广西旅游客船乘客安全疏散研究

黄 珂

(柳州船舶检验局，广西 柳州 545001)

0 引言

2015年6月1日，东方之星沉船事件之后，如何高效安全疏散船员和乘客问题成为目前船舶设计师研究的热点。目前的主要方法是采取民众疏散行为的统计和计算机仿真。国外的许多学者采取数据分析和统计方式，获取了通常人群逃生速度与人群密度的相互关系。美国和英国专家学者，获取了人员流动的特征，并基于此提出相关的计算方法。吴商智、温敏将遗传算法加入到人群选择逃生路径的人员疏散逃生模型。清华大学的大学教授基于隧道烟气扩散的研究，给出了相应的模拟仿真。目前，大量文献提出了关于人员疏散的许多新颖的模型和算法，但疏散算法的效率和效果有待于进一步的改善。

本文采用智能算法对柳州辖区内旅游客船进行分析，并提出了广西旅游客船密集人群疏散方案。旅游客船客舱是乘客相对密集区域，一旦危险情况出现，大规模人群的安全疏散问题就会显现出来。如果没有相应的应急处理措施，人群会不断朝向出口方向运动，造成乘客在出口处聚集从而形成乘客拥塞。一旦出现上述情况，不仅会影响乘客的疏散逃生速度，而且可能导致乘客相互之间拉扯践踏的事故，甚至造成乘客伤亡事件的发生。基于人类行为心理学的特点，提出行之有效的疏散指令序列用于危急情况的人员疏散，对于解决目前广西旅游客船的大规模疏散问题有着现实的意义。

1 广西旅游客船人群疏散的模型描述

本文选取柳江目前最大一艘旅游客船“瑞通1号”作为研究对象。该船舶是柳州已经建造完成的最豪华、载客人数最多(200人)的旅游客船，主要用于游览百里柳江。该船舶的总体布置图见图1。

图1 瑞通1号旅游客船总体布置图

将船长30 m、型宽10 m、载客人数为200人的“瑞通1号”旅游客船作为疏散模型，为合理模拟广西旅游客船人群的疏散情况，需要对人群的特征行为模型和疏散指令序列予以准确建模，特征行为模型是结合人群自身属性在场馆中运动的特点，给出的模拟运动模型。

简要介绍一下整个研究的过程：首先把船舶客舱进行网格化，分成0.4 m×0.4 m的细小四边形网格，每个乘客所占约为0.4 m，并把客舱内主要的障碍情况和出口情况进行标注，第一步采用遗传粒子算法的策略随机生成10个疏散指令序列，(乘客疏散逃生指令序列指乘客逃生方向的优先指令集合，用以指引所有逃生乘客向某一安全方向逃生)考虑到广西旅游客船客舱的环境特点和乘客的行为特征，本文设计的疏散指令序列含10条疏散指令，尽管只有10条疏散指令，也将产生大量不同的情况，然后把相应的主要数据进行设置：年轻乘客100人、老年乘客50人、恐慌乘客50人、遗传算法中的速度、惯性权重等。第二步让乘客在客舱中进行随机分布，并给出指引口令让年轻乘客和老年乘客首先采取的策略是按照指引口令逃生；当不清楚如何逃生时，则向最近的其他乘客较少出口逃生；恐慌乘客也根据指引口令逃生，当有障碍或者不清楚如何逃生时按照75%的概率向最近的出口逃生，年轻乘客体，老年乘客体和恐慌乘客体的行动状态各不相同，模型对乘客的指引口令如下：

(1)青年人：上、下、左、右、左上、左下、右上和右下8个方向，每次移动两个单元格。

(2)老年人：上、下、左、右、左上、左下、右上和右下8个方向，每次移动一个单元格。

(3)恐慌人：上、下、左、右4个方向，每次移动两个单元格。

第一步，每隔1 min，总乘客人数中按照15%的概率将非恐慌乘客变为恐慌乘客，分别计算当前10个疏散指令序列中已逃生乘客数量和剩余乘客数量，并按照已逃生乘客数量进行由小到大排序。第二步，选出当前已逃生乘客数量最多的疏散指令序列作为最优序列。第三步，让非最优疏散指令序列采取遗传算法中变异的方式进行更新，让乘客进行随机逃生，每30 s再给出1个疏散指令，计算当前的已逃生乘客数量和剩余乘客数量。第四步，让非最优疏散指令序列采用粒子群算法进行更新操作，重新计算当前种群各个个体最终人群情况并归算适应度函数，再进行排序。最后，如此反复直到所有乘客都逃生完毕，输出相应的遗传粒子群算法路径优化方案最终地图，包括逃生时间和算法的收敛迭代曲线(程序每10 s会显示相应的粒子群算法路径优化方案中间地图)。

2 算法和适应度函数的描述

遗传粒子算法基于自然界的生物进化机制，是将遗传和粒子群进行改进的全局搜索算法。

前文所述的遗传粒子群算法的优化公式：

前文所述的乘客疏散逃生指令序列的计算公式具体如下所述：

instruction=[f1f2Pnew1，f1f2Pnew2……，f1f2Pnew10]

(1)

式中，f1——函数：将粒子元素解码为指令的函数，1、2、3、4、5、6、7、8分别对应上、下、左、右、左上、左下、右上和右下8个指示方向；

f2——函数：通过对粒子位置矩阵的每一行进行排序，可以找到该行最小元素的位次；

pnew——矩阵：表征粒子的位置矩阵。

本文定义的疏散适应度函数是上述人群特征行为模型在疏散指令的指示下从初始情况到最终全部逃生后得到的最终行动步数。其数学表达式如下：

Fit=f3(instruction{}，Characteristics{})

(2)

其中：Fit——适应度函数值；

instruction——疏散指令集合；

Characteristics——特征行为模型。

换言之，适应度函数根据广西旅游客船客舱的人群初始状况，将instruction集合作用于Characteris-tics模型进行仿真计算，直到客舱中没有任何乘客，保存乘客逃生的行动步数和逃生乘客数量以作为适应度函数值。

3 客舱乘客安全疏散仿真实验

如何能够有效的评估船舶的客舱布局是否满足乘客安全疏散的要求，是一个急需解决的问题，采用计算机进行人员的疏散仿真是一个非常好的参考办法。本文采用改进型算法来进行船舶乘客疏散仿真，节省了大量的人力和物力，而且方法具有直观性和全面性，可以反复使用在不同情况和不同船舶上，具有很好的推广性和现实意义。本文基于Matlab2010a实验环境下实现。计算实例是人群初始规模为200的广西旅游客船客舱的大规模疏散人群，设置其中的年轻人为100人，老年人为50人，恐慌人群为50人。经过仿真可以得知，采用本文所述的遗传粒子群算法长时间计算可以得到近似最优的疏散指令序列为[左上、上、左上、左下、上、右下、上、下、左下、右下]。依照上述疏散指令序列指导人群疏散可以在115 s内完成。由于地图中出口偏向左上，因此，开始时将人群往左上方驱赶较为合理，仿真得到的结果也与实际相符。

通过仿真计算，可以看到广西旅游客船客舱人群疏散时的运动现象以及疏散人群随着时间的变化情况。在仿真软件下可以得到客船乘客逃生路径图，具体的广西旅游客船客舱的初始情况如图2所示。

图2 广西旅游客船客舱初始状况示意图

图3给出了危急情况下的客舱乘客疏散逃生的仿真疏散的某一中间过程，具体疏散时间为95 s时，广西旅游客船的乘客在某一疏散指令指引下的疏散情况。

图3 旅游乘客的仿真疏散中间过程图(95 s)

由图3可知，人员在疏散指令指引下，有序地形成队列进行逃生，从而避免了混乱拥挤的情况出现。

图4 旅游乘客的仿真疏散结果图(119 s)

由图4可知，通过仿真计算，上述计算实例的疏散总时间为119 s。上述计算实例的遗传粒子群算法的迭代收敛曲线如下页图5所示。

图5 遗传粒子群算法的迭代收敛曲线图

由图5可知，本文提出的遗传粒子群算法具有一定的实用性，收敛性能较好。采用本文提出的遗传粒子群算法能够寻到一个近似最优的疏散指令序列用以在应急情况下对大规模疏散人群进行指引，以便于快速疏散。

以此方法分别对柳州辖区内旅游客船进行统计，具体的广西柳州旅游客船疏散情况如表1所述。

表1 广西柳州旅游客船的疏散情况汇总表

4 结语

在广西水上旅游事业飞速发展的今天，广西旅游客船作为人员密集的场所，安全责任日趋艰巨。传统办法对船舶乘客数量的考虑往往是通过船舶的稳性和结构等方面，本文将遗传粒子群算法应用于广西旅游客船大规模人群疏散问题中，计算得到了大规模人群疏散的疏散方案以便于从多方面评估船舶人数和布局的合理性。这对于广西旅游客船安全评估问题的解决有一定的参考意义。

[1]黄希发.大型场馆人员疏散仿真研究[D].哈尔滨：哈尔滨工程大学，2010.

[2]Togawak.Study of firees capes basing on the obser-vation of multitude current.Report No.14[R].Building Research，Institute，Ministry of Construction，1995.

[3]温丽敏.重大事故应急疏散研究[D].沈阳：东北大学，2000.

[4]朱培根，朱颖心，李晓峰.地铁通风与热模拟方案及其分析[J].流体机械，2004(11)：39-42，49.

[5]陈岳明，萧德云.基于动态交通分配的路网应急疏散模型[J].北京：清华大学学报，2009，49(8)：1102-1105.

[6]刘文婷.城市轨道交通车站乘客紧急疏散能力研究[D].上海：同济大学，2008.

[7]刘 强，杨 浩，陆化普，等.运动场馆人流疏散及其模型探讨[J].北京：土木工程学报，2004(10)：92-98.

[8]徐 高.人群疏散的仿真研究[D].成都：西南交通大学，2003.

[9]彭宗超，薛文军，方 曼.风险治理视角下的城市地铁恐怖应急准备研究——以北京市为例[J].北京：城市发展研究，2014，7(21)：119-120.

[10]Moradi P，Gholampour M.A hybrid particle swarm optimization for feature subset selection by integrating a novel local search strategy[J].Applied Soft Compu-ting，2016，43(C)：117-130.