CN103336999A - 一种基于多蚁群的组合交通疏散优化方法 - Google Patents

Abstract

本发明提供一种基于多蚁群的组合交通疏散优化方法，其特征在于，包括：a.将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上；b.所述蚂蚁构建从初始的网络节点至出口节点的疏散路径并更新信息素，其中，所述出口节点包含于所述疏散网络节点中；c.重复所述步骤b至自上一次蚁群间信息素交互的时间间隔达到此次交互时间间隔；d.所述蚁群根据信息素交互规则交互并更新所述信息素；e.重复所述步骤b至所述步骤d，直至满足第一条件生成最优疏散路径。

Description

一种基于多蚁群的组合交通疏散优化方法

技术领域

本发明涉及智能交通仿真与评估领域。

背景技术

传统的群智能算法解决路径规划主要是针对一个或几个个体，寻找路径最短或其他的目标的路径解决方案，在紧急疏散路径规划中，研究目标通常为大规模待疏散人群，由于恐慌或拥堵会造成人员速度的变化，因此在疏散路径规划中更需要着重考虑多疏散人员的路径组合优化，这样传统的路径规划方法很难直接应用于疏散规划中。因此需要一种从全局角度出发面向大规模疏散人员的疏散路径规划方法。

为了更好得从宏观上提供大型场馆应急疏散的全局路径优化分析，一些研究人员提出了将蚁群算法应用于疏散路径优化。蚁群算法可以很好地模拟大规模人群疏散时行人的速度变化情况，同时其正反馈特性和较强的局部搜索能力使得它适合解决紧急疏散中的路径规划问题。蚁群算法虽然能够比较好地解决紧急疏散中的路径优化问题，但自身方面也存在一些不足，如易出现停滞现象而陷入局部最优解等。

蚁群优化(Ant colony optimization，ACO)算法具有结构简单、适合分布式计算、易于与其他算法结合、鲁棒性强等优点，因而得到了广泛的应用。ACO的生态属性及设计思想决定了ACO的并行化是避免早熟收敛、提升效率的自然方向。并行策略可粗略地分为精细并行策略和粗糙并行策略。诸多文献和实验表明，庞大的通信开销是精细并行策略的主要瓶颈；而粗糙并行策略，多个蚁群并行地工作在不同的处理器中，各算法的区别在于信息交换的时机和内容，一种极端情况是完全不交换，独立运行。共享信息素矩阵是信息交换的另一种形式。尽管已经实现了一些ACO并行算法，但不同的交换策略会产生什么样的行为，以及相对于顺序版本算法的性能将得到何种程度的改进仍然是两个有待解决的问题。在疏散研究中，并行蚁群或多蚁群的应用并不多见，各蚁群间也毫无联系。

发明内容

针对现有技术的缺陷，本发明提供一种基于多蚁群疏散优化的信息素交互方法，其特征在于，包括：a.将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上；b.所述蚂蚁构建从初始的网络节点至出口节点的疏散路径并更新信息素，其中，所述出口节点包含于所述疏散网络节点中；c.重复所述步骤b至自上一次蚁群间信息素交互的时间间隔到达此次交互时间间隔；d.所述蚁群根据信息素交互规则交互并更新所述信息素；e.重复所述步骤b至所述步骤d，直至满足第一条件生成最优疏散路径。

优选地，所述更新信息素包括：当一蚁群内所有蚂蚁的疏散路径构建完成后，更新所述疏散路径经过的网络节点相对应的边沿的信息素，其中每两个网络节点与一条边沿相对应；以及比较此次构建的最优的疏散路径与第一疏散路径，并将最优的疏散路径替换所述第一疏散路径，根据所述第一疏散路径更新所述信息素，其中，所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优的疏散路径。

优选地，所述蚂蚁根据如下公式构建从初始的网络节点至出口节点的疏散路径：

${\mathrm{\η}}_{\mathrm{ij}}=\frac{1}{t_{\mathrm{ij}}\·C_{\mathrm{ij}}};$

其中，i、j为所述网络节点序号，k为一蚁群内的蚂蚁序号，t_ij为边(i，j)的通行时间，C_ij为边(i，j)的通行能力，η_ij为启发式，表示为边沿(i，j)的通行时间t_ij乘以通行能力C_ij的倒数，表示所述蚁群第t次迭代时从网络节点i到网络节点j的转移概率，U为当前蚂蚁k允许访问的网络节点的集合，d(i，j)为网络节点i到网络节点j的距离，α，β分别代表所述信息素和所述启发式的权重，τ_ij(t)表示所述蚁群第t次迭代时边沿(i，j)的信息素，τ(i，j)表示边沿(i，j)的信息素，q∈[0，1]是均匀分布的随机数，q₀是参数。

优选地，根据如下公式更新所述疏散路径经过的网络节点相对应的边沿的信息素：

τ_ij′＝(1-ρ)τ_ij+ρΔτ_ij；

其中，i、j为所述网络节点序号，τ_ij′为边沿(i，j)更新的信息素，τ_ij为边沿(i，j)原来的信息素，k为一蚁群内的蚂蚁序号，M为所述蚁群内的蚂蚁个数，

为蚂蚁k通过边沿(i，j)所需要的时间，P_k为蚂蚁k的疏散路径经过的网络节点的集合，Q是常数，表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息素，ρ是局部信息素衰变参数，其中，0＜ρ＜1。

优选地，根据所述第一疏散路径更新所述信息素的公式如下所示：

τ_ij′＝(1-γ)τ_ij+γΔτ_ij；

其中，i、j为所述网络节点序号，τ_ij′为边沿(i，j)更新的信息素，τ_ij边沿(i，j)原来的信息素，Q是常数，表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息素，L是所述第一疏散路径的长度，γ是全局信息素衰变参数，其中，0＜γ＜1。

优选地，所述此次交互时间间隔根据如下公式计算：

其中，Δt_m为所述此次变互时间间隔，△t_m-1为上一次交互时间间隔，ω_ave为平均收敛因子，a是一个常数。

优选地，所述平均收敛因子ω_ave根据如下公式计算：

$\mathrm{\ω}\left(m\right)=\frac{1}{\left|U\right|\×({\mathrm{\τ}}_{\max }^m-{\mathrm{\τ}}_{\mathrm{ave}}^m)}{\mathrm{\Σ}}_{(i,j)\∈U}|{\mathrm{\τ}}_{\mathrm{ij}}^m-{\mathrm{\τ}}_{\mathrm{ave}}^m|;$

${\mathrm{\ω}}_{\mathrm{ave}}=\frac{1}{s}{\mathrm{\Σ}}_{m=1}^s\mathrm{\ω}\left(m\right);$

其中，i、j为所述网络节点序号，U是所述待疏散地区所有边沿(i，j)的集合，ω(m)为一蚁群m的收敛因子，

是所述蚁群m中边沿(i，j)上的信息素，

和

分别是所述蚁群m中信息素的最大值和平均值，s是蚁群个数。

优选地，所述信息素交互规则为如下公式：

${\mathrm{\ι}}_{\mathrm{ij}}^n(t+1)={\mathrm{\ρ\τ}}_{\mathrm{ij}}^n\left(t\right)+{\mathrm{\Σ}}_{n\∈N}\frac{{\mathrm{fit}}_n}{{\mathrm{\Σ}}_{n\∈N}{\mathrm{fit}}_n}\mathrm{\Δ}{\mathrm{\ι}}_{\mathrm{ij}}^n\left(t\right);$

其中，i、j为所述网络节点序号，

是蚁群n经信息素交互后更新的边沿(i，j)上的信息素，是所述蚁群n未经信息素交互的边沿(i，j)上的信息素，0＜ρ＜1，N为所有蚁群的集合，fit_n是所述蚁群n的适应值，将各蚁群疏散总时间的倒数作为该蚁群n的适应值fit_n。

优选地，所述蚁群n未经信息素交互的边沿(i，j)上的信息素

根据如下公式计算：

其中，best_n是所述蚁群n的当前最优的疏散路径，L_n是所述蚁群n当前最优的疏散路径的长度。

优选地，以一蚁群内所有蚂蚁构建完所述疏散路径为一次迭代，所述第一条件包括如下条件中的一种：多个蚁群达到第一迭代次数；或者多个蚁群各自的第一疏散路径都没有被替换达到第二迭代次数。

优选地，所述蚁群包括：行人蚁群；以及车辆蚁群。

本发明利用多个蚁群分别模拟行人和车辆的疏散过程，各蚁群将独立进行信息素更新，每隔一定时间，根据一定规则实现蚁群之间的信息交换，以优化多蚁群算法，增强解的多样性，有效地改善蚁群算法局部收敛性的问题，有利于为疏散决策者提供更优化的疏散方案。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，一种基于多蚁群疏散优化的信息素交互方法的流程图：以及

图2示出根据本发明的第二实施例的，一种行人蚁群以及车辆蚁群信息素交互的疏散优化方法的流程图。

具体实施方式

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，一种基于多蚁群的疏散优化方法的流程图。具体地，图1示出了6个步骤。步骤S101，将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上。具体地，不同的网络节点分别与不同的蚁群相对应。将不同蚁群的蚂蚁随机地初始化至其对应的网络节点上。也就是说，网络节点只能由其对应的蚁群的蚂蚁通过，因此初始化时，不同蚁群的蚂蚁只能初始化至其可以通过的网络节点。步骤S102，所述蚂蚁构建从初始的网络节点至出口节点的疏散路径并相应地更新信息素，其中，所述出口节点包含于所述疏散网络节点中。进一步地，更新信息素包括两个步骤，首先判断蚁群内所有蚂蚁是否已完成疏散路径的构建。若蚁群内有蚂蚁未完成疏散路径的构建，则继续构建疏散路径。若蚁群内所有蚂蚁完成疏散路径的构建，则更新所述疏散路径经过的网络节点相对应的边沿的信息素，其中每两个网络节点与一条边沿相对应。之后比较此次构建的最优的疏散路径与第一疏散路径，并将最优的疏散路径替换所述第一疏散路径，根据所述第一疏散路径更新所述信息素。优选地，所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优疏散路径。步骤S103，判断自上一次蚁群间信息素交互的时间间隔是否达到此次交互时间间隔。若没有达到此次交互时间间隔，则跳回执行步骤S102。若达到此次交互时间间隔，则继续执行步骤S104。步骤S104，蚁群间根据信息素交互规则交互并更新信息素。步骤S105，以一蚁群内所有蚂蚁构建完所述疏散路径为一次迭代，判断迭代次数是否满足第一条件。若不满足第一条件，则跳回执行步骤S102。若满足第一条件，则继续执行步骤S106。步骤S106，生成最优疏散路径。其中，所述第一条件包括如下条件中的一种：多个蚁群达到第一迭代次数；或者多个蚁群各自的第一疏散路径都没有被替换达到第二迭代次数。

具体地，在一具体实施例中，将疏散区域简化成疏散网络G(N，A)，其中N＝{1，2，...，n}为有限节点集，代表疏散的起点、中间节点和终点，为有限边集合，代表疏散通道或路段。例如对大型场馆进行疏散时，该网络既包括场馆内部的网络结构，也包括场馆出口与安全点问的网络。

目标为最小化疏散时间：

约束条件1：

约束条件2： $V_{\mathrm{ij}}^k=v_0\·e^{-k\frac{N_{\mathrm{ij}}\left(t\right)}{C_{\mathrm{ij}}}};$

其中，i、j为所述网络节点序号，k为一蚁群内的蚂蚁序号，M为所述蚁群内的蚂蚁个数，T为疏散所有蚂蚁所需要的时间，为紧急情况下蚂蚁k通过边(i，j)所需要的时间，P_k为蚂蚁k疏散路径节点的集合，d(i，j)为网络节点i到网络节点j的距离，v₀为正常情况下通过边(i，j)的速度，N_ij(t)为t时刻边(i，j)上的蚂蚁个数，C_ij为边(i，j)的通行能力。约束条件1为计算通过边(i，j)所需时间的计算公式，约束条件2为边(i，j)上通行速度的递减函数，随着路段饱和度增加，速度下降。

根据上述疏散网络，执行步骤S101时，各蚁群的蚂蚁初始时刻被随机的放置在网络节点上，其中，蚂蚁的所在蚁群与其被放置的网络节点相对应。各蚁群的蚂蚁初始化后开始执行步骤S102，构建疏散路径，疏散路径根据如下方式进行构建：

启发式信息η_ij用来表示初始时刻已获悉的路段通行能力等因素，定义为边(i，j)的通行时间乘以通行能力的倒数：

${\mathrm{\η}}_{\mathrm{ij}}=\frac{1}{t_{\mathrm{ij}}\·C_{\mathrm{ij}}}$

其中，t_ij为正常情况下通过边沿(i，j)的通行时间。

蚂蚁在每一次移动中，选择从网络节点i到网络节点j的转移概率定义为：

表示所述蚁群第t次迭代时从网络节点i到网络节点j的转移概率，U为当前蚂蚁k允许访问的节点集，d(i，j)为网络节点i到网络节点j的距离，α，β分别代表所述信息素和所述启发式的权重，τ_ij(t)表示所述蚁群第t次迭代时边沿(i，j)的信息素，τ(i，j)表示边沿(i，j)的信息素，q∈[0，1]是均匀分布的随机数，q₀是参数。根据每次从网络节点i到网络节点j的转移概率的选择，完成从起始网络节点至出口节点的疏散路径构建。

在蚂蚁完成疏散路径的构建后，根据如下公式更新所述疏散路径经过的网络节点相对应的边沿的信息素：

τ_ij′＝(1-ρ)τ_ij+ρΔτ_ij；

其中，i、j为所述网络节点序号，τ_ij′为边沿(i，j)更新的信息素，τ_ij边沿(i，j)原来的信息素，k为一蚁群内的蚂蚁序号，M为所述蚁群内的蚂蚁个数，

为紧急情况下蚂蚁k通过边沿(i，j)所需要的时间，P_k为蚂蚁k的疏散路径经过的网络节点的集合，Q是常数，表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量，ρ是局部信息素衰变参数，其中，0＜ρ＜1。

进一步地，比较此次构建的最优的疏散路径与第一疏散路径，并将最优的疏散路径替换所述第一疏散路径，其中，所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优疏散路径。并根据所述第一疏散路径更新所述信息素，公式如下所示：

τ_ij′＝(1-γ)τ_ij+γΔτ_ij；

其中，i、j为所述网络节点序号，τ_ij′为边沿(i，j)更新的信息素，τ_ij边沿(i，j)原来的信息素，Q是常数，表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息量，L是所述第一疏散路径的长度，r是全局信息素衰变参数，0＜r＜1。

更新信息素后，执行步骤S103，判断自上次信息素交互至现在的时间间隔是否达到此次信息素交互的时间间隔。若未达到此次信息素交互的时间间隔，则再次构建疏散路径。若达到此次信息素交互的时间间隔，则进一步执行步骤S104。优选地，所述此次交互时间间隔根据如下公式计算：

其中，Δt_m为所述此次交互时间间隔，Δt_m-1为上一次交互时间间隔，ω_ave为平均收敛因子，a是一个常数。

其中，所述平均收敛因子ω_ave根据如下公式计算：

$\mathrm{\ω}\left(m\right)=\frac{1}{\left|U\right|\×({\mathrm{\τ}}_{\max }^m-{\mathrm{\τ}}_{\mathrm{ave}}^m)}{\mathrm{\Σ}}_{(i,j)\∈U}|{\mathrm{\τ}}_{\mathrm{ij}}^m-{\mathrm{\τ}}_{\mathrm{ave}}^m|;$

${\mathrm{\ω}}_{\mathrm{ave}}=\frac{1}{s}{\mathrm{\Σ}}_{m=1}^s\mathrm{\ω}\left(m\right);$

其中，i、j为所述网络节点序号，U是所述待疏散地区所有边沿(i，j)的集合，ω(m)为一蚁群m的收敛因子，是所述蚁群m中边沿(i，j)上的信息素，

和

分别是所述蚁群m中信息素的最大值和平均值，s是蚁群个数。

和

的差值反映了蚁群m中解的分布，所以ω(m)能够用来衡量蚁群m的解的分布水平。ω(m)越大，蚁群m的解越集中，那么蚁群m越容易陷入局部最优。

步骤S104，实现蚁群间信息素的交互和更新。其中，信息素的交互更新根据如下公式进行：

${\mathrm{\ι}}_{\mathrm{ij}}^n(t+1)={\mathrm{\ρ\τ}}_{\mathrm{ij}}^n\left(t\right)+{\mathrm{\Σ}}_{n\∈N}\frac{{\mathrm{fit}}_n}{{\mathrm{\Σ}}_{n\∈N}{\mathrm{fit}}_n}\mathrm{\Δ}{\mathrm{\ι}}_{\mathrm{ij}}^n\left(t\right);$

其中，i、j为所述网络节点序号，

是蚁群n经信息素交互后更新的边沿(i，j)上的信息素，是所述蚁群n未经信息素交互的边沿(i，j)上的信息素，0＜ρ＜1，N为所有蚁群的集合，fit_n是所述蚁群n的适应值，将各蚁群疏散总时间的倒数作为该蚁群n的适应值fit_n。

优选地，所述蚁群n未经信息素交互的边沿(i，j)上的信息素

根据如下公式计算：

其中，best_n是所述蚁群n的当前最优的疏散路径，L_n是所述蚁群n当前最优的疏散路径的长度。

之后为步骤S105，以一蚁群内所有蚂蚁构建完所述疏散路径为一次迭代，判断迭代次数是否满足第一条件。若不满足第一条件，则跳回执行步骤S102。若满足第一条件，则继续执行步骤S106。步骤S106，生成最优疏散路径。其中，所述第一条件包括如下条件中的一种：多个蚁群达到第一迭代次数；或者多个蚁群各自的第一疏散路径都没有被替换达到第二迭代次数。

图2示出根据本发明的第二实施例的，一种行人蚁群以及车辆蚁群交互协同的疏散优化方法的流程图。具体地，在本实施例中，蚁群包括行人蚁群以及车辆蚁群，分别被赋予不同的控制参数，行人蚁群以及车辆蚁群分别进行相互独立的进化过程，各蚁群在独立搜索一定代数后，定期通信，以使其他蚁群的蚂蚁能够以较大概率打破停滞状态，实现多蚁群的协同进化，最优解是多个蚁群协同优化的结果。其中，行人蚁群的蚂蚁按照行人的通行速度、行为方式来模拟待疏散场馆内部行人往待疏散场馆出口处的疏散过程。车辆蚁群的蚂蚁以车辆的通行速度从待疏散场馆出口处驶往安全疏散点。更具体地，如图2所示的流程图，行人蚁群独立执行步骤S201A至S203A，也就是初始化，构建疏散路径，更新信息素，并根据更新的信息素进一步构建疏散路径。相对应地，车辆蚁群独立执行步骤S201B至S203B，同行人蚁群相同，也就是初始化，构建疏散路径，更新信息素，并根据更新的信息素进一步构建疏散路径。在各自独立的同时，执行步骤S204，根据自适应交互时间间隔实现蚁群间的通讯和交互，实现蚁群间的协同优化。具体地，所述此次交互时间间隔根据如下公式计算：

其中，Δtm为所述此次交互时间间隔，Δt_m-1为上一次交互时间间隔，ω_ave为平均收敛因子，a是一个常数。

其中，所述平均收敛因子ω_ave根据如下公式计算：

$\mathrm{\ω}\left(m\right)=\frac{1}{\left|U\right|\×({\mathrm{\τ}}_{\max }^m-{\mathrm{\τ}}_{\mathrm{ave}}^m)}{\mathrm{\Σ}}_{(i,j)\∈U}|{\mathrm{\τ}}_{\mathrm{ij}}^m-{\mathrm{\τ}}_{\mathrm{ave}}^m|;$

${\mathrm{\ω}}_{\mathrm{ave}}=\frac{1}{s}{\mathrm{\Σ}}_{m=1}^s\mathrm{\ω}\left(m\right);$

其中，i、j为所述网络节点序号，U是所述待疏散地区所有边沿(i，j)的集合，ω(m)为一蚁群m的收敛因子，

是所述蚁群m中边沿(i，j)上的信息素，

和分别是所述蚁群m中信息素的最大值和平均值，s是蚁群个数。

和

的差值反映了蚁群m中解的分布，所以ω(m)能够用来衡量蚁群m的解的分布水平。ω(m)越大，蚁群m的解越集中，那么蚁群m越容易陷入局部最优。本实施例中，只有行人和车辆两个蚁群，故s＝2。

行人蚁群以及车辆蚁群间根据如下公式进行信息素交互和更新：

${\mathrm{\τ}}_{\mathrm{ij}}^v(t+1)={\mathrm{\ρ\τ}}_{\mathrm{ij}}^v\left(t\right)+\frac{{\mathrm{fit}}_v}{{\mathrm{fit}}_v+{\mathrm{fit}}_p}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^v\left(t\right)+\frac{{\mathrm{fit}}_p}{{\mathrm{fit}}_v+{\mathrm{fit}}_p}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^p\left(t\right);$

${\mathrm{\τ}}_{\mathrm{ij}}^p(t+1)={\mathrm{\ρ\τ}}_{\mathrm{ij}}^p\left(t\right)+\frac{{\mathrm{fit}}_v}{{\mathrm{fit}}_v+{\mathrm{fit}}_p}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^v\left(t\right)+\frac{{\mathrm{fit}}_p}{{\mathrm{fit}}_v+{\mathrm{fit}}_p}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^p\left(t\right);$

其中，0＜ρ＜1，fit_v和fit_p分别是车辆蚁群和行人蚁群的适应值，将各蚁群疏散总时间的倒数作为该蚁群的适应值。

best_v是车辆蚁群的最优解，L_v是最优解best_v的路径长度。best_p是行人蚁群的最优解，L_p是最优解best_p的路径长度。由上述公式可以看到最优解best_v的权重是fit_v/(fit_v+fit_p)，而最优解best_p的权重是fit_p/(fit_v+fit_p)。最终执行步骤S205，生成最优疏散路径。

Claims (11)

1.一种基于多蚁群的组合交通疏散优化方法，其特征在于，包括： 

a.将不同蚁群的蚂蚁初始化至待疏散地区的网络节点上； 

b.所述蚂蚁构建从初始的网络节点至出口节点的疏散路径并更新信息素，其中，所述出口节点包含于所述疏散网络节点中； 

c.重复所述步骤b至自上一次蚁群间信息素交互的时间间隔达到此次交互时间间隔； 

d.所述蚁群根据信息素交互规则交互并更新所述信息素； 

e.重复所述步骤b至所述步骤d，直至满足第一条件生成最优疏散路径。 

2.根据权利要求1所述的方法，其特征在于，所述更新信息素包括： 

当一蚁群内所有蚂蚁的疏散路径构建完成后，更新所述疏散路径经过的网络节点相对应的边沿的信息素，其中每两个网络节点与一条边沿相对应；以及 

比较此次构建的最优的疏散路径与第一疏散路径，并将最优的疏散路径替换所述第一疏散路径，根据所述第一疏散路径更新所述信息素，其中，所述第一疏散路径初始为所述蚁群的蚂蚁第一次构建的疏散路径的最优的疏散路径。 

3.根据权利要求1所述的方法，其特征在于，所述蚂蚁根据如下公式构建从初始的网络节点至出口节点的疏散路径： 

其中，i、j为所述网络节点序号，k为一蚁群内的蚂蚁序号，t_ij为边(i，j)的通行时间，C_ij为边(i，j)的通行能力，η_ij为启发式，表示为边沿(i，j)的通行时间t_ij乘以通行能力C_ij的倒数，

表示所述蚁群第t次迭代时从网络节点i到网络节点j的转移概率，U为当前蚂蚁k允许访问的网络节点的集合，d(i，j)为网络节点i到网络节点j的距离，α，β分别代表所述信息素和所述启发式的权重，τ_ij(t)表示所述蚁群第t次迭代时边沿(i，j)的信息素，τ(i，j)表示边沿(i，j)的信息素， q∈[0，1]是均匀分布的随机数，q0是参数。 

4.根据权利要求2所述的方法，其特征在于，根据如下公式更新所述疏散路径经过的网络节点相对应的边沿的信息素： 

τ_ij′＝(1-ρ)τ_ij+ρΔτ_ij； 

其中，i、j为所述网络节点序号，τ_ij′为边沿(i，j)更新的信息素，τ_ij为边沿(i，j)原来的信息素，k为一蚁群内的蚂蚁序号，M为所述蚁群内的蚂蚁个数，

为蚂蚁k通过边沿(i，j)所需要的时间，P_k为蚂蚁k的疏散路径经过的网络节点的集合，Q是常数，表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息素，ρ是局部信息素衰变参数，其中，0＜ρ＜1。 

5.根据权利要求2所述的方法，其特征在于，根据所述第一疏散路径更新所述信息素的公式如下所示： 

τ_ij′＝(1-γ)τ_ij+γΔτ_ij； 

其中，i、j为所述网络节点序号，τ_ij′为边沿(i，j)更新的信息素，τ_ij边沿(i，j)原来的信息素，Q是常数，表示所述蚂蚁从初始的网络节点至出口节点的疏散路径所生成的总信息素，L是所述第一疏散路径的长度，r是全局信息素衰变参数，其中，0＜r＜1。 

6.根据权利要求1所述的方法，其特征在于，所述此次交互时间间隔根据如下公式计算： 

其中，Δt_m为所述此次交互时间间隔，Δt_m-1为上一次交互时间间隔，ω_ave为平均收敛因子，a是一个常数。 

7.根据权利要求6所述的方法，其特征在于，所述平均收敛因子ω_ave根据如下公式计算： 

其中，i、j为所述网络节点序号，U是所述待疏散地区所有边沿(i，j)的集合，ω(m)为一蚁群m的收敛因子，

是所述蚁群m中边沿(i，j)上的信息素，

和分别是所述蚁群m中信息素的最大值和平均值，s是蚁群个数。 

8.根据权利要求1所述的方法，其特征在于，所述信息素交互规则为如下公式： 

其中，i、j为所述网络节点序号，

是蚁群n经信息素交互后更新的边沿(i，j)上的信息素，

是所述蚁群n未经信息素交互的边沿(i，j)上的信息素，0＜ρ＜1，N为所有蚁群的集合，fit_n是所述蚁群n的适应值，将各蚁群疏散总时间的倒数作为该蚁群n的适应值fit_n。 

9.根据权利要求8所述的方法，其特征在于，所述蚁群n未经信息素交互的边沿(i，j)上的信息素根据如下公式计算： 

其中，best_n是所述蚁群n的当前最优的疏散路径，L_n是所述蚁群n当前最优的疏散路径的长度。 

10.根据权利要求1所述的方法，其特征在于，以一蚁群内所有蚂蚁构建完所述疏散路径为一次迭代，所述第一条件包括如下条件中的一种： 

多个蚁群达到第一迭代次数；或者 

多个蚁群各自的第一疏散路径都没有被替换达到第二迭代次数。 

11.根据权利要求1所述的方法，其特征在于，所述蚁群包括： 

行人蚁群；以及车辆蚁群。 

Images