基于改進蟻群算法的消防隱患感知及智能疏散決策模型研究

童威， 黃啟萍

(1.安徽文達信息工程學院，計算機工程學院，安徽，合肥 231201；2.安徽電氣工程職業技術學院，教務處，安徽，合肥 230051)

0 引言

大型公共建筑消防隱患感知及智能疏散決策問題受消防隱患感知設備、初始逃生路線、個體心理差異、個體之間的相互耦合關系等多維因素的制約逐漸明顯[1]，呈現出多變性、反復性、重構性、規模性等諸多特點，本質上屬于數據多源異構效應明顯、存在耦合、波動頻繁、變化多維、覆蓋完整壽命周期的復雜系統工程，且大型公共建筑運維伴隨產生的海量消防隱患感知數據具有時間累積性，較長周期內的大型公共建筑消防隱患感知及智能疏散決策問題具有較大困難。伴隨著大型公共建筑運維產生的海量消防隱患感知數據涵蓋結構化與非結構化文本數據，利用多源異構數據融合技術構建消防隱患感知語義解析池，為大型公共建筑領域的非結構化智能疏散決策提供實驗數據集。針對大型公共建筑消防隱患感知及智能疏散決策抽象化數學建模問題，國內外學者進行了大量細致的研究[2]。采用單一的仿生智能算法往往無法很好地擬合大型公共建筑消防隱患感知及智能疏散決策問題，對此提出了一種融合深度徑向基神經網絡的改進型蟻群算法[3]，較大幅度改善了典型蟻群算法處理大型公共建筑消防隱患感知及智能疏散決策問題時存在的多源異構數據同步感知缺失、處理非線性約束失效、易陷入局部極值、泛化能力與學習能力失衡、收斂速度隨時間呈遲滯變化、高維決策輸入下的系統性能波動頻繁等若干先天弊端，可以在較短的時間內處理大型公共建筑消防隱患感知及智能疏散決策問題，在消防隱患感知全面精確性、疏散路徑決策生成最優性、建筑動態拓撲切換適應性等方面具有明顯優勢。文獻[4]在安徽省合肥市某大型體育公共場館(下文簡稱案例場館)現役應用的安全綜合管控系統中融入消防隱患感知及智能疏散決策模型，提升案例場館消防隱患全景數據感知自主化能力;文獻[5]為增強大型公共建筑全壽命周期運維消防隱患全景感知數據的精準度，為高維約束下的智能疏散決策提供多維數據支撐，對構建智慧消防隱患感知及智能疏散決策體系具有基礎性提供支撐效能。

1 消防隱患感知及智能疏散決策模型框架設計

基于改進蟻群算法的消防隱患感知及智能疏散決策模型架構具備消防隱患數據實時全景感知與融合、多源異構數據流快速計算與暫存、非結構化訓練樣本池構建、消防隱患語義自主解析與最優疏散路徑自主生成等效能，構建具備大型公共建筑消防隱患數據獲取、融合、池化、疏散決策等全鏈運維機制。圖1設計了消防隱患感知及智能疏散決策模型體系架構。以消防隱患感知及智能疏散決策運維體系全鏈條需求為指引，將消防隱患感知及智能疏散決策模型框架劃分為消防隱患數據感知層、數據深度處理層、消防隱患感知層、圖形化下的最優疏散路徑生成層等，其中，消防隱患數據感知層借助嵌入Storm流計算的數據融合算法對消防傳感器集群等多維數據進行快速計算與暫存；數據深度處理層針對多源異構終端數據進行非結構化處理[6]，借助數據融合控制器構建非結構化的建筑消防路徑數據池；消防隱患感知層引入深度徑向基神經網絡作為消防隱患感知優化載體，利用建筑消防路徑數據對深度徑向基神經網絡進行有針對性的訓練，采集訓練數據預測誤差并映射至經典蟻群算法；圖形化下的最優疏散路徑生成層利用經典蟻群算法對深度徑向基神經網絡的基函數中心、寬度、權值進行自適應調整，建立消防隱患感知與最優疏散路徑的邏輯對應關系，深度徑向基神經網絡捕獲最優疏散路徑并對網絡初始參數進行賦值，借助隱患感知及智能疏散決策函數輸出可視化目標結果。

圖1 消防隱患感知及智能疏散決策模型框架示意圖

針對大型公共建筑消防隱患感知及智能疏散決策問題，引入改進蟻群算法實現高維約束下的最優疏散路徑自主生成，典型蟻群算法本質上屬于群智能優化算法，參數設定存在概率片面性，無法實現高維約束下的全局最優，無法很好地擬合大型公共建筑消防隱患感知及智能疏散決策模型。大型公共建筑消防隱患感知及智能疏散決策問題具有明顯的系統工程屬性，引入深度徑向基神經網絡作為消防隱患感知優化載體，對典型蟻群算法進行優化，具體如圖2所示。在典型蟻群算法中融入深度徑向基神經網絡[7]，借助數據融合控制器構建非結構化的建筑消防路徑數據池作為訓練樣本庫，深度徑向基神經網絡從訓練樣本庫中相關采樣進行有針對性的訓練，通過訓練數據預測誤差建立經典蟻群算法與深度徑向基神經網絡的物理映射，利用經典蟻群算法對深度徑向基神經網絡的基函數中心、寬度、權值進行自適應調整，建立消防隱患感知與最優疏散路徑的邏輯對應關系，深度徑向基神經網絡捕獲最優疏散路徑并對網絡初始參數進行賦值，借助隱患感知及智能疏散決策函數輸出可視化目標結果。

圖2 基于改進蟻群算法的最優疏散路徑生成模型示意圖

2 基于改進蟻群算法的消防隱患感知及智能疏散決策建模

2.1 蟻群算法改進子階段

由于經典蟻群算法的收斂速度較慢，采用精英蟻群系統(Elitist Ant System，EAS)，通過對最優路徑進行額外的信息素加強，從而較大幅度提高收斂速度。定義蟻群信息素濃度為τij，定義信息素揮發因子為ρ，定義Δτij表示當前路徑下的最優信息素濃度，則精英蟻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)表示最優參數組合為Spi在j組搜尋中的信息素值，此時表征在搜尋到深度徑向基神經網絡參數集合的同時，實現信息素全局最優更新。

2.2 最優疏散路徑決策生成子階段

基于式(4)，把蟻群中的每只螞蟻選取的深度徑向基神經網絡參數組合作為訓練階段的深度徑向基神經網絡的參數值，計算實際輸出值與期望輸出值的誤差，然后對誤差進行最優排序，找出對應的最優路徑解，上述過程可以表示如下：

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

(5)

基于式(5),將得到的基函數中心、寬度、權值進行組合，在下一輪訓練中進行參數賦值，定義最優解對應最優誤差為Δτj(Spi)，考慮到大型公共建筑消防隱患感知及智能疏散決策問題數據具有明顯的多源異構性，對式(5)進行優化，促進蟻群算法最終收斂于同一路徑，自主決策生成最優疏散路徑[9]，則有：

(6)

2.3 模型性能仿真驗證

利用案例場館現役應用的智慧消防系統一定周期內采集的消防隱患數據文本作為初始訓練數據，基于PyTorch開源框架，在Gym Torcs環境下對模型進行效能仿真驗證，設定初始誤差閾值為10-4，設定深度徑向基神經網絡最大訓練次數為18 000次，學習速率定義為0.02，蟻群訓練迭代次數為200，螞蟻數目為20，信息素揮發因子為2，從蟻群算法優化前后模型訓練誤差對比仿真圖、高維約束下最優疏散路徑決策生成性能仿真圖等多維度對算法進行仿真驗證，在Keras 2.2.2和Gym 0.10.8環境下進行圖形化示意仿真，采用顯著差異標識在仿真圖中給出對比曲線，最終仿真結果如圖3～圖5所示。

圖3 蟻群算法優化前決策模型訓練誤差對比仿真曲線圖

圖4 蟻群算法優化后決策模型訓練誤差對比仿真曲線圖

圖5 高維約束下最優疏散路徑決策生成性能仿真曲線圖

3 消防隱患感知及智能疏散決策模型工程化應用

基于經濟性與縮短開發周期的考慮，采取功能嵌入的開發策略，把文中提出的基于改進蟻群算法的消防隱患感知及智能疏散決策模型進行實現代碼封裝，在VS2016環境下生成動態鏈接庫(.dll)文件，設定該動態鏈接庫文件的調用權限附屬于案例場館現役的智慧消防系統主進程，把每一次主進程調用視為微應用擴展，采用微應用擴展的模式對案例場館現役的智慧消防系統進行適應性改造，增加消防隱患數據實時全景感知與融合、多源異構數據流快速計算與暫存、非結構化訓練樣本池構建、消防隱患語義自主解析與最優疏散路徑自主生成等軟件處理進程，分配單獨的內存資源[10]，定期進行業務數據內網交互，實現數據全景共享。選取案例場館排球廳作為模型工程應用效能驗證載體，排球廳長25 m，寬20 m，有上下2個疏散口，疏散口寬度為3.2 m，疏散人員為百位量級，假設排球廳中間位置發生火災，火災功率為12 MW，忽略風速，煙霧擴散速率為1.2 m/s，則基于消防隱患感知及智能疏散決策模型，火災發生初始時刻和發生后180 s左右后疏散人員的疏散情況分別如圖6、圖7所示，三維插件下的虛擬場景仿真如圖8所示。

圖6 火災發生初始時刻疏散人員的疏散情況分布圖

圖7 火災發生后180 s左右疏散人員的疏散情況分布圖

圖8 基于三維插件虛擬場景下的疏散人員的疏散情況分布圖

為了進一步驗證模型的定量化、工程化應用效能，基于圖6～圖8給出的模型定性工程化應用效能，利用案例場館2019年第三季度運維產生的消防隱患及預警數據作為統計對象，選取案例場館現役應用的智慧消防綜合管控系統作為對照組，從多源異構消防隱患數據感知精確率、高維約束下最優疏散路徑生成有效率等層面多維對比模型性能，則模型定量化工程應用效能對比見表1。

表1 模型定量化工程應用效能對比表 單位:%

4 總結

針對較長周期內的大型公共建筑消防隱患感知及智能疏散決策問題，提出了一種基于改進蟻群算法的消防隱患感知及智能疏散決策模型。在典型蟻群算法中融入深度徑向基神經網絡，借助數據融合控制器構建非結構化的建筑消防路徑數據池作為訓練樣本庫，深度徑向基神經網絡從訓練樣本庫中對相關采樣進行有針對性的訓練，通過訓練數據預測誤差建立經典蟻群算法與深度徑向基神經網絡的物理映射，利用經典蟻群算法對深度徑向基神經網絡的基函數中心、寬度、權值進行自適應調整，建立消防隱患感知與最優疏散路徑的邏輯對應關系，深度徑向基神經網絡捕獲最優疏散路徑并對網絡初始參數進行賦值，借助隱患感知及智能疏散決策函數輸出可視化目標結果?；赑yTorch開源框架，在Gym Torcs環境下對模型進行了效能仿真驗證，選取案例場館為效能評價載體，對模型進行工程化應用效能分析，結果表明,模型大幅提高了大型公共建筑全壽命周期運維消防隱患全景感知數據的精準度，為高維約束下的智能疏散決策提供多維數據支撐，對構建智慧消防系統運維全鏈條全壽命周期隱患感知及智能疏散決策機制具有基礎性支撐效能。