根据改进蚁群算法的楼宇疏散系统设计*

，，

(北京理工大学珠海学院 计算机学院，珠海 519000)

引　言

随着社会经济的发展，现代建筑越来越趋向于高层化、多功能化及大型化，现有的公共消防监测设备还不尽完善，有些地区还未达到国家标准要求。高层建筑、大型商场、地铁隧道等人员密集的场所对消防提出了难题，而各地火灾事故的发生也将消防装备配备与疏散救援需要不匹配的矛盾完全暴露出来，因此各地必将增加消防设备与疏散系统的投入和完善。

目前，传统的疏散系统功能简单，缺乏智能化，在火灾发生时，人员疏散时间长、容易造成拥挤，且其疏散指示方向固定。但如果指示的前方发生火灾或正是烟雾蔓延过来的方向，将严重危及逃生人群的安全。因此，本文设计一种基于WSN的疏散系统，在火灾发生和蔓延时，能快速、安全、有效地指引受灾人员逃生。

1　人员疏散策略

1.1　传统的人员疏散策略

传统的人员疏散策略重点强调的是“就近原则”，其疏散路线是固定不变的，无法根据现场实时监测到的火灾情况动态调整逃生路径，容易造成逃生人员误入险境，导致人员伤亡。

1.2　改进后的疏散策略

改进后的疏散系统通过各类传感器进行实时、全天候监测，一旦监测到火灾发生立即发送信号给服务器，服务器根据接收到的信号对物联设备(例如灭火系统、防火卷闸门)进行控制，及时延缓火灾蔓延速度。服务器根据信号来源，结合蚁群算法及时发送指令给“频闪、语音、双向可调”指示灯，从逃生人员的视觉、听觉等感观上进行强调，引导人员疏散，使得逃生人员能在火场中以更安全、更准确、更快的速度脱离危险。

2　系统设计

疏散系统主要采用无线WiFi通信、传感器感知和嵌入式控制以及蚁群算法的动态优化，实现对火灾险情进行前端监测，然后联动控制逃生指示灯和照明系统，系统整体架构如图1所示。

图1　系统整体架构图

基于WSN的楼宇疏散系统运作逻辑如图2所示，其前期主要采用无线WiFi通信技术和传感器技术。选择现场疏散通道内的烟感或火焰探头点以及WiFi探针作为联动信息采集点，进行实时数据采集和转发，一旦这些联动点确认发生火灾险情，则楼宇疏散系统进入后期的“应急逃生方案”模式：

图2　系统逻辑示意图

① 系统进行联动报警，现场进行火灾警铃警报，短信转发给物业和消防部门,启动应急专用电源和应急照明,根据探头联动采集信息进行逃生指示箭头的动态双向指示。

② 逃生人员通过手机APP在线查看实时的楼层消防应急平面图(应急逃生示意图)，输入起止位置进行疏散路径规划,有效、快速地逃离火灾现场，被困人员可以提供位置信息，便于获救。

③ 救援人员通过系统可以更清楚地了解到火灾现场信息及人员大概位置，利于制定救援方案。

3　蚁群算法的应用

3.1　算法的特点

蚁群算法源于Macro Dorigo在观察自然界中蚂蚁觅食过程时发现“后继蚂蚁会根据前面蚂蚁觅食路径中释放的信息素浓度的大小来选择移动方向，且这一行为能快速有效地让蚂蚁找到蚁巢到食物的近优路径”这一生物规律，从而提出的仿生算法。蚁群算法对比以往的经典算法，其在解决旅行商问题、指派问题、车辆路径问题、网络路由问题方面具有较强的鲁棒性。

3.2　模型构建

蚁群算法的模型架构基本相同，由蚁群的活动和信息素的更新组成。其中，信息素的更新主要有两种情况，一是减少，指蚂蚁在觅食过程中释放的外激素会随着时间进行挥发；二是增强，同一路线经过的蚂蚁数量越多，其外激素浓度也就越大。因此，一般蚁群算法都要重点考虑两大关键算式：路径选择概率算式和信息素更新算式。

将蚁群算法应用于楼宇通道人员疏散模型中，可以将楼宇空间进行抽象化。用有向带权图G(V，L)进行表示，其中V代表节点集，L代表通道集，另外用i、j分别表示通道上的起始和结束节点。因此，路径选择概率可表示为：

(1)

式(1)中，i、j分别为起点和终点；ηij=1/dij为能见度，通道i、j节点的倒数；τij(t)为时间t时,由i到j的信息素强度；allowedk为尚未访问过的节点集合；α，β为两常数，分别是信息素和能见度的加权值。

随着时间的变化，需要对残余的信息素进行更新，其中，参数δ(0≤δ≤1) 是信息素的挥发率；(1-δ)表示信息素的残留率，它体现了信息素浓度的持久性，各路段上信息素的更新可表示为：

(2)

其中：

(3)

式(3)中 ，Ck是第k只蚂蚁走完整条路径后所得到的总路径长度。

3.3　算法改进

笔者根据突发事件时疏散人员的从众性和趋光性和蚁群觅食行为极其相似，将蚁群算法应用于楼宇人员疏散模型中，可以使受灾人群尽快逃离火灾现场。然而在传统蚁群算法疏散模型中，初期信息素缺乏，未考虑人群流量和穿过通道的难易程度的动态关系，容易造成算法初期随机选择路径，造成人员误入险区。而在算法后期，由于信息素的累加，容易造成人员拥堵甚至踩踏事件。因此，本设计中引入了传感器节点，通过烟雾、火焰等监测能实时获悉楼宇的消防状态，实现及时有效地避险避障，可以弥补在算法初期时信息素缺乏和优化后续信息素的更新参数，通过WiFi探针(即WiFi嗅探模块 )进行人流监测能较好地获取人流量，引入通行难易系数，从而进行算法优化避免提前收敛造成的拥堵。

蚁群算法在具体应用时，容易受到现场环境因素(着火点、障碍物、通道宽窄)的影响，造成逃生路线迂回等局部搜索效果差和全局效率低的情况。因此，通常会将相关

参数进行以下更新：

① 根据传感器采集到的楼宇实时监测信息，两位置节点间距离可设为：

(4)

式(4)中， Z为障碍物和着火点位置集合；Z0为着火点周围危险区域；γ是由环境信息综合得到的权重参数，包括火灾气体产物(CO2、CO、HCN、H2S等)烟雾浓度、火焰大小、火险蔓延速度，这些参数由WSN获得，如图3所示，并融合为一个参数γ。

图3　基于WSN的楼宇消防监测平台

此外，在路径搜索过程中还需考虑WiFi探针实时嗅探的人员数量(对应手机mac)实时数据，可以将两位置节点距离优化设为：

(5)

式(5)中，φ是由人员数量和通道宽窄信息综合得到的权重参数，这些参数由WiFi探针解析出人群密度作为人员的拥挤情况的实时数据,结合实际楼宇通道情况融合为一个拥挤因子参数φ。

② 信息素浓度更新机制。根据传感器采集到的楼宇实时信息：“着火点”、“着火点周围危险区域”、“其它”，对应设置为不同的初始值。设置如下:

(6)

式(6)中，C 为常数。

③ 信息素挥发度δ和Q采用动态调整方法:根据路径长度L(k，m)与平均路径长度Lmean的差异来确定下一次的挥发系数和信息素释放总量，避免局部最优和收敛速度慢的情况发生。

(7)

3.4　具体应用

在实际应用中，假如火源的周围区域为相邻通道，通过WSN监测到火灾气体产物浓度和蔓延速度可计算出综合环境因子γ，例如，实时监测到CO浓度为36 mg/m3，正常工作浓度为24 mg/m3，最大允许浓度为50 mg/m3，则γ=36/24=1.5。根据式(2)可得在火源周围危险区域dij为1.5φlij。

根据Predtechenskii和Milinskii相关研究成果，在已知的楼宇疏散模型中，个体运动速度的不规则变化是由人群密度来决定的。当ρ<1人/m2时，V=Vmax；当ρ≥1人/m2时，V=Vmax/ρ，其中：V是行进速度，Vmax是最大行进速度，ρ是实时人群密度，其最大通行能力人群密度是1人/m2。而实时人群密度可通过WiFi探针嗅探到的手机mac数量和信号强度RSSI进行估算。例如，当WiFi探针嗅探到19个信号强度RSSI小于-60 dB的手机mac，则ρ实时人群密度=人数/面积=19/πr2=0.97 人/m2，其中 r=10(A-RSSI)/(10*n)=2.51，r为WiFi探针与RSSI为-60 dB的手机间距，单位为m；A为手机与WiFi探针的距离等于1 m时的RSSI值，项目中A取值为-50；n为信号衰减因子，项目中n取值2.5。

因此，当WiFi探针嗅探到实时人群密度大于等于最大通行能力人群密度时，会造成人员拥挤，降低通行速度，拥挤因子φ=ρ实时人群密度/ρ最大通行能力人群密度，而项目中WiFi探针嗅探到实时人群密度小于最大通行能力人群密度，拥挤因子φ=1，根据式(2)可得在火源周围危险区域dij为1.5lij。

结　语