定的软件程序，并进行模拟测试，给游客提供今天的访客人数和平均访客人数。
在室内各处每隔一定距离布置若干不同类型的传感器以达到预测地震、火灾等不同突发事件的效果。此步操作的数据也将实时更新，同疏散人群GPS定位信息一起发送到处理终端，但不参与后续改进算法的处理，当传感器某一数值超过预先设定的安全阈值时，此时突发事件可能尚未发生，终端将提前给出警报，提醒做出安全预判，便于在人群疏散前提前做出疏散路线规划。
划分各个疏散节点：该步骤的构建主要是为了简化疏散起点到节点终点的过程，一条疏散路径由多个弧段组成，建筑物每一层的每一个节点都可以简化成疏散源点，通过节点将建筑物从源点到终点也就是出口连接起来。为了避免由于节点数量过多甚至是不必要的重复操作而导致***运行时间延长，考虑合理地合并可以合并的节点，以减少网络节点的数量。其主要原理是合并连接到同一节点的所有节点，新节点形成后相关特征参数也需要相应修改。
对于特殊位置，特别是由图3和图4所示的两种：
针对图3，当交叉口中的节点连接到周围的交叉口节点时，将它们分别分为一个节点。
针对图4，在T型路口和十字路口，由于人员流动不规则，不考虑将它们合并。
路径规划模块
根据卢浮宫网站，该博物馆每周二和公众假期关闭。假设访客不会停留超过半天，考虑到卢浮宫在2017年接待了810万游客，我们计算每时每刻的游客平均数为13106人。在进入大型室内建筑物之前运用电子设备下载相关软件程序，该程序允许访问当前用户GPS信息，并且实时更新位置信息，每隔一段时间将信息发送给处理终端，以便后续计算机利用改进算法进行处理。除此之外，当危险发生之时，有语音播报功能，以便时刻提示人员个体最佳的路径。
图5是卢浮宫黎塞留馆(Richelieu)地上第三层的结构图，卢浮宫一共三个展馆，叙利馆、德农馆和黎塞留馆，每个展馆四层分别是地下一层，地上一层、二层和三层。在地下一层三个展厅是连在一起的，所有的出入口都在底层，地面层即地上一层开放有VIP通道。由于三个展馆各自修缮，开放时间不一，黎塞留馆经常单独对外开放，考虑将其作为独立疏散***进行研究。从图5中可见，数字标识代表不同展厅，存放着不同艺术特色或者风格的作品，数字855旁边的向下楼梯符号代表绿色安全通道，由于此层为顶楼，故只有向下疏散的节点；同时，数字835旁边的扶梯标识代表自动上下扶梯，在意外事件发生时考虑到安全隐患问题，不建议人群从扶梯处疏散，同理，垂直电梯因为安全问题不予考虑，因此垂直电梯从图中省略。图3中圆圈数字代表根据图论原理对节点的划分与合并，箭头方向表示此节点处人群可以选择的疏散方向，三角数字代表一层楼的出口，可以是向上疏散出口也可以是向下疏散出口，视楼层而定，划分各个疏散节点，对卢浮宫合理设置节点。
逃生模型涉及参数介绍
Step1：疏散的等效长度和疏散速度，使用em表示不同的紧急情况，表示为
疏散路线wij的当量长度
表示为
其中f(Ks,ρ,T)为火灾烟气影响下人员行动的活动指数；
是wij的几何长度。
其中f(Ks,ρ,T)＝f1(Ks)·f2(ρ)·f3(T)，f1(Ks)为可见性影响系数，Ks为减光系数
f2(ρ)为有毒气体浓度影响系数：
其中ρ是CO(％)的浓度；t为暴露时间(min)。f3(T)为烟气温度影响系数：
其中Ts为火灾场温度,v0是人正常的行走速度。
Step2：不同通道的疏散速度和流量系数的计算公式如下，其中v为人员疏散速度，ρ为人流密度。
(1)水平通道上的疏散速度和人员流动系数为∫v＝1.427-0.3549ρ；
(2)沿楼梯下行的疏散速度和人员流动系数为∫v＝0.6502-0.0972ρ；
(3)沿楼梯上行的疏散速度和人员流动系数为∫v＝0.564-0.0765ρ，
Step3：简化模型，选取了节点t时刻人流量Ci(t)和节点间距
计算人流密度为，
(1)基于图论建立模型，建立多输入源点—多输出的疏散模型，关键在于在保证不能超过节点容量的限制下，将每个源点的人合理分配到不同路径上，使得疏散网络疏散时间最小化。建立了下面的关系式：
其中，
用于确保节点i上的每个人都被疏散，Pij≥0用于确保人员流动值为正。
(2)瓶颈点检测与解决方案
情况A：该建筑物存在员工通道。当人群在疏散的时候，如果出现某个节点人员拥堵的情况即出现瓶颈点，将考虑打开距离瓶颈点最近的不常用通道或者员工通道，以减小该节点人员压力。但由于员工入口狭窄且不安全，当瓶颈点不再拥挤或人员密度小于或等于a时，将立即采取措施关闭员工入口，以确保人群安全。
情况B：该建筑物不存在员工通道。如果在该大型建筑物没有多余通道可用的情况下，出现瓶颈点，通过软件程序将推荐使用距离瓶颈点最近的别的畅通通道，并重新规划逃生路线，以提高逃生效率。
(3)改进型粒子群优化路径
考虑采用改进型的粒子群算法对规划路径进行优化。在传统PSO算法中，每个粒子对所有目标都有一定的适应值，每个目标的维数为n。将粒子i在迭代k次后的位置表示为
其速度表示为
将粒子i的最佳位置表示为Pi n(k)。则速度更新由Pi n(k)和Pn(k)共同完成，使粒子越来越接近最佳位置，Pi n(k)位置信息更新为：
同时
速度信息更新为：
其中w是惯性权重；c1和c2是学习因子，通常c1＝c2＝2；r1和r2是[0,1]的随机数。
然而，在传统PSO设计过程中，其惯性权重一般采用线性函数或者常函数进行描述，这种设计很难避免算法陷入局部最优。控制激素调节的函数(即Hill系数)是一种非线性函数，它具有非负性和单调性。基于生物激素调节机制的规律给出惯性权重w设计为：
其中wmax表示惯性权重最大值；wmin表示惯性权重最小值；w0表示惯性初值；k表示当前迭代次数；K表示阈值，且K＞0；Q表示Hill函数，且Q≥1。因此，基于以上思路，提出粒子新的速度更新公式：
基于改进型的粒子群优化算法进行室内整体路径规划，其具体步骤如图6所示：
3-1：收集人员所在室内大型建筑物的地理位置、结构组成、入口出口等信息；
3-2：基于图论在室内设置节点，对特殊地段节点做增删修改；
3-3：根据突发事件类型确定正确和错误的疏散节点，初步确定可行路线；
3-4：利用改进的粒子群算法建立多输入源点—多输出的疏散模型，找到最合适的疏散路线；
3-5：通过步骤3-4中的模型结果，预判可能存在的瓶颈点；
3-6：判断是否在某一节点出现拥堵，若存在，打开其他不常用通道或选择离瓶颈点最近的其他节点逃生，然后转步骤3-4，重新规划逃生路线；否则，继续一下步骤3-7；
3-7：确定疏散方案，结束算法并输出最优规划路径。
软件程序会每一段时间刷新一次人员个体的地理位置信息，以随时基于改进的粒子群算法给出最佳逃生路线。
根据改进型粒子群算法的流程，设定avgWide为15m，将各个参数带入***，当Pi的平均值为100时，T＝293s，大约为五分钟的时间，疏散***具体结果如表1所示：
表1疏散***具体结果
在开放VIP通道，未打开员工通道的前提下，比较表1结果，并未发现可能存在的瓶颈点。因此，在这些参数的情况下，对于卢浮宫黎塞留馆而言，仅开放VIP通道的策略是可行的，模型取得了比较好的结果。
本发明中涉及的相关软件程序，属于本领域技术人员根据实际情况进行设计的，属于常规技术手段，故而未加详述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于改进型粒子群优化算法的大型室内人员疏散***，其特征在于，所述***包括环境构建模块和规划路径模块，其中，
所述环境构建模块的具体构建步骤如下：
步骤1-1：在进入大型室内建筑物之前运用移动终端下载相关软件程序，该软件程序允许访问当前用户GPS定位信息，并且实时更新位置信息，且每隔一段时间软件程序将位置信息发送至处理终端，由处理终端采用改进算法进行数据处理，所述移动终端具有语音播报功能，当危险发生之时由移动终端进行语音播报，用于时刻提示人员个体最佳的路径；
步骤1-2：在建筑物室内各处每隔一定距离布置若干不同类型的传感器，用于预测不同突发事件，所述传感器的检测数据实时更新，所述传感器的检测数据与人群的GPS定位信息实时发送至处理终端，当传感器某一数值超过预先设定的安全阈值时，处理终端将提前给出警报，提醒疏散***及工作人员做出安全预判，便于在人群疏散前提前做出疏散路线规划；
步骤1-3：划分各个疏散节点，每一条疏散路径由多个弧段组成，建筑物每一层的每一个疏散节点均简化成疏散源点，通过疏散节点将建筑物从疏散源点到出口连接起来，其中，通过合并疏散节点形成新节点，以减少网络节点的数量，新节点形成后相关特征参数也作相应修改；
所述路径规划模块的具体构建步骤如下：
步骤2-1：基于图论建立多输入源点—多输出的疏散模型，将每个疏散源点的人合理分配到不同路径上，使得疏散网络疏散时间最小化，所述模型建立的关系式如下：
min T＝min(max Tij)，
其中，min T＝min(max Tij)用于确保节点i和节点j之间的时间最小化，
表示节点i和节点j在不同环境导致不同速度的情况下所需疏散时间，Ci(t)≤C maxi用于确保t时刻节点i的人数不得超过该节点人员密度的容量阈值；
用于确保节点i上的每个人都被疏散，Pij≥0用于确保人员流动值为正；
步骤2-2：采用改进型的粒子群算法对路径规划进行优化，在传统PSO算法中，每个粒子对所有目标都有一定的适应值，每个目标的维数为n，将粒子i在迭代k次后的位置表示为
其速度表示为
将粒子i的最佳位置表示为Pi n(k)，整个粒子群的最佳位置表示为Pn(k)，即速度更新由Pi n(k)和Pn(k)共同完成，使粒子越来越接近最佳位置，Pi n(k)位置信息更新为：
同时
速度信息更新为：
其中，w是惯性权重；c1和c2是学习因子，通常c1＝c2＝2；r1和r2是[0,1]的随机数；
采用控制激素调节的函数对惯性权重进行描述，则基于生物激素调节机制的规律给出惯性权重w的设计为：
其中，wmax表示惯性权重最大值；wmin表示惯性权重最小值；w0表示惯性初值；k表示当前迭代次数；K表示阈值，且K＞0；Q表示Hill系数，且Q≥1基于上述公式，提出粒子新的速度更新公式如下：
步骤2-3基于改进的粒子群算法进行室内整体路径规划，且软件程序每隔一段时间刷新一次人员个体的GPS定位信息，用于实时基于改进的粒子群算法给出最佳逃生路线；
步骤2-4：针对特殊时期构建瓶颈点检测模块的具体步骤如下：
计算瓶颈点和节点容量阈值，使用线性编程识别限制出口移动的潜在瓶颈点，以a作为人员密度的阈值来计算节点容量的阈值，当节点的人员密度超过a时，认为已经开始出现瓶颈点，即人员移动速度迅速降低甚至停止，具体表达式如下：
每个疏散节点
的容量阈值通过线性编程获得，如果
则将该节点视为瓶颈点。
2.根据权利要求1所述基于改进型粒子群优化算法的大型室内人员疏散***，其特征在于，所述步骤1-3中针对以下两种特殊位置，作初步设置：
(1)当建筑物通道交叉口中的疏散节点连接到周围的疏散交叉口节点时，将它们分别划分为一个疏散节点；
(2)由于人员流动不规则，位于T型路口和十字路口的疏散节点不进行合并。
3.根据权利要求1所述基于改进型粒子群优化算法的大型室内人员疏散***，其特征在于，所述疏散***的具体疏散步骤如下：
3-1：环境构建模块收集人员所在室内大型建筑物的GPS定位信息、结构组成以及出入口信息；
3-2：基于图论在室内设置节点，对特殊地段节点做增删修改；
3-3：根据突发事件类型确定正确和错误的疏散节点，初步确定可行路线；
3-4：利用改进的粒子群算法建立多输入源点—多输出的疏散模型，找到最合适的疏散路线；
3-5：通过步骤3-4中的模型结果，预判可能存在的瓶颈点；
3-6：判断是否在某一节点出现拥堵，若存在，打开其他不常用通道或选择离瓶颈点最近的其他节点逃生，然后转步骤3-4，重新规划逃生路线；否则，继续一下步骤3-7；
3-7：确定疏散方案，结束算法并输出最优规划路径。
4.根据权利要求1所述的基于改进型粒子群优化算法的大型室内人员疏散***，其特征在于，所述步骤2-4中所述瓶颈点的解决方案如下：
情况A：该建筑物存在员工通道，当人群在疏散的时候，如果出现某个疏散节点人员拥堵的情况即出现瓶颈点，将考虑打开距离瓶颈点最近的不常用通道或者员工通道，以减小该节点人员压力。但由于员工入口狭窄且不安全，当瓶颈点不再拥挤或人员密度小于或等于a时，立即采取措施关闭员工入口，以确保人群安全；情况B：该建筑物不存在员工通道，如果在该大型建筑物没有多余通道可用的情况下，出现瓶颈点，通过软件程序将推荐使用距离瓶颈点最近的别的畅通通道，并重新规划逃生路线，以提高逃生效率。
5.根据权利要求1所述基于改进型粒子群优化算法的大型室内人员疏散***，其特征在于，所述步骤1-2中的突发事件包括火灾、地震、盗窃、抢劫和空气污染，所述传感器包括温度传感器、环境光传感器、湿度传感器、气压传感器、GPS、噪声传感器、震动传感器、重力传感器和气敏传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010207394.3A CN111311028A (zh) | 2020-03-23 | 2020-03-23 | 一种基于改进型粒子群优化算法的大型室内人员疏散*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010207394.3A CN111311028A (zh) | 2020-03-23 | 2020-03-23 | 一种基于改进型粒子群优化算法的大型室内人员疏散*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111311028A true CN111311028A (zh) | 2020-06-19 |
Family
ID=71158823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010207394.3A Pending CN111311028A (zh) | 2020-03-23 | 2020-03-23 | 一种基于改进型粒子群优化算法的大型室内人员疏散*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311028A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113901727A (zh) * | 2021-11-16 | 2022-01-07 | 枫树谷(成都)科技有限责任公司 | 一种基于分子动力学和机器学习的人群疏散模拟方法 |
| CN114757014A (zh) * | 2022-03-17 | 2022-07-15 | 武汉理工大学 | 基于邮轮火灾与路段容量限制的人员疏散仿真方法 |
| CN115759463A (zh) * | 2022-12-02 | 2023-03-07 | 武汉理工大学三亚科教创新园 | 一种客船旅客逃生路径动态规划方法 |
| CN116030607A (zh) * | 2023-03-27 | 2023-04-28 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种智慧电厂***提醒预警*** |
| CN116187612A (zh) * | 2023-04-28 | 2023-05-30 | 交通运输部水运科学研究所 | 一种基于动态配流的人员疏散路径优化管理方法及*** |
| CN114757014B (zh) * | 2022-03-17 | 2024-08-02 | 武汉理工大学 | 基于邮轮火灾与路段容量限制的人员疏散仿真方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611474A (zh) * | 2015-10-24 | 2017-05-03 | 重庆聆益机械有限公司 | 机械加工制造安全防护报警*** |
| CN109655068A (zh) * | 2019-01-31 | 2019-04-19 | 山东师范大学 | 基于建筑物中突发火灾事件的路径重规划方法及装置、*** |
-
2020
- 2020-03-23 CN CN202010207394.3A patent/CN111311028A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611474A (zh) * | 2015-10-24 | 2017-05-03 | 重庆聆益机械有限公司 | 机械加工制造安全防护报警*** |
| CN109655068A (zh) * | 2019-01-31 | 2019-04-19 | 山东师范大学 | 基于建筑物中突发火灾事件的路径重规划方法及装置、*** |
Non-Patent Citations (1)
| Title |
|---|
| WANG, JIAHAO等: "Multi-input source and Multi-destination Evacuation Model", 《2019 IEEE 9TH ANNUAL INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (CYBER)》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113901727A (zh) * | 2021-11-16 | 2022-01-07 | 枫树谷(成都)科技有限责任公司 | 一种基于分子动力学和机器学习的人群疏散模拟方法 |
| CN114757014A (zh) * | 2022-03-17 | 2022-07-15 | 武汉理工大学 | 基于邮轮火灾与路段容量限制的人员疏散仿真方法 |
| CN114757014B (zh) * | 2022-03-17 | 2024-08-02 | 武汉理工大学 | 基于邮轮火灾与路段容量限制的人员疏散仿真方法 |
| CN115759463A (zh) * | 2022-12-02 | 2023-03-07 | 武汉理工大学三亚科教创新园 | 一种客船旅客逃生路径动态规划方法 |
| CN115759463B (zh) * | 2022-12-02 | 2023-11-17 | 武汉理工大学三亚科教创新园 | 一种客船旅客逃生路径动态规划方法 |
| CN116030607A (zh) * | 2023-03-27 | 2023-04-28 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种智慧电厂***提醒预警*** |
| CN116030607B (zh) * | 2023-03-27 | 2023-06-09 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种智慧电厂***提醒预警*** |
| CN116187612A (zh) * | 2023-04-28 | 2023-05-30 | 交通运输部水运科学研究所 | 一种基于动态配流的人员疏散路径优化管理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311028A (zh) | 一种基于改进型粒子群优化算法的大型室内人员疏散*** | |
| CN105631555B (zh) | 一种疏散路径的推送方法及装置 | |
| Zheng et al. | Simulation of pedestrian evacuation considering emergency spread and pedestrian panic | |
| JP2000113357A (ja) | 総合防災救難システム | |
| CN114445984A (zh) | 一种城市大型建筑火灾消防应急疏散***与方法 | |
| JP4915550B2 (ja) | 避難行動予測システムおよび避難行動予測方法 | |
| CN115752490B (zh) | 基于大数据和定位技术的安全出行路径优化方法及*** | |
| Bukowski et al. | Egress concepts and design approaches | |
| Zuo et al. | Simulation and optimization of pedestrian evacuation in high-density urban areas for effectiveness improvement | |
| CN116822764A (zh) | 一种消防可视化智能应急指挥*** | |
| CN112488423A (zh) | 一种火场中被困人员逃生路径的规划方法 | |
| CN117114222A (zh) | 一种基于物联实时数据的智能应急疏散线路优选方法及*** | |
| Li et al. | Research on OREMS-based large-scale emergency evacuation using vehicles | |
| Osaragi et al. | Simulation model of evacuation behavior following a large-scale earthquake that takes into account various attributes of residents and transient occupants | |
| CN106600862A (zh) | 一种火灾协助逃生方法及*** | |
| CN112199747B (zh) | 基于排队网络的室内人员疏散方法和疏散*** | |
| Jiang et al. | Emergency evacuation based on long range communication technology | |
| Zhou et al. | Modeling of crowd dynamics with emergency signs via modified social force model | |
| Satır et al. | A review of evacuation of high-rise buildings | |
| Shan et al. | Simulation analysis of evacuation processes in a subway station based on multi-disaster coupling scenarios | |
| KR102592101B1 (ko) | 인공지능 기반 건축구조물 내의 최적 대피경로 안내시스템 및 안내방법 | |
| Franzese et al. | A methodology for the assessment of traffic management strategies for large-scale emergency evacuations | |
| Soltanzadeh et al. | The effects of cultural behavior on the evacuation of the first residential towers built in Iran (case study: Saman twin towers from the 1970s in Tehran) | |
| CN114067065A (zh) | 一种逃生路线可视化***及逃生方法 | |
| Wei et al. | Integrated urban evacuation planning framework for responding to human-caused disasters over a surface transportation network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
| RJ01 | Rejection of invention patent application after publication |