基于改进蚁群算法的消防隐患感知及智能疏散决策模型研究

童威， 黄启萍

(1.安徽文达信息工程学院，计算机工程学院，安徽，合肥 231201；2.安徽电气工程职业技术学院，教务处，安徽，合肥 230051)

0 引言

大型公共建筑消防隐患感知及智能疏散决策问题受消防隐患感知设备、初始逃生路线、个体心理差异、个体之间的相互耦合关系等多维因素的制约逐渐明显[1]，呈现出多变性、反复性、重构性、规模性等诸多特点，本质上属于数据多源异构效应明显、存在耦合、波动频繁、变化多维、覆盖完整寿命周期的复杂系统工程，且大型公共建筑运维伴随产生的海量消防隐患感知数据具有时间累积性，较长周期内的大型公共建筑消防隐患感知及智能疏散决策问题具有较大困难。伴随着大型公共建筑运维产生的海量消防隐患感知数据涵盖结构化与非结构化文本数据，利用多源异构数据融合技术构建消防隐患感知语义解析池，为大型公共建筑领域的非结构化智能疏散决策提供实验数据集。针对大型公共建筑消防隐患感知及智能疏散决策抽象化数学建模问题，国内外学者进行了大量细致的研究[2]。采用单一的仿生智能算法往往无法很好地拟合大型公共建筑消防隐患感知及智能疏散决策问题，对此提出了一种融合深度径向基神经网络的改进型蚁群算法[3]，较大幅度改善了典型蚁群算法处理大型公共建筑消防隐患感知及智能疏散决策问题时存在的多源异构数据同步感知缺失、处理非线性约束失效、易陷入局部极值、泛化能力与学习能力失衡、收敛速度随时间呈迟滞变化、高维决策输入下的系统性能波动频繁等若干先天弊端，可以在较短的时间内处理大型公共建筑消防隐患感知及智能疏散决策问题，在消防隐患感知全面精确性、疏散路径决策生成最优性、建筑动态拓扑切换适应性等方面具有明显优势。文献[4]在安徽省合肥市某大型体育公共场馆(下文简称案例场馆)现役应用的安全综合管控系统中融入消防隐患感知及智能疏散决策模型，提升案例场馆消防隐患全景数据感知自主化能力;文献[5]为增强大型公共建筑全寿命周期运维消防隐患全景感知数据的精准度，为高维约束下的智能疏散决策提供多维数据支撑，对构建智慧消防隐患感知及智能疏散决策体系具有基础性提供支撑效能。

1 消防隐患感知及智能疏散决策模型框架设计

基于改进蚁群算法的消防隐患感知及智能疏散决策模型架构具备消防隐患数据实时全景感知与融合、多源异构数据流快速计算与暂存、非结构化训练样本池构建、消防隐患语义自主解析与最优疏散路径自主生成等效能，构建具备大型公共建筑消防隐患数据获取、融合、池化、疏散决策等全链运维机制。图1设计了消防隐患感知及智能疏散决策模型体系架构。以消防隐患感知及智能疏散决策运维体系全链条需求为指引，将消防隐患感知及智能疏散决策模型框架划分为消防隐患数据感知层、数据深度处理层、消防隐患感知层、图形化下的最优疏散路径生成层等，其中，消防隐患数据感知层借助嵌入Storm流计算的数据融合算法对消防传感器集群等多维数据进行快速计算与暂存；数据深度处理层针对多源异构终端数据进行非结构化处理[6]，借助数据融合控制器构建非结构化的建筑消防路径数据池；消防隐患感知层引入深度径向基神经网络作为消防隐患感知优化载体，利用建筑消防路径数据对深度径向基神经网络进行有针对性的训练，采集训练数据预测误差并映射至经典蚁群算法；图形化下的最优疏散路径生成层利用经典蚁群算法对深度径向基神经网络的基函数中心、宽度、权值进行自适应调整，建立消防隐患感知与最优疏散路径的逻辑对应关系，深度径向基神经网络捕获最优疏散路径并对网络初始参数进行赋值，借助隐患感知及智能疏散决策函数输出可视化目标结果。

图1 消防隐患感知及智能疏散决策模型框架示意图

针对大型公共建筑消防隐患感知及智能疏散决策问题，引入改进蚁群算法实现高维约束下的最优疏散路径自主生成，典型蚁群算法本质上属于群智能优化算法，参数设定存在概率片面性，无法实现高维约束下的全局最优，无法很好地拟合大型公共建筑消防隐患感知及智能疏散决策模型。大型公共建筑消防隐患感知及智能疏散决策问题具有明显的系统工程属性，引入深度径向基神经网络作为消防隐患感知优化载体，对典型蚁群算法进行优化，具体如图2所示。在典型蚁群算法中融入深度径向基神经网络[7]，借助数据融合控制器构建非结构化的建筑消防路径数据池作为训练样本库，深度径向基神经网络从训练样本库中相关采样进行有针对性的训练，通过训练数据预测误差建立经典蚁群算法与深度径向基神经网络的物理映射，利用经典蚁群算法对深度径向基神经网络的基函数中心、宽度、权值进行自适应调整，建立消防隐患感知与最优疏散路径的逻辑对应关系，深度径向基神经网络捕获最优疏散路径并对网络初始参数进行赋值，借助隐患感知及智能疏散决策函数输出可视化目标结果。

图2 基于改进蚁群算法的最优疏散路径生成模型示意图

2 基于改进蚁群算法的消防隐患感知及智能疏散决策建模

2.1 蚁群算法改进子阶段

由于经典蚁群算法的收敛速度较慢，采用精英蚁群系统(Elitist Ant System，EAS)，通过对最优路径进行额外的信息素加强，从而较大幅度提高收敛速度。定义蚁群信息素浓度为τij，定义信息素挥发因子为ρ，定义Δτij表示当前路径下的最优信息素浓度，则精英蚁群算法全局信息素更新策略表示如下：

τij(t)=(1-ρ)τij(t-1)+Δτij,ρ∈(0,1)

(1)

(2)

其中

(3)

(4)

式中，τj(Spi)表示最优参数组合为Spi在j组搜寻中的信息素值，此时表征在搜寻到深度径向基神经网络参数集合的同时，实现信息素全局最优更新。

2.2 最优疏散路径决策生成子阶段

基于式(4)，把蚁群中的每只蚂蚁选取的深度径向基神经网络参数组合作为训练阶段的深度径向基神经网络的参数值，计算实际输出值与期望输出值的误差，然后对误差进行最优排序，找出对应的最优路径解，上述过程可以表示如下：

τj(Spi)(t+1)=(1-ρ)τj(Spi)(t)+ρΔτj(Spi)

(5)

基于式(5),将得到的基函数中心、宽度、权值进行组合，在下一轮训练中进行参数赋值，定义最优解对应最优误差为Δτj(Spi)，考虑到大型公共建筑消防隐患感知及智能疏散决策问题数据具有明显的多源异构性，对式(5)进行优化，促进蚁群算法最终收敛于同一路径，自主决策生成最优疏散路径[9]，则有：

(6)

2.3 模型性能仿真验证

利用案例场馆现役应用的智慧消防系统一定周期内采集的消防隐患数据文本作为初始训练数据，基于PyTorch开源框架，在Gym Torcs环境下对模型进行效能仿真验证，设定初始误差阈值为10-4，设定深度径向基神经网络最大训练次数为18 000次，学习速率定义为0.02，蚁群训练迭代次数为200，蚂蚁数目为20，信息素挥发因子为2，从蚁群算法优化前后模型训练误差对比仿真图、高维约束下最优疏散路径决策生成性能仿真图等多维度对算法进行仿真验证，在Keras 2.2.2和Gym 0.10.8环境下进行图形化示意仿真，采用显著差异标识在仿真图中给出对比曲线，最终仿真结果如图3～图5所示。

图3 蚁群算法优化前决策模型训练误差对比仿真曲线图

图4 蚁群算法优化后决策模型训练误差对比仿真曲线图

图5 高维约束下最优疏散路径决策生成性能仿真曲线图

3 消防隐患感知及智能疏散决策模型工程化应用

基于经济性与缩短开发周期的考虑，采取功能嵌入的开发策略，把文中提出的基于改进蚁群算法的消防隐患感知及智能疏散决策模型进行实现代码封装，在VS2016环境下生成动态链接库(.dll)文件，设定该动态链接库文件的调用权限附属于案例场馆现役的智慧消防系统主进程，把每一次主进程调用视为微应用扩展，采用微应用扩展的模式对案例场馆现役的智慧消防系统进行适应性改造，增加消防隐患数据实时全景感知与融合、多源异构数据流快速计算与暂存、非结构化训练样本池构建、消防隐患语义自主解析与最优疏散路径自主生成等软件处理进程，分配单独的内存资源[10]，定期进行业务数据内网交互，实现数据全景共享。选取案例场馆排球厅作为模型工程应用效能验证载体，排球厅长25 m，宽20 m，有上下2个疏散口，疏散口宽度为3.2 m，疏散人员为百位量级，假设排球厅中间位置发生火灾，火灾功率为12 MW，忽略风速，烟雾扩散速率为1.2 m/s，则基于消防隐患感知及智能疏散决策模型，火灾发生初始时刻和发生后180 s左右后疏散人员的疏散情况分别如图6、图7所示，三维插件下的虚拟场景仿真如图8所示。

图6 火灾发生初始时刻疏散人员的疏散情况分布图

图7 火灾发生后180 s左右疏散人员的疏散情况分布图

图8 基于三维插件虚拟场景下的疏散人员的疏散情况分布图

为了进一步验证模型的定量化、工程化应用效能，基于图6～图8给出的模型定性工程化应用效能，利用案例场馆2019年第三季度运维产生的消防隐患及预警数据作为统计对象，选取案例场馆现役应用的智慧消防综合管控系统作为对照组，从多源异构消防隐患数据感知精确率、高维约束下最优疏散路径生成有效率等层面多维对比模型性能，则模型定量化工程应用效能对比见表1。

表1 模型定量化工程应用效能对比表 单位:%

4 总结

针对较长周期内的大型公共建筑消防隐患感知及智能疏散决策问题，提出了一种基于改进蚁群算法的消防隐患感知及智能疏散决策模型。在典型蚁群算法中融入深度径向基神经网络，借助数据融合控制器构建非结构化的建筑消防路径数据池作为训练样本库，深度径向基神经网络从训练样本库中对相关采样进行有针对性的训练，通过训练数据预测误差建立经典蚁群算法与深度径向基神经网络的物理映射，利用经典蚁群算法对深度径向基神经网络的基函数中心、宽度、权值进行自适应调整，建立消防隐患感知与最优疏散路径的逻辑对应关系，深度径向基神经网络捕获最优疏散路径并对网络初始参数进行赋值，借助隐患感知及智能疏散决策函数输出可视化目标结果。基于PyTorch开源框架，在Gym Torcs环境下对模型进行了效能仿真验证，选取案例场馆为效能评价载体，对模型进行工程化应用效能分析，结果表明,模型大幅提高了大型公共建筑全寿命周期运维消防隐患全景感知数据的精准度，为高维约束下的智能疏散决策提供多维数据支撑，对构建智慧消防系统运维全链条全寿命周期隐患感知及智能疏散决策机制具有基础性支撑效能。