基于免疫协同进化的轨道交通枢纽紧急疏散框架与流程设计

2015-12-05李伟，许强，徐凯，张颖

安全与环境工程 2015年3期

李伟，许强，徐凯，张颖

（重庆交通大学信息科学与工程学院，重庆 400074）

近几年来，随着重庆等国内中心城市的大规模城市轨道项目的施工与运行，轨道交通枢纽越发凸显作为大型人群集散设施的作用，在一个旅客人群密度较高且相对封闭的空间中，如何采取合理的技术和管理措施，在出现突发情况时，将封闭空间中的人员安全、迅速地疏散到开阔地带，保障轨道交通运输系统的顺利运行，是一个新的重要课题。在国内现有的地铁等轨道交通设计规范中，针对城市轨道交通枢纽车站在突发事件下旅客安全疏散的时间标准涉及较少，如我国现行《地铁设计规范》（由国家质量监督检验检疫总局和建设部于2003年5月30日联合发布）中，对于突发事件下，是否能按照此规范规定的疏散时间将旅客人员从站台疏散到站厅、从站厅疏散到站外开阔地带，并没有明确的规定。

当前国际上已建立和正开发的人员疏散模型约有22种，如将模型中所有人作为具有共同特性的群体加以分析和模拟的WAYYOUT 模型、EVACNET 模型、EXIT89 模型等，研究大多是基于元胞自动机模型的微观模拟，可在一定程度考虑到个人行为间的差异，使疏散过程的展现更为直观，容易理解。如李伏京等［1］基于车辆环境约束以及人员行为特性建立的人员速度可变、能以自组织现象修正人员行为的元胞自动机模型；谭惠丽等［2］基于碰撞规则与人员方向选择行为的元胞自动机模型，可实现出口宽度与人员疏散时间的计算；Pursals等［3］通过优化疏散路径求取更好的疏散时间；Candy［4］分析了公交站点疏散中的等候时间；刘栋栋等［5］研究了基于人员从众心理下的疏散行为效应；张琦等［6］利用势能场建立了地铁站台乘客行为模式；刑彦林［7］通过对影响疏散效果的空间布局、设施配置因素等进行多方面的分析，已经形成了一些连通人流流量、人群密度和人流平均速度的模型算法，但较少涉及基于旅客人群应急分布特征和疏散措施通行能力的实时协同疏散诱导控制决策策略和方法研究，同时城市轨道交通枢纽各疏散装置往往相距较近，旅客聚集度大，应急疏散流存在互相影响关系，各应急设施缺少实时联动性，对于如何合理地进行动态协同诱导，实现旅客人员的最佳疏散路径分配，从而提高应急疏散效率尚未得到广泛深入研究。

本文借鉴免疫协同进化策略，利用多智能代理（Multi-Agent）系统技术，通过“目标协同”和“进化融合”实施疏散诱导决策，形成开放环境下的“动态协同关系”，构建一种易于协同进化重构的轨道交通枢纽紧急疏散框架，使该区域应急疏散诱导系统自身可通过不断“动态学习”和“协同进化”获得较好的自适应能力，以适应复杂可变环境的轨道交通枢纽紧急疏散求解的过程，提高人员紧急疏散的效率。

1 疏散智能体知识模型设计

1.1 免疫机制简介

生物免疫系统是一种卓有成效的自然防御系统，使生物即使在受到它们从未遇到过的新有机物或外来分子的感染时，也可生存下去。理论免疫学将上述免疫细胞识别抗体、活化、分化、增殖抗体以及清除抗原的过程，称为免疫系统的免疫应答过程，分为初次应答和再次应答两个过程［8-9］，图1对上述免疫应答过程做了简单的描述。

图1中，Ag、Ab、Ap、B、Bm、Th、Ts、Tc分别代表抗原、抗体、吞噬细胞、B 细胞、记忆B 细胞、辅助T 细胞、抑制T 细胞和毒性T 细胞。从信息处理的角度来看，Bm 细胞和Ap细胞主要负责处理输入信息，T 细胞负责控制决策，B细胞负责数据处理和执行，通过免疫细胞间的相互作用，免疫系统对环境具有很强的适应性。免疫系统具有的识别多样性，使其使用少量的抗体就可以识别数量比它大得多的抗原，抗体最优的分布情况应是以最少的抗体数量覆盖几乎整个抗原空间，细胞个体在自身进化过程中，主要受三个因素的影响：个体亲合度、环境以及与其他个体之间的相互作用。多智能体（Agent）紧急疏散系统也可由多个Agent疏散单元组（EAU）组成，通过个体的进化，提高问题求解的效率，使疏散系统适合于复杂领域问题求解，具有良好的开放性和可维护性。

1.2 疏散单元组结构

借鉴免疫应答过程的信息传递机制，如图2所示，每一个EAU 由一个管理智能体、感知智能体、疏散特征智能体、决策智能体、协同进化智能体、记忆智能体和通信智能体组成。EAU 中每个Agent都是自治的、实时性很强的基本框架式模块单元，需要集成的个人应用功能可作为某个Agent的功能模块，并把它描述知识存入知识库中，Agent根据消息来调用该功能模块，构成特定功能的Agent。

（1）管理智能体。管理智能体在一个EAU 中属于管理者，主要具有下列能力：同系统管理智能体、其他辅助智能体之间进行信息交互；协调EAU内其他智能体在疏散过程中的响应行为；获取EAU对疏散状态的总体评价。

（2）感知智能体。感知智能体是一个综合状态识别系统，具有提取抗原信息特征，形成抗原特征模式的能力。

（3）疏散特征智能体。疏散特征智能体提供本EAU 的疏散特征，并具有对抗原特征模式辩识的能力，在感知智能体识别到疏散环境（抗原）特征后，同自身的疏散特征模式、疏散协同因子、疏散特征因子、疏散影响因子等进行匹配分析，对出现过的抗原特征模式，与记忆智能体协作，直接给出相应的抗体模式，并将新的抗原特征模式（异常）送管理智能体分析。

（4）决策智能体。决策智能体提供对疏散环境状态的疏散决策，在感知智能体和疏散特征智能体识别到异常状态后，综合各种征兆信息和领域知识，对疏散环境状态进行分析，用于启动疏散决策或EAU 免疫进化行为，并将上述疏散决策结果送与管理智能体，以便于综合评价。

（5）协同进化智能体。当EAU 不能解决当前疏散任务时，管理智能体需要对EAU 中的多智能体进行调整，协同进化智能体优化重构EAU 中各个智能体的领域知识、模型等，寻求获得适合当前抗原的抗体模式。

（6）记忆智能体。用于创建EAU 的抗体模式库，在每一种新抗体模式出现后，实时更新抗体模式库，增强再次应答功能，实现对已知疏散环境模式的快速响应。

（7）通信智能体。通信智能体基于特定的信息通信模式可依据其自身特有的动态监控共享信息区域机制和管理智能体的信息交互功能需求，实现EAU 群体间疏散信息的协同交互和其他任务信息交流。

1.3 Agent知识粒度结构

基于Agent的BDI理论模型，在免疫疏散领域中，Agent［10］在组织构造结构上可表示为五元组Agenti：：=＜IDi，TSi，DKi，IMEi，COMMi＞，组中五元组分别代表智能体标识、智能体任务求解器、智能体领域知识、智能体免疫协同进化、智能体通信。

（1）智能体标识。智能体标识可表示为IDi：：=＜Name，Role，Preference，Environment＞，由智能体姓名（Name）、角色（Role）、偏好（Preference）、环境（Environment）四部分组成，是对智能体在系统中身份的约定。其中，偏好＜Preference＞：：=＜Respondence-P，Operation-P，Function-P，Resource-P＞，由响应偏好、行为偏好、功能偏好和资源偏好四部分组成；环境＜Environment＞：：=＜Position，ES-T，NA-T＞，由智能体位置（Position）、邻近疏散设施表（ES-T）和邻近智能体表（NA-T）三部分组成，是对智能体所处疏散环境的描述说明。

（2）智能体任务求解器。智能体任务求解器可表示为TSi：：=＜T-Aim，PCM，T-D＞，由目标（TAim）、规划与协作模块（PCM）和执行机（T-D）三部分组成。其中，目标＜T-Aim＞：：=＜Task-Name，Limitation，Resource＞，用以对任务进行描述，从任务名称（Task-Name）、任务条件（Limitation）和任务资源（Resource）三个方面进行说明；规划与协作模块＜PCM＞：：=＜Task，Evaluation，Initiation＞，用以对任务进行评估，决定该任务是否需要和其他智能体协作完成；执行机＜T-D＞：：=＜Decision，Management，R-Evaluation＞，完成本智能体承担的任务，反映了该智能体任务求解的全过程，其中Decision、R-Evaluation和Management分别代表广义上的任务求解决策、求解流程管理和结论自我评价，依据任务和角色的差异，具体流程各有不同。

（3）智能体领域知识。智能体领域知识可表示为DKi：：=＜S-M，A-M，Knowledge-B，Data-B，Decision-B＞，提供了对智能体局部问题求解的智能支持，由能力表（S-M）、熟人模型（A-M）、领域知识库（Knowledge-B）、数据库（Data-B）和决策库（Decision-B）等组成，既可以是独立的智能系统，和智能体具有特定的接口，也可内嵌在智能体内部。其中，能力表＜S-M ＞：：=＜Action，Object，Condition＞，是对智能体自主行为能力的定义，以能力表的形式表示，每一表项表示为＜Action，Object，Condition＞，即该智能体在条件Condition满足情况下能对Object采取行为Action；熟人模型＜A-M＞：：=＜A-Name，Task，Inputs，Outputs＞，包含熟人姓名、协作任务、请求变量和结果返回值，每个智能体的熟人模型以关系表形式表示，每一表项构成了智能体的一个协作通道。

（4）智能力免疫协同进化。智能体免疫协同进化可表示为IMEi：：=＜ICE-Aim，Operation，Solution，Evaluation，Pop＞，用于执行自身和其他智能体的免疫协作要求，按照免疫协同进化机制给出一个问题求解策略。其中，ICE-Aim 代表免疫协作抗原目标；Operation 代表免疫协同进化算子；Solution代表结论；Evaluation代表评价；Pop代表相应的进化群体。

（5）智能体通信。智能体通信可表示为COMMi：：=＜CM-Pattern，CM-Data，CM-Process＞，其使用事先约定的格式和规则，通过消息形式完成功能智能体间的信息交互。其中，CM-Pattern代表通信格式和规则；CM-Data代表通信消息数据内容；CM-Process代表通信消息过程处理机制。

为满足疏散系统免疫进化的需要，各Agent疏散能力知识模型主要按可定量化的疏散参数类、疏散环境征兆类、疏散状态类和疏散规则类等形成不同粒度构件组织［11］。疏散参数类组件用于存放反映疏散环境运行状态的基本参数，如温度﹑湿度、人流量、人密度等；疏散环境征兆类组件用于存放反映疏散环境构成的基本主体，如空间位置﹑设施名称等；疏散状态类组件是具有确定信息的一个判断、关系表达式或指令，用以描述知识的一个条件或结论，是组成知识的基本单位，当疏散环境征兆类组件的疏散参数类组件被赋值后，就可以得出一个疏散状态；疏散规则类组件的属性包括规则名称、前提、结论和可信度等，其基本操作有：判断某一个给定疏散状态或结论是否在疏散规则的前提或结论中，计算总的结论数据，计算总的前提数。

根据上述4个主要可定量化的疏散参数类、疏散环境征兆类、疏散状态类和疏散规则类组件的定义，可建立4个主要的定量数据表——疏散参数类组件表、疏散环境征兆类组件表、疏散状态类组件表和疏散规则类组件表，4个表之间并不是完全相互独立的，图3说明了4种知识粒度组件之间的关系。

2 疏散协同组织策略与框架设计

复杂轨道交通枢纽的人员疏散问题中，待疏散轨道交通枢纽结构和疏散环境状态的复杂程度决定了人员疏散领域问题的复杂程度，需应用多种分析疏散方法实现高效地疏散人员。复杂轨道交通枢纽的人员疏散的分布式任务分解可根据轨道交通枢纽的结构、疏散环境状态特点进行分级分解。结构分解是从空间分布结构组成上，对待疏散的轨道交通枢纽人员对象进行分解，把疏散人员对象的空间分布总体结构分布分解为下一层次的子结构，这种分解可以直到最低层次的基本轨道交通枢纽设施；疏散任务分解是根据疏散环境状态类型进行分解，下层疏散任务总是上层疏散任务的组成部分特例之一，上层疏散任务则是下层子疏散任务的概括，这种分解可以直接到最具体的疏散任务。

2.1 免疫协同进化策略

在协同疏散过程中，假定在一个时间步长T内，在一定的空间范围内，每个EAUi个体随机选择另一个个体EAUj，并观察其行为模式.当EAUi和EAUj个体之间的行为空间距离相差不超过其观测距离d 时，T+1时间EAUi和EAUj个体之间的行为模式会发生变化［12-13］。基于任务分解的疏散模型EAUi和EAUj之间的行为交互模式R（EAUi，EAUj）可定性描述如下：

αT=，αT∈［0，1］表示T时刻各行为模式归一化相似度值

疏散问题的任务分解原则是子任务目标明确，并且使子任务之间的耦合尽量少，以减少疏散子任务的疏散单元之间的协作、通讯。一般来说，在高层多采用空间分布结构分解，而底层多采用疏散任务分解，可一直分解到轨道交通枢纽某个基本设施的一个明确的疏散任务问题，将得到一个层次结构清晰的轨道交通枢纽疏散任务树。

本文借鉴免疫协同进化机制，针对故障疏散问题求解特点，提出了一种多推理模型协同进化集成疏散策略［13］，如图4所示。

该疏散策略注重疏散个体间的协作关系，简单疏散问题单独一个疏散模型就能解决，在一些复杂疏散任务中，可根据疏散对象的结构、故障特点对人员紧急疏散问题进行分解，将疏散任务划分为不同的疏散子任务，根据已有的不同疏散模块特点分配不同的疏散子任务，每个不同EAUi模块的责任只是完成系统分配的疏散子任务。由于各个疏散模型的资源和能力是有限的，自身无法求解出完整疏散方案，具有不同目标的多个疏散模型必须对其目标、资源使用协调重构，运用多种疏散模型，得出子结果再进行综合，以协同完成复杂疏散问题的求解。疏散协同体（疏散完全解）的适应度确定涉及到对作出疏散结论的紧急疏散系统评价问题，可使用决策论中的风险函数作为一种评价测量方式［14-15］。

在人员紧急疏散过程中，疏散系统对特定疏散环境状态作出特定决策的损耗，称之为疏散决策损耗。疏散决策风险及损耗主要来自疏散失败、疏散错误等多方面，疏散决策损耗EL 同疏散环境状态参数ep、疏散决策ed（包括疏散失败、疏散错误、成功疏散等）密切相关。疏散决策损耗可记为函数EL（ed，ep）=λ（δ（ed，ep）），其中，ed∈｛无疏散，疏散失败，疏散错误，部分疏散失败，疏散成功、疏散未知｝；ep∈｛无疏散，疏散环境状态模式1，疏散环境状态模式2，…，疏散环境状态模式n-1｝；δ（ed，ep）为疏散规则，同ep 和ed 的组合关系决定EL（ed，ep）的不同取值；λ为疏散规则δ（ed，ep）同其疏散决策损耗EL（ed，ep）之间的上述特定取值映射关系。

根据最小风险贝叶斯决策理论，在当前疏散环境信息数据为EX、疏散规则为δ（ed，ep）的前提下，疏散协同体（疏散完全解）风险具体计算步骤为

将疏散协同体（疏散完全解）的适应度加到每个构成疏散协同体的疏散个体的适应度变量上，每个疏散个体的平均适应度值等于累计适应度值除以参与协同疏散的次数。

2.2 紧急疏散系统框架

多Agent紧急疏散系统框架可描述为MAES=｛SM-Agent、MP-Agent、TR-Agent、TC-Agent、TAAgent、AFAU、EAU1、…、EAUK…、AFDUN｝，其中SM-Agent为系统管理智能体；MP-Agent为信息处理智能体；TR-Agent为任务分解智能体；TC-Agent为任务控制智能体；TA-Agent为疏散评价智能体；AFAU 为辅助智能体单元组；其他为紧急疏散单元组，具体见图5。

图5中，SM-Agent主要负责紧急疏散系统管理与协调，监督疏散单元组EAU 的工作状态，提高整个疏散系统的适应性；MP-Agent主要负责疏散信息处理形成疏散任务需求；TR-Agent对当前的疏散任务进行评价，决定是否和怎样分解为相关的子任务集，便于诊断问题求解；TC-Agent采用相关控制策略，控制疏散任务执行过程；TA-Agent完成对疏散整体方案的评价，确定各相关EAU 的进化方向；AFAU 为辅助智能体单元组，组中包括通信智能体、界面交互智能体、知识处理智能体等，它们主要协助SM-Agent完成一系列任务，如人机交互、知识编辑等；各紧急疏散单元组EAU 负责对疏散子任务的识别和处理，具体实现系统的紧急疏散任务。

MAES系统采用的协同进化策略具有分离性和并行性的问题求解特点方式，适合采用并行任务控制策略：疏散系统从疏散任务树的顶端开始，先启动疏散全局任务线程，再根据其子任务情况启动疏散子任务线程；子任务线程再启动其下层的子任务线程，这样直到疏散任务树中位于最底层的疏散子任务；当疏散任务树中的所有子任务均结束后，疏散全局任务顺利完成。

轨道交通枢纽紧急疏散系统MAES的工作流程［16］如下：

（1）系统初始化，各疏散单元组EAUi初始化，记忆Agent建立本EAUi的抗体模式库EY。

（2）在t=Tk时刻，MP-Agent处理轨道枢纽环境疏散信息，形成当前疏散任务；TR-Agent分析疏散任务，获得各疏散子任务集；TC-Agent分配疏散子任务给相应EAUi。

（3）相应的EAUi开始执行疏散子任务过程，具体步骤如下：①管理Agent判断EAUi是否进化，若需要，则进化Agent优化重构EAUi中各个Agent的领域知识、模型等，寻求获得适合当前抗原的抗体模式；②感知Agent接收抗原（诊断子任务）信息，提取、形成疏散环境状态抗原特征EX；③疏散特征Agent对已形成的抗原特征EX 进行匹配分析，如果EX∉EY，向管理Agent请求进一步的解决，如果EX∈EY，已有解决方案（抗体），和记忆Agent配合进行再次应答，转步骤⑤；④管理Agent和协同进化Agent综合获得疏散环境状态信息、已有疏散知识、免疫进化策略等，完成子任务，得出当前疏散子结论；⑤管理Agent向TE-Agent提交疏散子结论。

（4）TA-Agent合成疏散子结论，进行完全解适应度评价，将评价结果送系统管理智能体SMAgent。

（5）SM-Agent判断疏散完全解是否满足要求；不满足，对EAUi提出进化要求，转步骤③。

（6）SM-Agent向EAU 中的管理Agent发出疏散完成信息，记忆Agent更新本EAUi抗体模式库EY。

轨道交通枢纽紧急疏散系统MAES的上述运行机理，充分利用了免疫细胞在免疫应答过程中的学习、记忆、进化等特性，以此构建的轨道交通枢纽疏散系统具有更强的灵活性、适应性和更新性，适用于复杂环境下的紧急疏散任务。

3 结论

为了改变现有疏散系统在集成化方面的不足之处，提高轨道交通枢纽紧急疏散系统的效率，本文借鉴了免疫协同进化机制，提出了一种基于免疫协同进化集成疏散策略，构建了结构灵活、具有一定异常处理能力的紧急疏散组织模式和系统框架，为轨道交通枢纽疏散系统中的紧急状态识别并记忆、疏散决策进化等人员紧急疏散核心问题的求解，提供了一种新的可行方案。

［1］李伏京，方卫宁.磁悬浮车辆中人员紧急疏散的仿真研究［J］.中国安全科学学报，2005，15（8）：17-20，115.

［2］谭惠丽，邱冰，刘慕仁，等.房间内人群疏散过程的元胞自动机研究［J］.广西师范大学学报（自然科学版），2004，22（4）：1-4.

［3］Pursals S C，Garzon F G.Optimal building evacuation time considering evacuation routes［J］.European Journal of Operational Research，2009（2）：692-699.

［4］Candy M Y.Waiting time in emergency evacuation of crowded public transport terminals［J］.Safety Science，2008（5）：844-857.

［5］刘栋栋，刘金亮，张远青.基于从众心理影响的交通枢纽人员疏散［J］.消防科学与技术，2011，30（10）：889-893.

［6］张琦，韩宝明，李得伟.地铁枢纽站台的乘客行为仿真模型［J］.系统仿真学报，2007，19（22）：20-20.

［7］刑彦林.城市轨道交通换乘枢纽站安全疏散模拟分析［J］.中国铁路，2012（1）：81-85.

［8］Costa B P J，Dente J A，Vilela M R.Using immunology principles for fault detection［J］.IEEE Transaction on Industrial Electronics，2003，50（2）：362-373.

［9］莫宏伟.人工免疫系统原理与应用［M］.黑龙江：哈尔滨工业大学出版社，2002.

［10］樊友平，黄席樾，柴毅，等.基于细胞免疫应答理论重建故障诊断智能体［J］.系统仿真学报，2003，15（1）：50-55.

［11］Ren M L，Yang S L.On building of an architecture of the information system［J］.Journal of Hefei University of Technology，2002，25（1）：124-125.

［12］李智，樊运晓.基于系统思考的“7.23”动车事故主体行为模式分析［J］.安全与环境工程，2014，21（2）：124-129.