基于自适应蚁群算法的地铁人员疏散模型❋

许爱军，苏境迎

（广州铁路职业技术学院，广州510430）

基于自适应蚁群算法的地铁人员疏散模型❋

许爱军，苏境迎

（广州铁路职业技术学院，广州510430）

针对地铁突发事件人员疏散模型与路径优化问题，提出基于神经网络自适应蚁群算法，通过神经网络的自适应能力动态计算通行难易系数，为蚁群信息素浓度更新和启发函数提供分流指引，有效避免蚁群因算法提早收敛拥堵于同一路径。通过仿真实验证明，新算法可以有效解决初始化蚁群路径选择的盲目性和随机性，能够在最短时间内为密集人群场所提供高效、安全的疏散方案。

疏散模型；BP神经网络；蚁群算法；通行难易系数；人员疏散；突发事件

1　引　言

地铁作为现代化交通客运枢纽，大都充分利用地下空间，注重城市与服务功能的融合。但近几年来地铁突发事件层出不穷，在宏观上，国家政治、经济高速发展伴随着社会危机的爆发；在微观上，地铁空间狭小，人群密集，突发事件容易造成群死群伤。虽然地铁有针对突发事件的应急演练，但花费成本过高，容易流于形式。如何通过计算机建立疏散模型，仿真逃生路径，提高应急响应预案是目前亟待解决的问题。

人员疏散模型始于1951年Von Neuman提出的元胞自动机理论［1］，直到80年代才应用于疏散研究之中。如Kirchnera A提出利用人群之间摩擦力模拟二维元胞自动机［2］，Song基于元胞自动机仿真单出口房间疏散过程［3］。然而元胞自动机模型主要针对疏散个体微观行为，没有考虑疏散群体对个人行为的影响和机理，实际应用效果不佳。在国内，人员疏散算法研究仍属于起步阶段，典型的是以最短路径作为疏散路由判定依据［4］，导致瓶颈效应严重，疏散效率低下。

2　蚁群算法在疏散模型中的应用

蚁群算法是基于蚁群觅食行为提出的一种仿生算法。个体蚂蚁在所经路径都会释放出微量信息素，后继蚂蚁则倾向于向信息素浓的方向移动。随着时间迁移，路径长度越短，信息素挥发越少，浓度越大，路径选择几率也越大，走过的蚂蚁也越多；路径越长，信息素挥发越快，路径最终被淘汰。信息素的正向反馈机制能够让蚁群在最短时间内找到一条从巢穴到食物之间的近优路线，广泛应用于多目的节点商旅问题、车辆调度和网络优化等领域。

将蚁群算法应用于人员疏散模型之中，首先是因为地铁环境一般具有多个出口，疏散问题可以转变成一个复杂的多源多汇问题；其次，在突发事件中疏散人员置身于陌生环境或过度恐慌，其行为表现为自组织性和趋众性，这和蚁群觅食行为极其相似，兼顾个体本能反应和群体行为影响，有效弥补了元胞自动机理论的不足。然而在疏散模型中，标准蚁群算法的蚂蚁个体根据附近启发信息和信息素浓度选择下一节点，并没有考虑蚂蚁流量和通过节点难易度的动态关系，加上初期信息素缺乏，蚁群随机选择路径，导致算法早期在搜索出口过程中会寻找到不必要的节点。而在算法后期，部分节点信息素浓度的累加往往会造成大量蚂蚁汇聚到同一路径，算法提早收敛，造成拥堵［5］，结果与典型的将最短路径作为疏散路由极其相似。

鉴于传统蚁群算法在疏散模型中的不足和地铁出口的多样化设计，提出基于BP神经网络的自适应蚁群算法用于解决地铁站台密集人员疏散路径问题，引入通行难易系数，利用神经网络的自适应学习能力计算网络中各节点疏散能力和疏散流量之间的动态关系，为蚁群提供信息素和启发函数分流指引［6］，从而避免盲目搜索和路径拥堵问题。

3　BP神经网络学习方式

新算法利用BP神经网络的自适应学习方式判定节点通行难易系数，并动态更新节点信息素的叠加浓度和启发函数，由此计算节点转移概率。神经网络的学习方式由通行速度（正向传播）和疏散时间（反向传播）两部分构成［7］。当通行速度期望值与疏散时间结果偏差大于预设阀值，则采用反向传播梯度调整，重复两个过程直到偏差小于预设精度，得出通行难易系数，具体算法如下：

第一步，定义疏散通道节点集合为E=｛E12，…，Eij，…，Emn｝，通道Eij表示由节点Vi到节点Vj的有向疏散通道。Ei属性分为静态属性和动态属性，静态属性为Eij（Lij，ζij），其中，Lij是疏散通道物理长度，ζij是通行难易系数，其值为：

通行难易系数ζij值越大，表示节点越容易通过。其中，passed－personsij是节点i疏散到节点j的人员个数。

第二步，定义人员活动指数，由火场温度fij（t）、有毒气体浓度fij（ρco）和人员密度fij（Kρ）三个参数组成，影响人员活动指数Mij（t）为：

则疏散人员当量通行速度为：

其中，Vt为疏散速度，V0为正常步行基准速度。

第三步，神经网络反复计算节点疏散速度，使输出结果不断接近最优值。定义输入层有n个神经元，隐含层有P个神经元，输出层有q个神经元，初始化神经网络向量如下：

输入向量为：X=（X1，X2，…，Xn）

隐含层输入向量：hi=（hi1，hi2，…，hip）

隐含层输出向量：ho=（ho1，ho2，…，hop）

输出层输入向量：yi=（yi1，yi2，…，yiq）

输出层输出向量：yo=（yo1，yo2，…，yoq）

期望输出向量：do=（d1，d2，…，dq）

样本数据个数：k=1，2，…m

定义精度值ε和最大学习数M，从而计算误差函数e为：

第四步，随机选取k个输入样本和期望输出结果：

第五步，计算隐含层各神经元输入与输出结果：

第六步，根据期望结果和实际输出值，计算误差函数对输出层神经元的偏导数δo（k）：

第七步，根据隐含层到输出层连接权值、输出层δo（k），计算误差函数修正连接权值为：

第八步，利用隐含层神经元δh（k）和输入参数修正连接权值，计算全局误差为：

第九步，判断误差是否小于预设精度或最大迭代次数，满足条件则输出通行难易系数ζij。

4　新算法蚁群疏散模型

4.1信息素浓度更新

新算法由Lij通道长度和ζij通行难易系数共同决定节点Ei的信息素浓度。节点i疏散到节点j的信息素按下式更新：

4.2启发函数更新策略

根据神经网络中蚁群信息素诱导策略，每个节点启发函数不再是一个固定值，而是随着通行难易系数ζij变化，指引蚂蚁选择下一层节点或安全节点。这种启发方式既体现疏散过程中的个体行为本能反应［8］，又受到疏散人群总体行为影响，避免盲目搜索和路径拥堵。启发函数反应蚂蚁个体从节点i迁移至节点j的启发程度，对避免算法过早收敛起到重要作用。启发函数为：

4.3转移概率

蚂蚁个体根据疏散节点通道信息素浓度τij和启发信息确定前进方向，转移概率为：

5　仿真测试

5.1测试环境

选取广州某地铁口站台换乘大厅作为实验区域，疏散出口共有10处，其中A、B、C、D为站台出入口，E、F、G、H、I、J为六个换乘出入闸，高峰客流量为500人次，如图1所示。

图1　实验区域拓扑图

5.2通行难易系数

根据各疏散出口节点实测的客流量数据特点，神经网络中输入层采用三层神经元，利用C＋＋在Matlab平台上计算客流量与通行难易系数的动态关系，最大训练次数为1200，期望误差目标为0.0001，初始学习速率为0.01，初始正常步行基准速度V0为2米／秒，分别计算站台出入口、换乘出入闸的通行难易系数ζij与人员活动指数关系，如图2所示。

图2　通行难易系数ζij图

5.3仿真结果分析

初始蚂蚁数量为20，信息素初始浓度τij为0.5，信息素浓度更新由通行难易系数ζij动态指引，蒸发系数ρ=0.32，为避免生成蚂蚁数量过大，限制最大循环次数Nmax=100。图3是四种方法疏散效率曲线。从图中可以看出，新算法在78秒内疏散近90%人员。标准蚁群算法疏散效率和时间几乎成线性关系，是因为没有考虑通行难易系数的动态变化，大部分蚂蚁涌向最优出口造成拥挤，但疏散效率略高于元胞自动机模型。元胞自动机模型基于微观摩擦力独立寻径，没有考虑疏散人群总体行为影响，在优化过程中一些疏散个体被引导至其它出口，时间浪费于节点之间寻径迁徙。疏散效率最低的是最短路径算法，疏散人员各自选取最近出口逃生，缺乏合理的路径规划致使较高的人员密度涌向较低疏散能力的节点。

图3　疏散效率图

表1是四种算法疏散人数情况统计表。由于站台出入口同行难易系数大大高于换乘出入闸，新算法大部分蚂蚁受启发函数和信息素双重指引分流，有效减少换乘出入闸拥挤现象。标准蚁群算法在选择站台出入口疏散人数比新算法少80人，是由于蚁群算法初期信息素不足［9］，后期过早收敛造成的。元胞自动机模型站台出入口和换乘出入闸各自疏散人数较为均匀，说明摩擦微力在两种不同疏散类型节点中找到平衡。最短路径算法节点疏散人数最为均匀，且随机性较强，部分节点拥堵现象严重。

表1　疏散人数分布情况表

6　结束语

提出基于神经网络的自适应蚁群算法用于解决地铁站台密集人员疏散路径问题［10］。通过神经网络自适应能力动态计算通行难易系数，为蚁群信息素浓度更新和启发函数提供分流指引，能够为地铁等密集人员场所提供高效、安全的疏散方案。

［1］张培红，张芸栗，梅志斌，董文辉.大型公共建筑物智能疏散路径优化自适应蚁群算法实现及应用［J］.沈阳建筑大学学报（自然科学版），2008（6）：121－125.ZHANG Peihong，ZHANG Yunli，MEI Zhibin，DONG Wenhui.Adaptive Ant Colony Algorithm Based Evacuation Route Optimization Model and Application in Large Public Building Fire［J］.Journal of Shenyang Jianzhu University（Natural Science），2008（6）：121－125.

［2］崔喜红，李强，陈晋，陈春晓.基于多智能体技术的公共场所人员疏散模型研究［J］.系统仿真学报，2008（2）：1006－1010.CUI Xi－hong，LI Qiang，CHEN Jin，CHEN Chun－xiao. Study on MA－based Model of Occupant Evacuation in Public Facility［J］.Journal of System Simulation，2008（2）：1006－1010.

［3］金美莲，陈涛，申世飞.城市混合流疏散中不同交通方式配比对疏散时间的影响［J］.清华大学学报（自然科学版），2009（2）：179－182.JINMeilian，CHEN Tao，SHEN Shifei.Influence of transport mode choice in evacuation time in mixed traffic flow evacuation simulations［J］.J Tsinghua Univ（Sci＆Tech），2009（2）：179－182.

［4］罗元，任爱珠.基于蚁群算法的虚拟现实城市道路交通流模拟［J］.计算机工程与设计，2013（02）：584－593.LUO Yuan，REN Ai－zhu.Urban road traffic flow simulation in virtual reality based on ant colony algorithm［J］.COMPUTER ENGINEERING AND DESIGN，2013（2）：584－593.

［5］周继彪，陈红，闫彬.综合交通枢纽安全应急疏散路径选择研究［J］.中国安全科学学报，2014，24（2）：164－170.ZHOU Ji－biao，CHEN Hong，YAN Bin.Research on emergency evacuation route choice in integrated transport hub［J］.China Safety Science Journal，2014，24（2）：164－170.

［6］袁媛，汪定伟，蒋忠中.考虑路线复杂度的应急疏散双目标路径选择模型［J］.运筹与管理，2008，17（5）：73－79.YUAN Yuan，WANG Ding－wei，JIANG Zhong－zhong.Multi－objective PathSelection Model for Emergency E vacuation Taking into Account the Path Complexity［J］.Operationsresearch And Management Science，2008，17（5）：73－79.

［7］赵宝江，李士勇，余俊.基于自适应路径选择和信息素更新的蚁群算法［J］.计算机工程与应用，2007，43（3）：12－15.ZHAO Bao－jiang，LI Shi－yong，JIN Jun.Ant colony algorithm based on adaptive selection of paths and pheromone up－dating［J］.Computer Engineering and Applications，2007，43（3）：12－15.

［8］许爱军，张文金，易丹.基于VRML的虚拟现实技术及应用［J］.计算机与数字工程，2009（4）：186－189.Xu Aijun，Zhang Wenjin，Yi Dan.Virtual Reality Technology and Applications Based on VRML［J］.Computer＆Digital Engineering，2009（4）：186－189.

［9］梅志斌，董文辉，潘刚.建筑物火灾中人员疏散路径优化自适应蚁群算法［J］.沈阳建筑大学学报（自然科学版），2008（4）：163－168.MEI Zhibin，DONG Wenhui，PAN Gang.Adaptive Ant ColonyAlgorithmBasedonEvacuationWayfinding Optimization Model in Building Fire［J］.Journal of Shenyang Jianzhu University（Natural Science），2008（4）：163－168.

［10］许爱军.基于免疫克隆选择算法的混合流水车间调度方法［J］.计算机应用与软件，2013（3）：75－81.Xu Aijun.HYBRID FLOW－SHOP SCHEDULING BASED ON IMMUNE CLONAL SELECTION ALGORITHM［J］.Computer Applications and Software，2013（3）：75－81.

Subway Personnel Evacuation Model Based on Adaptive Ant Colony Algorithm

Xu Aijun，Su Jingying
（Guangzhou Institute of Railway Technology，Guangzhou 510430，China）

Aiming at the problem of emergency evacuation model and route optimization of subway，an adaptive ant colony algorithm，base on neural network，is put forward in this paper，which uses the adaptive ability of neural network to calculate passing difficulty，provides hierarchical guidance for the pheromone concentration updating and heuristic function of ant colony to effectively avoid the problems of all ants congestion in the same path.Finally，the simulation experiments show that the new algorithm can solve the blindness and randomness of the initial ant colony path selection and provide a safe evacuation plan in shortest time for dense crowd.

Evacuation model；BP neural network；Ant colony algorithm；Passing difficulty coefficient；Personnel evacuation；Unexpected event

10.3969／j.issn.1002－2279.2016.01.013

TP393

A

1002－2279（2016）01－0050－04

❋广东大学生科技创新培育专项资金（139544）；广东省科技计划项目（1015A03041005）

许爱军（1978－），男，湖南省岳阳县人，副教授，主研方向：计算机网络与智能算法、虚拟现实技术。苏境迎（1994－），男，广东省潮州市人，学生，主研方向：虚拟现实技术。

2015－08－17