建立高层建筑人员疏散生物荧光粒子群优化算法模型方法

建立高层建筑人员疏散生物荧光粒子群优化算法模型方法
【专利摘要】本发明公开了一种建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，首先基于自然界荧科族的生物学原理，对荧科族通过发光行为寻找伴侣或觅食行为的模拟，以荧科家族中萤火虫群算法为主，以粒子群算法为辅，嵌入随机自适应步长、强搜索、弱搜索、大规模撤离等演化算子，采用部分融合的策略；接着从理论和实验仿真完成对LPSO收敛性分析证明；最后利用荧光粒子群优化算法特点和人员疏散自身特点的高度相似性。本发明利用一些简单规则实现对紧急情况下复杂的人员疏散行为的动态模拟，以便更加合理、更加方便有效地制定人员的逃生路线；为建筑物性能化设计、建筑物空间人员的应急疏散计划的制定及建筑物安全疏散性能的评价提供科学的理论依据。
【专利说明】建立高层建筑人员疏散生物荧光粒子群优化算法模型方法
【技术领域】
[0001]本发明属于智能计算与高层建筑火灾中的安全疏散技术交叉前沿研究领域，尤其涉及一种建立高层建筑人员疏散生物荧光粒子群优化算法模型方法。
【背景技术】
[0002]智能计算是基于自然界中的群体自然现象或过程而提出的一种演化计算模式。这种模式具有通用、稳健、简单、高效以及便于并行处理等特点，被公认为对现代优化理论与方法具有重大影响的前沿性研究领域。智能计算技术已在复杂问题求解、机器人、电力系统、网络及通信、生物医学、计算机、交通、冶金自动化和半导体等领域取得了成功的应用，并在解决传统的优化方法难以解决的各类复杂演化优化问题中展现出良好的性能和应用前景。智能计算研究领域中的模型构建、参数选择、结构与性能分析是其核心问题，该问题一直是吸引数学、信息科学等领域国内外学者关注的热点和难点。
[0003]群智能(Swarm Intelligence, SI)是智能计算领域中研究最为活跃、应用也最为广泛的一个分支。群智能概念源于对自然界中生物群体社会行为的观察，是群居性生物通过协作表现出的宏观智能行为的特征。群的个体组织包括在结构上很简单的蚁群、鸟群、鱼群等，而它们的集体行为却可能变得相当复杂。蚁群算法(AntColony Optimization, AC0)对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。粒子群算法(ParticleSwarm Optimization, PS0)最初是模拟鸟群觅食的过程,但后来发现它是一种很好的优化工具。人工鱼群算法(Artificial Fish swarm Algorithm, AFSA)法则是据“水域中鱼生存数目最多的地方一般就是本水域中富含营养物质最多的地方”这一特点来模仿鱼群觅食行为而实现寻优的。群智能最大的特点是在没有集中且不提供全局模型的前提下，为寻找复杂分布式系统问题解决方案提供了基础。
[0004]随着群智能优化技术研究的不断深入，近年来，一些新的群智能算法相继被提出，如细菌觅食、黏菌生命周期、人工蜂群、蟑螂侵扰、蚊子宿主搜索、蝙蝠回声定位、萤火虫群等优化算法；总之，不管什么类型的群智能算法，它们本质上都是一种随机搜索算法，与大多数基于梯度应用优化算法及传统的演化算法相比，其优点如下:(1)采用完全分布式控制来实现个体与个体和个体与环境的交互作用，具有良好的自组织性。(2)个体之间的交流方式是非直接的，各个体通过对环境的感知(感觉能力)来进行合作，确保了系统具有更好的可扩展性和安全性。(3)没有集中控制的约束，系统具有更好的鲁棒性，不会因为个别个体的故障而影响整个问题的求解。(4)由于系统中单个个体的能力十分简单，只需要最小智能，这样每个个体的执行时间较短，实现起来比较方便，具有简单性。(5)算法实现简单。群智能方法易于实现，算法中仅涉及各种基本数学操作，其数据处理过程对CPU和内存的要求也不高；且这种方法只需目标函数的输出值，而无需其梯度信息，已完成的群智能理论和应用方法研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法。更重要是，群智能潜在的并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证，无论是从理论研究还是应用研究的角度分析，群智能理论及应用研究都具有重要学术意义和现实价值的。
[0005]在众多群智能优化算法中，其中萤火虫群优化(Glowworm SwarmOptimization, GS0)算法本身具有独有的特性,如调节参数少、理解简单、易于实现、且能获取多个峰值等，愈来愈引起国内外学者的极大关注，逐渐成为群智能领域又一个新的研究热点。萤火虫群优化是由K.N.Krishnanand&D.Ghose在2005年提出，该算法源于自然界中萤火虫用发光来吸引伴侣求偶或觅食，且越亮的萤火虫吸引力越大，最终大多数的萤火虫聚集在多个位置的现象的行为过程的模拟。
[0006]纵观国内外研究现状，国外学者对GSO的研究，在应用方面研究的成果较多，如多信号源探测、多模环境监测、多态函数优化、多级最小叉熵阈值选择、结构优化、组合优化等方面取得了较大成功。而国内学者关于GSO算法研究刚起步，目前可参考的文献资料寥寥无几，
【发明者】从2008年开始对GSO算法进行了较深入的研究，理论上对GSO算法性能做了一些改进，取得了一些研究成果；并用于聚类分析、数值优化，TSP问题、工程优化等方面。随着研究的不断深入，研究者发现:一是GSO算法在高维复杂多目标函数优化问题中(如benchmark函数)仅可捕获得多个局部最优,但未必是全局最优值；二是GSO算法运行到后期，收敛速度慢，精度低；三是GSO与其它较成熟的群智能算法的融合可有效地解决一些复杂问题，但算法选择带有一定的盲目性，因此，为便于解决更复杂的多目标优化问题，迫切需要对GSO算法性能改进和拓展。
[0007]另一方面，随着城市化进程的加快，高层建筑已越来越普遍，建筑高度也越来越高。由于高层建筑具有火势蔓延快，垂直距离长，人员疏散和扑救困难等特点。一旦发生火灾，危害性和危险性极大。特别是建筑内部结构复杂，楼梯出口众多，灾后烟雾弥漫。如何在安全疏散允许的时间内，使楼内人员和财产免遭高温火焰的危害，就构成了高层建筑安全疏散设计的重要内容。
[0008]高层建筑火灾中的安全疏散是在允许的疏散时间内，借助于走道、前室和楼梯间所构成的安全疏散通道，安全、准确、快速地撤离到室外、楼内防烟楼梯间前室或楼内临时避难空间之中。对该问题的研究可追溯到上世纪30年代人们开始研究人员疏散问题。目前，在应用计算机软件进行高层建筑人员疏散的模拟方面，主要是研究人员分层模拟，逐层讨论的方法，随着现代化建筑复杂及智能化程度的提高，传统的定性分析方法已远不能满足要求。特别是群智能优化算法出现，也有研究者采用蚁群算法建立高层人员疏散的数学模型，但所提出的模型中蚁群算法和人行为规律参数的选取，难以确定，因此，确定适当的参数组合、取值范围及运算规则，恰当地模拟真实高层建筑人员疏散行为和过程是解决人员疏散的关键所在。如何合理、有效的建立一群智能优化算法的数学模型，能够很自然地与高层建筑人员疏散特点相结合，根据高层建筑火灾特点及人在火灾中的心理活动，恰当地描述个体及群体的逃生行为，从个体自身形成从众行为的行为模式，利用群智能算法的并行、分布式、自组织等优良特性，最终形成自组织的人员疏散流。

【发明内容】

[0009]本发明实施的目的在于提供一种建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，旨在解决现有的高层建筑火灾中的安全疏散模拟方法存在的不能适应现代复杂及智能化程度高的问题。[0010]本发明实施例是这样实现的，一种建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，该建立高层建筑人员疏散生物荧光粒子群优化算法模型方法包括:
[0011]首先基于荧科族的生物学原理，以荧科族中萤火虫群优化算法为主，以粒子群算法为辅，嵌入随机自适应步长、强搜索、弱搜索等演化算子，采用部分融合策略，提出一种新的生物萤光粒子群智能优化算法；其次，从理论和实验仿真对算法收敛性分析；最后，利用荧光粒子群优化算法特点和人员疏散特点的高度相似性，综合考虑火灾时期人员的个体差异和从众行为，利用荧光素和禁忌表等指标将趋光趋众2个疏散模式参数化，建立高层建筑人员疏散的生物荧光粒子群优化算法的数学模型；借鉴生物荧光粒子群体的认知行为和社会行为，利用简单的规则实现对紧急情况下复杂的人员疏散行为的动态模拟，以便更加合理、更加方便地制定疏散人员的逃生路线。
[0012]进一步，生物萤光粒子群优化算法采用部分融合形态的方法，即以萤火虫群优化为主，粒子群算法为辅，通过粒子群算法的部分参数来克服萤火虫群优化算法所存在的不足；基于生物萤光粒子群优化方法分为以下两个阶段:初始化阶段和演化阶段。
[0013]进一步，初始化阶段包括以下步骤:
[0014]步骤一、基本参数确定与设置:
[0015]设N-发光离子群的规模；Itl-初始的荧光素初始的感知半径& ； P -荧光素衰减常数；Y-荧光素增强常数；S(r初始的移动步长；Cg，Cs-惯性权重；1R-强、弱搜索控制参数；ns_感知决策域邻居的个数；eT-大规模撤离控制参数；t-迭代代数；
[0016]步骤二、部署发光粒子种群:
[0017]设d-维目标搜索空间，定义每一个发光粒子为=Xi = (xn, xi2,..., xid)对应d维空间的一个点坐标，初始部署设每一发光粒子的荧光素的浓度是相等的且均匀分布在d维空间；
[0018]步骤三、荧光素、感应半径赋初值:
[0019]Ii(O) = 10 ；rj(0) = r0 ； i = I, 2,..., N.[0020]步骤四、计算目标函数值:
[0021]定义适应度函数:fit (Xi), i = I, 2,..., N.通常选取目标函数为适应度函数。
[0022]步骤五、挑选出最优目标函数值:
[0023]从适应度函数fit (Xi), i = 1，2，...，N.选出函数值最大者为开始的全局最优值，记为:g(0) O
[0024]进一步，演化阶段包括以下步骤:
[0025]步骤一、荧光素亮度更新:该子模块采用同GSO —样的荧光素计算公式:
[0026]Ii (t+1) = (1-p ) Ii (t) + Y.f (Xi (t)) ；t = O, I,...(I)
[0027]步骤二、随机选取邻居:对每一个发光粒子，根据感知决策范围，构建邻居集:
[0028]唯=ο:ιιΣβ)-!Μii<mm<ifm
[0029]步骤三、随机移动步长:针对第j个发光粒子，且j e Ni(t)，计算第j个发光粒子到第i个的移动概率，采用以下计算公式:
【权利要求】
1.一种建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，其特征在于，该建立高层建筑人员疏散生物荧光粒子群优化算法模型方法受自然界荧科族，诸如萤火虫、海鳃、发光杆菌通过发光行为寻找伴侣或觅食行为的启发，基于荧科族生物学原理，结合萤火虫、粒子群优化算法的特点； 具体包括: 首先以荧科族中萤火虫群算法为主，以粒子群算法为辅，嵌入随机自适应步长、强搜索、弱搜索演化算子，采用部分融合策略，提出一种新的生物萤光粒子群智能优化算法；其次，从理论和实验 仿真对算法收敛性分析； 最后，充分利用生物荧光粒子群优化算法特点和人员疏散特点的高度相似性，综合考虑火灾时期人员的个体差异和从众行为，利用荧光素和禁忌表指标将趋光趋众2个疏散模式参数化，建立高层建筑人员疏散的生物荧光粒子群优化算法的数学模型。
2.如权利要求1所述的建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，基于荧科族的生物学原理，采用部分融合形态的方法，以荧科族中萤火虫群算法为主，以粒子群算法为辅，嵌入随机自适应步长、强搜索、弱搜索等演化算子，通过粒子群算法的部分参数来克服萤火虫群优化算法所存在的不足；基于生物萤光粒子群优化方法分为以下两个阶段:初始化阶段和演化阶段。
3.如权利要求2所述的建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，其特征在于，初始化阶段包括以下步骤: 步骤一、基本参数确定与设置: 设N-发光离子群的规模Jtl-初始的荧光素；r0-初始的感知半径r(1 ； P -荧光素衰减常数；Y -荧光素增强常数；S(r初始的移动步长；cg，Cs-惯性权重；1R_强、弱搜索控制参数；ns-感知决策域邻居的个数；eT-大规模撤离控制参数；t-迭代代数； 步骤二、部署发光粒子种群: 设d-维目标搜索空间，定义每一个发光粒子为％ = (xn, xi2,...，xid)对应d维空间的一个点坐标，初始部署设每一发光粒子的荧光素的浓度是相等的且均匀分布在d维空间；步骤三、荧光素、感应半径赋初值:
Ii (O) = 10 ； η}(O) = r? ； i = 1，2，...，N.步骤四、计算目标函数值: 定义适应度函数=At(Xi), i = 1，2，...，N.，适应度函数选取所求问题的目标函数； 步骤五、挑选出最优目标函数值: 从适应度函数fit (Xi), i = I, 2,..., N.选出函数值最大者为开始的全局最优值，记为:g(0)。
4.如权利要求2所述的建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，其特征在于，演化阶段包括以下步骤: 步骤一、荧光素亮度更新:该子模块采用同GSO —样的荧光素计算公式:
Ii (t+1) = (1-p )li(t) + y.f (Xi (t)) ；t = O, I,...(I) 步骤二、随机选取邻居:对每一个发光粒子，根据感知决策范围，构建邻居集: m)=υ:ιι χβ)-χΜ) ιι< mm < /禪步骤三、随机移动步长:针对第j个发光粒子，且j e Ni (t)，计算第j个发光粒子到第i个的移动概率，采用以下计算公式:
5.如权利要求1所述的建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，其特征在于，对生物荧光粒子群优化算法LPSO的全局收敛证明与性能分析: LPSO算法全局收敛性理论证明采用的方法:在进化过程中依赖优秀萤火虫个体的指导信息进化的机制是算法收敛的基础，算法中子代个体分布的标准差的动态调整是算法收敛的关键，以正态分布的方式将子代个体叠加于父代个体周围，使算法能够兼顾选择力度和群体多样性，且算法中各参数的取值范围较大，对初始种群的依赖性也不高，优秀个体的进化是基于一定概率规则引导下的一种统计结果；记LPSO算法解空间为Ω，解个体为X，X e Ω，每一代的最优个体记为:(t为进化代数)，二 0,1,2,...}构成了一个离散时间的随机过程，生物荧光群优化算法在父代个体的基础上，通过叠加服从正态分布的随机变量产生下一代群体；记父代群体中的最优个体为.4*，对应状态为Ei,子代群体中的最优个体为.4:，对应状态为Ej ； LPSO算法的性能分析，采用数值实验仿真方法:针对生物荧光群优化算法中各参数设置方法，以检验群智能算法性能经典的标准测试函数-Benchmark问题，包括无约束优化问题21个、带约束优化条件11个；工程实例为例，用Matlab编程，通过数值仿真实验，分析算法中各种参数的变化规律，归纳出参数设置的方法。
6.如权利要求1所述的建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，其特征在于，以生物荧光群优化算法为基础，建立高层建筑人员疏散的荧光粒子群算法数学模型: 人员疏散的生物荧光粒子群优化算法数学模型建立，采用的方法:利用荧光粒子群优化算法特点和人员疏散自身特点的相似性；人员逃生行为模拟自然界萤火虫利用荧光亮度吸引同伴的行为，根据以上荧光粒子群算法的基本原理，综合考虑高层建筑的特点及火灾时期人员的个体差异和从众行为，利用荧光素亮度、感知决策范围和禁忌表指标将趋光、趋众2个疏散模式参数化，建立高层建筑人员疏散的LPSO数学模型。
7.如权利要求6所述的建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，其特征在于，建立高层建筑人员疏散生物荧光粒子群优化算法模型方法的具体方法如下: 步骤一，首先，定义楼层危险系数.0为:
8.如权利要求1或7所述的建立高层建筑人员疏散生物荧光粒子群优化算法模型方法，其特征在于，高层建筑人员疏散LPSO算法的数学模型实现步骤: 步骤一:参数初始化，令时间t = 0，定义楼层总数n，置火灾发生楼层K并定义危险度函数A ;设初始逃生的人数为m，将m个人均匀分布在η层楼中，此时，种群的规模为N = nm ;分别设置荧光素衰减系数P ,荧光素增强系数Y ;初始人员逃生的步长Stl ;个人认知系数Cs，整体认知系数C8 ;强、弱搜索的控制参数IR ;大规模撤离控制参数eT的初值；且设置由逃生道口 Wi到由逃生道口 Wj的荧光素A,,w, (O) = W Xi(O)表征被疏散的人所在楼的位置坐标；被疏散人感知范围的半径rs,且tj' (O) = % (常数); 步骤二:被疏散人的禁忌表索引号ks = I ;开始疏散到较安全的位置g(t)； 步骤三:被疏散的人根据公式(16)更新荧光素的亮度，选择邻居集； 根据位置转移公式(11)选择下一个通道口 Wj，且根据公式(12)的步长前进，其中 € )W-1abuL}; 步骤四:被疏散的 人疏散到通道口 Wj，根据公式(13)计算所处的当前的位置； 步骤五:找出当前被疏散人员所处最安全位置g(t+l);若未找到，继续执行以下搜索；步骤六:若IR = 0，则根据公式(6)-(7)执行强搜索，否则，根据公式(8)执行弱搜索，直到搜索到前被疏散人员所处最安全的位置g(t+l)； 步骤七:完成模拟，输出结果。
【文档编号】G06N3/00GK104008417SQ201410227417
【公开日】2014年8月27日 申请日期:2014年5月27日 优先权日:2014年5月27日
【发明者】周永权, 罗淇方, 莫愿斌 申请人:广西民族大学