廣西旅游客船乘客安全疏散研究

黃 珂

(柳州船舶檢驗局，廣西 柳州 545001)

0 引言

2015年6月1日，東方之星沉船事件之后，如何高效安全疏散船員和乘客問題成為目前船舶設計師研究的熱點。目前的主要方法是采取民眾疏散行為的統計和計算機仿真。國外的許多學者采取數據分析和統計方式，獲取了通常人群逃生速度與人群密度的相互關系。美國和英國專家學者，獲取了人員流動的特征，并基于此提出相關的計算方法。吳商智、溫敏將遺傳算法加入到人群選擇逃生路徑的人員疏散逃生模型。清華大學的大學教授基于隧道煙氣擴散的研究，給出了相應的模擬仿真。目前，大量文獻提出了關于人員疏散的許多新穎的模型和算法，但疏散算法的效率和效果有待于進一步的改善。

本文采用智能算法對柳州轄區內旅游客船進行分析，并提出了廣西旅游客船密集人群疏散方案。旅游客船客艙是乘客相對密集區域，一旦危險情況出現，大規模人群的安全疏散問題就會顯現出來。如果沒有相應的應急處理措施，人群會不斷朝向出口方向運動，造成乘客在出口處聚集從而形成乘客擁塞。一旦出現上述情況，不僅會影響乘客的疏散逃生速度，而且可能導致乘客相互之間拉扯踐踏的事故，甚至造成乘客傷亡事件的發生。基于人類行為心理學的特點，提出行之有效的疏散指令序列用于危急情況的人員疏散，對于解決目前廣西旅游客船的大規模疏散問題有著現實的意義。

1 廣西旅游客船人群疏散的模型描述

本文選取柳江目前最大一艘旅游客船“瑞通1號”作為研究對象。該船舶是柳州已經建造完成的最豪華、載客人數最多(200人)的旅游客船，主要用于游覽百里柳江。該船舶的總體布置圖見圖1。

圖1 瑞通1號旅游客船總體布置圖

將船長30 m、型寬10 m、載客人數為200人的“瑞通1號”旅游客船作為疏散模型，為合理模擬廣西旅游客船人群的疏散情況，需要對人群的特征行為模型和疏散指令序列予以準確建模，特征行為模型是結合人群自身屬性在場館中運動的特點，給出的模擬運動模型。

簡要介紹一下整個研究的過程：首先把船舶客艙進行網格化，分成0.4 m×0.4 m的細小四邊形網格，每個乘客所占約為0.4 m，并把客艙內主要的障礙情況和出口情況進行標注，第一步采用遺傳粒子算法的策略隨機生成10個疏散指令序列，(乘客疏散逃生指令序列指乘客逃生方向的優先指令集合，用以指引所有逃生乘客向某一安全方向逃生)考慮到廣西旅游客船客艙的環境特點和乘客的行為特征，本文設計的疏散指令序列含10條疏散指令，盡管只有10條疏散指令，也將產生大量不同的情況，然后把相應的主要數據進行設置：年輕乘客100人、老年乘客50人、恐慌乘客50人、遺傳算法中的速度、慣性權重等。第二步讓乘客在客艙中進行隨機分布，并給出指引口令讓年輕乘客和老年乘客首先采取的策略是按照指引口令逃生；當不清楚如何逃生時，則向最近的其他乘客較少出口逃生；恐慌乘客也根據指引口令逃生，當有障礙或者不清楚如何逃生時按照75%的概率向最近的出口逃生，年輕乘客體，老年乘客體和恐慌乘客體的行動狀態各不相同，模型對乘客的指引口令如下：

(1)青年人：上、下、左、右、左上、左下、右上和右下8個方向，每次移動兩個單元格。

(2)老年人：上、下、左、右、左上、左下、右上和右下8個方向，每次移動一個單元格。

(3)恐慌人：上、下、左、右4個方向，每次移動兩個單元格。

第一步，每隔1 min，總乘客人數中按照15%的概率將非恐慌乘客變為恐慌乘客，分別計算當前10個疏散指令序列中已逃生乘客數量和剩余乘客數量，并按照已逃生乘客數量進行由小到大排序。第二步，選出當前已逃生乘客數量最多的疏散指令序列作為最優序列。第三步，讓非最優疏散指令序列采取遺傳算法中變異的方式進行更新，讓乘客進行隨機逃生，每30 s再給出1個疏散指令，計算當前的已逃生乘客數量和剩余乘客數量。第四步，讓非最優疏散指令序列采用粒子群算法進行更新操作，重新計算當前種群各個個體最終人群情況并歸算適應度函數，再進行排序。最后，如此反復直到所有乘客都逃生完畢，輸出相應的遺傳粒子群算法路徑優化方案最終地圖，包括逃生時間和算法的收斂迭代曲線(程序每10 s會顯示相應的粒子群算法路徑優化方案中間地圖)。

2 算法和適應度函數的描述

遺傳粒子算法基于自然界的生物進化機制，是將遺傳和粒子群進行改進的全局搜索算法。

前文所述的遺傳粒子群算法的優化公式：

前文所述的乘客疏散逃生指令序列的計算公式具體如下所述：

instruction=[f1f2Pnew1，f1f2Pnew2……，f1f2Pnew10]

(1)

式中，f1——函數：將粒子元素解碼為指令的函數，1、2、3、4、5、6、7、8分別對應上、下、左、右、左上、左下、右上和右下8個指示方向；

f2——函數：通過對粒子位置矩陣的每一行進行排序，可以找到該行最小元素的位次；

pnew——矩陣：表征粒子的位置矩陣。

本文定義的疏散適應度函數是上述人群特征行為模型在疏散指令的指示下從初始情況到最終全部逃生后得到的最終行動步數。其數學表達式如下：

Fit=f3(instruction{}，Characteristics{})

(2)

其中：Fit——適應度函數值；

instruction——疏散指令集合；

Characteristics——特征行為模型。

換言之，適應度函數根據廣西旅游客船客艙的人群初始狀況，將instruction集合作用于Characteris-tics模型進行仿真計算，直到客艙中沒有任何乘客，保存乘客逃生的行動步數和逃生乘客數量以作為適應度函數值。

3 客艙乘客安全疏散仿真實驗

如何能夠有效的評估船舶的客艙布局是否滿足乘客安全疏散的要求，是一個急需解決的問題，采用計算機進行人員的疏散仿真是一個非常好的參考辦法。本文采用改進型算法來進行船舶乘客疏散仿真，節省了大量的人力和物力，而且方法具有直觀性和全面性，可以反復使用在不同情況和不同船舶上，具有很好的推廣性和現實意義。本文基于Matlab2010a實驗環境下實現。計算實例是人群初始規模為200的廣西旅游客船客艙的大規模疏散人群，設置其中的年輕人為100人，老年人為50人，恐慌人群為50人。經過仿真可以得知，采用本文所述的遺傳粒子群算法長時間計算可以得到近似最優的疏散指令序列為[左上、上、左上、左下、上、右下、上、下、左下、右下]。依照上述疏散指令序列指導人群疏散可以在115 s內完成。由于地圖中出口偏向左上，因此，開始時將人群往左上方驅趕較為合理，仿真得到的結果也與實際相符。

通過仿真計算，可以看到廣西旅游客船客艙人群疏散時的運動現象以及疏散人群隨著時間的變化情況。在仿真軟件下可以得到客船乘客逃生路徑圖，具體的廣西旅游客船客艙的初始情況如圖2所示。

圖2 廣西旅游客船客艙初始狀況示意圖

圖3給出了危急情況下的客艙乘客疏散逃生的仿真疏散的某一中間過程，具體疏散時間為95 s時，廣西旅游客船的乘客在某一疏散指令指引下的疏散情況。

圖3 旅游乘客的仿真疏散中間過程圖(95 s)

由圖3可知，人員在疏散指令指引下，有序地形成隊列進行逃生，從而避免了混亂擁擠的情況出現。

圖4 旅游乘客的仿真疏散結果圖(119 s)

由圖4可知，通過仿真計算，上述計算實例的疏散總時間為119 s。上述計算實例的遺傳粒子群算法的迭代收斂曲線如下頁圖5所示。

圖5 遺傳粒子群算法的迭代收斂曲線圖

由圖5可知，本文提出的遺傳粒子群算法具有一定的實用性，收斂性能較好。采用本文提出的遺傳粒子群算法能夠尋到一個近似最優的疏散指令序列用以在應急情況下對大規模疏散人群進行指引，以便于快速疏散。

以此方法分別對柳州轄區內旅游客船進行統計，具體的廣西柳州旅游客船疏散情況如表1所述。

表1 廣西柳州旅游客船的疏散情況匯總表

4 結語

在廣西水上旅游事業飛速發展的今天，廣西旅游客船作為人員密集的場所，安全責任日趨艱巨。傳統辦法對船舶乘客數量的考慮往往是通過船舶的穩性和結構等方面，本文將遺傳粒子群算法應用于廣西旅游客船大規模人群疏散問題中，計算得到了大規模人群疏散的疏散方案以便于從多方面評估船舶人數和布局的合理性。這對于廣西旅游客船安全評估問題的解決有一定的參考意義。

[1]黃希發.大型場館人員疏散仿真研究[D].哈爾濱：哈爾濱工程大學，2010.

[2]Togawak.Study of firees capes basing on the obser-vation of multitude current.Report No.14[R].Building Research，Institute，Ministry of Construction，1995.

[3]溫麗敏.重大事故應急疏散研究[D].沈陽：東北大學，2000.

[4]朱培根，朱穎心，李曉峰.地鐵通風與熱模擬方案及其分析[J].流體機械，2004(11)：39-42，49.

[5]陳岳明，蕭德云.基于動態交通分配的路網應急疏散模型[J].北京：清華大學學報，2009，49(8)：1102-1105.

[6]劉文婷.城市軌道交通車站乘客緊急疏散能力研究[D].上海：同濟大學，2008.

[7]劉 強，楊 浩，陸化普，等.運動場館人流疏散及其模型探討[J].北京：土木工程學報，2004(10)：92-98.

[8]徐 高.人群疏散的仿真研究[D].成都：西南交通大學，2003.

[9]彭宗超，薛文軍，方 曼.風險治理視角下的城市地鐵恐怖應急準備研究——以北京市為例[J].北京：城市發展研究，2014，7(21)：119-120.

[10]Moradi P，Gholampour M.A hybrid particle swarm optimization for feature subset selection by integrating a novel local search strategy[J].Applied Soft Compu-ting，2016，43(C)：117-130.