CN117631667B - 一种应用于多层建筑人员的动态引导避障疏散方法 - Google Patents
一种应用于多层建筑人员的动态引导避障疏散方法 Download PDFInfo
- Publication number
- CN117631667B CN117631667B CN202311616454.7A CN202311616454A CN117631667B CN 117631667 B CN117631667 B CN 117631667B CN 202311616454 A CN202311616454 A CN 202311616454A CN 117631667 B CN117631667 B CN 117631667B
- Authority
- CN
- China
- Prior art keywords
- density
- evacuation
- food source
- personnel
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 102
- 238000009826 distribution Methods 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 238000003064 k means clustering Methods 0.000 claims abstract description 29
- 241000257303 Hymenoptera Species 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 9
- 238000011960 computer-aided design Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 7
- 230000019637 foraging behavior Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004308 accommodation Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种应用于多层建筑人员的动态引导避障疏散方法。该方法包括:对疏散场景内多层建筑中的所有人员数据进行初始化处理,采用K‑means聚类算法实现引导员分布优化;获取疏散场景布局信息及人流密度数据,根据初始人员数据、引导员数量和位置的分布信息、疏散场景布局信息及人流密度数据采用改进后的人工蜂群算法获取疏散人员的最优避障引导疏散路径。本发明建立基于K‑means聚类算法的引导员分布优化模型,通过K‑means聚类算法对疏散场景内所有人员位置数据进行处理并限制聚类内数据点到中心点的距离,能够实现对引导员初始位置、数量等属性的设置,保证引导员距离周围被疏散人员最近,改善以往主观的引导员设置方法。
Description
技术领域
本发明涉及引导疏散管理技术领域,尤其涉及一种应用于多层建筑人员的动态引导避障疏散方法。
背景技术
引导疏散方法是指通过各种方式和手段来引导行人安全、有序离开危险区域的方法。根据引导方式和技术的不同,引导疏散方法主要可划分为标识引导、辅助疏散设备引导和引导员引导。
标识引导通过在关键位置设置指示牌、逃生标志和安全疏散图等标识,指示人们疏散的方向和路径。研究发现在疏散过程中,疏散标识的可视性受到标志内容大小、相对位置、遮挡物、视距、光照条件等因素的影响。同时,由于行人面临情绪紧张,焦虑等情况,导致他们无法迅速识别、理解标识内容。真实建筑环境中存在着多种多样的静态或动态障碍物,障碍物信息无法在标识上显示,这也使得标识引导无法正确引导行人躲避障碍物。
辅助疏散设备引导方法是指通过辅助疏散设备引导或向被疏散者提供疏散路线的相关信息。目前研究最多的辅助疏散设备是移动机器人。然而,由于其自身行动能力的局限性,机器人更适用于购物中心、车站、地铁站等大型公共场所,不适用于结构复杂、障碍物较多的多层建筑。同时,移动机器人的部署和操作需要一定的技术支持和维护,包括导航系统、障碍物检测和通信技术等,这都将增加引导疏散方案的复杂性和成本,对于一些资源有限或技术条件有限的多层建筑来说,机器人引导难以实现。
引导员引导是指在应急事件发生时引导人员对被疏散人员提供指引和引导,对其研究在人群疏散过程中具有重要的现实意义。经过培训的引导人员对建筑物的布局和结构有完整的知识,在疏散过程中可以帮助其他人员快速避障疏散。根据引导员在引导过程中的运动状态,将引导员的引导作用可以分为静态引导和动态引导。静态引导是引导员本身并不移动只在固定的位置上以声音等方式为其周围的待疏散人员指明正确的疏散方向。动态引导则是引导员带领被疏散人员一同疏散。引导员动态引导具有更好的实时性、灵活性和人性化沟通能力等优点。传统引导员引导方法存在主观性和个体差异、人力资源和培训成本高、适应复杂环境困难以及信息不足等缺点,在避障的研究上主要是考虑了静态障碍物的避障,几乎没有考虑动态障碍物。
动态避障技术是一种使用指导、引导或激励手段来影响运动实体在动态环境中识别、避免和规避障碍物的行为。该方法旨在引导个体朝特定目标或期望的行为方向发展,并通过设计和实施相关策略来对个体行为产生积极影响。目前自动驾驶车辆、机器人导航、无人机飞行、虚拟现实和增强现实等领域都有动态避障的研究。各界学者也都一直在致力于提高引导系统的安全性和性能,降低个体在事故或灾害中受到的损失。
在自动驾驶车辆领域,动态引导避障具有重要推动作用,其应用较为普遍,有学者基于改进人工势场法与模型预测控制提出了一种避障规划控制方法,设置障碍物碰撞的充要条件作为模型约束条件,生成满足避障要求的安全、平滑路径。有学者提出了一种基于自学习策略与多学习策略的改进粒子群算法,通过在规划路径过程中引入惩罚来实现动态障碍物避障,规划得到一条比初始路径更优的车辆路径。
在机器人导航领域,有学者在移动机器人原始路径规划算法的基础上提出等距分布式并行搜索并引入势场作用,并行搜索方法可以有效躲避障碍物,改善了路径规划的质量及效率。有学者通过使用固定在机器人上和环境中的红外传感器实现了机器人的定位和路径规划。但在路径规划时没有考虑动态障碍物及其运动方向,这导致机器人与动态障碍物之间的安全距离无法得到保证。
在应急疏散场景中,时间非常关键,每秒都可能影响到人们的生命安全。引导疏散方法通过各种方式和手段引导行人离开危险区域,动态引导避障策略可以快速生成最佳疏散路径和行动方案,帮助人们快速、高效地离开危险区域,从而提高疏散效率,降低人员伤亡,这也使得引导疏散方法和动态引导避障疏散技术成为智慧城市安全建设发展的重要课题之一。
目前常见的引导疏散方法有标识引导、机器人引导和引导员引导,其中标识引导和机器人引导方法无法适应复杂环境下的引导需求,存在误导和漏洞的风险。引导员引导从人性化和专业性两方面提供引导服务,确保疏散过程的安全、高效、可控。
目前对引导员的数量、位置和有效引导范围三方面具有一定的研究。有学者研究了疏散引导策略中引导员数量和位置的最佳组合可明显提高疏散的效率。提出一个由位于出口的疏散引导员引导的元胞自动机模型,引导员通过发送可量化的引导信号来吸引疏散空间中的人员朝向自己所在的出口。有学者析疏散引导下的疏散人员数量,最小群体疏散方法和预作用疏散方法对商业建筑消防疏散属性的影响。有学者将疏散人群建模为一个多智能体(Agent)系统,采用数值模拟和遗传算法相结合的方法求解了引导员的数量、初始位置和出口分配。
对于避障方面的研究,有学者研究了出口附近静态障碍物对行人疏散的影响。有学者基于蚁群优化算法,确定了社会力模型中行人期望的运动方向,以避开静态障碍物。有学者提出一种空间离散化更精细的元胞自动机模型,研究了障碍物对疏散时间、行人轨迹的影响,并用于模拟房间内有障碍物的非紧急疏散过程,忽视了紧急情况下人员疏散情况的研究。提出一种动态行人流分配模型和算法,以布局有障碍物或多出口区域作为案例场景,通过确定行人的出口或路线的选择,优化行人离开该场景所需的疏散时间。Lu等通过在疏散期间对路线的距离、拥堵程度、出口分布和社会群体之间的吸引力进行加权,以制定行人在有内部障碍物的教室中的路线选择。有学者建立了基于"探测-决策-行动"智能体的疏散模型,探测算法用于识别检测半径内的行人或障碍物,以提供下一步的行走方向并施加主动转向力。
目前,现有技术中的当前应急疏散领域的动态引导避障疏散方法存在以下问题:
传统疏散引导采用标识、广播等方式,缺乏个性化与引导策略,同时在实际问题中难以满足多层复杂结构的人员疏散需求。
建筑空间内以人为核心的疏散系统属于复杂系统,当前研究选取引导员数量及初始位置设置带有较强的主观因素,难以灵活适用于多层建筑。
目前针对建筑内障碍物问题,主要集中静态避障,在生成无碰撞路径的避障算法、考虑障碍物的几何特征、研究模拟行人避障行为等方面,缺乏对动态障碍物与避障方法的研究。
发明内容
本发明的实施例提供了一种应用于多层建筑人员的动态引导避障疏散方法,以实现有效地对多层建筑人员进行动态引导避障疏散。
为了实现上述目的,本发明采取了如下技术方案。
一种应用于多层建筑人员的动态引导避障疏散方法,包括:
对疏散场景内多层建筑中的所有人员数据进行初始化处理,采用K-means聚类算法实现引导员分布优化;
获取疏散场景布局信息及人流密度数据,根据初始人员数据、引导员数量和位置的分布信息、疏散场景布局信息及人流密度数据采用改进后的人工蜂群算法获取疏散人员的最优避障引导疏散路径。
优选地,所述的对疏散场景内多层建筑中的所有人员数据进行初始化处理,采用K-means聚类算法实现引导员分布优化,包括:
以疏散场景中的多层建筑结构CAD图为参考,对疏散场景进行建模,获取多层建筑中所有人员的初始分布位置数据,所述所有人员包括引导员和疏散人员,将人员初始分布位置数据可视化,判断是否存在明显异常点,去除异常值;
构建基于K-means聚类算法的引导员分布优化模型,该引导员分布优化模型的参数包括初始聚类的数量k和距离度量方式,将所述人员初始分布位置数据输入引导员分布优化模型,引导员分布优化模型根据K-means聚类规则,计算出每个聚类簇所对应的引导员数量和位置,输出各个聚类中心点的坐标。
优选地,所述的将人员初始分布位置数据输入引导员分布优化模型,引导员分布优化模型根据K-means聚类规则,计算出每个聚类簇所对应的引导员数量和位置,输出各个聚类中心点的坐标,包括:
设置疏散场景模型中的人均占用面积为N,房间面积为S,则房间内每平米的人数为O,根据公式(1)计算房间容纳人数O:
将房间容纳人数O作为报疏散人员人数参考值,K-means聚类算法中的样本点数量与房间容纳人数O一致;
设置疏散场景模型中建筑物内最大有效引导半径,将人员初始分布位置数据输入引导员分布优化模型,根据引导员数量设置聚类数,根据引导员位置设置聚类中心点位置,将引导员位置坐标点作为样本点,将人员数据样本点划分为k个簇,将每个人员的位置坐标分配到最近的聚类中;
引导员到聚类中心点之间的距离采用欧几里得距离来计算,计算公式如下:
式中:xi和yi分别表示引导员坐标点x和中心点y在第i维上的坐标,n为空间维数;
假设聚类中含有m个样本,且每个样本点xi属于聚类Cj,则中心点yi用如下公式计算。
式中:|Cj|表示聚类簇Cj中样本点的数量;
分配完毕后,重新选取聚类中心点迭代分配,直到达到最大迭代次数或所有的聚类中心不再改变,输出每个聚类簇所对应的引导员数量和位置,以及各个聚类中心点的坐标。
优选地,所述的获取疏散场景布局信息及人流密度数据,根据初始人员数据、引导员数量和位置的分布信息、疏散场景布局信息及人流密度数据采用改进后的人工蜂群算法获取疏散人员的最优避障引导疏散路径,包括:
根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图,根据栅格地图构建疏散场景模型,在疏散场景模型中增加密度地图模块,以色彩变化展现人流密度变化,制作密度文件;将获取的密度文件通过灰度处理,双精度处理以及归一化处理,输出密度点地图;
根据密度点地图改变人工蜂群算法中的初始食物源生成方式,修改人工蜂群算法中的适应度函数,增加人流密度、障碍物距离和距目的地距离参数,根据初始人员数据、疏散场景布局信息、引导员数量和位置的分布信息以及人流密度数据采用改进后的人工蜂群算法获取最优避障引导疏散路径。
优选地,所述的根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图,根据栅格地图构建疏散场景模型,在疏散场景模型中增加密度地图模块,以色彩变化展现人流密度变化,制作密度文件,包括:
根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图,将障碍物、墙体表示为黑色栅格,白色栅格为可通行区域,每个栅格由栅格序号i表示,栅格地图尺寸为row*col,栅格的中心坐标计算公式如(4)所示:
式中:mod为取余函数,ceil为向正无穷方向取整函数;
在疏散场景模型中增加密度地图模块,以色彩变化展现人流密度变化,以图片或视频的形式获取行人运动过程中场景颜色变化,制作密度文件,将彩色的密度文件转换为灰色图像,采用人眼感知灰度计算公式将彩色图像的红色、绿色和蓝色通道的像素值按一定权重相加,计算公式如(5):
I(x,y)=0.3*IR(x,y)+0.59*IG(x,y)+0.11*IB(x,y) (5)
式中:常数系数是人眼对红、绿、蓝三色的敏感程度,IR(x,y),IG(x,y),IB(x,y)分别是对应颜色的像素值,I(x,y)是该像素的灰度值,取值范围在0-255;
将灰度处理后的密度文件经过双精度处理和归一化处理,输出密度点地图。
优选地,所述的根据密度点地图改变人工蜂群算法中的初始食物源生成方式,修改人工蜂群算法中的适应度函数,增加人流密度、障碍物距离和距目的地距离参数,根据初始人员数据、疏散场景布局信息、引导员数量和位置的分布信息以及人流密度数据采用改进后的人工蜂群算法获取最优避障引导疏散路径,包括:
设置改进后的人工蜂群算法模型包含三项基本元素:食物源、被雇佣蜂和未被雇佣蜂,其中,被雇佣蜂又称作引领蜂,被雇佣蜂分为跟随蜂和侦查蜂,改进后的人工蜂群算法模型的三项行为模式为:搜索食物源、招募雇佣蜂和放弃食物源,蜂群觅食行为与路径规划问题对应关系如表2所示:
表2蜂群觅食行为与路径规划问题关系表
基于人流密度生成改进后的人工蜂群算法的初始食物源,设置食物源最大开采数limit、种群数量、种群最大迭代次数、食物源数量和人流密度阈值densityThreshold,定义空矩阵,并将密度大于人流密度阈值的点加入该矩阵作为符合密度条件的有效点,基于权重生成Ne个初始食物源,权重w计算公式如(6)所示:
式中:densityx,y为当前路径点(x,y)对应的密度值,densitymax是密度点地图densitymap中密度最大值;
采用轮盘赌机制对引领蜂个体选择体现其随机性,存在一定概率选择适应值较为低劣的引领蜂个体作为引领其疏散的引领蜂,为跟随蜂增加视野半径Rv,跟随蜂在视野范围内寻找适应值最佳的个体;
为躲避障碍物生成一条考虑人流密度、距目的地距离疏散因素的安全路径,对算法中适应度函数进行修改,路径存在障碍物或密度较大区域时适时增加适应度值,计算公式如(7)所示。
式中:a,b为自定义权重系数,distancepath是路径长度,density(i)是路径中各节点的人流密度,Ne是在初始化阶段设置的食物源数量,G(x,y)=1说明该点处于黑色栅格,区间(densityThreshold,density)为自定义密度较大区域范围;
设置侦察蜂采用自适应步长,增加搜索方向,在适应度值陷入局部最优或大于适应度阈值,侦查蜂通过自适应步长朝全局最优食物源方向搜索新食物源,原始算法搜索食物源计算公式如(8)所示,食物源更新公式如(9)所示;
式中:i∈{1,2,3...,n},j∈{1,2,3...,d},aj、bj分别为j维候选解空间的下限和上限;
式中:Ld是该食物源的搜索空间的下限,Ud是该食物源的搜索空间的上限,rand(0,1)是0到1之间的随机数,用于增加解的随机性和多样性,trail是该食物源被选择的次数,L是设置的食物源有效性阈值;
改进后的自适应步长Step计算公式如(10)所示;
Step=Fitness*Factors (10)
式中:Step∈[0,min(mapx,mapy)],mapx,mapy分别为二维地图的长度和宽度,Fitness为路径适应度值,Facctors为缩放因子;
缩放因子Facctors的计算公式如公式11所示;
式中:Stepmax为最大步长,Fitness为路径适应度值;
增加搜索方向使侦察蜂朝全局最优食物源方向搜索新食物源,搜索方向normDirection如公式12所示;
式中:Direction是当前食物源位置与最优适应度值位置之间的向量差,计算公式如13所示;
式中:Positionx和Globalbestx分别为当前食物源位置与最优适应度值的位置的横坐标,Positiony和Globalbesty分别为当前食物源位置与最优适应度值的位置的纵坐标;
根据公式(11)-(13)计算得到新的食物源NewSource,更新公式如14所示;
式中:Sourceix、Sourceiy分别是陷入局部最优的食物源的横纵位置坐标,Distance为当前食物源i与全局最优食物源距离,normDirection是侦察蜂的搜索方向,Step为自适应步长,mapx,mapy分别为二维地图的长度和宽度;
其中,Distance计算公式如式15所示;
式中:Positionx和Globalbestx分别为当前食物源位置与最优适应度值的位置的横坐标,Positiony和Globalbesty分别为当前食物源位置与最优适应度值的位置的纵坐标;
所述改进后的人工蜂群算法的输入数据包括疏散场景布局信息和人流密度数据,对所述改进后的人工蜂群算法进行求解,具体步骤如下:
Step1:初始化,设置食物源最大开采数limit,种群最大迭代次数,密度阈值,适应度阈值,种群数量及食物源数量;
Step2:读取密度点地图,计算密度权重并选择初始食物源,计算并记录初始食物源的适应度,判断适应度是否超过适应度阈值,如果超过,则重新选取初始食物源,如果未超过,则执行Step3;
Step3:引领蜂标记确定初始食物源,在初始食物源邻域搜索新食物源,计算新食物源适应度值与原始食物源比较并进行贪婪选择,将食物源信息分享给跟随蜂;
Step4:跟随蜂在视野半径范围内选择食物源,计算食物源的适应度值,采用贪婪准则选择较优的食物源,记录当前食物源最优解;
Step5:判断当前食物源最优解循环limit次后适应度值是否得到改善,如果未得到改善;说明算法陷入局部最优,执行Step6;如果得到改善,则执行Step7;
Step6:产生侦查蜂,根据当前食物源位置计算缩放因子,自适应步长,搜索方向,侦查蜂搜索找到新的食物源并更新,执行Step7;
Step7:判断是否达到最大迭代次数或满足结束条件,未满足要求则重复Step2-Step6,满足要求则对产生路径进行平滑处理,并输出最优解,该最优解即为人员的最优避障引导疏散路径。
由上述本发明的实施例提供的技术方案可以看出,本发明以动态引导疏散方法和动态引导避障技术相结合,以多层建筑结构为空间背景,提出多层建筑内突发事件下人员动态疏散引导与避障方法,解决传统引导疏散方法在疏散过程中适应性差、灵活性不足、没有考虑动态避障等缺点,实现人员在多层建筑内的动态引导避障疏散方法。本发明实施例综合动态引导与动态避障的技术,能提供更高效、准确、安全的疏散方案。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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为本发明提供的一种应用于多层建筑人员的动态引导避障疏散方法的处理流程图;
图2为本发明提供的一种引导员分布优化模型的处理流程图;
图3为本发明提供的一种四层建筑案例平面图;
图4为本发明提供的一种引导员位置聚类效果图;(a)一层聚类结果(b)二层聚类结果,(c)三层聚类结果,d)四层聚类结果;
图5为本发明提供的一种基于改进后的人工蜂群算法的路径规划模型流程图,
图6为本发明提供的一种动态引导疏散避障模型的运行结果示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例通过k-means聚类算法提出一种科学有效的多层建筑引导员分布优化方法,同时立足于应急场景中障碍物距离、人员密度等重要影响因素,提出一种动态引导疏散避障方法。该方法能提高搜索精度及稳定性,实现动态避障,同时将路径规划方法与引导员引导方法结合,降低算法实施难度,提高了疏散效率,为多层建筑疏散策略的制定提供科学指导。
本发明实施例将聚类分析方法和改进蜂群算法相结合,提出了一种应用于多层建筑内的人员动态引导疏散避障方法,该方法的实现原理图如图1所示,具体处理流程如图2所示,包括如下的处理步骤:
步骤S10、利用引导员分布优化模型采用K-means聚类算法,对疏散场景内所有人员数据进行初始化处理。
步骤S20。获取疏散场景布局信息及人流密度数据,根据初始人员数据、疏散场景布局信息及人流密度数据采用改进后的人工蜂群算法获取最优避障引导疏散路径,实现对建筑内人员的动态引导疏散避障。
具体的,上述步骤S10包括:根据多层建筑结构分布的CAD图,设计一个基于K-means聚类算法的引导员分布优化模型,该模型的处理流程如图2所示。基于K-means聚类算法的引导员分布优化模型的结构特征包含聚类的数量(K值)、中心点、形状、大小、聚类之间的距离、数据点的归属关系、模型的收敛性。其中聚类的数量和中心点是K-means模型将数据分成K个聚类,每个聚类都有自己的中心点,中心点是聚类内所有数据点的平均值,并用来表示该聚类的特征向量,它描述了聚类的位置和特征。聚类可以具有不同的形状和大小。本优化模型基于引导员引导优化特点,设置聚类形状为圆形,聚类大小可以体现在聚类内的数据点数量上。模型通过最小化聚类内平方误差和最大化聚类间距离来优化聚类结果。本模型聚类间的距离通过欧氏距离衡量。模型的收敛性则是模型通过迭代优化算法来寻找最优的聚类中心点位置,模型收敛时停止迭代,最终输出得到的最佳中心点即为最优模型的结构特征。利用上述引导员分布优化模型采用K-means聚类算法,对疏散场景内所有人员数据进行初始化处理,所述所有人员包括引导员和疏散人员。限制聚类内数据点到中心点的距离,实现对引导员初始位置、数量等属性的初始化设计,保证引导员距离周围被疏散人员最近,并且在疏散过程中可以开展有效引导指令。
(1)数据获取。以真实的多层建筑结构CAD图为参考,对疏散场景进行建模,并构建符合现实情况的人员模型,获取人员初始分布位置数据。
(2)数据处理。将人员初始分布位置数据可视化,并判断是否存在明显异常点,去除异常值。
(3)模型搭建。选择和设置适当的参数构建基于K-means聚类算法的引导员分布优化模型,引导员分布优化模型的参数包括初始聚类的数量(k)、恰当的距离度量方式等。
(4)模型运行。根据搭建好的引导员分布优化模型,将人员数据输入引导员分布优化模型,引导员分布优化模型根据K-means聚类规则,计算出每个聚类簇所对应的引导员数量和位置,输出各个聚类中心点的坐标,实时调整引导员的分布并输出结果。
设置疏散场景模型中的人均占用面积为N,房间面积为S,则房间内每平米的人数为O,根据公式(1)计算房间容纳人数O。
房间容纳人数O的作用是在构建案例建筑空间模型后,设计并明确建筑空间内被疏散行人数量,K-means聚类算法中的样本点数量与房间容纳人数O一致,房间容纳人数的设置影响了聚类算法输出结果,即建筑内引导员数量、位置设置,进而影响了案例整体的疏散效率。
以某高校一四层多层建筑为例,通过多层建筑的CAD图可以建立该多层建筑及内部教室的物理空间模型,其内部的疏散群体主要为青年,根据相关学者的研究,青年人的步行速度为1.1m/s-1.4m/s。在紧急情况下,人员的行走平均速度为原来的1.1倍,则该疏散场景模型在应急情景下行人速度为1.21m/s-1.54m/s。根据《中国成年人人体尺寸》(GB10000-1988)的数据,设置人员肩宽尺寸区间为0.35-0.45m。对实验参数进行设计,输出疏散者位置数据并将其作为基于K-means聚类算法的引导员分布优化模型的输入数据。
引导员的引导效率受到引导员位置、数量、有效引导范围等因素的影响。有效引导范围通常由具体的场景和需求来决定,相关研究提出建筑物内最大有效引导半径为10m-20m,考虑多层建筑结构的复杂程度,将引导员有效引导半径为10m。
采用基于K-means聚类算法制定最优引导方案的方法,将引导员引导人群疏散问题转化为对引导员初始位置、数量问题的探究。其原理是将数据样本点划分为k个簇。算法将每个位置坐标分配到最近的聚类中,分配完毕后,重新选取聚类中心点迭代分配,直到达到最大迭代次数或所有的聚类中心不再改变。K-means聚类算法中的参数与疏散问题对应关系如表1所示。
表1K-means聚类算法与疏散问题关系表
引导员到聚类中心点之间的距离采用欧几里得距离来计算,计算公式如下:
式中:xi和yi分别表示引导员坐标点x和中心点y在第i维上的坐标,n为空间维数。
假设聚类中含有m个样本,且每个样本点xi属于聚类Cj,则中心点yi用如下公式计算:
式中:|Cj|表示聚类簇Cj中样本点的数量。
在完成引导员分布优化模型的搭建后,读取数据存入引导员分布优化模型并运行k-means聚类模型,通过多次迭代后得到符合条件的数据。以图3所示的四层建筑为例,输出各层引导员聚类图如图4所示,不同图案表示不同聚类,‘*’符号表示距离各聚类内各个样本点最近的中心点位置,即基于疏散人员位置的引导员位置坐标。
具体的,上述步骤S20包括:
本发明将改进群体智能优化算法中的人工蜂群算法,使其适用于被疏散人员的路径规划问题,从而准确、快速的生成一条较为安全的逃生路径,为引导员引导被疏散人员撤离提供科学有效的方案。图5为本发明实施例提供的一种基于改进后的人工蜂群算法的路径规划模型流程图,具体处理过程包括:
(1)地图搭建。获取疏散场景中建筑物的CAD图等结构图,通过得到的布局信息和障碍物信息构建适用于人工蜂群算法的栅格地图,根据栅格地图构建疏散场景模型。
(2)数据获取。在疏散场景模型中增加密度地图模块以色彩变化展现人流密度变化,以图片或视频的形式获取行人运动过程中场景颜色变化,并制作为密度文件。
(3)数据处理。将获取的密度文件通过灰度处理,双精度处理以及归一化处理,输出得到能应用在MATLAB中的密度点地图。
(4)改进算法。根据疏散特征改进人工蜂群算法,首先改变初始食物源生成方式,引入密度点地图,目的使最终生成路径尽可能处于低密度区域。其次修改适应度函数,增加人流密度、障碍物距离、距目的地距离等参数,改变传统路径算法只考虑路径长度这一因素。同时为解决群智能体优化算法的共性问题,引入自适应步长,算法可以根据实际情况调整步长,避免陷入局部最优。加入样条插值法拟合曲线输出平滑路径。
本发明采用栅格地图对疏散场景进行建模,便于改进后的人工蜂群算法以此地图为基础开展路径规划输出。通常将障碍物、墙体等表示为黑色栅格,白色栅格为可通行区域。每个栅格可以由栅格序号i表示,栅格地图尺寸为row*col,栅格的中心坐标计算公式如(4)所示。
式中:mod为取余函数,ceil为向正无穷方向取整函数。
以色彩深浅表示疏散场景中人流密度情况的密度文件无法直接应用于MATLAB,需要对文件进行处理。首先将彩色图像转换为灰色图像,转化为灰度图像后可以在视觉上增加对比,突出重点。本发明采用人眼感知灰度计算公式,将彩色图像的红色、绿色和蓝色通道的像素值按一定权重相加,计算公式如(5)。
I(x,y)=0.3*IR(x,y)+0.59*IG(x,y)+0.11*IB(x,y) (5)
式中:常数系数是人眼对红、绿、蓝三色的敏感程度,IR(x,y),IG(x,y),IB(x,y)分别是对应颜色的像素值。I(x,y)是该像素的灰度值,取值范围在0-255。
双精度处理是将图像的像素值从整数类型转换为双精度浮点数类型,这样做可以增加图像的灵活性和精度,并允许进行浮点数运算和图像处理操作。
完成灰度化处理和双精度处理后,将数据进行归一化处理,将像素值的范围缩放到特定的区间[0,1],并输出为密度点地图。这样做可以使像素值具有统一的尺度,方便后续数据计算,同时可以以数值的大小表示该位置的人流密集程度。
人工蜂群算法通过模拟蜜蜂觅食行为过程,能够实现不同角色的相互转换、信息共享。模型包含三项基本元素:食物源、被雇佣蜂(引领蜂),未被雇佣蜂(跟随蜂、侦察蜂);及三项行为模式:搜索食物源、招募雇佣蜂,放弃食物源。蜂群觅食行为与路径规划问题对应关系如表2所示。
表2蜂群觅食行为与路径规划问题关系表
(1)基于人流密度生成初始食物源
初始化,设置limit(食物源最大开采数)、种群数量、种群最大迭代次数、食物源数量和人流密度阈值densityThreshold。定义空矩阵,并将密度大于人流密度阈值的点加入该矩阵作为符合密度条件的有效点,然后基于权重生成Ne个初始食物源。权重w计算公式如(6)所示。
式中:densityx,y为当前路径点(x,y)对应的密度值,densitymax是密度点地图densitymap中密度最大值。
(2)引入视野半径替代轮盘赌
随蜂个体采用轮盘赌机制对引领蜂个体的选择具有随机性,存在一定概率选择适应值较为低劣的引领蜂个体作为引领其疏散的引领蜂。增加视觉影响,避免轮盘赌机制带来的随机性。为跟随蜂增加视野半径,视野半径Rv参照过往研究结论将跟随蜂设定为5,跟随蜂在视野范围内寻找适应值最佳的个体。
避障及适应度值计算
为躲避障碍物同时生成一条考虑人流密度、距目的地距离等多种疏散因素的安全路径,对算法中适应度函数进行修改,路径存在障碍物或密度较大区域时适时增加适应度值,计算公式如(7)所示。
式中:a,b为自定义权重系数,distancepath是路径长度,density(i)是路径中各节点的人流密度,Ne是在初始化阶段设置的食物源数量。G(x,y)=1说明该点处于黑色栅格,区间(densityThreshold,density)为自定义密度较大区域范围。
(4)避免局部最优
原始算法中设置侦察蜂采用固定步长,在算法运行陷入局部最优时无法有效跳出,因此本发明设计一种自适应步长,并增加搜索方向,在适应度值陷入局部最优或大于适应度阈值,侦查蜂通过自适应步长朝全局最优食物源方向搜索新食物源。原始算法搜索食物源计算公式如(8)所示,食物源更新公式如(9)所示。
xij=aj+rand(0,1)(bj-aj) (8)
式中:i∈{1,2,3...,n},j∈{1,2,3...,d},aj、bj分别为j维候选解空间的下限和上限。
式中:Ld是该食物源的搜索空间的下限,Ud是该食物源的搜索空间的上限,rand(0,1)是0到1之间的随机数,用于增加解的随机性和多样性,trail是该食物源被选择的次数,L是设置的食物源有效性阈值。
改进后的自适应步长Step计算公式如(10)所示。
Step=Fitness*Factors (10)
式中:Step∈[0,min(mapx,mapy)],mapx,mapy分别为二维地图的长度和宽度。Fitness为路径适应度值,Facctors为缩放因子。设置缩放因子是因为适应度值最大可达到1000以上,采用原适应度值,使得步长远大于二维地图尺度,所以设置了缩放因子。缩放因子计算公式如公式11所示。
增加搜索方向使侦察蜂朝朝全局最优食物源方向搜索新食物源,搜索方向normDirection如公式12所示。
式中:Direction是当前食物源位置与最优适应度值位置之间的向量差,计算公式如13所示。
式中:Positionx和Globalbest分别为当前食物源位置与最优适应度值的位置。根据自适应步长和搜索方向得到新的食物源,更新公式如14所示。
式中:Distance为当前食物源i与全局最优食物源距离,如公式15所示。
改进后的人工蜂群算法获取最优避障引导疏散路径的输入数据分为疏散场景布局信息和人流密度数据两部分。其中疏散场景布局信息包括建筑结构信息,建筑内障碍物的位置和形状,引导员,逃生出口的位置信息等。人流密度数据是通过仿真软件得到的建筑内人流密度变化数据并进行数据处理以适应算法的需求,在实际过程中可以通过监控摄像头,视频拍摄等方式获取该数据。输出数据是根据输入数据和改进后的算法运行计算得到的一条最优疏散路径,以图像和坐标数据两种形式输出,便于专业人员观察。
对改进后的人工蜂群算法求解,具体步骤如下:
Step1:初始化,设置limit(食物源最大开采数),种群最大迭代次数,密度阈值,适应度阈值,种群数量及食物源数量。
Step2:读取密度点地图,计算密度权重并选择初始食物源。计算并记录初始食物源的适应度,判断适应度是否超过适应度阈值,超过则重新选取初始食物源,未超过则执行Step3。
Step3:引领蜂标记确定初始食物源,在初始食物源邻域搜索新食物源,计算新食物源适应度值与原始食物源比较并进行贪婪选择,将食物源信息分享给跟随蜂。
Step4:跟随蜂在视野半径范围内选择食物源,计算其适应度值并采用贪婪准则选择较优的食物源,记录当前食物源最优解。
Step5:判断当前食物源最优解循环limit次后适应度值是否得到改善,未得到改善说明算法陷入局部最优,执行Step6,得到改善则执行Step7。
Step6:产生侦查蜂,根据当前食物源位置等相关信息计算缩放因子,自适应步长,搜索方向,侦查蜂搜索找到新的食物源并更新,执行Step7。
Step7:判断是否达到最大迭代次数或满足结束条件,未满足要求则重复Step2-Step6,满足要求则对产生路径进行平滑处理,并输出最优解,该最优解即为人员的最优避障引导疏散路径。
模型实验与结果,为验证改进后算法的优势,本发明选取了4个经典测试函数在Matlab编程环境下进行对比实验。实验结果如表3所示。
表3算法运行结果
表中ABC为原始人工蜂群算法,IABC为本发明中改进后的人工蜂群算法。数据表明:与原始人工蜂群算法相比,改进后的算法搜索的精度提高了至少两个数量级,而且IABC算法的平均值和方差更小,证明其稳定性也优于原始人工蜂群算法。运行本发明提出的动态引导疏散避障模型的运行结果如图6所示,其中模型运行时间8.78s。图6(a)中黑色方形、大圆形为建筑内静态障碍物,小圆形图案为动态障碍物,黑色线条为规划得到的平滑路径,线条两端的方形、星形图标分别为路径的起点和终点。图6(b)为适应度的收敛曲线,由图可知,模型在迭代10次后收敛。
综上所述,本发明建立基于K-means聚类算法的引导员分布优化模型,通过K-means聚类算法对疏散场景内所有人员位置数据进行处理并限制聚类内数据点到中心点的距离,能够实现对引导员初始位置、数量等属性的设置,保证引导员距离周围被疏散人员最近,改善以往主观的引导员设置方法。
通过一种改进人工蜂群算法,建立了适用于应急疏散场景的改进人工蜂群算法的动态避障疏散模型。确定改进后的自适应步长、适应度函数,增加躲避动态障碍物,远离高密度区域功能,得到适用于被疏散人员的安全路径。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种应用于多层建筑人员的动态引导避障疏散方法,其特征在于,包括:
对疏散场景内多层建筑中的所有人员数据进行初始化处理,采用K-means聚类算法实现引导员分布优化;
获取疏散场景布局信息及人流密度数据,根据初始人员数据、引导员数量和位置的分布信息、疏散场景布局信息及人流密度数据采用改进后的人工蜂群算法获取疏散人员的最优避障引导疏散路径;具体包括:
根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图,根据栅格地图构建疏散场景模型,在疏散场景模型中增加密度地图模块,以色彩变化展现人流密度变化,制作密度文件;将获取的密度文件通过灰度处理,双精度处理以及归一化处理,输出密度点地图;
根据密度点地图改变人工蜂群算法中的初始食物源生成方式,修改人工蜂群算法中的适应度函数,增加人流密度、障碍物距离和距目的地距离参数,根据初始人员数据、疏散场景布局信息、引导员数量和位置的分布信息以及人流密度数据采用改进后的人工蜂群算法获取最优避障引导疏散路径;
所述的根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图,根据栅格地图构建疏散场景模型,在疏散场景模型中增加密度地图模块,以色彩变化展现人流密度变化,制作密度文件,包括:
根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图,将障碍物、墙体表示为黑色栅格,白色栅格为可通行区域,每个栅格由栅格序号i表示,栅格地图尺寸为row*col,栅格的中心坐标计算公式如(4)所示:
式中:mod为取余函数,ceil为向正无穷方向取整函数;
在疏散场景模型中增加密度地图模块,以色彩变化展现人流密度变化,以图片或视频的形式获取行人运动过程中场景颜色变化,制作密度文件,将彩色的密度文件转换为灰色图像,采用人眼感知灰度计算公式将彩色图像的红色、绿色和蓝色通道的像素值按一定权重相加,计算公式如(5):
I(x,y)=0.3*IR(x,y)+0.59*IG(x,y)+0.11*IB(x,y) (5)
式中:常数系数是人眼对红、绿、蓝三色的敏感程度,IR(x,y),IG(x,y),IB(x,y)分别是对应颜色的像素值,I(x,y)是该像素的灰度值,取值范围在0-255;
将灰度处理后的密度文件经过双精度处理和归一化处理,输出密度点地图;
所述的根据密度点地图改变人工蜂群算法中的初始食物源生成方式,修改人工蜂群算法中的适应度函数,增加人流密度、障碍物距离和距目的地距离参数,根据初始人员数据、疏散场景布局信息、引导员数量和位置的分布信息以及人流密度数据采用改进后的人工蜂群算法获取最优避障引导疏散路径,包括:
设置改进后的人工蜂群算法模型包含三项基本元素:食物源、被雇佣蜂和未被雇佣蜂,其中,被雇佣蜂又称作引领蜂,被雇佣蜂分为跟随蜂和侦查蜂,改进后的人工蜂群算法模型的三项行为模式为:搜索食物源、招募雇佣蜂和放弃食物源,蜂群觅食行为与路径规划问题对应关系如表2所示:
表2蜂群觅食行为与路径规划问题关系表
基于人流密度生成改进后的人工蜂群算法的初始食物源,设置食物源最大开采数limit、种群数量、种群最大迭代次数、食物源数量和人流密度阈值densityThreshold,定义空矩阵,并将密度大于人流密度阈值的点加入该矩阵作为符合密度条件的有效点,基于权重生成Ne个初始食物源,权重w计算公式如(6)所示:
式中:densityx,y为当前路径点(x,y)对应的密度值,densitymax是密度点地图densitymap中密度最大值;
采用轮盘赌机制对引领蜂个体选择体现其随机性,存在一定概率选择适应值较为低劣的引领蜂个体作为引领其疏散的引领蜂,为跟随蜂增加视野半径Rv,跟随蜂在视野范围内寻找适应值最佳的个体;
为躲避障碍物生成一条考虑人流密度、距目的地距离疏散因素的安全路径,对算法中适应度函数进行修改,路径存在障碍物或密度较大区域时适时增加适应度值,计算公式如(7)所示:
式中:a,b为自定义权重系数,distancepath是路径长度,density(i)是路径中各节点的人流密度,Ne是在初始化阶段设置的食物源数量,G(x,y)=1说明该点处于黑色栅格,区间(densityThreshold,density)为自定义密度较大区域范围;
设置侦察蜂采用自适应步长,增加搜索方向,在适应度值陷入局部最优或大于适应度阈值,侦查蜂通过自适应步长朝全局最优食物源方向搜索新食物源,原始算法搜索食物源计算公式如(8)所示,食物源更新公式如(9)所示;
xij=aj+rand(0,1)(bj-aj) (8)
式中:i∈{1,2,3...,n},j∈{1,2,3...,d},aj、bj分别为j维候选解空间的下限和上限;
式中:Ld是该食物源的搜索空间的下限,Ud是该食物源的搜索空间的上限,rand(0,1)是0到1之间的随机数,用于增加解的随机性和多样性,trail是该食物源被选择的次数,L是设置的食物源有效性阈值;
改进后的自适应步长Step计算公式如(10)所示;
Step=Fitness*Factors (10)
式中:Step∈[0,min(mapx,mapy)],mapx,mapy分别为二维地图的长度和宽度,
Fitness为路径适应度值,Facctors为缩放因子;
缩放因子Facctors的计算公式如公式11所示;
式中:Stepmax为最大步长,Fitness为路径适应度值;
增加搜索方向使侦察蜂朝全局最优食物源方向搜索新食物源,搜索方向normDirection如公式12所示;
式中:Direction是当前食物源位置与最优适应度值位置之间的向量差,计算公式如13所示;
式中:Positionx和Globalbestx分别为当前食物源位置与最优适应度值的位置的横坐标,Positiony和Globalbesty分别为当前食物源位置与最优适应度值的位置的纵坐标;
根据公式(11)-(13)计算得到新的食物源NewSource,更新公式如14所示;
式中:Sourceix、Sourceiy分别是陷入局部最优的食物源的横纵位置坐标,Distance为当前食物源i与全局最优食物源距离,normDirection是侦察蜂的搜索方向,Step为自适应步长,mapx,mapy分别为二维地图的长度和宽度;
其中,Distance计算公式如式15所示;
式中:Positionx和Globalbestx分别为当前食物源位置与最优适应度值的位置的横坐标,Positiony和Globalbesty分别为当前食物源位置与最优适应度值的位置的纵坐标;
所述改进后的人工蜂群算法的输入数据包括疏散场景布局信息和人流密度数据,对所述改进后的人工蜂群算法进行求解,具体步骤如下:
Step1:初始化,设置食物源最大开采数limit,种群最大迭代次数,密度阈值,适应度阈值,种群数量及食物源数量;
Step2:读取密度点地图,计算密度权重并选择初始食物源,计算并记录初始食物源的适应度,判断适应度是否超过适应度阈值,如果超过,则重新选取初始食物源,如果未超过,则执行Step3;
Step3:引领蜂标记确定初始食物源,在初始食物源邻域搜索新食物源,计算新食物源适应度值与原始食物源比较并进行贪婪选择,将食物源信息分享给跟随蜂;
Step4:跟随蜂在视野半径范围内选择食物源,计算食物源的适应度值,采用贪婪准则选择较优的食物源,记录当前食物源最优解;
Step5:判断当前食物源最优解循环limit次后适应度值是否得到改善,如果未得到改善;说明算法陷入局部最优,执行Step6;如果得到改善,则执行Step7;
Step6:产生侦查蜂,根据当前食物源位置计算缩放因子,自适应步长,搜索方向,侦查蜂搜索找到新的食物源并更新,执行Step7;
Step7:判断是否达到最大迭代次数或满足结束条件,未满足要求则重复Step2-Step6,满足要求则对产生路径进行平滑处理,并输出最优解,该最优解即为人员的最优避障引导疏散路径。
2.根据权利要求1所述的方法,其特征在于,所述的对疏散场景内多层建筑中的所有人员数据进行初始化处理,采用K-means聚类算法实现引导员分布优化,包括:
以疏散场景中的多层建筑结构CAD图为参考,对疏散场景进行建模,获取多层建筑中所有人员的初始分布位置数据,所述所有人员包括引导员和疏散人员,将人员初始分布位置数据可视化,判断是否存在明显异常点,去除异常值;
构建基于K-means聚类算法的引导员分布优化模型,该引导员分布优化模型的参数包括初始聚类的数量k和距离度量方式,将所述人员初始分布位置数据输入引导员分布优化模型,引导员分布优化模型根据K-means聚类规则,计算出每个聚类簇所对应的引导员数量和位置,输出各个聚类中心点的坐标。
3.根据权利要求2所述的方法,其特征在于,所述的将人员初始分布位置数据输入引导员分布优化模型,引导员分布优化模型根据K-means聚类规则,计算出每个聚类簇所对应的引导员数量和位置,输出各个聚类中心点的坐标,包括:
设置疏散场景模型中的人均占用面积为N,房间面积为S,则房间内每平米的人数为O,根据公式(1)计算房间容纳人数O:
将房间容纳人数O作为报疏散人员人数参考值,K-means聚类算法中的样本点数量与房间容纳人数O一致;
设置疏散场景模型中建筑物内最大有效引导半径,将人员初始分布位置数据输入引导员分布优化模型,根据引导员数量设置聚类数,根据引导员位置设置聚类中心点位置,将引导员位置坐标点作为样本点,将人员数据样本点划分为k个簇,将每个人员的位置坐标分配到最近的聚类中;
引导员到聚类中心点之间的距离采用欧几里得距离来计算,计算公式如下:
式中:xi和yi分别表示引导员坐标点x和中心点y在第i维上的坐标,n为空间维数;
假设聚类中含有m个样本,且每个样本点xi属于聚类Cj,则中心点yi用如下公式计算;
式中:|Cj|表示聚类簇Cj中样本点的数量;
分配完毕后,重新选取聚类中心点迭代分配,直到达到最大迭代次数或所有的聚类中心不再改变,输出每个聚类簇所对应的引导员数量和位置,以及各个聚类中心点的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616454.7A CN117631667B (zh) | 2023-11-29 | 2023-11-29 | 一种应用于多层建筑人员的动态引导避障疏散方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616454.7A CN117631667B (zh) | 2023-11-29 | 2023-11-29 | 一种应用于多层建筑人员的动态引导避障疏散方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117631667A CN117631667A (zh) | 2024-03-01 |
CN117631667B true CN117631667B (zh) | 2024-05-14 |
Family
ID=90015871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616454.7A Active CN117631667B (zh) | 2023-11-29 | 2023-11-29 | 一种应用于多层建筑人员的动态引导避障疏散方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117631667B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740648A (zh) * | 2016-01-21 | 2016-07-06 | 江南大学 | 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法 |
CN106909967A (zh) * | 2017-03-08 | 2017-06-30 | 天津商业大学 | 一种简单高效的改进人工蜂群优化方法 |
CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 山东师范大学 | 一种基于多蜂群算法的人群疏散仿真方法及系统 |
CN110543975A (zh) * | 2019-08-13 | 2019-12-06 | 同济大学 | 一种基于群智能算法和疏散熵的人群疏散路径优化方法 |
CN113034210A (zh) * | 2021-04-28 | 2021-06-25 | 重庆大学 | 一种基于数据驱动场景下车辆行驶成本评价方法 |
CN113537439A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油化工股份有限公司 | 改进的人工蜂群优化算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
-
2023
- 2023-11-29 CN CN202311616454.7A patent/CN117631667B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740648A (zh) * | 2016-01-21 | 2016-07-06 | 江南大学 | 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法 |
CN106909967A (zh) * | 2017-03-08 | 2017-06-30 | 天津商业大学 | 一种简单高效的改进人工蜂群优化方法 |
CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 山东师范大学 | 一种基于多蜂群算法的人群疏散仿真方法及系统 |
CN110543975A (zh) * | 2019-08-13 | 2019-12-06 | 同济大学 | 一种基于群智能算法和疏散熵的人群疏散路径优化方法 |
CN113537439A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油化工股份有限公司 | 改进的人工蜂群优化算法 |
CN113034210A (zh) * | 2021-04-28 | 2021-06-25 | 重庆大学 | 一种基于数据驱动场景下车辆行驶成本评价方法 |
Non-Patent Citations (1)
Title |
---|
人员非均匀分布条件下的疏散引导方向优化算法研究;胥旋;;中国安全生产科学技术;20110815(第08期);第34页-第37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117631667A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Autonomous robotic exploration by incremental road map construction | |
CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
Zhang et al. | IoT-based positive emotional contagion for crowd evacuation | |
CN111767789B (zh) | 一种基于多载体智能引导的人群疏散方法及系统 | |
CN110737968B (zh) | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 | |
Tsoi et al. | Sean 2.0: Formalizing and generating social situations for robot navigation | |
CN109445456A (zh) | 一种多无人机集群导航方法 | |
CN114527757B (zh) | 基于虚拟节点的远洋客船人员应急疏散路径规划算法 | |
Koutras et al. | Autonomous and cooperative design of the monitor positions for a team of uavs to maximize the quantity and quality of detected objects | |
Garrell et al. | Model validation: Robot behavior in people guidance mission using DTM model and estimation of human motion behavior | |
Lin et al. | Trajectory planning for unmanned aerial vehicles in complicated urban environments: A control network approach | |
Dubey et al. | Identifying indoor navigation landmarks using a hierarchical multi-criteria decision framework | |
Zhang et al. | Knowledge-based crowd motion for the unfamiliar environment | |
CN114494436A (zh) | 室内场景定位方法及装置 | |
Lei et al. | A bio-inspired neural network approach to robot navigation and mapping with nature-inspired algorithms | |
Lei et al. | Bio-inspired intelligence-based multi-agent navigation with safety-aware considerations | |
CN117631667B (zh) | 一种应用于多层建筑人员的动态引导避障疏散方法 | |
Khider et al. | A novel three dimensional movement model for pedestrian navigation | |
Tian et al. | Multi-UAV Reconnaissance Task Allocation in 3D Urban Environments | |
Sakellariou et al. | Crowd formal modelling and simulation: The sa'yee ritual | |
Lyu et al. | Virtual-real Syncretic Crowd Simulation Method Guided by Building Safety Evacuation Sign | |
Yao et al. | The Application of Internet of Things in Robot Route Planning Based on Multisource Information Fusion | |
Koh et al. | Modelling and simulation of pedestrian behaviours | |
Battocletti et al. | Rl-based path planning for autonomous aerial vehicles in unknown environments | |
CN109858090B (zh) | 基于动态视域的公共建筑引导系统设计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |