基于改進蟻群算法的辦公區火災疏散路徑優化研究

摘" 要：火災發生時，傳統的疏散路線往往是固定的，不能根據火情實時調整，這可能會導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）應用于火災疏散路徑動態規劃，通過優化啟發函數和信息素更新方式，提升全局搜索能力和疏散效率。結合火災動力學軟件（FDS），實時獲取火災環境參數與疏散時間，動態判斷疏散出口的安全性，避免傳統固定疏散路徑引發的安全隱患。仿真實驗表明，IACO模型相較傳統ACO能夠實時調整疏散路徑，避開危險區域和擁堵出口，顯著減少疏散時間，提高路徑規劃的安全性與有效性。

關鍵詞：火災模擬；火災疏散；改進蟻群算法；路徑規劃；辦公區

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

在現代建筑中，傳統的疏散指示設備通常依賴于固定的逃生路線，然而這些設備在火災發生時無法根據火情的實時變化進行調整，容易導致人員誤入危險區域，從而增加了火災疏散的風險。因此，在發生火災時根據建筑物結構和火災情況為逃生人員動態規劃疏散路徑是非常重要的。

目前，很多學者將智能算法融入火災疏散中，給火災疏散提供方便的同時也為路徑規劃問題提供了新的方向。目前路徑規劃算法大致分為2類，一類是傳統算法如Dijkstra、A*、人工勢場法等；另一類是智能仿生學算法如蟻群算法、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，它在各類優化問題中得到了廣泛應用。但傳統蟻群算法在路徑搜索時只注重距離這一因素，而忽略了其他環境變量的影響，許多國內外學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]針對蟻群算法應用于機器人路徑規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函數，并用橢圓幾何法構造數學模型分配初始信息素，使算法不在陷入局部最優；郭琴等[5]在傳統蟻群算法的基礎上，改進狀態轉移規則，增加周圍障礙物數量影響因子，增加角度影響因子改進蟻群算法。以上研究表明，改進的ACO算法在優化疏散路徑都起到了一定的效果，但都未能考慮像火災這種動態環境下的影響因素，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人員疏散效率，本文針對蟻群算法在火災疏散路徑規劃中的局限性引入了受火災因素影響的當量距離和自調節系數，改進了信息素的更新機制以及增強較優路徑上的信息素濃度，提高算法在動態環境中的適應能力，從而進一步優化了路徑選擇。最后，通過火災環境的仿真實驗驗證該算法的有效性，證明其在實際應用中具有顯著的改進效果。

1" 火災模型構建

1.1" 火災環境設置

本文選取某辦公區作為研究對象，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，將建立好的模型導入pyrosim中，觀察火災場景下火災產物的變化情況。模型俯視圖如圖1所示，模型中共4個安全出口A、B、C、D。

考慮到火災蔓延及煙氣運動規律，人員損失最嚴重情況。將火源位置設置在人數較為集中區域，如圖1標注處所示。本文采用t2火災增大模式，火災增長系數？琢=0.046 89 kW/s2，根據文獻[6]中的典型場所確定辦公室最大熱釋放速率為1.5 MW。模擬時間設定為500 s。在每個出口高度2 m處均勻布置環境參數探測器以檢測環境參數數值變化。本文考慮到最不利情況，假設所有門為打開狀態，并將影響人員疏散的火災閾值設定為[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模擬結果分析

根據火災模擬結果，火災模型在辦公室疏散的4個出口處的環境參數變化如圖2所示。由圖2可知，出口C和出口D在整個辦公區域CO濃度相較于出口A和出口B較高，并且在整個辦公區域出口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內隨火災變化逐漸下降。綜上可知，發生火災時，4個出口的CO濃度和溫度在500 s內都低于危險閾值。由于辦公室耐火等級為一級，安全疏散允許時間為6 min[8]，因此發生火災后，在安全疏散允許時間內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

意大利學者Colorni A、DorIgo M等人在1991年提出了蟻群算法[9]，首先成功應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式智能優化算法。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，有助于解決一些優化問題，如路徑規劃、旅行商問題等。目前，蟻群算法已經被廣泛應用于工程、交通、通信等領域。

2.2" 算法改進

2.2.1" 改進啟發函數

通過引入火災現場指數Mij（t）將火災產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）影響系數來改進蟻群算法。

CO體積分數對疏散速度影響系數如式（1）所示[10]

式中：ρco為CO體積分數；t為暴露時間，min。

溫度對疏散人員速度影響系數如式（2）所示[10]

式中：T0為正常環境溫度；T為火災現場實際溫度；T1為人體感到不適溫度（30 ℃）；T2為傷害人體環境溫度（60 ℃）；Td為人員死亡的環境溫度（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如式（3）所示[10]

式中：ρp為人群密度，人/m2。

當量距離Dij（t）計算最優路徑如式（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，一般取1.5。

改進的啟發函數如式（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上引入了自調節系數 ，以動態調整信息素的濃度，從而加強對較優路徑的探索和利用。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Lm-1＜Lm，？啄lt;1，螞蟻m路徑上的信息素增量減小；當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使用柵格法對環境地圖進行建模，導入火災環境信息，設置起始點。②初始化各個參數，包括螞蟻總數、初始信息素揮發系數、信息素啟發因子、啟發函數啟發因子和最大迭代次數等。③把所有螞蟻置于到起始點，并把起點添加到禁忌表中。④螞蟻根據公式（6）選擇下一節點，并將所選節點加入禁忌表，以避免重復訪問。⑤判斷螞蟻是否走到終點，若螞蟻尚未到達終點，繼續進行節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彎次數。⑥檢查是否滿足停止條件：若迭代次數達到最大值Nmax，輸出最優路徑并停止；另外，在迭代的過程中，若連續次迭代中路徑長度和轉彎次數都沒有發生變化，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算法在火災疏散路徑動態規劃中的有效性，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。實驗設定在一個32 m×32 m的環境地圖中，起點設為（1.5，1.5），終點設為（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對比結果顯示，IACO算法在迭代次數、路徑長度和拐點數量上均優于傳統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，拐點數減少6和9個，展現出更優的運算速度、路徑優化能力和路徑平滑度。

3.2" 火災環境路徑

為驗證改進蟻群算法在火災疏散路徑規劃中的適用性，基于32 m×32 m柵格地圖進行仿真實驗。考慮火災區域（白色填充）和擁堵區域（三角形標記），在實際火災發生的緊急情況下，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模擬。設置疏散人員起點為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）。在火災未發生的情況下，IACO算法對A、B、C、D 4個出口規劃了疏散路徑，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路線。

將火災前后對比數據匯總于表2，根據表2數據分析，火災發生前，LD為最短疏散路徑，人員通常優先選擇該路徑；火災初期，由于影響較小，優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生擁堵，最終選擇未受擁堵影響的LA為最優疏散路徑。

火災進入增長期后，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出口仍為最優路徑（圖5（c））。火災蔓延期，C和D出口均不可用，LA路徑雖最短但可能發生擁堵。針對這一情況，IACO算法動態調整疏散路徑（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" 結論

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

2）相較于傳統ACO模型，IACO模型在火災疏散中能夠更好地優化疏散路徑。其考慮了火災產物的動態變化，能根據實時情況調整路徑，同時有效規避高溫、有毒氣體和擁堵區域，從而更全面保障疏散人員的安全。

3）通過結合FDS和IACO規劃火災疏散路徑，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。

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環境疏散路徑規劃研究[J].計算機工程與應用，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劃[J].計算機應用研究，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劃[J].科學技術與工程，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劃[J].計算機仿真，2024，41（2）：450-454，472.

[5] 郭琴，鄭巧仙.基于優化蟻群算法的機器人路徑規劃[J].湖北大學學報（自然科學版），2023，45（2）：157-163.

[6] 消防安全工程第4部分：設定火災場景和設定火災的選擇：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.考慮火災產物影響條件下的人員疏散仿真研究[J].中國安全科學學報，2020，30（6）：142-151.

[8] 華恒.基于改進蟻群算法的機器人路徑規劃[D].宜昌：三峽大學，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.一種用于火災疏散路徑動態規劃的算法[J].消防科學與技術，2022，41（9）：1237-1242.