建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法
【專利摘要】本發(fā)明公開了一種建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，首先基于自然界熒科族的生物學(xué)原理，對熒科族通過發(fā)光行為尋找伴侶或覓食行為的模擬，以熒科家族中螢火蟲群算法為主，以粒子群算法為輔，嵌入隨機自適應(yīng)步長、強搜索、弱搜索、大規(guī)模撤離等演化算子，采用部分融合的策略；接著從理論和實驗仿真完成對LPSO收斂性分析證明；最后利用熒光粒子群優(yōu)化算法特點和人員疏散自身特點的高度相似性。本發(fā)明利用一些簡單規(guī)則實現(xiàn)對緊急情況下復(fù)雜的人員疏散行為的動態(tài)模擬，以便更加合理、更加方便有效地制定人員的逃生路線；為建筑物性能化設(shè)計、建筑物空間人員的應(yīng)急疏散計劃的制定及建筑物安全疏散性能的評價提供科學(xué)的理論依據(jù)。
【專利說明】建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能計算與高層建筑火災(zāi)中的安全疏散技術(shù)交叉前沿研究領(lǐng)域，尤其涉及一種建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法。
【背景技術(shù)】
[0002]智能計算是基于自然界中的群體自然現(xiàn)象或過程而提出的一種演化計算模式。這種模式具有通用、穩(wěn)健、簡單、高效以及便于并行處理等特點，被公認為對現(xiàn)代優(yōu)化理論與方法具有重大影響的前沿性研究領(lǐng)域。智能計算技術(shù)已在復(fù)雜問題求解、機器人、電力系統(tǒng)、網(wǎng)絡(luò)及通信、生物醫(yī)學(xué)、計算機、交通、冶金自動化和半導(dǎo)體等領(lǐng)域取得了成功的應(yīng)用，并在解決傳統(tǒng)的優(yōu)化方法難以解決的各類復(fù)雜演化優(yōu)化問題中展現(xiàn)出良好的性能和應(yīng)用前景。智能計算研究領(lǐng)域中的模型構(gòu)建、參數(shù)選擇、結(jié)構(gòu)與性能分析是其核心問題，該問題一直是吸引數(shù)學(xué)、信息科學(xué)等領(lǐng)域國內(nèi)外學(xué)者關(guān)注的熱點和難點。
[0003]群智能(Swarm Intelligence, SI)是智能計算領(lǐng)域中研究最為活躍、應(yīng)用也最為廣泛的一個分支。群智能概念源于對自然界中生物群體社會行為的觀察，是群居性生物通過協(xié)作表現(xiàn)出的宏觀智能行為的特征。群的個體組織包括在結(jié)構(gòu)上很簡單的蟻群、鳥群、魚群等，而它們的集體行為卻可能變得相當復(fù)雜。蟻群算法(AntColony Optimization, AC0)對螞蟻群落食物采集過程的模擬，已成功應(yīng)用于許多離散優(yōu)化問題。粒子群算法(ParticleSwarm Optimization, PS0)最初是模擬鳥群覓食的過程,但后來發(fā)現(xiàn)它是一種很好的優(yōu)化工具。人工魚群算法(Artificial Fish swarm Algorithm, AFSA)法則是據(jù)“水域中魚生存數(shù)目最多的地方一般就是本水域中富含營養(yǎng)物質(zhì)最多的地方”這一特點來模仿魚群覓食行為而實現(xiàn)尋優(yōu)的。群智能最大的特點是在沒有集中且不提供全局模型的前提下，為尋找復(fù)雜分布式系統(tǒng)問題解決方案提供了基礎(chǔ)。
[0004]隨著群智能優(yōu)化技術(shù)研究的不斷深入，近年來，一些新的群智能算法相繼被提出，如細菌覓食、黏菌生命周期、人工蜂群、蟑螂侵擾、蚊子宿主搜索、蝙蝠回聲定位、螢火蟲群等優(yōu)化算法；總之，不管什么類型的群智能算法，它們本質(zhì)上都是一種隨機搜索算法，與大多數(shù)基于梯度應(yīng)用優(yōu)化算法及傳統(tǒng)的演化算法相比，其優(yōu)點如下:(1)采用完全分布式控制來實現(xiàn)個體與個體和個體與環(huán)境的交互作用，具有良好的自組織性。(2)個體之間的交流方式是非直接的，各個體通過對環(huán)境的感知(感覺能力)來進行合作，確保了系統(tǒng)具有更好的可擴展性和安全性。(3)沒有集中控制的約束，系統(tǒng)具有更好的魯棒性，不會因為個別個體的故障而影響整個問題的求解。(4)由于系統(tǒng)中單個個體的能力十分簡單，只需要最小智能，這樣每個個體的執(zhí)行時間較短，實現(xiàn)起來比較方便，具有簡單性。(5)算法實現(xiàn)簡單。群智能方法易于實現(xiàn)，算法中僅涉及各種基本數(shù)學(xué)操作，其數(shù)據(jù)處理過程對CPU和內(nèi)存的要求也不高；且這種方法只需目標函數(shù)的輸出值，而無需其梯度信息，已完成的群智能理論和應(yīng)用方法研究證明群智能方法是一種能夠有效解決大多數(shù)全局優(yōu)化問題的新方法。更重要是，群智能潛在的并行性和分布式特點為處理大量的以數(shù)據(jù)庫形式存在的數(shù)據(jù)提供了技術(shù)保證，無論是從理論研究還是應(yīng)用研究的角度分析，群智能理論及應(yīng)用研究都具有重要學(xué)術(shù)意義和現(xiàn)實價值的。
[0005]在眾多群智能優(yōu)化算法中，其中螢火蟲群優(yōu)化(Glowworm SwarmOptimization, GS0)算法本身具有獨有的特性,如調(diào)節(jié)參數(shù)少、理解簡單、易于實現(xiàn)、且能獲取多個峰值等，愈來愈引起國內(nèi)外學(xué)者的極大關(guān)注，逐漸成為群智能領(lǐng)域又一個新的研究熱點。螢火蟲群優(yōu)化是由K.N.Krishnanand&D.Ghose在2005年提出，該算法源于自然界中螢火蟲用發(fā)光來吸引伴侶求偶或覓食，且越亮的螢火蟲吸引力越大，最終大多數(shù)的螢火蟲聚集在多個位置的現(xiàn)象的行為過程的模擬。
[0006]縱觀國內(nèi)外研究現(xiàn)狀，國外學(xué)者對GSO的研究，在應(yīng)用方面研究的成果較多，如多信號源探測、多模環(huán)境監(jiān)測、多態(tài)函數(shù)優(yōu)化、多級最小叉熵閾值選擇、結(jié)構(gòu)優(yōu)化、組合優(yōu)化等方面取得了較大成功。而國內(nèi)學(xué)者關(guān)于GSO算法研究剛起步，目前可參考的文獻資料寥寥無幾，
【發(fā)明者】從2008年開始對GSO算法進行了較深入的研究，理論上對GSO算法性能做了一些改進，取得了一些研究成果；并用于聚類分析、數(shù)值優(yōu)化，TSP問題、工程優(yōu)化等方面。隨著研究的不斷深入，研究者發(fā)現(xiàn):一是GSO算法在高維復(fù)雜多目標函數(shù)優(yōu)化問題中(如benchmark函數(shù))僅可捕獲得多個局部最優(yōu),但未必是全局最優(yōu)值；二是GSO算法運行到后期，收斂速度慢，精度低；三是GSO與其它較成熟的群智能算法的融合可有效地解決一些復(fù)雜問題，但算法選擇帶有一定的盲目性，因此，為便于解決更復(fù)雜的多目標優(yōu)化問題，迫切需要對GSO算法性能改進和拓展。
[0007]另一方面，隨著城市化進程的加快，高層建筑已越來越普遍，建筑高度也越來越高。由于高層建筑具有火勢蔓延快，垂直距離長，人員疏散和撲救困難等特點。一旦發(fā)生火災(zāi)，危害性和危險性極大。特別是建筑內(nèi)部結(jié)構(gòu)復(fù)雜，樓梯出口眾多，災(zāi)后煙霧彌漫。如何在安全疏散允許的時間內(nèi)，使樓內(nèi)人員和財產(chǎn)免遭高溫火焰的危害，就構(gòu)成了高層建筑安全疏散設(shè)計的重要內(nèi)容。
[0008]高層建筑火災(zāi)中的安全疏散是在允許的疏散時間內(nèi)，借助于走道、前室和樓梯間所構(gòu)成的安全疏散通道，安全、準確、快速地撤離到室外、樓內(nèi)防煙樓梯間前室或樓內(nèi)臨時避難空間之中。對該問題的研究可追溯到上世紀30年代人們開始研究人員疏散問題。目前，在應(yīng)用計算機軟件進行高層建筑人員疏散的模擬方面，主要是研究人員分層模擬，逐層討論的方法，隨著現(xiàn)代化建筑復(fù)雜及智能化程度的提高，傳統(tǒng)的定性分析方法已遠不能滿足要求。特別是群智能優(yōu)化算法出現(xiàn)，也有研究者采用蟻群算法建立高層人員疏散的數(shù)學(xué)模型，但所提出的模型中蟻群算法和人行為規(guī)律參數(shù)的選取，難以確定，因此，確定適當?shù)膮?shù)組合、取值范圍及運算規(guī)則，恰當?shù)啬M真實高層建筑人員疏散行為和過程是解決人員疏散的關(guān)鍵所在。如何合理、有效的建立一群智能優(yōu)化算法的數(shù)學(xué)模型，能夠很自然地與高層建筑人員疏散特點相結(jié)合，根據(jù)高層建筑火災(zāi)特點及人在火災(zāi)中的心理活動，恰當?shù)孛枋鰝€體及群體的逃生行為，從個體自身形成從眾行為的行為模式，利用群智能算法的并行、分布式、自組織等優(yōu)良特性，最終形成自組織的人員疏散流。

【發(fā)明內(nèi)容】

[0009]本發(fā)明實施的目的在于提供一種建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，旨在解決現(xiàn)有的高層建筑火災(zāi)中的安全疏散模擬方法存在的不能適應(yīng)現(xiàn)代復(fù)雜及智能化程度高的問題。[0010]本發(fā)明實施例是這樣實現(xiàn)的，一種建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，該建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法包括:
[0011]首先基于熒科族的生物學(xué)原理，以熒科族中螢火蟲群優(yōu)化算法為主，以粒子群算法為輔，嵌入隨機自適應(yīng)步長、強搜索、弱搜索等演化算子，采用部分融合策略，提出一種新的生物螢光粒子群智能優(yōu)化算法；其次，從理論和實驗仿真對算法收斂性分析；最后，利用熒光粒子群優(yōu)化算法特點和人員疏散特點的高度相似性，綜合考慮火災(zāi)時期人員的個體差異和從眾行為，利用熒光素和禁忌表等指標將趨光趨眾2個疏散模式參數(shù)化，建立高層建筑人員疏散的生物熒光粒子群優(yōu)化算法的數(shù)學(xué)模型；借鑒生物熒光粒子群體的認知行為和社會行為，利用簡單的規(guī)則實現(xiàn)對緊急情況下復(fù)雜的人員疏散行為的動態(tài)模擬，以便更加合理、更加方便地制定疏散人員的逃生路線。
[0012]進一步，生物螢光粒子群優(yōu)化算法采用部分融合形態(tài)的方法，即以螢火蟲群優(yōu)化為主，粒子群算法為輔，通過粒子群算法的部分參數(shù)來克服螢火蟲群優(yōu)化算法所存在的不足；基于生物螢光粒子群優(yōu)化方法分為以下兩個階段:初始化階段和演化階段。
[0013]進一步，初始化階段包括以下步驟:
[0014]步驟一、基本參數(shù)確定與設(shè)置:
[0015]設(shè)N-發(fā)光離子群的規(guī)模；Itl-初始的熒光素初始的感知半徑& ； P -熒光素衰減常數(shù)；Y-熒光素增強常數(shù)；S(r初始的移動步長；Cg，Cs-慣性權(quán)重；1R-強、弱搜索控制參數(shù)；ns_感知決策域鄰居的個數(shù)；eT-大規(guī)模撤離控制參數(shù)；t-迭代代數(shù)；
[0016]步驟二、部署發(fā)光粒子種群:
[0017]設(shè)d-維目標搜索空間，定義每一個發(fā)光粒子為=Xi = (xn, xi2,..., xid)對應(yīng)d維空間的一個點坐標，初始部署設(shè)每一發(fā)光粒子的熒光素的濃度是相等的且均勻分布在d維空間；
[0018]步驟三、熒光素、感應(yīng)半徑賦初值:
[0019]Ii(O) = 10 ；rj(0) = r0 ； i = I, 2,..., N.[0020]步驟四、計算目標函數(shù)值:
[0021]定義適應(yīng)度函數(shù):fit (Xi), i = I, 2,..., N.通常選取目標函數(shù)為適應(yīng)度函數(shù)。
[0022]步驟五、挑選出最優(yōu)目標函數(shù)值:
[0023]從適應(yīng)度函數(shù)fit (Xi), i = 1，2，...，N.選出函數(shù)值最大者為開始的全局最優(yōu)值，記為:g(0) O
[0024]進一步，演化階段包括以下步驟:
[0025]步驟一、熒光素亮度更新:該子模塊采用同GSO —樣的熒光素計算公式:
[0026]Ii (t+1) = (1-p ) Ii (t) + Y.f (Xi (t)) ；t = O, I,...(I)
[0027]步驟二、隨機選取鄰居:對每一個發(fā)光粒子，根據(jù)感知決策范圍，構(gòu)建鄰居集:
[0028]唯=ο:ιιΣβ)-!Μii<mm<ifm
[0029]步驟三、隨機移動步長:針對第j個發(fā)光粒子，且j e Ni(t)，計算第j個發(fā)光粒子到第i個的移動概率，采用以下計算公式:
【權(quán)利要求】
1.一種建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，其特征在于，該建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法受自然界熒科族，諸如螢火蟲、海鰓、發(fā)光桿菌通過發(fā)光行為尋找伴侶或覓食行為的啟發(fā)，基于熒科族生物學(xué)原理，結(jié)合螢火蟲、粒子群優(yōu)化算法的特點； 具體包括: 首先以熒科族中螢火蟲群算法為主，以粒子群算法為輔，嵌入隨機自適應(yīng)步長、強搜索、弱搜索演化算子，采用部分融合策略，提出一種新的生物螢光粒子群智能優(yōu)化算法；其次，從理論和實驗 仿真對算法收斂性分析； 最后，充分利用生物熒光粒子群優(yōu)化算法特點和人員疏散特點的高度相似性，綜合考慮火災(zāi)時期人員的個體差異和從眾行為，利用熒光素和禁忌表指標將趨光趨眾2個疏散模式參數(shù)化，建立高層建筑人員疏散的生物熒光粒子群優(yōu)化算法的數(shù)學(xué)模型。
2.如權(quán)利要求1所述的建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，基于熒科族的生物學(xué)原理，采用部分融合形態(tài)的方法，以熒科族中螢火蟲群算法為主，以粒子群算法為輔，嵌入隨機自適應(yīng)步長、強搜索、弱搜索等演化算子，通過粒子群算法的部分參數(shù)來克服螢火蟲群優(yōu)化算法所存在的不足；基于生物螢光粒子群優(yōu)化方法分為以下兩個階段:初始化階段和演化階段。
3.如權(quán)利要求2所述的建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，其特征在于，初始化階段包括以下步驟: 步驟一、基本參數(shù)確定與設(shè)置: 設(shè)N-發(fā)光離子群的規(guī)模Jtl-初始的熒光素；r0-初始的感知半徑r(1 ； P -熒光素衰減常數(shù)；Y -熒光素增強常數(shù)；S(r初始的移動步長；cg，Cs-慣性權(quán)重；1R_強、弱搜索控制參數(shù)；ns-感知決策域鄰居的個數(shù)；eT-大規(guī)模撤離控制參數(shù)；t-迭代代數(shù)； 步驟二、部署發(fā)光粒子種群: 設(shè)d-維目標搜索空間，定義每一個發(fā)光粒子為％ = (xn, xi2,...，xid)對應(yīng)d維空間的一個點坐標，初始部署設(shè)每一發(fā)光粒子的熒光素的濃度是相等的且均勻分布在d維空間；步驟三、熒光素、感應(yīng)半徑賦初值:
Ii (O) = 10 ； η}(O) = r? ； i = 1，2，...，N.步驟四、計算目標函數(shù)值: 定義適應(yīng)度函數(shù)=At(Xi), i = 1，2，...，N.，適應(yīng)度函數(shù)選取所求問題的目標函數(shù)； 步驟五、挑選出最優(yōu)目標函數(shù)值: 從適應(yīng)度函數(shù)fit (Xi), i = I, 2,..., N.選出函數(shù)值最大者為開始的全局最優(yōu)值，記為:g(0)。
4.如權(quán)利要求2所述的建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，其特征在于，演化階段包括以下步驟: 步驟一、熒光素亮度更新:該子模塊采用同GSO —樣的熒光素計算公式:
Ii (t+1) = (1-p )li(t) + y.f (Xi (t)) ；t = O, I,...(I) 步驟二、隨機選取鄰居:對每一個發(fā)光粒子，根據(jù)感知決策范圍，構(gòu)建鄰居集: m)=υ:ιι χβ)-χΜ) ιι< mm < /禪步驟三、隨機移動步長:針對第j個發(fā)光粒子，且j e Ni (t)，計算第j個發(fā)光粒子到第i個的移動概率，采用以下計算公式:
5.如權(quán)利要求1所述的建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，其特征在于，對生物熒光粒子群優(yōu)化算法LPSO的全局收斂證明與性能分析: LPSO算法全局收斂性理論證明采用的方法:在進化過程中依賴優(yōu)秀螢火蟲個體的指導(dǎo)信息進化的機制是算法收斂的基礎(chǔ)，算法中子代個體分布的標準差的動態(tài)調(diào)整是算法收斂的關(guān)鍵，以正態(tài)分布的方式將子代個體疊加于父代個體周圍，使算法能夠兼顧選擇力度和群體多樣性，且算法中各參數(shù)的取值范圍較大，對初始種群的依賴性也不高，優(yōu)秀個體的進化是基于一定概率規(guī)則引導(dǎo)下的一種統(tǒng)計結(jié)果；記LPSO算法解空間為Ω，解個體為X，X e Ω，每一代的最優(yōu)個體記為:(t為進化代數(shù))，二 0,1,2,...}構(gòu)成了一個離散時間的隨機過程，生物熒光群優(yōu)化算法在父代個體的基礎(chǔ)上，通過疊加服從正態(tài)分布的隨機變量產(chǎn)生下一代群體；記父代群體中的最優(yōu)個體為.4*，對應(yīng)狀態(tài)為Ei,子代群體中的最優(yōu)個體為.4:，對應(yīng)狀態(tài)為Ej ； LPSO算法的性能分析，采用數(shù)值實驗仿真方法:針對生物熒光群優(yōu)化算法中各參數(shù)設(shè)置方法，以檢驗群智能算法性能經(jīng)典的標準測試函數(shù)-Benchmark問題，包括無約束優(yōu)化問題21個、帶約束優(yōu)化條件11個；工程實例為例，用Matlab編程，通過數(shù)值仿真實驗，分析算法中各種參數(shù)的變化規(guī)律，歸納出參數(shù)設(shè)置的方法。
6.如權(quán)利要求1所述的建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，其特征在于，以生物熒光群優(yōu)化算法為基礎(chǔ)，建立高層建筑人員疏散的熒光粒子群算法數(shù)學(xué)模型: 人員疏散的生物熒光粒子群優(yōu)化算法數(shù)學(xué)模型建立，采用的方法:利用熒光粒子群優(yōu)化算法特點和人員疏散自身特點的相似性；人員逃生行為模擬自然界螢火蟲利用熒光亮度吸引同伴的行為，根據(jù)以上熒光粒子群算法的基本原理，綜合考慮高層建筑的特點及火災(zāi)時期人員的個體差異和從眾行為，利用熒光素亮度、感知決策范圍和禁忌表指標將趨光、趨眾2個疏散模式參數(shù)化，建立高層建筑人員疏散的LPSO數(shù)學(xué)模型。
7.如權(quán)利要求6所述的建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，其特征在于，建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法的具體方法如下: 步驟一，首先，定義樓層危險系數(shù).0為:
8.如權(quán)利要求1或7所述的建立高層建筑人員疏散生物熒光粒子群優(yōu)化算法模型方法，其特征在于，高層建筑人員疏散LPSO算法的數(shù)學(xué)模型實現(xiàn)步驟: 步驟一:參數(shù)初始化，令時間t = 0，定義樓層總數(shù)n，置火災(zāi)發(fā)生樓層K并定義危險度函數(shù)A ;設(shè)初始逃生的人數(shù)為m，將m個人均勻分布在η層樓中，此時，種群的規(guī)模為N = nm ;分別設(shè)置熒光素衰減系數(shù)P ,熒光素增強系數(shù)Y ;初始人員逃生的步長Stl ;個人認知系數(shù)Cs，整體認知系數(shù)C8 ;強、弱搜索的控制參數(shù)IR ;大規(guī)模撤離控制參數(shù)eT的初值；且設(shè)置由逃生道口 Wi到由逃生道口 Wj的熒光素A,,w, (O) = W Xi(O)表征被疏散的人所在樓的位置坐標；被疏散人感知范圍的半徑rs,且tj' (O) = % (常數(shù)); 步驟二:被疏散人的禁忌表索引號ks = I ;開始疏散到較安全的位置g(t)； 步驟三:被疏散的人根據(jù)公式(16)更新熒光素的亮度，選擇鄰居集； 根據(jù)位置轉(zhuǎn)移公式(11)選擇下一個通道口 Wj，且根據(jù)公式(12)的步長前進，其中 € )W-1abuL}; 步驟四:被疏散的 人疏散到通道口 Wj，根據(jù)公式(13)計算所處的當前的位置； 步驟五:找出當前被疏散人員所處最安全位置g(t+l);若未找到，繼續(xù)執(zhí)行以下搜索；步驟六:若IR = 0，則根據(jù)公式(6)-(7)執(zhí)行強搜索，否則，根據(jù)公式(8)執(zhí)行弱搜索，直到搜索到前被疏散人員所處最安全的位置g(t+l)； 步驟七:完成模擬，輸出結(jié)果。
【文檔編號】G06N3/00GK104008417SQ201410227417
【公開日】2014年8月27日 申請日期:2014年5月27日 優(yōu)先權(quán)日:2014年5月27日
【發(fā)明者】周永權(quán), 羅淇方, 莫愿斌 申請人:廣西民族大學(xué)