童威， 黃啟萍

(1.安徽文達(dá)信息工程學(xué)院，計(jì)算機(jī)工程學(xué)院，安徽，合肥 231201；2.安徽電氣工程職業(yè)技術(shù)學(xué)院，教務(wù)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(shè)備、初始逃生路線、個(gè)體心理差異、個(gè)體之間的相互耦合關(guān)系等多維因素的制約逐漸明顯[1]，呈現(xiàn)出多變性、反復(fù)性、重構(gòu)性、規(guī)模性等諸多特點(diǎn)，本質(zhì)上屬于數(shù)據(jù)多源異構(gòu)效應(yīng)明顯、存在耦合、波動(dòng)頻繁、變化多維、覆蓋完整壽命周期的復(fù)雜系統(tǒng)工程，且大型公共建筑運(yùn)維伴隨產(chǎn)生的海量消防隱患感知數(shù)據(jù)具有時(shí)間累積性，較長周期內(nèi)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(yùn)維產(chǎn)生的海量消防隱患感知數(shù)據(jù)涵蓋結(jié)構(gòu)化與非結(jié)構(gòu)化文本數(shù)據(jù)，利用多源異構(gòu)數(shù)據(jù)融合技術(shù)構(gòu)建消防隱患感知語義解析池，為大型公共建筑領(lǐng)域的非結(jié)構(gòu)化智能疏散決策提供實(shí)驗(yàn)數(shù)據(jù)集。針對(duì)大型公共建筑消防隱患感知及智能疏散決策抽象化數(shù)學(xué)建模問題，國內(nèi)外學(xué)者進(jìn)行了大量細(xì)致的研究[2]。采用單一的仿生智能算法往往無法很好地?cái)M合大型公共建筑消防隱患感知及智能疏散決策問題，對(duì)此提出了一種融合深度徑向基神經(jīng)網(wǎng)絡(luò)的改進(jìn)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(shí)存在的多源異構(gòu)數(shù)據(jù)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(xué)習(xí)能力失衡、收斂速度隨時(shí)間呈遲滯變化、高維決策輸入下的系統(tǒng)性能波動(dòng)頻繁等若干先天弊端，可以在較短的時(shí)間內(nèi)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?jīng)Q策生成最優(yōu)性、建筑動(dòng)態(tài)拓?fù)淝袚Q適應(yīng)性等方面具有明顯優(yōu)勢。文獻(xiàn)[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(xiàn)役應(yīng)用的安全綜合管控系統(tǒng)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(shù)據(jù)感知自主化能力;文獻(xiàn)[5]為增強(qiáng)大型公共建筑全壽命周期運(yùn)維消防隱患全景感知數(shù)據(jù)的精準(zhǔn)度，為高維約束下的智能疏散決策提供多維數(shù)據(jù)支撐，對(duì)構(gòu)建智慧消防隱患感知及智能疏散決策體系具有基礎(chǔ)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(shè)計(jì)

基于改進(jìn)蟻群算法的消防隱患感知及智能疏散決策模型架構(gòu)具備消防隱患數(shù)據(jù)實(shí)時(shí)全景感知與融合、多源異構(gòu)數(shù)據(jù)流快速計(jì)算與暫存、非結(jié)構(gòu)化訓(xùn)練樣本池構(gòu)建、消防隱患語義自主解析與最優(yōu)疏散路徑自主生成等效能，構(gòu)建具備大型公共建筑消防隱患數(shù)據(jù)獲取、融合、池化、疏散決策等全鏈運(yùn)維機(jī)制。圖1設(shè)計(jì)了消防隱患感知及智能疏散決策模型體系架構(gòu)。以消防隱患感知及智能疏散決策運(yùn)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(shù)據(jù)感知層、數(shù)據(jù)深度處理層、消防隱患感知層、圖形化下的最優(yōu)疏散路徑生成層等，其中，消防隱患數(shù)據(jù)感知層借助嵌入Storm流計(jì)算的數(shù)據(jù)融合算法對(duì)消防傳感器集群等多維數(shù)據(jù)進(jìn)行快速計(jì)算與暫存；數(shù)據(jù)深度處理層針對(duì)多源異構(gòu)終端數(shù)據(jù)進(jìn)行非結(jié)構(gòu)化處理[6]，借助數(shù)據(jù)融合控制器構(gòu)建非結(jié)構(gòu)化的建筑消防路徑數(shù)據(jù)池；消防隱患感知層引入深度徑向基神經(jīng)網(wǎng)絡(luò)作為消防隱患感知優(yōu)化載體，利用建筑消防路徑數(shù)據(jù)對(duì)深度徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行有針對(duì)性的訓(xùn)練，采集訓(xùn)練數(shù)據(jù)預(yù)測誤差并映射至經(jīng)典蟻群算法；圖形化下的最優(yōu)疏散路徑生成層利用經(jīng)典蟻群算法對(duì)深度徑向基神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心、寬度、權(quán)值進(jìn)行自適應(yīng)調(diào)整，建立消防隱患感知與最優(yōu)疏散路徑的邏輯對(duì)應(yīng)關(guān)系，深度徑向基神經(jīng)網(wǎng)絡(luò)捕獲最優(yōu)疏散路徑并對(duì)網(wǎng)絡(luò)初始參數(shù)進(jìn)行賦值，借助隱患感知及智能疏散決策函數(shù)輸出可視化目標(biāo)結(jié)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(duì)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(jìn)蟻群算法實(shí)現(xiàn)高維約束下的最優(yōu)疏散路徑自主生成，典型蟻群算法本質(zhì)上屬于群智能優(yōu)化算法，參數(shù)設(shè)定存在概率片面性，無法實(shí)現(xiàn)高維約束下的全局最優(yōu)，無法很好地?cái)M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(tǒng)工程屬性，引入深度徑向基神經(jīng)網(wǎng)絡(luò)作為消防隱患感知優(yōu)化載體，對(duì)典型蟻群算法進(jìn)行優(yōu)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(jīng)網(wǎng)絡(luò)[7]，借助數(shù)據(jù)融合控制器構(gòu)建非結(jié)構(gòu)化的建筑消防路徑數(shù)據(jù)池作為訓(xùn)練樣本庫，深度徑向基神經(jīng)網(wǎng)絡(luò)從訓(xùn)練樣本庫中相關(guān)采樣進(jìn)行有針對(duì)性的訓(xùn)練，通過訓(xùn)練數(shù)據(jù)預(yù)測誤差建立經(jīng)典蟻群算法與深度徑向基神經(jīng)網(wǎng)絡(luò)的物理映射，利用經(jīng)典蟻群算法對(duì)深度徑向基神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心、寬度、權(quán)值進(jìn)行自適應(yīng)調(diào)整，建立消防隱患感知與最優(yōu)疏散路徑的邏輯對(duì)應(yīng)關(guān)系，深度徑向基神經(jīng)網(wǎng)絡(luò)捕獲最優(yōu)疏散路徑并對(duì)網(wǎng)絡(luò)初始參數(shù)進(jìn)行賦值，借助隱患感知及智能疏散決策函數(shù)輸出可視化目標(biāo)結(jié)果。

圖2 基于改進(jìn)蟻群算法的最優(yōu)疏散路徑生成模型示意圖

2 基于改進(jìn)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(jìn)子階段

由于經(jīng)典蟻群算法的收斂速度較慢，采用精英蟻群系統(tǒng)(Elitist Ant System，EAS)，通過對(duì)最優(yōu)路徑進(jìn)行額外的信息素加強(qiáng)，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?fù)]發(fā)因子為ρ，定義Δτij表示當(dāng)前路徑下的最優(yōu)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(yōu)參數(shù)組合為Spi在j組搜尋中的信息素值，此時(shí)表征在搜尋到深度徑向基神經(jīng)網(wǎng)絡(luò)參數(shù)集合的同時(shí)，實(shí)現(xiàn)信息素全局最優(yōu)更新。

2.2 最優(yōu)疏散路徑?jīng)Q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(jīng)網(wǎng)絡(luò)參數(shù)組合作為訓(xùn)練階段的深度徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)值，計(jì)算實(shí)際輸出值與期望輸出值的誤差，然后對(duì)誤差進(jìn)行最優(yōu)排序，找出對(duì)應(yīng)的最優(yōu)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(shù)中心、寬度、權(quán)值進(jìn)行組合，在下一輪訓(xùn)練中進(jìn)行參數(shù)賦值，定義最優(yōu)解對(duì)應(yīng)最優(yōu)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(shù)據(jù)具有明顯的多源異構(gòu)性，對(duì)式(5)進(jìn)行優(yōu)化，促進(jìn)蟻群算法最終收斂于同一路徑，自主決策生成最優(yōu)疏散路徑[9]，則有：

(6)

2.3 模型性能仿真驗(yàn)證

利用案例場館現(xiàn)役應(yīng)用的智慧消防系統(tǒng)一定周期內(nèi)采集的消防隱患數(shù)據(jù)文本作為初始訓(xùn)練數(shù)據(jù)，基于PyTorch開源框架，在Gym Torcs環(huán)境下對(duì)模型進(jìn)行效能仿真驗(yàn)證，設(shè)定初始誤差閾值為10-4，設(shè)定深度徑向基神經(jīng)網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為18 000次，學(xué)習(xí)速率定義為0.02，蟻群訓(xùn)練迭代次數(shù)為200，螞蟻數(shù)目為20，信息素?fù)]發(fā)因子為2，從蟻群算法優(yōu)化前后模型訓(xùn)練誤差對(duì)比仿真圖、高維約束下最優(yōu)疏散路徑?jīng)Q策生成性能仿真圖等多維度對(duì)算法進(jìn)行仿真驗(yàn)證，在Keras 2.2.2和Gym 0.10.8環(huán)境下進(jìn)行圖形化示意仿真，采用顯著差異標(biāo)識(shí)在仿真圖中給出對(duì)比曲線，最終仿真結(jié)果如圖3～圖5所示。

圖3 蟻群算法優(yōu)化前決策模型訓(xùn)練誤差對(duì)比仿真曲線圖

圖4 蟻群算法優(yōu)化后決策模型訓(xùn)練誤差對(duì)比仿真曲線圖

圖5 高維約束下最優(yōu)疏散路徑?jīng)Q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(yīng)用

基于經(jīng)濟(jì)性與縮短開發(fā)周期的考慮，采取功能嵌入的開發(fā)策略，把文中提出的基于改進(jìn)蟻群算法的消防隱患感知及智能疏散決策模型進(jìn)行實(shí)現(xiàn)代碼封裝，在VS2016環(huán)境下生成動(dòng)態(tài)鏈接庫(.dll)文件，設(shè)定該動(dòng)態(tài)鏈接庫文件的調(diào)用權(quán)限附屬于案例場館現(xiàn)役的智慧消防系統(tǒng)主進(jìn)程，把每一次主進(jìn)程調(diào)用視為微應(yīng)用擴(kuò)展，采用微應(yīng)用擴(kuò)展的模式對(duì)案例場館現(xiàn)役的智慧消防系統(tǒng)進(jìn)行適應(yīng)性改造，增加消防隱患數(shù)據(jù)實(shí)時(shí)全景感知與融合、多源異構(gòu)數(shù)據(jù)流快速計(jì)算與暫存、非結(jié)構(gòu)化訓(xùn)練樣本池構(gòu)建、消防隱患語義自主解析與最優(yōu)疏散路徑自主生成等軟件處理進(jìn)程，分配單獨(dú)的內(nèi)存資源[10]，定期進(jìn)行業(yè)務(wù)數(shù)據(jù)內(nèi)網(wǎng)交互，實(shí)現(xiàn)數(shù)據(jù)全景共享。選取案例場館排球廳作為模型工程應(yīng)用效能驗(yàn)證載體，排球廳長25 m，寬20 m，有上下2個(gè)疏散口，疏散口寬度為3.2 m，疏散人員為百位量級(jí)，假設(shè)排球廳中間位置發(fā)生火災(zāi)，火災(zāi)功率為12 MW，忽略風(fēng)速，煙霧擴(kuò)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(zāi)發(fā)生初始時(shí)刻和發(fā)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(zāi)發(fā)生初始時(shí)刻疏散人員的疏散情況分布圖

圖7 火災(zāi)發(fā)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(jìn)一步驗(yàn)證模型的定量化、工程化應(yīng)用效能，基于圖6～圖8給出的模型定性工程化應(yīng)用效能，利用案例場館2019年第三季度運(yùn)維產(chǎn)生的消防隱患及預(yù)警數(shù)據(jù)作為統(tǒng)計(jì)對(duì)象，選取案例場館現(xiàn)役應(yīng)用的智慧消防綜合管控系統(tǒng)作為對(duì)照組，從多源異構(gòu)消防隱患數(shù)據(jù)感知精確率、高維約束下最優(yōu)疏散路徑生成有效率等層面多維對(duì)比模型性能，則模型定量化工程應(yīng)用效能對(duì)比見表1。

表1 模型定量化工程應(yīng)用效能對(duì)比表 單位:%

4 總結(jié)

針對(duì)較長周期內(nèi)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(jìn)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(jīng)網(wǎng)絡(luò)，借助數(shù)據(jù)融合控制器構(gòu)建非結(jié)構(gòu)化的建筑消防路徑數(shù)據(jù)池作為訓(xùn)練樣本庫，深度徑向基神經(jīng)網(wǎng)絡(luò)從訓(xùn)練樣本庫中對(duì)相關(guān)采樣進(jìn)行有針對(duì)性的訓(xùn)練，通過訓(xùn)練數(shù)據(jù)預(yù)測誤差建立經(jīng)典蟻群算法與深度徑向基神經(jīng)網(wǎng)絡(luò)的物理映射，利用經(jīng)典蟻群算法對(duì)深度徑向基神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心、寬度、權(quán)值進(jìn)行自適應(yīng)調(diào)整，建立消防隱患感知與最優(yōu)疏散路徑的邏輯對(duì)應(yīng)關(guān)系，深度徑向基神經(jīng)網(wǎng)絡(luò)捕獲最優(yōu)疏散路徑并對(duì)網(wǎng)絡(luò)初始參數(shù)進(jìn)行賦值，借助隱患感知及智能疏散決策函數(shù)輸出可視化目標(biāo)結(jié)果?；赑yTorch開源框架，在Gym Torcs環(huán)境下對(duì)模型進(jìn)行了效能仿真驗(yàn)證，選取案例場館為效能評(píng)價(jià)載體，對(duì)模型進(jìn)行工程化應(yīng)用效能分析，結(jié)果表明,模型大幅提高了大型公共建筑全壽命周期運(yùn)維消防隱患全景感知數(shù)據(jù)的精準(zhǔn)度，為高維約束下的智能疏散決策提供多維數(shù)據(jù)支撐，對(duì)構(gòu)建智慧消防系統(tǒng)運(yùn)維全鏈條全壽命周期隱患感知及智能疏散決策機(jī)制具有基礎(chǔ)性支撐效能。