基于蚁群优化算法虚拟火灾逃生路径优化.docVIP

基于蚁群优化算法虚拟火灾逃生路径优化 　　摘 要：为了解决在火灾逃生路径优化问题中一般传统优化算法不考虑优化对象本身特征，不能动态更新算法策略，导致路径优化有效性低的问题，通过Pyrosim软件动态模拟火灾情况并输出环境参数，选用智能优化算法中的蚁群优化算法。通过改进当量长度代替算法中的几何长度，改进目标函数，对信息素挥发系数R按火场环境进行动态更新。模拟仿真了火灾发展3个时期的路径优化，验证了该算法程序的有效性和收敛性，提高了路径优化的有效性。 　　关键词：火灾逃生；路径优化；动态模拟；蚁群优化算法 　　DOI：10.11907/rjdk.172255 　　中图分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2018）004-0071-06 　　Abstract：In order to solve the fire escape route optimization problem in conventional optimization algorithm does not consider optimization， the characteristics of the object itself cant update algorithm of dynamic strategyThe traditional optimization algorithm for fire escaping route does not involve the subjects′ charcateristics and can not dynamically update new algorithm strategy， lead to the low effectiveness of path optimization.In this paper， the software of the Pyrosim to simulate the fire situation and the output of the environment parameters is adopted， and the optimization algorithm of ant colony in intelligent optimization algorithm is chosen.By improving the equivalent length to replace the geometric length of the algorithm， the objective function is improved， and the volatile factor R is updated dynamically in the fire field environment.The path optimization of three stages of fire development is simulated and simulated.Finally， the effectiveness and convergence of the algorithm are verified， and the effectiveness of the path optimization is improved. 　　Key Words：the fire escape； path optimization； dynamic simulation； ant colony optimization algorithm 　　0 引言 　　在解?Q火灾逃生路径优化问题过程中，传统的智能算法一般只考虑单个人员在某一时刻越障的最短路径寻径，不能全面描述火场的环境参数，不能动态更新火场环境参数以更新算法策略，导致算法最优路径有效性低。需要对现有的智能算法进行优化，使其满足火灾环境下的路径优化。 　　1 蚁群优化算法 　　蚁群优化算法（Ant Colony Optimization，ACO）起初是为解决旅行商问题，ACO采用分布式的搜索计算机制及积极有效的反馈机制。ACO算法在解决诸如路径优化、问题指派、车辆调度等问题中具有优势。本文将蚁群优化算法应用于火灾逃生路径优化。 　　自然界中的蚂蚁在行走路径上会留下一种叫作信息素的物质，信息素可被其它蚂蚁察觉，并表现出某种情绪或行为。ACO算法中所定义的信息素即是智能算法中蚂蚁在其寻径过程中所输入的信息量，这个信息量记录了当前路径的状态和历史状态，可被后续的智能蚂蚁所读取。用数学模型表示ACO算法[1-4]如下： 　　2 算法优化设计 　　2.1 火灾环境参数动态获取 　　本文采用FDS软件