一种水灾情况地铁站内乘客疏散路径分布式鲁棒优化方法

本发明涉及交通领域应急安全，具体涉及一种水灾情况地铁站内乘客疏散路径分布式鲁棒优化方法。

背景技术：

1、近年来，社会经济和生产技术的快速发展导致城市建设规模迅速扩大，城市地面交通基础设施不足以满足人们的日常出行需求。因此，地下空间的开发是城市可持续发展的极好方向。然而，地下空间密闭性强、内部结构复杂、地势低洼，一旦发生洪水入侵且流入地铁站的洪水难以及时消除时，会对乘客的人身安全构成极大威胁。据不完全统计，地铁站内水灾事故占比高达11％，水灾的波及面广且持续时间长，破坏力度更大，水灾场景下地铁站内乘客疏散问题研究亟需得到重视。

2、现有研究开始探索采用传统鲁棒方式对不确定因素进行建模，虽然能够在一定程度上克服某些影响因素的不确定性，但是路径优化方案是在既定疏散走行网络的基础上生成的，无法考虑路段失效这种不确定环境因素对路径决策的影响；且所采用的鲁棒优化方法属于静态鲁棒优化，仅在不确定性参数发生前做出一次决策或仅考虑出现固定数量的路段中断情况，对考虑到的不确定性均完全免疫，得到的路径方案解往往过于保守，在实际问题中可能导致疏散效果不良。为了克服现有研究的短板，因此，为了提高疏散路径优化的可靠性及灵活性，所属领域技术人员亟需一种能够考虑疏散过程中不确定因素干扰的水灾环境下地铁站内乘客疏散路径规划方法。

技术实现思路

1、针对现有技术的不足，本发明提供了一种水灾情况地铁站内乘客疏散路径分布式鲁棒优化方法，通过结合水动力实时参数以及乘客疏散运动模型，充分考虑到疏散时间和风险的不确定性，利用分布式鲁棒优化方法建模影响疏散路径决策的不确定因素的影响，在充分利用丰富场景数据的基础上，最大程度地考虑到灾害可能造成的所有情况，使得路径优化策略更为可靠，可实现性更高。

2、为实现上述目的，本发明提供了一种水灾情况地铁站内乘客疏散路径分布式鲁棒优化方法，包括：

3、获取地铁站内水灾情况水动力参数；

4、利用所述地铁站内水灾情况水动力参数建立地铁站内乘客疏散路径分布式鲁棒优化模型；

5、利用所述地铁站内乘客疏散路径分布式鲁棒优化模型得到地铁站内乘客疏散路径分布式鲁棒优化结果。

6、优选的，所述获取地铁站内水灾情况水动力参数包括：

7、获取地铁站内cad图像数据；

8、利用所述地铁站内cad图像数据基于fluent建立地铁站内仿真模型；

9、根据所述地铁站内仿真模型分别获取水灾情况地铁站内洪水流速与洪水水深；

10、利用所述水灾情况地铁站内洪水流速与洪水水深作为地铁站内水灾情况水动力参数；

11、其中，所述不同水灾情况对应不同水灾情况地铁站内洪水流速与洪水水深。

12、进一步的，利用所述地铁站内水灾情况水动力参数建立地铁站内乘客疏散路径分布式鲁棒优化模型包括：

13、获取地铁站内全部乘客疏散路径与各乘客疏散路径对应疏散时间与风险目标；

14、利用所述地铁站内全部乘客疏散路径与各乘客疏散路径对应疏散时间与风险目标建立地铁站内乘客疏散路径分布式鲁棒优化初始模型；

15、利用所述地铁站内乘客疏散路径分布式鲁棒优化初始模型得到地铁站内乘客疏散路径分布式鲁棒优化模型。

16、进一步的，利用所述地铁站内全部乘客疏散路径与各乘客疏散路径对应疏散时间与风险目标建立地铁站内乘客疏散路径分布式鲁棒优化初始模型的计算式如下：

17、

18、其中，ψ1ψ2分别为疏散时间与风险目标对应的权值，w为地铁疏散网络中所有路段的集合，tij为疏散过程中乘客在路段(i，j)的疏散时间，rij为疏散过程中乘客在路段(i，j)上承受的风险值，δijq为表示路段(i，j)与乘客q的关联关系，p为随机向量的联合概率分布，为wasserstein模糊集，和分别为在路段(i，j)上时间和风险的预测偏差。

19、进一步的，所述wasserstein模糊集的计算式如下：

20、

21、

22、

23、

24、其中，||·||是l-1范数，π是随机变量ω1和ω2的联合概率分布，且ω1和ω2的边缘分布分别是p和p为随机向量的联合概率分布，为wasserstein模糊集c为调节系数，β为置信水平，为第k个样本数据，为样本数据的均值，k为构造模糊集的数据样本数量，ρ为标量，ω为支撑集。

25、进一步的，利用所述地铁站内乘客疏散路径分布式鲁棒优化初始模型得到地铁站内乘客疏散路径分布式鲁棒优化模型包括：

26、获取地铁站内乘客疏散路径分布式鲁棒优化初始模型对应目标函数的极端分布情况；

27、根据所述极端分布情况进行初始转化处理得到极端分布情况第一转化处理结果；

28、根据所述极端分布情况第一转化处理结果基于对偶理论进行第二转化处理得到极端分布情况第二转化处理结果；

29、根据所述极端分布情况第二转化处理结果基于minimax定理进行第三转化处理得到极端分布情况第三转化处理结果；

30、利用所述极端分布情况第三转化处理结果进行最终转化处理得到极端分布情况第四转化处理结果；

31、利用所述极端分布情况第四转化处理结果作为模型最坏期望；

32、利用所述模型最坏期望与地铁站内乘客疏散路径分布式鲁棒优化初始模型得到地铁站内乘客疏散路径分布式鲁棒优化模型。

33、进一步的，根据所述极端分布情况进行初始转化处理得到极端分布情况第一转化处理结果的计算式如下：

34、

35、其中，为极端分布情况，||·||是l-1范数，为第k个样本数据，k为构造模糊集的数据样本数量，m(ω)为包含定义在ω上的所有dirac分布的概率空间，p为随机向量的联合概率分布，为wasserstein模糊集。

36、进一步的，根据所述极端分布情况第一转化处理结果基于对偶理论进行第二转化处理得到极端分布情况第二转化处理结果的计算式如下：

37、

38、其中，为极端分布情况，||·||是l-1范数，为第k个样本数据，k为构造模糊集的数据样本数量，m为单位宽度洪水力，γ为对偶变量，ε为wasserstein半径，p为随机向量的联合概率分布，为wasserstein模糊集。

39、进一步的，根据所述极端分布情况第二转化处理结果基于minimax定理进行第三转化处理得到极端分布情况第三转化处理结果的计算式如下：

40、

41、其中，为极端分布情况，||·||是l-1范数，为第k个样本数据，k为构造模糊集的数据样本数量。

42、进一步的，利用所述极端分布情况第三转化处理结果进行最终转化处理得到极端分布情况第四转化处理结果的计算式如下：

43、当或时对应最优解的计算式如下：

44、

45、其中，为极端分布情况，||·||是l-1范数，为第k个样本数据，k为构造模糊集的数据样本数量，p为随机向量的联合概率分布，为wasserstein模糊集。

46、与最接近的现有技术相比，本发明具有的有益效果：

47、通过将水灾环境下的水动力参数与乘客疏散运动模型结合，模拟了当洪水入侵地铁站时乘客的疏散运动；提供了一种不确定因素影响下地铁站乘客疏散分布式鲁棒优化方法，使路径优化策略的鲁棒性和灵活性更强且克服了传统鲁棒优化过于保守的问题；利用霜冰优化算法改进遗传算法，提出一种新型疏散路径分布式鲁棒优化模型的求解方法，采用分布式鲁棒优化方法对影响疏散路径的不确定性因素进行建模，通过历史数据推导出不确定参数的分布，使其与真实分布近似，所得解相较于传统鲁棒方法会更为可靠。此外，通过新型算法改进遗传算法实现乘客疏散路径分布式鲁棒优化模型的求解，得到的解的收敛速度更快，精度更高，对于水灾场景下地铁站乘客疏散路径优化有更良好参考性以及可靠性，应用新的选择搜索交叉策略，使得解的收敛速度更快且求解精度更高。