摘" 要：火災(zāi)發(fā)生時，傳統(tǒng)的疏散路線往往是固定的，不能根據(jù)火情實時調(diào)整，這可能會導(dǎo)致逃生人員被引向火源，增加逃生的危險性。改進蟻群算法（IACO）應(yīng)用于火災(zāi)疏散路徑動態(tài)規(guī)劃，通過優(yōu)化啟發(fā)函數(shù)和信息素更新方式，提升全局搜索能力和疏散效率。結(jié)合火災(zāi)動力學(xué)軟件（FDS），實時獲取火災(zāi)環(huán)境參數(shù)與疏散時間，動態(tài)判斷疏散出口的安全性，避免傳統(tǒng)固定疏散路徑引發(fā)的安全隱患。仿真實驗表明，IACO模型相較傳統(tǒng)ACO能夠?qū)崟r調(diào)整疏散路徑，避開危險區(qū)域和擁堵出口，顯著減少疏散時間，提高路徑規(guī)劃的安全性與有效性。

關(guān)鍵詞：火災(zāi)模擬；火災(zāi)疏散；改進蟻群算法；路徑規(guī)劃；辦公區(qū)

中圖分類號：TU998.1" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）36-0066-05

Abstract： When a fire breaks out， traditional evacuation routes are often fixed and cannot be adjusted in real time according to the fire situation. This may lead to people fleeing to be led to the fire source and increase the risk of escape. The improved ant colony algorithm（IACO） is applied to dynamic planning of fire evacuation paths. By optimizing heuristic functions and pheromone update methods， global search capabilities and evacuation efficiency are improved. Combined with fire dynamics software （FDS）， fire environment parameters and evacuation time are obtained in real time， the safety of evacuation exits is dynamically judged， and safety hazards caused by traditional fixed evacuation paths are avoided. Simulation experiments show that compared with traditional ACO， the IACO model can adjust evacuation routes in real time， avoid dangerous areas and congested exits， significantly reduce evacuation time， and improve the safety and effectiveness of path planning.

Keywords： fire simulation; fire evacuation; improved ant colony algorithm; path planning; office area

在現(xiàn)代建筑中，傳統(tǒng)的疏散指示設(shè)備通常依賴于固定的逃生路線，然而這些設(shè)備在火災(zāi)發(fā)生時無法根據(jù)火情的實時變化進行調(diào)整，容易導(dǎo)致人員誤入危險區(qū)域，從而增加了火災(zāi)疏散的風(fēng)險。因此，在發(fā)生火災(zāi)時根據(jù)建筑物結(jié)構(gòu)和火災(zāi)情況為逃生人員動態(tài)規(guī)劃疏散路徑是非常重要的。

目前，很多學(xué)者將智能算法融入火災(zāi)疏散中，給火災(zāi)疏散提供方便的同時也為路徑規(guī)劃問題提供了新的方向。目前路徑規(guī)劃算法大致分為2類，一類是傳統(tǒng)算法如Dijkstra、A*、人工勢場法等；另一類是智能仿生學(xué)算法如蟻群算法、遺傳算法、人工魚群算法等[1]。其中，由于蟻群算法具備強大的全局搜索能力和并行搜索特點，它在各類優(yōu)化問題中得到了廣泛應(yīng)用。但傳統(tǒng)蟻群算法在路徑搜索時只注重距離這一因素，而忽略了其他環(huán)境變量的影響，許多國內(nèi)外學(xué)者對蟻群算法進行了各種改進。趙增旭等[2]針對蟻群算法收斂速度慢、折點多、路徑長等問題，提出了一種基于方向指引的蟻群算法；周敬東等[3]針對蟻群算法應(yīng)用于機器人路徑規(guī)劃存在的全局搜索能力差、初始化信息素少、收斂性差和尋優(yōu)能力弱等問題，提出了一種多因素改進的蟻群算法；蔣文萍等[4]通過全局變量改進啟發(fā)函數(shù)，并用橢圓幾何法構(gòu)造數(shù)學(xué)模型分配初始信息素，使算法不在陷入局部最優(yōu)；郭琴等[5]在傳統(tǒng)蟻群算法的基礎(chǔ)上，改進狀態(tài)轉(zhuǎn)移規(guī)則，增加周圍障礙物數(shù)量影響因子，增加角度影響因子改進蟻群算法。以上研究表明，改進的ACO算法在優(yōu)化疏散路徑都起到了一定的效果，但都未能考慮像火災(zāi)這種動態(tài)環(huán)境下的影響因素，且并未考慮擁擠程度影響以及多個出口的疏散情況。

因此，為了更好地提高火災(zāi)人員疏散效率，本文針對蟻群算法在火災(zāi)疏散路徑規(guī)劃中的局限性引入了受火災(zāi)因素影響的當(dāng)量距離和自調(diào)節(jié)系數(shù)，改進了信息素的更新機制以及增強較優(yōu)路徑上的信息素濃度，提高算法在動態(tài)環(huán)境中的適應(yīng)能力，從而進一步優(yōu)化了路徑選擇。最后，通過火災(zāi)環(huán)境的仿真實驗驗證該算法的有效性，證明其在實際應(yīng)用中具有顯著的改進效果。

1" 火災(zāi)模型構(gòu)建

1.1" 火災(zāi)環(huán)境設(shè)置

本文選取某辦公區(qū)作為研究對象，考慮到模擬仿真的準確性，采用可精確建模的revit軟件建立模型，將建立好的模型導(dǎo)入pyrosim中，觀察火災(zāi)場景下火災(zāi)產(chǎn)物的變化情況。模型俯視圖如圖1所示，模型中共4個安全出口A、B、C、D。

考慮到火災(zāi)蔓延及煙氣運動規(guī)律，人員損失最嚴重情況。將火源位置設(shè)置在人數(shù)較為集中區(qū)域，如圖1標注處所示。本文采用t2火災(zāi)增大模式，火災(zāi)增長系數(shù)？琢=0.046 89 kW/s2，根據(jù)文獻[6]中的典型場所確定辦公室最大熱釋放速率為1.5 MW。模擬時間設(shè)定為500 s。在每個出口高度2 m處均勻布置環(huán)境參數(shù)探測器以檢測環(huán)境參數(shù)數(shù)值變化。本文考慮到最不利情況，假設(shè)所有門為打開狀態(tài)，并將影響人員疏散的火災(zāi)閾值設(shè)定為[7]：①溫度大于60 ℃；②CO濃度大于0.002 5 mol/mol；③能見度小于10 m。

1.2" FDS模擬結(jié)果分析

根據(jù)火災(zāi)模擬結(jié)果，火災(zāi)模型在辦公室疏散的4個出口處的環(huán)境參數(shù)變化如圖2所示。由圖2可知，出口C和出口D在整個辦公區(qū)域CO濃度相較于出口A和出口B較高，并且在整個辦公區(qū)域出口C和出口D的CO濃度在474 390 s達到危險值0.002 5 mol/mol，出口A和出口B在500 s內(nèi)最高值快接近危險閾值，但都未超過危險值0.002 5 mol/mol；4個安全出口中最高溫度的是D出口，溫度在498 s時達到54 ℃，但未超過危險溫度60 ℃。4個出口能見度在500 s內(nèi)隨火災(zāi)變化逐漸下降。綜上可知，發(fā)生火災(zāi)時，4個出口的CO濃度和溫度在500 s內(nèi)都低于危險閾值。由于辦公室耐火等級為一級，安全疏散允許時間為6 min[8]，因此發(fā)生火災(zāi)后，在安全疏散允許時間內(nèi)A、B、C、D 4個出口都滿足安全疏散的需要，都可進行安全疏散。

2" 蟻群算法分析

2.1" 算法基本原理

意大利學(xué)者Colorni A、DorIgo M等人在1991年提出了蟻群算法[9]，首先成功應(yīng)用于解決旅行商問題（Travelling Salesman Problem，TSP），是一種基于螞蟻種群覓食行為的啟發(fā)式智能優(yōu)化算法。螞蟻通過在路徑上釋放不同信息素來傳遞路徑信息，隨著路徑上信息素濃度的增加，后面的螞蟻更傾向于選擇信息素濃度較高的路徑，從而找到最優(yōu)路徑。這種集體智能的行為模式模擬了螞蟻群體在尋找資源時的行為，有助于解決一些優(yōu)化問題，如路徑規(guī)劃、旅行商問題等。目前，蟻群算法已經(jīng)被廣泛應(yīng)用于工程、交通、通信等領(lǐng)域。

2.2" 算法改進

2.2.1" 改進啟發(fā)函數(shù)

通過引入火災(zāi)現(xiàn)場指數(shù)Mij（t）將火災(zāi)產(chǎn)物對人員疏散速度的影響量化為f（T）、CO濃度f（？籽co）和人員擁擠度f（ρp）影響系數(shù)來改進蟻群算法。

CO體積分數(shù)對疏散速度影響系數(shù)如式（1）所示[10]

式中：ρco為CO體積分數(shù)；t為暴露時間，min。

溫度對疏散人員速度影響系數(shù)如式（2）所示[10]

式中：T0為正常環(huán)境溫度；T為火災(zāi)現(xiàn)場實際溫度；T1為人體感到不適溫度（30 ℃）；T2為傷害人體環(huán)境溫度（60 ℃）；Td為人員死亡的環(huán)境溫度（120 ℃）；Vmax為人員最大疏散速度（5 m/s）；V0為正常行走速度（1.2 m/s）。

人群密度對疏散人員速度影響系數(shù)如式（3）所示[10]

式中：ρp為人群密度，人/m2。

當(dāng)量距離Dij（t）計算最優(yōu)路徑如式（4）、式（5）所示

式中：dij（t）為歐式距離；" 為疏散路徑通行難度系數(shù)，一般取1.5。

改進的啟發(fā)函數(shù)如式（6）所示

2.2.2" 改進信息素更新方式

本文在原有模型的基礎(chǔ)上引入了自調(diào)節(jié)系數(shù) ，以動態(tài)調(diào)整信息素的濃度，從而加強對較優(yōu)路徑的探索和利用。改進后的信息素增量公式如式（7）、式（8）所示

式中：Q為信息素強度；其中，當(dāng)Lm-1＜Lm，？啄lt;1，螞蟻m路徑上的信息素增量減?。划?dāng)Lm-1＞Lm，？啄gt;1，螞蟻m路徑上的信息素增量增大。

2.2.3" 算法步驟

改進算法的步驟如下：①使用柵格法對環(huán)境地圖進行建模，導(dǎo)入火災(zāi)環(huán)境信息，設(shè)置起始點。②初始化各個參數(shù)，包括螞蟻總數(shù)、初始信息素揮發(fā)系數(shù)、信息素啟發(fā)因子、啟發(fā)函數(shù)啟發(fā)因子和最大迭代次數(shù)等。③把所有螞蟻置于到起始點，并把起點添加到禁忌表中。④螞蟻根據(jù)公式（6）選擇下一節(jié)點，并將所選節(jié)點加入禁忌表，以避免重復(fù)訪問。⑤判斷螞蟻是否走到終點，若螞蟻尚未到達終點，繼續(xù)進行節(jié)點選擇并更新禁忌表；到達終點后，使用公式（7）和（8）更新路徑上的信息素，并記錄路徑長度和轉(zhuǎn)彎次數(shù)。⑥檢查是否滿足停止條件：若迭代次數(shù)達到最大值Nmax，輸出最優(yōu)路徑并停止；另外，在迭代的過程中，若連續(xù)次迭代中路徑長度和轉(zhuǎn)彎次數(shù)都沒有發(fā)生變化，則輸出路徑停止搜索。

3" 仿真實驗

3.1" 算法對比仿真

為了驗證本文提出的IACO算法在火災(zāi)疏散路徑動態(tài)規(guī)劃中的有效性，采用MATLAB R2023a對比分析原始蟻群算法（ACO）、文獻[5]中的算法和本文改進的IACO算法。實驗設(shè)定在一個32 m×32 m的環(huán)境地圖中，起點設(shè)為（1.5，1.5），終點設(shè)為（29.5，31.5）。圖3展示了3種算法的路徑圖，3種算法的收斂曲線對比如圖4所示。

表1對比結(jié)果顯示，IACO算法在迭代次數(shù)、路徑長度和拐點數(shù)量上均優(yōu)于傳統(tǒng)ACO算法和文獻[5]算法，分別減少了69、30次迭代，縮短路徑4.4、0.4 m，拐點數(shù)減少6和9個，展現(xiàn)出更優(yōu)的運算速度、路徑優(yōu)化能力和路徑平滑度。

3.2" 火災(zāi)環(huán)境路徑

為驗證改進蟻群算法在火災(zāi)疏散路徑規(guī)劃中的適用性，基于32 m×32 m柵格地圖進行仿真實驗。考慮火災(zāi)區(qū)域（白色填充）和擁堵區(qū)域（三角形標記），在實際火災(zāi)發(fā)生的緊急情況下，可能會有多個出口可以供疏散人員選擇，因此進行多個出口的火災(zāi)模擬。設(shè)置疏散人員起點為P（15.6，16.5），4個安全出口的坐標分別為A（0.5，9.5）、B（3.5，31.5）、C（29.5，31.5）和D（31.5，17.5）。在火災(zāi)未發(fā)生的情況下，IACO算法對A、B、C、D 4個出口規(guī)劃了疏散路徑，分別用不同線段表示，如圖5（a）所示。這些路徑代表了在正常情況下，人員從起點到達各個安全出口的最優(yōu)路線。

將火災(zāi)前后對比數(shù)據(jù)匯總于表2，根據(jù)表2數(shù)據(jù)分析，火災(zāi)發(fā)生前，LD為最短疏散路徑，人員通常優(yōu)先選擇該路徑；火災(zāi)初期，由于影響較小，優(yōu)化路徑算法后得出疏散路徑（圖5（b））。因D出口雖距離最短但可能發(fā)生擁堵，最終選擇未受擁堵影響的LA為最優(yōu)疏散路徑。

火災(zāi)進入增長期后，C出口因火情受限不可用，D出口因人流積聚可能加劇擁堵，疏散僅能通過A、B出口，其中A出口仍為最優(yōu)路徑（圖5（c））。火災(zāi)蔓延期，C和D出口均不可用，LA路徑雖最短但可能發(fā)生擁堵。針對這一情況，IACO算法動態(tài)調(diào)整疏散路徑（圖5（d）），盡管路徑略有延長，但有效緩解擁堵并縮短整體疏散時間，顯著提升人員疏散的安全性與通暢性。

4" 結(jié)論

1）在設(shè)定條件下，通過FDS模擬辦公區(qū)火災(zāi)場景下火災(zāi)產(chǎn)物的變化情況，分析出適合火災(zāi)逃生的出口，對比出口處火災(zāi)產(chǎn)物的變化情況，相比較A、B出口疏散更為安全。但在安全疏散時間內(nèi)4個出口都可作為逃生的安全出口。

2）相較于傳統(tǒng)ACO模型，IACO模型在火災(zāi)疏散中能夠更好地優(yōu)化疏散路徑。其考慮了火災(zāi)產(chǎn)物的動態(tài)變化，能根據(jù)實時情況調(diào)整路徑，同時有效規(guī)避高溫、有毒氣體和擁堵區(qū)域，從而更全面保障疏散人員的安全。

3）通過結(jié)合FDS和IACO規(guī)劃火災(zāi)疏散路徑，能夠進一步保障疏散人員安全，可提高疏散效率，更精準地為疏散人群提供引導(dǎo)。

4）人員在疏散過程中還受到許多因素影響，例如不同人群的心理因素、年齡等，后續(xù)研究將考慮這類因素，提高算法的適用性。

參考文獻：

[1] 杜云，劉小雨，賈科進，等.改進蟻群算法的火災(zāi)環(huán)境疏散路徑規(guī)劃研究[J].計算機工程與應(yīng)用，2024，60（8）：309-319.

[2] 趙增旭，劉向陽，任彬.基于方向指引的蟻群算法機器人路徑規(guī)劃[J].計算機應(yīng)用研究，2023，40（3）：786-788，793.

[3] 周敬東，高偉周，楊文廣，等.基于改進蟻群算法的移動機器人路徑規(guī)劃[J].科學(xué)技術(shù)與工程，2022，22（28）：12484-12490.

[4] 蔣文萍，杜為棟，閔軍，等.基于多策略改進蟻群算法的機器人路徑規(guī)劃[J].計算機仿真，2024，41（2）：450-454，472.

[5] 郭琴，鄭巧仙.基于優(yōu)化蟻群算法的機器人路徑規(guī)劃[J].湖北大學(xué)學(xué)報（自然科學(xué)版），2023，45（2）：157-163.

[6] 消防安全工程第4部分：設(shè)定火災(zāi)場景和設(shè)定火災(zāi)的選擇：GB/T 31593.4—2015[S].北京：中國標準出版社，2015.

[7] 葉成豪，劉月嬋，孫超，等.考慮火災(zāi)產(chǎn)物影響條件下的人員疏散仿真研究[J].中國安全科學(xué)學(xué)報，2020，30（6）：142-151.

[8] 華恒.基于改進蟻群算法的機器人路徑規(guī)劃[D].宜昌：三峽大學(xué)，2021.

[9] DORIGO M， GAMBARDELLA L M. Ant colony system：acoop-erative learning approach to the traveling salesman problem[J]. IEEE Transactions on Evolutionary Computation，1997，1（1）：53-66.

[10] 曹祥紅，杜薇，魏曉鴿，等.一種用于火災(zāi)疏散路徑動態(tài)規(guī)劃的算法[J].消防科學(xué)與技術(shù)，2022，41（9）：1237-1242.