建立高層建筑人員疏散生物熒光粒子群優化算法模型方法技術

本發明專利技術公開了一種建立高層建筑人員疏散生物熒光粒子群優化算法模型方法，首先基于自然界熒科族的生物學原理，對熒科族通過發光行為尋找伴侶或覓食行為的模擬，以熒科家族中螢火蟲群算法為主，以粒子群算法為輔，嵌入隨機自適應步長、強搜索、弱搜索、大規模撤離等演化算子，采用部分融合的策略；接著從理論和實驗仿真完成對LPSO收斂性分析證明；最后利用熒光粒子群優化算法特點和人員疏散自身特點的高度相似性。本發明專利技術利用一些簡單規則實現對緊急情況下復雜的人員疏散行為的動態模擬，以便更加合理、更加方便有效地制定人員的逃生路線；為建筑物性能化設計、建筑物空間人員的應急疏散計劃的制定及建筑物安全疏散性能的評價提供科學的理論依據。

【技術實現步驟摘要】

本專利技術屬于智能計算與高層建筑火災中的安全疏散技術交叉前沿研究領域，尤其涉及一種。
技術介紹
智能計算是基于自然界中的群體自然現象或過程而提出的一種演化計算模式。這種模式具有通用、穩健、簡單、高效以及便于并行處理等特點，被公認為對現代優化理論與方法具有重大影響的前沿性研究領域。智能計算技術已在復雜問題求解、機器人、電力系統、網絡及通信、生物醫學、計算機、交通、冶金自動化和半導體等領域取得了成功的應用，并在解決傳統的優化方法難以解決的各類復雜演化優化問題中展現出良好的性能和應用前景。智能計算研究領域中的模型構建、參數選擇、結構與性能分析是其核心問題，該問題一直是吸引數學、信息科學等領域國內外學者關注的熱點和難點。群智能(Swarm Intelligence, SI)是智能計算領域中研究最為活躍、應用也最為廣泛的一個分支。群智能概念源于對自然界中生物群體社會行為的觀察，是群居性生物通過協作表現出的宏觀智能行為的特征。群的個體組織包括在結構上很簡單的蟻群、鳥群、魚群等，而它們的集體行為卻可能變得相當復雜。蟻群算法(AntColony Optimization, AC0)對螞蟻群落食物采集過程的模擬，已成功應用于許多離散優化問題。粒子群算法(ParticleSwarm Optimization, PS0)最初是模擬鳥群覓食的過程,但后來發現它是一種很好的優化工具。人工魚群算法(Artificial Fish swarm Algorithm, AFSA)法則是據“水域中魚生存數目最多的地方一般就是本水域中富含營養物質最多的地方”這一特點來模仿魚群覓食行為而實現尋優的。群智能最大的特點是在沒有集中且不提供全局模型的前提下，為尋找復雜分布式系統問題解決方案提供了基礎。隨著群智能優化技術研究的不斷深入，近年來，一些新的群智能算法相繼被提出，如細菌覓食、黏菌生命周期、人工蜂群、蟑螂侵擾、蚊子宿主搜索、蝙蝠回聲定位、螢火蟲群等優化算法；總之，不管什么類型的群智能算法，它們本質上都是一種隨機搜索算法，與大多數基于梯度應用優化算法及傳統的演化算法相比，其優點如下:(1)采用完全分布式控制來實現個體與個體和個體與環境的交互作用，具有良好的自組織性。(2)個體之間的交流方式是非直接的，各個體通過對環境的感知(感覺能力)來進行合作，確保了系統具有更好的可擴展性和安全性。(3)沒有集中控制的約束，系統具有更好的魯棒性，不會因為個別個體的故障而影響整個問題的求解。(4)由于系統中單個個體的能力十分簡單，只需要最小智能，這樣每個個體的執行時間較短，實現起來比較方便，具有簡單性。(5)算法實現簡單。群智能方法易于實現，算法中僅涉及各種基本數學操作，其數據處理過程對CPU和內存的要求也不高；且這種方法只需目標函數的輸出值，而無需其梯度信息，已完成的群智能理論和應用方法研究證明群智能方法是一種能夠有效解決大多數全局優化問題的新方法。更重要是，群智能潛在的并行性和分布式特點為處理大量的以數據庫形式存在的數據提供了技術保證，無論是從理論研究還是應用研究的角度分析，群智能理論及應用研究都具有重要學術意義和現實價值的。在眾多群智能優化算法中，其中螢火蟲群優化(Glowworm SwarmOptimization, GS0)算法本身具有獨有的特性,如調節參數少、理解簡單、易于實現、且能獲取多個峰值等，愈來愈引起國內外學者的極大關注，逐漸成為群智能領域又一個新的研究熱點。螢火蟲群優化是由K.N.Krishnanand&D.Ghose在2005年提出，該算法源于自然界中螢火蟲用發光來吸引伴侶求偶或覓食，且越亮的螢火蟲吸引力越大，最終大多數的螢火蟲聚集在多個位置的現象的行為過程的模擬。縱觀國內外研究現狀，國外學者對GSO的研究，在應用方面研究的成果較多，如多信號源探測、多模環境監測、多態函數優化、多級最小叉熵閾值選擇、結構優化、組合優化等方面取得了較大成功。而國內學者關于GSO算法研究剛起步，目前可參考的文獻資料寥寥無幾，【專利技術者】從2008年開始對GSO算法進行了較深入的研究，理論上對GSO算法性能做了一些改進，取得了一些研究成果；并用于聚類分析、數值優化，TSP問題、工程優化等方面。隨著研究的不斷深入，研究者發現:一是GSO算法在高維復雜多目標函數優化問題中(如benchmark函數)僅可捕獲得多個局部最優,但未必是全局最優值；二是GSO算法運行到后期，收斂速度慢，精度低；三是GSO與其它較成熟的群智能算法的融合可有效地解決一些復雜問題，但算法選擇帶有一定的盲目性，因此，為便于解決更復雜的多目標優化問題，迫切需要對GSO算法性能改進和拓展。另一方面，隨著城市化進程的加快，高層建筑已越來越普遍，建筑高度也越來越高。由于高層建筑具有火勢蔓延快，垂直距離長，人員疏散和撲救困難等特點。一旦發生火災，危害性和危險性極大。特別是建筑內部結構復雜，樓梯出口眾多，災后煙霧彌漫。如何在安全疏散允許的時間內，使樓內人員和財產免遭高溫火焰的危害，就構成了高層建筑安全疏散設計的重要內容。高層建筑火災中的安全疏散是在允許的疏散時間內，借助于走道、前室和樓梯間所構成的安全疏散通道，安全、準確、快速地撤離到室外、樓內防煙樓梯間前室或樓內臨時避難空間之中。對該問題的研究可追溯到上世紀30年代人們開始研究人員疏散問題。目前，在應用計算機軟件進行高層建筑人員疏散的模擬方面，主要是研究人員分層模擬，逐層討論的方法，隨著現代化建筑復雜及智能化程度的提高，傳統的定性分析方法已遠不能滿足要求。特別是群智能優化算法出現，也有研究者采用蟻群算法建立高層人員疏散的數學模型，但所提出的模型中蟻群算法和人行為規律參數的選取，難以確定，因此，確定適當的參數組合、取值范圍及運算規則，恰當地模擬真實高層建筑人員疏散行為和過程是解決人員疏散的關鍵所在。如何合理、有效的建立一群智能優化算法的數學模型，能夠很自然地與高層建筑人員疏散特點相結合，根據高層建筑火災特點及人在火災中的心理活動，恰當地描述個體及群體的逃生行為，從個體自身形成從眾行為的行為模式，利用群智能算法的并行、分布式、自組織等優良特性，最終形成自組織的人員疏散流。
技術實現思路
本專利技術實施的目的在于提供一種，旨在解決現有的高層建筑火災中的安全疏散模擬方法存在的不能適應現代復雜及智能化程度高的問題。本專利技術實施例是這樣實現的，一種，該包括:首先基于熒科族的生物學原理，以熒科族中螢火蟲群優化算法為主，以粒子群算法為輔，嵌入隨機自適應步長、強搜索、弱搜索等演化算子，采用部分融合策略，提出一種新的生物螢光粒子群智能優化算法；其次，從理論和實驗仿真對算法收斂性分析；最后，利用熒光粒子群優化算法特點和人員疏散特點的高度相似性，綜合考慮火災時期人員的個體差異和從眾行為，利用熒光素和禁忌表等指標將趨光趨眾2個疏散模式參數化，建立高層建筑人員疏散的生物熒光粒子群優化算法的數學模型；借鑒生物熒光粒子群體的認知行為和社會行為，利用簡單的規則實現對緊急情況下復雜的人員疏散行為的動態模擬，以便更加合理、更加方便地制定疏散人員的逃生路線。進一步，生物螢光粒子群優化算法采用部分融合形態的方法，即以螢火蟲群優化為主，粒子群算法為輔，通過粒子群算法的部分參數來克本文檔來自技高網...

【技術保護點】
一種建立高層建筑人員疏散生物熒光粒子群優化算法模型方法，其特征在于，該建立高層建筑人員疏散生物熒光粒子群優化算法模型方法受自然界熒科族，諸如螢火蟲、海鰓、發光桿菌通過發光行為尋找伴侶或覓食行為的啟發，基于熒科族生物學原理，結合螢火蟲、粒子群優化算法的特點；具體包括：首先以熒科族中螢火蟲群算法為主，以粒子群算法為輔，嵌入隨機自適應步長、強搜索、弱搜索演化算子，采用部分融合策略，提出一種新的生物螢光粒子群智能優化算法；其次，從理論和實驗仿真對算法收斂性分析；最后，充分利用生物熒光粒子群優化算法特點和人員疏散特點的高度相似性，綜合考慮火災時期人員的個體差異和從眾行為，利用熒光素和禁忌表指標將趨光趨眾2個疏散模式參數化，建立高層建筑人員疏散的生物熒光粒子群優化算法的數學模型。

【技術特征摘要】
1.一種建立高層建筑人員疏散生物熒光粒子群優化算法模型方法，其特征在于，該建立高層建筑人員疏散生物熒光粒子群優化算法模型方法受自然界熒科族，諸如螢火蟲、海鰓、發光桿菌通過發光行為尋找伴侶或覓食行為的啟發，基于熒科族生物學原理，結合螢火蟲、粒子群優化算法的特點； 具體包括: 首先以熒科族中螢火蟲群算法為主，以粒子群算法為輔，嵌入隨機自適應步長、強搜索、弱搜索演化算子，采用部分融合策略，提出一種新的生物螢光粒子群智能優化算法；其次，從理論和實驗 仿真對算法收斂性分析； 最后，充分利用生物熒光粒子群優化算法特點和人員疏散特點的高度相似性，綜合考慮火災時期人員的個體差異和從眾行為，利用熒光素和禁忌表指標將趨光趨眾2個疏散模式參數化，建立高層建筑人員疏散的生物熒光粒子群優化算法的數學模型。2.如權利要求1所述的建立高層建筑人員疏散生物熒光粒子群優化算法模型方法，基于熒科族的生物學原理，采用部分融合形態的方法，以熒科族中螢火蟲群算法為主，以粒子群算法為輔，嵌入隨機自適應步長、強搜索、弱搜索等演化算子，通過粒子群算法的部分參數來克服螢火蟲群優化算法所存在的不足；基于生物螢光粒子群優化方法分為以下兩個階段:初始化階段和演化階段。3.如權利要求2所述的建立高層建筑人員疏散生物熒光粒子群優化算法模型方法，其特征在于，初始化階段包括以下步驟: 步驟一、基本參數確定與設置: 設N-發光離子群的規模Jtl-初始的熒光素；r0-初始的感知半徑r(1 ； P -熒光素衰減常數；Y -熒光素增強常數；S(r初始的移動步長；cg，Cs-慣性權重；1R_強、弱搜索控制參數；ns-感知決策域鄰居的個數；eT-大規模撤離控制參數；t-迭代代數； 步驟二、部署發光粒子種群: 設d-維目標搜索空間，定義每一個發光粒子為％ = (xn, xi2,...，xid)對應d維空間的一個點坐標，初始部署設每一發光粒子的熒光素的濃度是相等的且均勻分布在d維空間；步驟三、熒光素、感應半徑賦初值: Ii (O) = 10 ； η}(O) = r? ； i = 1，2，...，N.步驟四、計算目標函數值: 定義適應度函數=At(Xi), i = 1，2，...，N.，適應度函數選取所求問題的目標函數； 步驟五、挑選出最優目標函數值: 從適應度函數fit (Xi), i = I, 2,..., N.選出函數值最大者為開始的全局最優值，記為:g(0)。4.如權利要求2所述的建立高層建筑人員疏散生物熒光粒子群優化算法模型方法，其特征在于，演化階段包括以下步驟: 步驟一、熒光素亮度更新:該子模塊采用同GSO —樣的熒光素計算公式:Ii (t+1) = (1-p )li(t) + y.f (Xi (t)) ；t = O, I,...(I) 步驟二、隨機選取鄰居:對每一個發光粒子，根據感知決策范圍，構建鄰居集: m)=υ:ιι χβ)-χΜ) ιι< mm < /禪步驟三、隨機移動步長:針對第j個發光粒子，且j e Ni (t)，計算第j個發光粒子到第i個的移動概率，采用以下計算公式: 5.如權利要求1所述的建立高層建筑人員疏散生物熒光粒子群優化算法模型方法，其特征在于，對生物熒光粒子群優化算法LPSO的全局收斂證明與性能分析: LPSO算法全局收斂性理論證明采用的方法:在進化過程中依賴優秀螢火蟲個體的指導信息進化的機制是算法收斂的基礎，算法中子代個體...

【專利技術屬性】
技術研發人員：周永權，羅淇方，莫愿斌，
申請(專利權)人：廣西民族大學，
類型：發明
國別省市：廣西;45