CN108596382B - 基于多起点、多待救援点、多个终点的救援路径规划方法 - Google Patents

Abstract

本发明涉及一种基于多起点、多待救援点、多个终点的救援路径规划方法，该方法中包括预先部署在建筑物内部的无线传感器、移动终端、远程服务器端三个组成部分，救援路径规划方法以下步骤：通过部署在建筑物内部的无线传感器网络获取环境信息，采用栅格法建立环境模型；根据栅格法所建立的环境模型通过改进蚁群算法来建立组合优化模型，从而找到最短的救援路径。本发明针对多个起点、多个待救援点、多个出口的联合应急救援实时路径规划方法，建立了灾后应急救援多目标组合优化模型，并设计了改进的蚁群算法且进行了模型求解，能够更好地满足灾后应急救援路径规划快速决策的需求，找到安全、快速的救援路线，提高灾难救援的效率。

Description

基于多起点、多待救援点、多个终点的救援路径规划方法

技术领域

本发明涉及救援应急路径规划技术领域，尤其涉及基于多起点、多待救援点、多个终点的救援路径规划方法。

背景技术

随着我国经济的快速发展，城市规模迅速扩大，人民生活水平显著提高，由此带来的交通问题和社会安全问题日益突显出来。近年来，由于大型突发灾害频频发生，《中国消防年鉴》显示新世纪10年内重大火灾发生次数居高不下，每年造成的经济损失超过百亿元。因此，突发性灾害发生后的应急救援是当前社会关注的热点，探讨如何又好又快地对目标实施救援具有十分重要的现实意义。为此，国内外对应急救援路径优化做了大量研究。国外仿生智能优化算法解决路径优化问题是一个研究热点问题，蚁群算法的研究尤其突出。

目前，国内外参考文献均未考虑多个待救援点和救援队伍不返回起始点的情形，也没有考虑救援队伍完成救的返回时间对救援效果产生的影响，因此针对多个起点、多个待救援点、多个出口的联合应急救援实时路径规划亟待解决。

发明内容

针对现有技术的不足，本发明提供基于多起点、多待救援点、多个终点的救援路径规划方法，该方法通过改进蚁群算法能够实时快速找到一组从多个起点到多个待救援点再回到多个可选择的出口之间的最佳组合优化路径。

为解决上述技术问题本发明采用的技术方案为：

一种基于多起点、多待救援点、多个终点的救援路径规划方法，该方法中包括预先部署在建筑物内部的无线传感器、移动终端、远程服务器端三个组成部分，救援路径规划方法包括以下步骤：

S1、通过部署在建筑物内部的无线传感器网络获取环境信息，采用栅格法建立环境模型；

所述环境模型中包括确定动态消防人员的实时坐标位置、救援出口的坐标位置、障碍物的坐标位置、消防人员运动的自由空间范围、火源中心位置坐标以及火源周围蔓延范围；

S2、根据栅格法所建立的环境模型通过改进蚁群算法来建立组合优化模型，从而找到最短的救援路径；

所述改进蚁群算法包括通过现场实测与模拟实时传回的现场环境信息，综合巷道通行难易程度系数和信息素更新浓度，得到通过巷道时的通行难易程度系数；根据道路通行难易程度系数，得到道路当量距离。

作为本发明实施例的优选，当消防人员在运动的过程中，如遇到障碍物或火险，其距离将被设为无穷大；若无障碍物和火险，则其可以移动到其周围的邻近栅格位置的中间位置。

作为本发明实施例的优选，在步骤S2中，巷道通行难易程度系数通过现场实测与模拟，影响现场通行难易程度的因素包括地面湿滑程度、风速、障碍物、气体环境和可见度，将这些因素用巷道通行难易程度系数

来表示，得到通过巷道时的通行难易程度系数，计算公式如下：

式中T(ij)—有该影响因素β_i时，通过该道路的时间，单位：s；

t(ij))—无该影响因素β_i时，通过该道路的时间，单位：s；

σ_ij———环境影响因子参数。

γ—环境影响因子参数。

作为本发明实施例的优选，在步骤S2中，信息素浓度的更新包括全局更新和局部更新，分布按下式进行：

全局

其中，Q(t)是个时变函数，

const表示信息素常量，

表示t时刻第r影响因素的影响程度，n表示影响因素的个数。

局部

作为本发明实施例的优选，在本实施例中，ρ为信息素挥发因子，所述信息素挥发因子ρ按下式进行更新；

式中：a为常数，ρ_min为ρ的最小值。

作为本发明实施例的优选，在步骤S2中，当量距离为L_(i，j)计算时，假设道路i、j点间实际距离为l_ij，道路通行难易程度系数为β_i(ij)，得到道路当量距离：

式中：Z为障碍物和火源位置集合；Z₀为火险周围危险区域；γ是由环境信息综合得到的权重参数，l_ij为i，j两点之间的距离。

本发明与现有技术相比具有以下有益效果：

1、本发明合无线传感器网络，实时传回的现场环境信息，更新两位置节点间当量距离，通过改进信息素更新规则和更新自适应动态调整信息素挥发度参数，通过改进蚁群算法结合优化组合算法，得到多起点、多待救援点及多出口的最佳实时组合优化路径方案。

2、本发明针对多个起点、多个待救援点、多个出口的联合应急救援实时路径规划方法，建立了灾后应急救援多目标组合优化模型，并设计了改进的蚁群算法且进行了模型求解，最后进行了分析和验证，将其用于大、小规模问题均是有效的和可行的，多目标组合优化的改进蚁群算法对灾后应急救援具有很好的求解效果，能够更好地满足灾后应急救援路径规划快速决策的需求，找到安全、快速的救援路线，提高灾难救援的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例根据栅格法所建立的复杂环境的模型图；

图2是本发明实施例改进蚁群算法的最优路径结果示意图；

图3是本发明实施例改进蚁群算法与一般蚁群算法的最优路径结果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例提供一种基于多起点、多待救援点、多个终点的救援路径规划方法，在该救援路径规划方法中包括预先部署在建筑物内部的无线传感器、移动终端、远程服务器端三个组成部分，建筑物内部的无线传感器可以为终端持有者提供精确各个建筑物附近的环境信息以及位置信息，与终端用户(指挥中心)及时进行信息交互等服务，当然，终端可以实时定位并为消防人员进行导航，终端和服务器可以通过消息进行信息交互；终端可以通过摄像头采集视频并压缩通过无线网络发送到服务器端以便指示、调度；服务器端为终端提供信息服务、用户管理等功能。无线传感器节点用于接收和发送射频环境超声信号，以实现及时的信息通信。

下面我们来详细介绍一下具体的救援路径规划方法：

第一步：通过部署在建筑物内部的无线传感器网络获取环境信息，采用栅格法建立环境模型；所述环境模型中包括确定动态消防人员的实时坐标位置、救援出口的坐标位置、障碍物的坐标位置、消防人员运动的自由空间范围、火源中心位置坐标以及火源周围蔓延范围等等。

在本实施例中，图1为采用栅格法建立的复杂环境模型图(具体为在matlab环境下进行仿真的示意图)，在本实施例中，共有四组消防人员(当然在实际的救援过程中可能有更多)他们的起始坐标点分别为第一坐标点、第二坐标点、第三坐标点和第四坐标点，其中假设第一坐标点的坐标为(0,0)、第二坐标点的坐标为、第三坐标点的坐标为(0,25)、第四坐标点的坐标为(25,25)，在本实施例中，假设救援出口的终点坐标也为(0,0)、(25,0)、(0,25)、(25,25)，当然，在实际进行救援的过程中，消防人员的起始坐标位置和救援出口的坐标位置可以相同也可以不同，同时由于消防人员在救援的过程中起始位置是根据救援情况进行变动的，但是通过定位装置可以对消防人员进行实时定位，本实施例中，将消防人员的起始位置和救援出口的位置设置为相同是简化模型图及其便于理解本发明。图1中的大的黑色栅格部分表示障碍物(在本实施例中障碍物为六个)，白色的若干个小栅格部分表示消防人员在救援过程中的自由运动空间，小的黑色栅格部分表示火源中心(在本实施例中有三个火源中心)，火源中心周围的灰色矩形部分为火源中心周围蔓延范围(在本实施例中，火源中心周围蔓延范围与三个火源中心3相同，均为三个)。消防人员在救援移动的过程中，如遇到障碍物或火源中心，其距离将被设为无穷大；若无障碍物和火源中心，则其可以移动到其周围的多个邻近栅格位置的中间位置。

第二步：根据栅格法所建立的环境模型图(参见图1)通过改进蚁群算法来建立组合优化模型，从而找到最短的救援路径。

在介绍改进蚁群算法之前，我们先介绍一下蚁群算法的工作原理，蚁群算法的工作原理主要依据当蚂蚁遇到多条路线时，蚂蚁会随机的选择一条，而信息素浓度会随着时间的延长而减小，因此不同长度的路线上分布的信息素浓度是不同的，距离较长的路线剩余的信息素浓度越低。而信息素浓度越高的路线将会指引更多的蚂蚁在此路线上行进，蚂蚁就是利用这种机制找到距离最短的路径，而且还能巧妙的避开障碍物的阻挡。作为群居生物的蚂蚁，它们的活动行为时同时进行的，这种群居蚂蚁的习性刚好符合多个消防人员在执行救援任务的情况，从而保证算法的适宜性和稳定性能。

假定蚂蚁个数为M，蚂蚁转移过程中根据状态转移概率选择下一位置节点，t时刻第m只蚂蚁由位置i转移到j的转移概率为：

当前点i到待访问点j这条边上的信息素τ_ij，τ_ij(t)表示蚂蚁访问完点i之后访问点j的信息素浓度；

(L_ij为点i与j间的当量距离)，表示点i与j间的是与问题相关的启发式信息，α为信息素的相对重要程度，β为启发信息的重要程度，通过调整α和β来决定残留信息素和启发信息的相对作用大小；

为位于点i的蚂蚁m的待访问点集合(在本实施中，当一条路径上的残留信息素和启发信息越多则蚂蚁通过的概率越高，通过集合的方式就可以找到一条最短的路径，当然，每一条路径都是由很多条具有残留信息素和启发信息高的路径组成)。

下面基于上面我们所介绍的蚁群算法的工作原理我们来介绍改进的蚁群算法，主要介绍一下巷道通行难易程度系数的影响因素。

在本实施例中，现场通行难易程度的因素通过现场实测与模拟，得到影响现场通行难易程度的因素主要有地面湿滑程度、风速、障碍物、气体环境和可见度等，将这些因素用巷道通行难易程度系数

来表示，得到通过巷道时的通行难易程度系数，计算公式如下：

式中T(ij)—有该影响因素

时，通过该道路的时间，单位：s；

t(ij)—无该影响因素

时，通过该道路的时间，单位：s；

σ_ij——环境影响因子参数。

γ—环境影响因子参数。

其中，σ₁、σ₂、σ₃、σ₄参照的国际、国内权威机构对于火灾相关的规定，σ₅按照我国国家标准《建筑设计防火规范》，具体环境影响因子的参数见表1：

表1

在上面的基础上我们进一步介绍进行信息素浓度τ_ij更新的情况，信息素更新策略对算法有着至关重要的影响,信息更新过慢则算法收敛速度缓慢,甚至无法找到最优解；而更新过快,则容易导致算法"早熟",得到问题的局部最优解。因此，在本实施例中，信息素浓度的更新采用全局(全局更新是指在所有蚂蚁都完成遍历构建出完整路径后,只允许迄今最优蚂蚁释放信息素)和局部更新相结合的方式,并在此基础上引入了动态更新机制。分布按下式进行：

全局

其中，Q(t)是个时变函数，

const表示信息素常量，β_r(t)表示t时刻第r影响因素的影响程度，

n表示影响因素的个数，在本文中n＝5。

在本实施例中，信息素浓度的更新完毕，一轮搜索结束，将禁忌表清空，为下一轮搜索做好准备。

在信息素浓度τ_ij更新的过程中，信息素挥发因子ρ的大小直接影响着蚁群算法的全局搜索能力及其收敛速度，ρ过大会降低全局搜索能力，ρ过小会降低算法的收敛速率。信息素挥发因子ρ按下式进行更新：

式中：a为常数，ρ_min为ρ的最小值，可以避免ρ过小降低算法的收敛速度。随着循环次数的不断增加，若每次的最优值相差不大，说明过程陷入了某个极值点，不一定是全局最优解。此时，需减小挥发度系数ρ以提高算法的搜索能力。

实验表明,当待救援点较多时,处于区域边部的蚂蚁,初始时路径选择相对简单,找到优质路径的概率较大。经过一段时间到达中心区时,路径纵横交错,选择路径变得困难,且受到其他蚂蚁所走路径的影响,此时，蚂蚁找到较优路径的概率较小。据此,本文设计出一种动态的局部信息更新局部信息素更新的策略是:(1)当选择该路径的人员达到一定数量(M/3)或多数疏散人(M/5)员选择该路径后因当前距离超过上一次的最优路径长度而终止遍历,信息量的更新取

大幅度地削减信息量使其趋于各条路径信息量的平均值,从而使疏散人员对当前没有被众人选中的通道有较强的探索能力,以平衡人员疏散过程中趋众性的强烈作用.(2)当选择当前路径的疏散人员数量一般时,取

为当前信息素的增量.

局部信息素的更新按下式进行:

计算最优路线，判断是否满足结束条件。如满足结束条件，输出最优路径；否则，重新开始新一轮的搜索。

计算时，假设道路i、j点间实际距离为li_j，当量距离为L_(i，j)，道路通行难易程度系数为

得到道路当量距离。

式中：Z为障碍物和火源位置集合；Z₀为火险周围危险区域；γ是由环境信息综合得到的权重参数，包括火焰温度，延误浓度、火险蔓延速度等；l_ij为i、j两点之间的距离。

在灾难环境下，人员的逃生路线规划即在有效避开障碍物和火源区域前提下，从实时最近起始点a₁找到被困人员b再到实时最近出口a₂的最短距离L。

L＝min{∑L(a₁，b，a₂)}；

下面我们对本实施例进行仿真结果及分析

下面我们通过仿真实验对本发明实施例提出的路径规划方法进行验证，仿真工具使用Matlab R2014a，设定25m×25m的平面区域，传感器网络被均匀部署在实验环境中，监控区域内有多个障碍物和多个火源点.算法的参数配置见表2，环境参数见表3(在表3中我们只列出了部分的环境参数)，由此得到多起点、多待救援点到多终点的最佳路径规划如图2所示。

表2

表3

表4

本发明根据无线传感器节点获得的环境信息，实时更新灾害现场环境信息，建立了应急救援的路径规划模型，通过表2和表3的参数设置实现了图2所示的最优逃生路径规划。本实施例中，图3为改进蚁群算法与一般蚁群算法的最优路径结果对比图、表4为改进蚁群算法与一般蚁群算法的比较表，从图3和表4中我们可以看出，改进蚁群算法对蚁群算法状态转移概率函数和信息素更新方法的改进，较大地提高了蚁群算法的收敛速度，减少了迭代次数，有效地避免了陷入局部最优解的问题，能够使蚂蚁首次寻路就能达到良好的效果。可见，本发明对蚁群算法的改进可以较好地提高在大型应急救援路径规划的速率和优化程度。因此，能够有效避开障碍物和火灾区域，找到安全、快速的救援路线，提高灾难救援的效率，可以为多起点、多待救援点的路径规划提供广阔的优化前景。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于多起点、多待救援点、多个终点的救援路径规划方法，该方法中包括预先部署在建筑物内部的无线传感器、移动终端、远程服务器端三个组成部分，其特征在于，救援路径规划方法以下步骤：

S1、通过部署在建筑物内部的无线传感器网络获取环境信息，采用栅格法建立环境模型；

所述环境模型中包括确定动态消防人员的实时坐标位置、救援出口的坐标位置、障碍物的坐标位置、消防人员运动的自由空间范围、火源中心位置坐标以及火源周围蔓延范围；

S2、根据栅格法所建立的环境模型通过改进蚁群算法来建立组合优化模型，从而找到最短的救援路径；

所述改进蚁群算法包括通过现场实测与模拟实时传回的现场环境信息，综合巷道通行难易程度系数和信息素更新浓度，得到通过巷道时的通行难易程度系数；根据道路通行难易程度系数，得到道路当量距离；

在步骤S2中，巷道通行难易程度系数通过现场实测与模拟，影响现场通行难易程度的因素包括地面湿滑程度、风速、障碍物、气体环境和可见度，将这些因素用巷道通行难易程度系数

…β_n来表示，得到通过巷道时的通行难易程度系数，计算公式如下：

式中T(ij)—有该影响因素β_i时，通过该道路的时间，单位：s；

t(ij))—无该影响因素

时，通过该道路的时间，单位：s；

σ_ij———环境影响因子参数；

γ—环境影响因子参数；

在步骤S2中，信息素浓度的更新包括全局更新和局部更新，分布按下式进行：

其中，Q(t)是个时变函数，

const表示信息素常量，β_r(t)表示t时刻第r影响因素的影响程度，n表示影响因素的个数；

ρ为信息素挥发因子，所述信息素挥发因子ρ按下式进行更新；

式中：a为常数，ρ_min为ρ的最小值；

在步骤S2中，当量距离为L_(i，j)计算时，假设道路i、j点间实际距离为l_ij，道路通行难易程度系数为β_i(ij)，得到道路当量距离：

式中：Z为障碍物和火源位置集合；Z₀为火险周围危险区域；γ是由环境信息综合得到的权重参数，l_ij为i，j两点之间的距离。

2.根据权利要求1所述的基于多起点、多待救援点、多个终点的救援路径规划方法，其特征在于：当消防人员在运动的过程中，如遇到障碍物或火险，其距离将被设为无穷大；若无障碍物和火险，则其可以移动到其周围的邻近栅格位置的中间位置。

Images