摘要：為了提升智慧園區(qū)建筑發(fā)生火災(zāi)后人員疏散效率，利用改進(jìn)算法設(shè)計出一種智慧園區(qū)建筑火災(zāi)人員疏散路徑規(guī)劃方法。通過模擬實驗分析可知，在多種工況條件下，相對于傳統(tǒng)蟻群算法與Dijkstra算法，改進(jìn)蟻群算法路徑規(guī)劃速度最快，確定出的路徑最短，次數(shù)及路徑中拐點數(shù)量最少。研究表明，該疏散路徑規(guī)劃方法應(yīng)用效果顯著，可將其應(yīng)用到智慧園區(qū)建筑火災(zāi)人員疏散路徑規(guī)劃工作中，為人員快速疏散提供幫助。

關(guān)鍵詞：智慧園區(qū)；火災(zāi)；疏散路徑規(guī)劃

引言

智慧園區(qū)是現(xiàn)代城市發(fā)展的主要方向。智慧園區(qū)建筑通常由智能安防系統(tǒng)、智能停車系統(tǒng)、環(huán)境監(jiān)測系統(tǒng)、能耗管理系統(tǒng)、智能消防系統(tǒng)等構(gòu)成。其中，智能消防系統(tǒng)是智慧園區(qū)建筑的重要組成部分，在建筑出現(xiàn)火災(zāi)后快速引導(dǎo)內(nèi)部人員疏散，將火災(zāi)造成的損失降至最低。傳統(tǒng)智能消防系統(tǒng)在人員疏散時，通常利用A*算法、Dijkstra算法等對人員疏散路徑進(jìn)行規(guī)劃，可在較短的時間內(nèi)規(guī)劃出安全的疏散路徑，有利于人員快速撤離火災(zāi)現(xiàn)場[1]。然而，這些算法依然存在一些缺陷，如路徑規(guī)劃效率低、規(guī)劃路徑較長、規(guī)劃路徑中的拐點數(shù)量較多等，在一定程度上影響人員的快速撤離[2]。因此，為了進(jìn)一步提升智慧園區(qū)建筑火災(zāi)人員疏散效果，應(yīng)采取更加科學(xué)、合理的方式對疏散路徑進(jìn)行規(guī)劃。本文設(shè)計出一種基于改進(jìn)蟻群算法（Ant Colony Optimization，ACO）的火災(zāi)人員疏散路徑規(guī)劃方法，對進(jìn)一步提升智慧園區(qū)火災(zāi)人員疏散效率具有重要意義。

一、火災(zāi)疏散場景模型構(gòu)建

智慧園區(qū)建筑內(nèi)部空間通常較為復(fù)雜，其中存在大量障礙物，若按照建筑物實體建模，不僅難度較大，還要投入大量時間，不利于后續(xù)研究的進(jìn)行。因此，研究中采用柵格圖法對火災(zāi)場景建模。建模時，先將障礙物建設(shè)成規(guī)則的形狀，如圓形、三角形等，當(dāng)建筑內(nèi)部出現(xiàn)火災(zāi)后，對規(guī)則形狀膨化處理，其變成正方形及其他不規(guī)則形狀，具體根據(jù)障礙物實際情況而定，從而得到火災(zāi)場景模型圖。

二、火災(zāi)人員疏散路徑規(guī)劃模型構(gòu)建

（一）有害氣體對人員疏散的影響

建筑內(nèi)部出現(xiàn)火災(zāi)后，隨著物體的燃燒，可釋放出大量的有害氣體，如一氧化碳（CO）、二氧化碳（CO2）、硫化氫（H2S）等。其中，CO是危害最大的成分，當(dāng)煙氣中的CO含量不超過005%時，基本不會對人員身體健康造成危害；只有當(dāng)人員長時間處于火災(zāi)場所中，才會產(chǎn)生一定危害；當(dāng)煙氣中的CO含量處于005—01區(qū)間時，將會對人員身體健康產(chǎn)生輕微影響，隨著時間的推移，CO對人員的危害性也會越來越大；當(dāng)煙氣中CO含量超過01%后，若人員未能及時撤離，容易導(dǎo)致人員死亡。因此，可構(gòu)建出有害氣體對人員疏散影響的數(shù)學(xué)模型：

其中，ρCO表示煙氣中CO的濃度，t表示人員在煙氣中的時間。

（二）溫度對人員疏散的影響

物體燃燒后會釋放出大量熱量，使建筑內(nèi)部溫度明顯提升，隨著火勢不斷蔓延，建筑內(nèi)部溫度也逐漸提升，最高甚至達(dá)到400℃。人體皮膚耐受溫度一般在0—65℃范圍內(nèi)，基本不會導(dǎo)致人體皮膚出現(xiàn)損傷。其中，溫度在30℃以上可使人員產(chǎn)生輕微不適感；當(dāng)溫度超過65℃后，會使人員難以忍受，須快速離開現(xiàn)場；當(dāng)溫度達(dá)到100℃時，15min左右人體皮膚產(chǎn)生無法恢復(fù)的創(chuàng)傷，隨著溫度的進(jìn)一步提高，人體耐受時間也逐漸降低。同時，溫度也會對人員疏散造成一定干擾?；馂?zāi)初期，現(xiàn)場溫度呈逐漸升高的趨勢，人員發(fā)現(xiàn)溫度改變后，可及時撤離現(xiàn)場；隨著火災(zāi)的發(fā)展，現(xiàn)場溫度不斷升高，使人員皮膚產(chǎn)生越來越嚴(yán)重的不適感或創(chuàng)傷，影響人員的行動能力，不利于人員快速撤離現(xiàn)場。綜合上述兩個方面，可構(gòu)建出溫度對人員疏散影響的數(shù)學(xué)模型[3]：

其中，T0表示正常溫度，T表示火災(zāi)場景中的溫度，Tr1表示人體不適的溫度下限，取值為30℃，Tr2表示人體出現(xiàn)創(chuàng)傷的溫度下限，取值為60℃，Td表示人員死亡的溫度下限，取值為120℃，vmax表示人員逃離火災(zāi)區(qū)域的最高速度，取值為4m/s，v0表示人員移動的速度，取值為115m/s。

（三）人群密度對人員疏散的影響

在火災(zāi)疏散過程中，人員疏散效果不僅與有害氣體含量及現(xiàn)場溫度有關(guān)，還受到人員密度的影響。若人員密度較高，可能導(dǎo)致現(xiàn)場局部區(qū)域出現(xiàn)擁堵的情況，不利于人員快速疏散；若人員密度較低，基本不會干擾人員移動，人員可以快速撤離火災(zāi)現(xiàn)場。因此，可構(gòu)建出人群密度對人員疏散影響的數(shù)學(xué)模型：

其中，ρp表示人群密度。若ρp≤118人/m2，表示火災(zāi)現(xiàn)場人群密度低，人員可以快速移動；若118＜ρp＜6人/m2，人員移動會受到一定影響，人員移動速度變緩；若ρp≥6人/m2，會嚴(yán)重干擾人員移動，人群的移動速度基本為0。

（四）基于當(dāng)量距離的疏散路徑模型

通過對上述數(shù)學(xué)模型的整合，可以得到基于當(dāng)量距離的疏散路徑規(guī)劃模型：

其中，Dij（t）表示在t時間點時，i、j兩點的當(dāng)量距離，Mij（t）表示在t時間點時，CO、溫度及人群密度對i、j兩點之間人員移動速度的總影響，δ表示轉(zhuǎn)變常數(shù)，dij（t）表示在t時間點時，i、j兩點的歐氏距離。

三、基于改進(jìn)ACO算法的火災(zāi)人員疏散路徑規(guī)劃模型計算方法

（一）ACO算法

1.轉(zhuǎn)移概率確定。螞蟻覓食時，會在沿途路徑上留下分泌物（信息素），以引導(dǎo)其他螞蟻覓食。在一條路徑當(dāng)中，信息素濃度與路徑長度存在負(fù)相關(guān)關(guān)系，即路徑越長，信息素濃度越低，反之信息素濃度則越高。螞蟻選擇路徑過程中，一般選擇信息素濃度較高的路徑。因此，可以確定出螞蟻由i點移動到j(luò)點的概率[4]：

其中，allowedm為螞蟻能夠移動點的集合，τij（t）在t時間點時，i點與j點之間的信息素濃度，α為啟發(fā)因子，β表示期望啟發(fā)因子，ηij（t）為在t時間點時，i點與j點之間的期望啟發(fā)信息，即兩點歐氏距離的倒數(shù)。

2.信息素更新。通過1次計算后，路徑上的信息素發(fā)生改變，應(yīng)做出相應(yīng)調(diào)整：

其中，Q表示信息素強(qiáng)度，Lm表示編號為m的螞蟻在一個循環(huán)中移動路徑的全長。

（二）初始信息素調(diào)整策略

初始計算時，各柵格中的信息素完全相同，導(dǎo)致螞蟻盲目地尋找路徑，降低算法收斂速率。因此，在ACO算法計算前，先通過A*算法對場景模型遍歷，以對局部區(qū)域內(nèi)柵格的信息素進(jìn)行調(diào)整，以提升ACO算法的收斂效率：

通過A*算法對信息素調(diào)整后，可以得到不同初始信息素柵格圖，如圖1所示。其中，黃色區(qū)域表示經(jīng)過A*算法的遍歷；綠色線條表示A*算法處理后的規(guī)劃路徑。

（三）啟發(fā)函數(shù)改進(jìn)策略

常規(guī)ACO算法對兩點移動概率計算時，只考慮了歐式距離，而忽略了目標(biāo)點的位置，從而影響疏散路徑規(guī)劃的精確性。針對這一情況，在常規(guī)ACO算法的基礎(chǔ)上，分別增加了啟發(fā)函數(shù)與衰減系數(shù)，以提升整個算法的全局搜索能力：

（四）信息素調(diào)整規(guī)則改進(jìn)策略

常規(guī)ACO算法計算時，通常依據(jù)蟻周模型進(jìn)行調(diào)整，可能出現(xiàn)局部區(qū)域信息素濃度較低的情況，影響路徑的規(guī)劃。因此，以蟻周模型為基礎(chǔ)，引入一個調(diào)整系數(shù)λ，提升整條路徑的信息素濃度：

若Lm-1＜Lm，則λ＜1，編號為m的螞蟻移動路徑信息素提升量降低；若Lm-1＞Lm，則λ＞1，編號為m的螞蟻移動路徑信息素提升量提高。

（五）死鎖改進(jìn)策略

若火災(zāi)現(xiàn)場存在U型障礙物，可能出現(xiàn)螞蟻死鎖的情況，影響路徑尋找效率與結(jié)果準(zhǔn)確性。因此，需要對死鎖問題進(jìn)行改進(jìn)。死鎖改進(jìn)策略原理：當(dāng)螞蟻移動到U型障礙物內(nèi)后，螞蟻按照原路返回，并將死鎖柵格添加到禁忌表內(nèi)，以防止后續(xù)再次出現(xiàn)死鎖問題。繼續(xù)判斷螞蟻是否死鎖，直到螞蟻未死鎖為止，并將全部死鎖柵格添加到禁忌表內(nèi)，從而防止U型死鎖影響最優(yōu)路徑的規(guī)劃，如圖2所示。其中，紅圈表示螞蟻，b、c、e表示死鎖柵格，a表示正常柵格。

（六）路徑平滑處理策略

常規(guī)ACO算法計算時，可能導(dǎo)致路徑中有一些冗余拐點與障礙物，不利于人員快速疏散。為此，在常規(guī)ACO算法的基礎(chǔ)上，添加了1個平滑判斷因子，以判斷路徑中是否有冗余拐點與障礙物：

（七）改進(jìn)ACO算法流程

構(gòu)建火災(zāi)場景模型，添加火災(zāi)信息，并對模型參數(shù)初始化。通過A*算法對火災(zāi)場景遍歷，對柵格信息素進(jìn)行調(diào)整。第一只螞蟻進(jìn)行搜索，通過轉(zhuǎn)移概率的計算，選擇下一步移動點。檢查螞蟻是否死鎖，若死鎖，螞蟻退回上一節(jié)點，重新尋找新的移動節(jié)點，并將死鎖柵格添加到禁忌表內(nèi)；若未死鎖，則跳轉(zhuǎn)到下一步。檢查螞蟻是否移動至目標(biāo)點，若未移動至目標(biāo)點，繼續(xù)選擇下一移動點；若已達(dá)到目標(biāo)點，則對信息素進(jìn)行調(diào)整。檢查迭代計算次數(shù)是否達(dá)到預(yù)設(shè)值，若未達(dá)到預(yù)設(shè)值，跳轉(zhuǎn)到步驟（2）繼續(xù)計算；若已達(dá)到預(yù)設(shè)值，生成移動路徑。檢查路徑中是否有障礙物，若有障礙物，重新檢查路徑；若無障礙物，將冗余點去除。將移動路徑輸出，作為人員疏散的最佳路徑。

四、仿真實驗分析

選擇兩種智慧園區(qū)建筑火災(zāi)場景作為研究對象，采用傳統(tǒng)ACO算法與Dijkstra算法作為對照，以此仿真實驗分析了改進(jìn)ACO算法在智慧園區(qū)建筑火災(zāi)人員疏散路徑規(guī)劃中的應(yīng)用效果。場景1：20×20的柵格圖，場景2：30×30的柵格圖，分別利用三種算法對兩種場景條件下人員疏散路徑進(jìn)行規(guī)劃，通過路徑規(guī)劃時間、路徑長度、迭代計算次數(shù)及路徑中拐點數(shù)量的對比，以此判斷改進(jìn)ACO算法的實際應(yīng)用效果。通過實驗，可以得到3種算法路徑規(guī)劃對比結(jié)果，如表2所示。由表2可知，不論是在20×20的場景中，還是在30×30的場景中，改進(jìn)ACO算法的路徑規(guī)劃時間、路徑距離、迭代計算次數(shù)及路徑中拐點數(shù)量均明顯低于其他兩種算法。這表明改進(jìn)ACO算法對火災(zāi)人員疏散路徑規(guī)劃效果更好，可將該算法應(yīng)用到智慧園區(qū)建筑火災(zāi)人員疏散工作中。

結(jié)語

利用柵格圖法的方式，構(gòu)建出火災(zāi)場景模型，并考慮有害氣體、溫度及人群密度對人員疏散的影響，構(gòu)建出基于當(dāng)量距離的火災(zāi)疏散路徑規(guī)劃模型。利用A算法、啟發(fā)函數(shù)、信息素調(diào)整規(guī)則改進(jìn)策略、死鎖改進(jìn)策略及平滑判斷因子的方式，改進(jìn)了常規(guī)ACO算法。相對于常規(guī)ACO算法與Dijkstra算法，改進(jìn)ACO算法在智慧園區(qū)建筑火災(zāi)人員疏散路徑規(guī)劃中的應(yīng)用效果更好，路徑規(guī)劃時間與路徑長度更短，路徑拐點數(shù)量更少，更有利于人員快速撤離。

參考文獻(xiàn)

[1]賈科進(jìn)，李佳玥，杜云，等.基于圖像和人工魚群算法的建筑火災(zāi)動態(tài)疏散路徑規(guī)劃研究[J].河北工業(yè)科技，2023，40（01）：33-42.

[2]劉顯成，朱國慶.建筑火災(zāi)濃煙空間多目標(biāo)最優(yōu)疏散模型仿真[J].計算機(jī)仿真，2022，39（10）：457-461.

[3]曹祥紅，杜薇，魏曉鴿，等.一種用于火災(zāi)疏散路徑動態(tài)規(guī)劃的算法[J].消防科學(xué)與技術(shù)，2022，41（09）：1237-1242.

[4]李晟延，馬鴻雁，竇嘉銘，等.教學(xué)建筑室內(nèi)火災(zāi)應(yīng)急疏散路徑尋優(yōu)算法研究[J].消防科學(xué)與技術(shù)，2022，41（08）：1066-1072.