山岳救援環(huán)境下被困人員救援路徑實時規(guī)劃研究

摘要：針對復雜山地救援中路徑規(guī)劃實時性不足、環(huán)境動態(tài)適應能力弱的問題，提出動態(tài)環(huán)境建模與混合啟發(fā)式算法協(xié)同優(yōu)化框架。通過構建時空概率圖模型（ST-PGM），融合衛(wèi)星遙感、無人機LiDAR及地面?zhèn)鞲衅鞯榷嘣串悩嫈?shù)據(jù)，實現(xiàn)環(huán)境風險的分鐘級動態(tài)更新；設計多約束混合啟發(fā)式路徑規(guī)劃算法（MHPA*），結合自適應代價函數(shù)與雙向并行搜索機制，同步優(yōu)化救援時間窗、體能消耗及路徑風險概率約束。實驗表明，該方法顯著提升路徑規(guī)劃的時效性與適應性，突破傳統(tǒng)靜態(tài)地圖與單目標算法的局限性，為復雜山地救援提供實時智能決策支持，有效提升被困人員生還率。

關鍵詞：山岳救援；動態(tài)環(huán)境建模；混合啟發(fā)式算法；實時決策；多約束優(yōu)化

中圖分類號：D631.6" " " 文獻標識碼：A" " " "文章編號：2096-1227（2025）08-0040-03

0 引言

山岳救援成功率依賴路徑實時性與適應性，全球年均事故多源于路徑規(guī)劃的失效[1]。在實際救援中面臨的挑戰(zhàn)包括：山岳環(huán)境強動態(tài)特性（地質滑坡、氣象突變導致分鐘級變化，傳統(tǒng)地圖更新延遲達15～30min）[2]；多源異構數(shù)據(jù)融合難題（衛(wèi)星遙感、無人機LiDAR、地面?zhèn)鞲衅魅狈y(tǒng)一框架）；多約束優(yōu)化瓶頸（救援時間窗＜6h、體能消耗閾值＜16736kJ、路徑風險概率＜0.3，現(xiàn)有算法，如改進A*/RRT難以實時優(yōu)化）[3]。研究提出協(xié)同優(yōu)化框架：構建時空概率圖模型（ST-PGM）融合多源數(shù)據(jù)，建模環(huán)境動態(tài)演化；設計多約束混合啟發(fā)式路徑規(guī)劃算法（MHPA*），集成自適應代價函數(shù)與并行搜索機制。該框架突破靜態(tài)局限，提升被困人員生還概率，支撐應急救援智能化。

1 基于動態(tài)環(huán)境建模與混合啟發(fā)式算法的實時規(guī)劃方法

1.1" 多源異構數(shù)據(jù)融合與動態(tài)環(huán)境建模

山岳救援環(huán)境的動態(tài)演化本質可描述為時空維度上的連續(xù)狀態(tài)轉移過程，研究提出時空概率圖模型（ST-PGM）作為環(huán)境建模的理論框架，其核心在于建立多源異構數(shù)據(jù)到統(tǒng)一狀態(tài)空間的映射關系。定義環(huán)境狀態(tài)張量如式（1）所示。

（1）

式中：V——頂點集，地形網(wǎng)格中心點坐標，m；

At——時刻的鄰接矩陣，表示節(jié)點間連通性；

Pt——狀態(tài)概率矩陣，值域[0，1）。

數(shù)據(jù)融合通過貝葉斯更新實現(xiàn)，數(shù)據(jù)層整合3類關鍵輸入：①靜態(tài)基準數(shù)據(jù)：數(shù)字高程模型（DEM）生成地形梯度矩陣G=[gij]m×n，其中gij∈[0°，60°]；②動態(tài)監(jiān)測數(shù)據(jù)：氣象傳感器網(wǎng)絡輸出風險向量Wt=（wtwind，wtrain，wttemp）；③事件驅動數(shù)據(jù)：無人機紅外影像通過YOLOv7模型提取熱源坐標集St={（xk，yk，confk）}。

融合方程如式（2）所示。

（2）

式中：α、β、γ——歸一化權重系數(shù)；

gij——地形坡度，（°）；

Wt——氣象風險向量（分量單位：風速m/s、降雨量mm/h、溫度℃）；

Pdem——基于坡度θ的地形可通行概率；

IE[Psen]——氣象風險期望（Weibull分布累積概率）；

——以熱源點為中心的高斯擴散函數(shù)[4]；

Sk——局部環(huán)境熱輻射強度，kW/m2?。

動態(tài)更新機制通過時間衰減因子實現(xiàn)，如式（3）所示。

（3）

式中：Φ——邊狀衰減系數(shù)矩陣，值域[0，1]；

Pt——狀態(tài)概率梯度算子。

該模型以1Hz頻率更新，計算復雜度控制在O（nlogn）內。

1.2" 多約束混合啟發(fā)式路徑規(guī)劃算法設計

基于ST-PGM模型，本文將救援路徑規(guī)劃形式化為最小化時間成本、代謝消耗與風險積分的多目標優(yōu)化問題。設計的混合啟發(fā)式算法MHPA*采用實際代價與啟發(fā)函數(shù)組合的代價函數(shù)，其自適應權重機制動態(tài)調整優(yōu)化側重：低風險區(qū)優(yōu)先時間成本（權重設為0.7），高風險區(qū)側重風險概率（權重設為0.5），時間緊迫場景則強制時間優(yōu)化（權重設為0.4）。算法流程采用雙向優(yōu)化：前向搜索層基于改進A*框架擴展節(jié)點，優(yōu)先級隊列排序；后向修正層在環(huán)境更新路徑中斷時啟動局部重規(guī)劃；記憶化加速通過緩存歷史安全路徑片段復用，提升效率。核心參數(shù)（如最大救援時間Tmax、最大代謝消耗Cmax、風險閾值Rth）可靈活配置，確保多約束實時優(yōu)化[5]。

2 規(guī)劃算法性能與救援效能分析

2.1" 仿真實驗與算法性能評估

為驗證MHPA*算法的實際效能，本文基于喜馬拉雅山脈東段地形數(shù)據(jù)構建6km×6km仿真環(huán)境（網(wǎng)格精度10m），模擬突發(fā)性雪崩、巖體滑坡、局地暴風雪及多重災害耦合4類典型災害場景。實驗平臺采用IntelXeon Gold6348處理器與NVIDIAA100GPU，算法性能通過路徑規(guī)劃耗時、路徑安全率、救援成功率、能量消耗偏離度及動態(tài)環(huán)境適應度5維度指標評估。基準算法選用傳統(tǒng)A算法、D*Lite算法以及RRT*算法作為對照組。

在單災害場景中，MHPA*算法展現(xiàn)出顯著的實時性優(yōu)勢。當雪崩導致40%區(qū)域通行風險突變時，MHPA*算法的平均響應時間為（3.7±0.8）s，較A*算法提速67.5%。該優(yōu)勢源于雙向并行搜索機制與記憶化路徑庫的協(xié)同作用，在路徑中斷場景下局部重規(guī)劃耗時僅1.2s。安全性能方面，通過風險積分約束控制，算法生成路徑的P*risk均值穩(wěn)定在0.28±0.05，顯著低于安全閾值0.35。在暴風雪動態(tài)擴散場景中（風速變化率＞5m/s·min），MHPA*算法的路徑安全率仍達79.6%，而RRT*算法因缺乏風險預測機制降至52.3%。

在多重災害耦合場景中，MHPA*算法表現(xiàn)出顯著魯棒性。當能見度低于50m且落石頻率超過2次/min時，傳統(tǒng)A*算法救援成功率驟降至41.7%，而MHPA*算法通過將風險系數(shù)λ3從0.3提升至0.62的動態(tài)權重調整，維持了76.3%的成功率。能量消耗偏離度始終控制在10%以內，證明多約束優(yōu)化機制的有效性。動態(tài)適應度指標綜合評估算法在環(huán)境突變時的穩(wěn)定性，MHPA*算法達到0.88±0.07的優(yōu)異水平，其核心優(yōu)勢在于ST-PGM模型對災害擴散的精準預測能力。

2.2" 案例推演與救援效能分析

基于玉龍雪山真實案例推演[6]，被困人員位于冰川裂隙區(qū)（風速14.3m/s，能見度＜30m）。算法規(guī)劃路徑長度7.2km（減17.2%），耗時311min（省19.1%），能耗16736kJ（低于17238kJ閾值），規(guī)避雪崩高危區(qū)，風險降至0.32。在四姑娘山案例中，算法提升能量約束權重，生成路徑減少攀爬次數(shù)71.4%，坡度變化標準差降至15.7°，提升穩(wěn)定性[7]。效能提升機制包括：空間層面識別安全走廊（如玉龍案例15～20m寬度精確引導）；時間層面動態(tài)調整速度（暴風雪時降至0.8m/s）；資源層面優(yōu)化補給點訪問（四姑娘山案例從3次減至1次）。當黃金救援時間窗壓縮至4h，MHPA*成功率保持76.5%，顯著優(yōu)于傳統(tǒng)方法（38.9%）[8]。

3 結論

通過將動態(tài)環(huán)境建模與混合啟發(fā)式算法進行深度融合，解決了山岳救援路徑規(guī)劃中的實時性與多約束優(yōu)化難題。創(chuàng)新性成果主要體現(xiàn)在3方面：①提出的ST-PGM模型實現(xiàn)了多源異構數(shù)據(jù)的高效融合，環(huán)境更新頻率達1Hz，風險預測準確率提升至（89.4±3.8）%；②MHPA*算法通過自適應權重機制與記憶化搜索策略，在多重災害耦合場景中規(guī)劃耗時控制在5s內，救援成功率較傳統(tǒng)方法提高38.7%；③案例表明，相較于傳統(tǒng)A*算法，該方法在玉龍雪山等場景中實現(xiàn)路徑長度縮減17.2%、代謝消耗降低15.4%，并將路徑風險概率穩(wěn)定在0.32以下（低于安全閾值0.35）。這些突破顯著提升了復雜山地環(huán)境下的救援效能，尤其在玉龍雪山暴風雪案例中實現(xiàn)19.1%的時間窗壓縮，為提高被困人員的生還率奠定了技術基礎。未來工作將聚焦于輕量化模型部署與多智能體協(xié)同規(guī)劃，進一步提升算法在惡劣環(huán)境中的魯棒性。研究成果對推動應急救援體系向智能化轉型具有重要的實踐意義。

參考文獻

[1]彭凌霄.關于山岳事故救援問題的思考[J].中國減災，2024（11）：56-57.

[2]田中心，王民強，董秋霞.秦嶺山地動、植物物種多樣性及成因分析[J].商洛師范專科學校學報，2003（2）：47-50.

[3]王先全，周錫祥，余浩源，等.基于改進Dijkstra的應急指揮車及時救援的最短路徑算法的研究[J].電腦知識與技術，2021，17（14）：1-3+10.

[4]李慧，王晨曦，賈東寶，等.基于改進弗洛伊德算法的救護車應急救援路徑規(guī)劃[J].江蘇海洋大學學報（自然科學版），2022，31（2）：47-53.

[5]王萬富，王琢，劉佳鑫，等.基于改進A*和內螺旋算法的林草火災救援路徑規(guī)劃[J].消防科學與技術，2022，41（8）：1138-1142.

[6]地震引發(fā)雪山疊加態(tài)山難事故消防專業(yè)救援力量快速抵達高效施救[N].中國應急管理報，2023-05-17（002）.

[7]王志勇.基于云模型的中國東部季風區(qū)山地落葉闊葉林帶及影響因子的空間分異特征分析[D].淄博：山東理工大學，2024.

[8]李勝寬.森林火災滅火救援指揮圖的應用[J].今日消防，2023，8（10）：10-12.