一种应急疏散路径规划方法、装置、终端及存储介质

1.本发明属于应急疏散规划
技术领域：
：，尤其是涉及一种应急疏散路径规划方法、装置、终端及存储介质。
背景技术：
：：2.最优路径问题，实际上也就是基于道路网络拓扑的最短路径算法问题，传统的最短路径问题仅仅是考虑路径长度最短，路网中的权值是静态的物理长度，但在实际的应用中，还需要考虑其它会对路径质量造成影响的因素。为了探究火灾产物对疏散的影响，已有很多学者展开了对火灾烟气和温度等风险因素量化的研究，其中大部分研究是将不同的计算公式整合在一起对风险进行表征。比如王彦福先后引用了日本的jin量化温度影响的研究、美国的halim量化一氧化碳影响的研究等，对疏散路径风险水平进行表征。这样的方式虽然能将风险以数值的方式计算出来，但受制于量化各项风险因素的方式不统一，导致结果的准确性受限。技术实现要素：3.有鉴于此，本发明旨在提出一种应急疏散路径规划方法、装置、终端及存储介质，以解决应急疏散路径规划准确性不佳的问题。4.为达到上述目的，本发明的技术方案是这样实现的：5.第一方面，本发明提供了一种应急疏散路径规划方法，包括：6.根据疏散路径构建应急疏散网络无向图；其中，所述应急疏散网络无向图包括所述疏散路径内的节点、以及节点与节点之间的边；7.获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数；8.根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ；9.基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ；10.构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径；其中，权值f最小的路径即为最优的疏散路径；11.获取所述疏散路径内各风险因素实时对应的风险指数，并根据所述疏散路径内各风险因素实时对应的风险指数，利用所述动态调整算法dabd调整所述双目标路径规划模型modelⅲ中两个目标函数的权重，以得到最优的疏散路径。12.进一步的，所述获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级，包括：13.获取对所述疏散路径风险水平存在影响的五种风险因素，分别为co浓度、hcn浓度、环境温度、能见距离以及拥挤度；14.根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分为四个风险等级，分别为ⅰ级、ⅱ级、ⅲ级以及ⅳ级；15.对四个风险等级分别设定风险指数。16.进一步的，所述根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ，包括：17.对所述疏散路径中各所述风险因素分别设定风险因素权重修正因子，并根据所述风险因素权重修正因子，计算所述应急疏散网络无向图中各边中风险因素对应风险指数的加权平均值，得到所述应急疏散网络无向图中各边的风险水平；其中，各所述风险因素对应的风险因素权重修正因子之和为1；18.根据所述应急疏散网络无向图中各边的风险水平，构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ；19.根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ。20.进一步的，所述基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ，包括：21.构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ，公式如下所示：[0022][0023]式中：[0024]γ1表示风险水平的权重修正因子，γ2表示路径长度的权重修正因子，γ1和γ2分别表示风险水平和路径长度在modelⅲ中的相对重要程度，其中，γ1≥0，γ2≥0，γ1+γ2＝1；f1表示某疏散路径中的风险水平；f1*表示理想的疏散路径中的风险水平，代表源点到终点的最小风险水平，由所述单目标路径规划模型modelⅰ计算得到；f2表示某疏散路径的实际长度；f2*表示理想的疏散路径长度，代表源点到终点的最短距离，由所述单目标路径规划模型modelⅱ计算得到。[0025]进一步的，所述构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径，包括：[0026]当只考虑风险水平目标问题时设置γ2＝0，并调用算法b，以得到最优疏散路径；[0027]当只考虑路径长度目标问题时设置γ1＝0，并调用算法b，以得到最优疏散路径；[0028]当考虑风险水平目标和路径长度目标的双目标问题时，则设置γ1和γ2的初始值，并在调用算法b结束时通过权重向量的搜索空间来构造最优的疏散路径；其中，γ1≥0，γ2≥0，γ1+γ2＝1；[0029]其中，所述调用算法b的目标为：当实现dijkstra算法时，每个后续节点将基于找到的疏散路径更新网络的权值，并输出权值f最小的疏散路径及其信息。[0030]进一步的，在所述构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径之后，所述方法还包括：[0031]在dijkstra算法的基础上设置一个连接所有出口的虚拟终点来改变所述应急疏散网络无向图的原始网络结构，将各出口连接虚拟终点的边的权值均设置为零，并将虚拟终点转变为源点，将各个节点转变为终点。[0032]进一步的，在所述构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径之后，所述方法还包括：[0033]将风险因素的禁行阈值附加在所述应急疏散网络无向图中的每条边上；[0034]当利用dabd算法搜索权值f最小的路径时，去除某风险因素超出禁行阈值的边，并利用剩下的网络结构搜索最优疏散路径；[0035]当某节点无可行路径时，利用dabd算法按照生还可能性大小依次取消附加在所述应急疏散网络无向图中的各风险因素禁行阈值。[0036]第二方面，本发明还提供了一种应急疏散路径规划装置，包括：[0037]建立模块，用于根据疏散路径构建应急疏散网络无向图；其中，所述应急疏散网络无向图包括所述疏散路径内的节点、以及节点与节点之间的边；[0038]获取模块，用于获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数；[0039]规划模块，用于根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ；[0040]构建模块，用于基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ；[0041]调整模块，用于构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径；其中，权值f最小的路径即为兼顾安全与效率的最优疏散路径；[0042]处理模块，用于获取所述疏散路径内各风险因素实时对应的风险指数，并根据所述疏散路径内各风险因素实时对应的风险指数，利用所述动态调整算法dabd调整所述双目标路径规划模型modelⅲ中两个目标函数的权重，以得到最优疏散路径。[0043]第三方面，本发明还提供了一种终端，包括：[0044]一个或多个处理器；[0045]存储装置，用于存储一个或多个程序；[0046]摄像头，用于采集图像；[0047]传感器，用于采集环境参数；[0048]显示器，用于指示疏散路径；所述显示器包括本体、以及本体四周设置的指引光标组，每一所述指引光标组均包括本体上设置的禁行指引光标、以及禁行指引光标周围设置的准行指引光标，所述准行指引光标与疏散路径一一对应设置；[0049]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例提供的应急疏散路径规划方法。[0050]第四方面，本发明还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的应急疏散路径规划方法。[0051]相对于现有技术，本发明所述的一种应急疏散路径规划方法、装置、终端及存储介质具有以下优势：[0052]本发明所述的一种应急疏散路径规划方法、装置、终端及存储介质，首先分别建立了考虑路径风险和路径长度的两个单目标路径规划模型，并确定所考虑的风险因素为co浓度、hcn浓度、环境温度、能见度和拥挤度五种。然后本发明使用了一种半定量的计算方式，将五种风险因素的风险值通过风险指数均一化的方法表征。最后本发明还通过将前面所建立的两个单目标模型转化为一个双目标路径规划模型，解决对路径风险和路径长度两个优化目标的路径规划问题。[0053]本发明所述的一种应急疏散路径规划方法、装置、终端及存储介质，在传统dijkstra算法的基础上，本发明提出了动态调整算法dabd，通过引入虚拟终点优化了传统dijkstra算法解决多出口问题时的效率，并加入了动态调节和禁行阈值等机制，使得dabd算法可作为双目标路径规划模型的寻优算法，为逃生人员寻找兼顾安全性与效率的最优疏散路径。附图说明[0054]构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：[0055]图1为本发明实施例一提供的一种应急疏散路径规划方法流程图；[0056]图2为本发明实施例一提供的dabd算法流程图；[0057]图3为本发明实施例二提供的一种应急疏散路径规划方法流程图；[0058]图4为本发明实施例三提供的一种应急疏散路径规划装置的结构示意图；[0059]图5为本发明实施例四提供的一种终端的结构示意图；[0060]图6为本发明实施例四提供的一种显示器的结构示意图。具体实施方式[0061]下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。[0062]实施例一[0063]图1为本发明实施例一提供的一种应急疏散路径规划方法流程图，本实施例可适用于火灾建筑物内逃生人员的应急疏散，该方法可以为逃生人员规划最优的疏散路线，提高逃生人员的生存概率，这种方法具体包括如下步骤：[0064]步骤101、根据疏散路径构建应急疏散网络无向图；其中，所述应急疏散网络无向图包括所述疏散路径内的节点、以及节点与节点之间的边。[0065]由于突发火灾事故的最优疏散路径规划受制于多种影响因素，如烟气蔓延、路径长度和拥挤踩踏等，仅仅以路径的实际长度衡量疏散路径的优劣性在实际工作中并不能保障逃生人员的安全，疏散路径中的风险水平相比于路径长度更加重要。同时，最优疏散路径不应是固定不变的，而应该是可以根据火灾的发展进行动态调节。本实施例针对建筑火灾的路径规划模型基于有较大影响的风险因素为对象进行设计，在图的网络结构中将边的权值设置为一个关于路径长度和火灾风险的时变函数，某时刻下时变权值最小的路径便是最优疏散路径，保障逃生人员安全的同时兼顾疏散效率，消除了传统最短路径问题的局限性，可以更好地表达具有时变性和随机性的应急疏散网络。[0066]在逃生过程中，路径的选择是一个多目标的优化问题，需要权衡许多因素。从图论的角度来看，建筑物内错综复杂的通道形成了一个连接的网络图，其中的通道被视为网络中节点之间的边，通道之间的交叉处视为网络中的节点。[0067]示例性的，定义该应急疏散网络为无向图g(v,e)，其中v为节点集合，e为边的集合；定义v1,v2,…vn为网络中的节点，即v＝{v1,v2,…vn}；(vi,vj)代表节点vi与节点vj之间的边；vs代表所选疏散路径的源点(即起点)，vn代表终点(即出口)。[0068]步骤102、获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数.[0069]由于建筑火灾中的烟气、高温、能见距离过低和过度拥挤会对逃生人员造成巨大威胁。任何对逃生人员生理和心理带来伤害的火灾衍生风险都会增加致命的可能性，其中，co和hcn等窒息性气体和高温是火灾期间和火灾结束后造成死亡的主要原因。而火灾中产出的烟雾在路径中扩散开后，会降低路径中的能见距离，延误逃生时间，此外，人群过度拥挤也会增加逃生人员在火灾现场的停留时间，且会大幅增加造成踩踏事故的概率，有实验基于社会力网络(sna)分析了2010年至2019年的78起典型踩踏事故，结果表明，过度拥挤是造成踩踏事故的最主要原因之一。因此本实施例考虑了逃生人员在疏散路径中可能遭受的co浓度、hcn浓度、环境温度、能见距离和拥挤度五种风险因素来对路径中的风险水平进行表征。[0070]在实际应用过程中，本实施例选用aegls标准值作为疏散路径中气体的风险评价指标。其中，aegls代表普通公众的暴露极限阈值，适用于10min至8h的紧急暴露时间，并通过不同程度的毒性作用来区分aegl等级，毒性接触水平适用于一般人群，包括婴儿、儿童以及其他可能敏感或易感的人。aegls标准值的3级标准划分，aegl-1、aegl-2以及aegl-3三种等级的阈值范围可作为有害气体风险等级的判定依据，鉴于火灾事故中疏散工作的紧迫性，故选用暴露时间为10分钟和30分钟时的aegls标准值对co浓度的风险等级进行判定。[0071]当有害气体浓度低于暴露时间为30分钟时的aegl-2标准值时，并不会导致逃生人员失去行动能力，也不会造成较为严重的长期影响，因此这个范围内的有害气体浓度是相对安全的；有害气体浓度处于暴露时间为10分钟和30分钟时的aegl-2标准值之间时，30min内的通行很有可能让逃生人员丧失行动能力，这时的有害气体浓度是处于较为危险的状态下的；有害气体浓度处于暴露时间为10分钟的aegl-2标准值和30分钟的aegl-3标准值之间时，逃生人员会在十分钟以内丧失行动能力，并在大约半个小时以后遭遇生命危险，因此这时的有害气体浓度是非常危险的；有害气体浓度高于暴露时间为30分钟的aegl-3标准值时，逃生人员会很快丧失行动能力，并在半小时以内面临死亡的威胁，这时的有害气体浓度是不可被接受的。[0072]具体的，co浓度的风险指数由其暴露时间为10min和30min的aegls标准值来确定，得出co浓度风险指数的取值结果，如表1.1所示：[0073]表1.1co的风险指数取值table1.1riskindexvaluesforco[0074][0075]hcn浓度的风险指数同样由其暴露时间为10min和30min的aegls标准值来确定，将hcn的浓度水平范围转换为其风险指数如表1.2所示：[0076]表1.2hcn的风险指数取值table1.2riskindexvaluesforhcn[0077][0078]人体正常温度范围在36.3℃～37.2℃之间，当环境温度超过40℃时，人体就能感受到明显的不适，有些人甚至无法吸入超过65℃的空气。人体在高温环境下的最大耐受时间有限，本实施例中环境温度的风险指数依据人体在不同温度下的最大耐受时间判定。依据人体最大耐受时间τ(t)与温度的关系式：τ(t)＝1812e-0.046t(参见高蕊，蒋仲安，董枫，等.基于mapobject的矿井火灾动态最佳救灾路线数学模型和算法[j].北京科技大学学报，2008，(07)：705-709+755)，得出不同时间段下的数据，温度越高，人体的最大耐受时间越短，120℃下人体的最大耐受时间仅有7min，因此将120℃定义为最高风险等级，即通行状态为可能致死的；当环境温度低于40℃时，人体不会感受到明显的不适，因此这时的风险等级可以看作是最低的，即通行状态是安全的。因此，依据不同温度下的人体最大耐受时间数据，将环境温度的不同范围转换为其风险指数如表1.3所示：[0079]表1.3环境温度的风险指数取值[0080]table1.3riskindexvaluesforenvironmenttemperature[0081][0082]能见距离(即能见度)的风险指数依据一项国外进行的模拟疏散实验数据(caseyc.grantpe,johnr.halljr.pd,roberte.solomonpe.nfpa-fireprotectionhandbook-2008-20th[m].nationalfireprotectionassociation,2008.)计算。实验结果显示，当通道内能见距离小于0.6米时，100％的实验者选择调转方向，因此本实施例将0.6m的能见距离定义为最高风险等级，这时的通行状态是非常危险的；当通道能见距离大于3.7m时，仅有9％的实验者选择调转方向，因此3.7m的能见距离可以视作可接受风险，这时的通行状态是相对安全的。因此，依据逃生人员在不同能见距离下选择调转方向的比例分布，能见距离的不同范围被转换为其风险指数如表1.4所示：[0083]表1.4能见距离的风险指数取值[0084]table1.4tableofriskindexvaluesforvisibility[0085][0086]拥挤度是逃生人员行走速度的决定性因素，对疏散时间有很大影响。人群密度达到4人/m2时，人与人之间的行走就会发生接触，出现停滞(参见ibrahimam,venkati,subramaniankg,etal.intelligentevacuationmanagementsystems[j].acmtransactionsonintelligentsystemsandtechnology,2016,7(3):1-27.)。因此本实施例将4人/m2的人群密度定义为最高风险等级，即通行状态是非常危险的，这时贸然的进入通道可能造成踩踏，导致大面积伤亡；人群密度在1.8人/m2以下时，逃生者可以自由行走，不会发生接触，因此将1.8人/m2定义为可接受风险，即最低的风险等级，相对安全的通行状态；拥挤度的风险指数依据人群密度对人群移动速度造成的影响来确定，根据关于风险等级的判定，将人群密度范围转换为拥挤度的风险指数如表1.5所示：[0087]表1.5拥挤度的风险指数取值表[0088]table3.10tableofriskindexvaluesforcongestion[0089][0090]在实际应用过程中，可以定义风险指数为路径中风险因素实时变动折算的值，而某条路径中的风险水平则依据五种风险因素的风险指数进行表征，具体步骤如下：[0091]步骤1021、获取对所述疏散路径风险水平存在影响的五种风险因素，分别为co浓度、hcn浓度、环境温度、能见距离以及拥挤度。[0092]步骤1022、根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分为四个风险等级，分别为ⅰ级、ⅱ级、ⅲ级以及ⅳ级。[0093]步骤1023、对四个风险等级分别设定风险指数分别为0、0.5、0.7以及1。[0094]步骤103、根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ。[0095]本实施例共设置两个总优化目标，分别是路径风险水平和路径长度。最优疏散路径是指风险水平尽可能低以及疏散距离尽可能短的路径，双目标优化可以表述如下：[0096]f1＝minf1；[0097]f2＝minf2；[0098]式中：[0099]f1——某疏散路径中的风险水平；[0100]f1——所有疏散路径中的最低风险水平；[0101]f2——某疏散路径的实际长度；[0102]f2——所有疏散路径中的最短实际长度。[0103]示例性的，步骤103的具体步骤包括：[0104]步骤1031、对所述疏散路径中各所述风险因素分别设定风险因素权重修正因子，并根据所述风险因素权重修正因子，计算所述应急疏散网络无向图中各边中风险因素对应风险指数的加权平均值，得到所述应急疏散网络无向图中各边的风险水平；其中，各所述风险因素对应的风险因素权重修正因子之和为1。[0105]由于co和hcn等窒息性气体和高温是火灾期间和火灾结束后造成死亡的主要原因，其中窒息性气体尤其是co是最为致命的风险因素。虽然吸入hcn可能会导致快速丧失行动能力，但其影响在很多时候都受到了限制，比如建筑中含氮材料的数量，而且所有产生氰化物的火灾也会产生co，而产生高hcn产量的燃烧条件也会产生高co产量。因此与hcn相比，co往往是建筑火灾中最致命的风险因素，因此本文将窒息性气体尤其是co的权重设置得更高，高温的权重仅次于co和hcn。能见距离和拥挤度的风险性体现在影响人员逃生时的速度，并不会直接对逃生人员造成伤害，因此二者的权重相对更低一些。结合案例中建筑的特点，co浓度、hcn浓度、环境温度、能见距离以及拥挤度的风险因素权重修正因子可以分别设置为α1＝0.4，α2＝0.3，α3＝0.2，α4＝0.05，α5＝0.05。[0106]步骤1032、根据所述应急疏散网络无向图中各边的风险水平，构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ。[0107]火灾发生时，应优先选择风险较小的应急疏散路径，尽可能的降低人群在疏散时遭受伤害的可能性，因此最低的风险水平是模型中主要的优化目标之一。考虑火灾风险的单目标路径规划模型(modelⅰ)的表达如下：[0108]modelⅰ：[0109][0110]s.t.[0111][0112]xij＝0,1,i＝1,2,…,n,j＝1,2,…,n；[0113]式中：[0114]s表示疏散路径源点的节点序号；[0115]n表示疏散路径终点的节点序号；[0116]xij表示模型中的决策变量，当边(vi,vj)包含在疏散路径中时，xij＝1，当边(vi,vj)不包含在疏散路径中时，xij＝0。[0117]其中，f1是modelⅰ的总目标：最小化沿路中的风险水平。约束条件s.t.通过限制xij的值来保证源点vs到终点vn的可行路径；考虑到疏散计划的合理性和疏散时间的紧迫性，使用约束条件来保证没有循环路径。[0118]步骤1033、根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ。[0119]除了考虑应急疏散路径中的风险水平，疏散路径的长度也是需要重点考虑的因素，在某些情况下，尽管所选择的疏散路径风险较小，但需要大量的绕行，拥挤和踩踏往往就发生在路况比较复杂的地方。另一方面，逃生人员在道路上花费的时间越长，他们遭受火灾侵害的可能性也越大，因此疏散路径长度最短是模型的另一个主要优化目标。[0120]因此，基于上述提出的考虑火灾风险的单目标模型，本实施例还建立了一个考虑路径长度的单目标路径规划模型，目标是最大程度减少疏散路径的长度。[0121]考虑路径长度的单目标路径规划模型(modelⅱ)的表达函数如下：modelⅱ：[0122][0123]s.t.[0124][0125][0126]xij＝0,1,i＝1,2,…,n,j＝1,2,…,n；[0127]式中：[0128]eij表示边(vi,vj)的实际路径长度。[0129]步骤104、基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ。[0130]由于模型modelⅰ和modelⅱ分别可以规划出风险水平最低的疏散路径和长度最短的疏散路径，但为了得到关于火灾风险和路径长度的综合最优疏散路径，本实施例还在modelⅰ和modelⅱ的基础上建立了一个双目标路径规划模型，寻找两个目标函数的帕累托最优解(paretooptimality)。[0131]示例性的，考虑路径风险和长度的双目标路径规划模型(modelⅲ)的表达函数如下：[0132]modelⅲ：[0133][0134]s.t.[0135][0136][0137][0138]xij＝0,1,i＝1,2,…,n,j＝1,2,…,n。[0139]式中：[0140]γ1，γ2——火灾风险和路径长度的权重修正因子，分别表示火灾风险和路径长度在modelⅲ中的相对重要程度。γ1≥0，γ2≥0，γ1+γ2＝1，γ1和γ2变化，f1和f2也会出现相应的递增或递减。[0141]——理想的疏散路径中的风险水平，代表源点vs到终点vn的最小风险水平，由modelⅰ计算得到。[0142]——理想的疏散路径长度，代表源点vs到终点vn的最短距离，由modelⅱ计算得到。[0143]步骤105、构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径；其中，权值f最小的路径即为兼顾安全与效率的最优疏散路径。[0144]由于双目标优化问题会涉及多个目标函数与约束，当一个目标达到最优时，另一个目标会恶化。在目标函数相互制约、相互影响的情况下，很难获得所有目标的最优解，而且特定的帕累托最优解很可能并不满足实际的需要。此时可以在寻优算法的基础上寻找多个帕累托解，随着火灾发展动态调整结果。[0145]dijkstra算法是目前被广泛认同的解决单源最短路径问题的优秀算法，由荷兰计算机学者e.w.dijkstra于1959年提出，又称迪杰斯特拉算法。dijkstra算法使用类似广度优先搜索的方法，在赋权图中确定从某点到其它节点的最小权值的路线。需要注意的是，dijkstra算法不能处理带有负权边的图。作为解决最短路径问题的一种通用算法，dijkstra算法在许多领域都有广泛的应用，根据实际的网络拓扑环境的自身特征、限制条件等因素对其进行修改，可以适应不同条件下的计算。[0146]图2为本发明实施例一提供的dabd算法流程图，参见图2，dabd算法的具体流程可体现为以下步骤：[0147]步骤1051、初始化数据，引入常数q＝0，m＝1，算法迭代次数i＝1；初始时火灾风险权重修正因子γ1设置为0.7，路径长度权重修正因子γ2设置为0.3。[0148]步骤1052、判断算法是否未达到最大迭代次数nmax，如果是则进入步骤1053，否则直接输出路径。[0149]步骤1053、利用调用算法b进行路径搜索，得到p(vj)，bj，f1(δ)和f2(δ)，进入步骤1054。[0150]步骤1054、判断最优疏散路径的风险水平是否低于r*，如果是则直接输出路径，否则进入步骤1055。[0151]步骤1055、利用常数q和m增加火灾风险权重因子的值，i＝i+1，进入步骤1056。[0152]步骤1056、调用算法b，判断是否存在该节点至安全出口的可行路径，如果是则进入步骤1052，否则进入步骤1057。[0153]步骤1057、调整r*的值，令r*＝r*+0.05，γ1＝0.7，γ2＝1-γ1，进入步骤1052。[0154]其中，上述调用算法b的实现步骤如下：[0155](1)首先引入两个集合(s,u)，s包含已求出最小权值的节点(初始为空集)，u包含未求出最小权值的节点，v为所有节点的集合，引入辅助数组d，它的每个元素d(i)表示当前所找到的从源点vs到其它每个节点vi的权值，与源点vs不相邻的节点权值为∞。令s＝vs，输入γ1和γ2；[0156](2)如果s＝v，那么该算法停止运算，输出p(vj)，bj,f1(δ)和f2(δ)，否则进入步骤(3)；[0157](3)计算并保存相邻节点的权值(f，f1，f2)，从u中选取权值f最小的节点vk，使得d(k)＝min{d(k)|vk∈u-s}，s＝s∪vk，u＝u-s，进入步骤(4)；[0158](4)遍历vk的相邻节点，求出权值f最小的相邻节点vk+1，更新u中所有节点到源点vs的最小权值，如果存在小于目前路径的权值的节点，则更新最优路径，如果不存在则不更新，进入步骤(5)；[0159](5)重复步骤(2)、步骤(3)和步骤(4)，直至遍历完所有节点，求得源点至终点的最小权值路径，输出p(vj)，bj，f1(δ)和f2(δ)。[0160]示例性的，dabd算法的主体部分如图2所示，其主要负责动态调整modelⅲ中火灾风险目标函数和路径长度目标函数的权重，随火灾的发展寻找多个帕累托最优解，算法b为主体部分的调用算法。当只考虑单目标问题时，设置γ1＝0或γ2＝0，这时只需要调用算法b；如果考虑双目标问题，那么最优疏散路径将在算法b结束时通过图2中的权重向量的搜索空间来构造，初始时γ1设置为0.7，γ2设置为0.3，即对火灾风险给予更高的重视程度。算法b背后的基本思想是：当实现dijkstra算法时，每个后续节点将基于找到的路径更新网络的权值，并输出权值f最小的疏散路径及其信息。其中，信息指算法b输出的p(vj)，bj，f1(δ)和f2(δ)。[0161]具体的，设p(vj)为所有疏散路径中权值f的最小值，bj代表f＝p(vj)的疏散路径；δ代表一个最优点，f1(δ)和f2(δ)分别代表f＝p(vj)的路径中f1和f2的值；k代表所选择路径中边的数量；i为算法迭代次数记录，算法每迭代一次，i的值增加1；nmax代表算法最大迭代次数，算法迭代次数超过nmax会直接输出最优疏散路径。[0162]其中，r*表示的是一个设置好的标准，代表理想的风险水平的上限，即超过这点，就有可能遭受来自火灾的威胁，本实施例中将r*初始设置为0.7，对应风险等级中的第三级别。上述机制具体表现为：经过调用算法b搜索出的权值f最小的疏散路径(最优疏散路径)，将被判断其综合风险水平是否超过r*，即该路径所有路段的风险总和f1(δ)与该路径中所含边的数量(所含路径段数)的比值，如果所得值不超过0.7，将作为最优路径输出，如果超过0.7，算法将会利用常数q和m增加火灾风险权重因子的值，以此规划出最优疏散路径。但随着火灾发展，各路径内均已达到较高风险水平，极端情况下可能存在网络图中无可用路径的情况，为保证节点至安全出口有可行路径，此时r*的值可以以0.05为单位增加。[0163]步骤106、获取所述疏散路径内各风险因素实时对应的风险指数，并根据所述疏散路径内各风险因素实时对应的风险指数，利用所述动态调整算法dabd调整所述双目标路径规划模型modelⅲ中两个目标函数的权重，以得到最优疏散路径。[0164]首先通过获取所述疏散路径内各风险因素实时对应的风险指数，之后根据所述疏散路径内各风险因素实时对应的风险指数，后续算法在进行路径规划时，可以根据这些实时的风险指数得到最优的疏散路径，从而提高逃生人员的幸存概率。[0165]本实施例首先分别建立了考虑路径风险和路径长度的两个单目标路径规划模型，并确定所考虑的风险因素为co浓度、hcn浓度、环境温度、能见度和拥挤五种。然后本实施例使用了一种半定量的计算方式，将五种风险因素的风险值通过风险指数均一化的方法表征。其中有害气体的风险指数根据aggls标准值确定，温度的风险指数依据高温下人体的最大耐受时间确定，能见度和拥挤度的风险指数则依据已有文献实验数据确定。最后将前面所建立的两个单目标模型转化为一个双目标路径规划模型，解决对路径风险和路径长度两个优化目标的路径规划问题。[0166]实施例二[0167]图3为本发明实施例二提供的一种应急疏散路径规划方法流程图，本实施例以上述实施例为基础进行优化，在本实施例中，在所述构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径之后，增加如下步骤：在dijkstra算法的基础上设置一个连接所有出口的虚拟终点来改变所述应急疏散网络无向图的原始网络结构，将各出口连接虚拟终点的边的权值均设置为零，并将虚拟终点转变为源点，将各个节点转变为终点。将风险因素的禁行阈值附加在所述应急疏散网络无向图中的每条边上；当利用dabd算法搜索权值f最小的路径时，去除某风险因素超出禁行阈值的边，并利用剩下的网络结构搜索最优疏散路径；当某节点无可行路径时，利用dabd算法按照生还可能性大小依次取消附加在所述应急疏散网络无向图中的各风险因素禁行阈值。[0168]相应的，本实施例所提供的应急疏散路径规划方法，具体包括：[0169]步骤201、根据疏散路径构建应急疏散网络无向图；其中，所述应急疏散网络无向图包括所述疏散路径内的节点、以及节点与节点之间的边。[0170]步骤202、获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数。[0171]步骤203、根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ。[0172]步骤204、基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ。[0173]步骤205、构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径；其中，权值f最小的路径即为兼顾安全与效率的最优疏散路径。[0174]步骤206、在dijkstra算法的基础上设置一个连接所有出口的虚拟终点来改变所述应急疏散网络无向图的原始网络结构，将各出口连接虚拟终点的边的权值均设置为零，并将虚拟终点转变为源点，将各个节点转变为终点。[0175]由于现代建筑物大多具有不止一个出口，为了确保逃生人员的安全和疏散工作的效率，处于不同位置的逃生人员需要按照相应的疏散路径去往不同的安全出口。具有多个安全出口的建筑火灾疏散路径规划可以抽象为一个多源多汇问题，即处于应急疏散网络中不同节点处的人员需要在一定时间内安全快速地抵达不同的安全出口。但传统的dijkstra算法作为一种单源最短路径算法，无法直接用于解决多源多汇问题。[0176]示例性的，假设某网络有m个节点(不包含出口)和n个出口节点，总节点数为m+n，应用传统dijkstra算法求解多源多汇问题可采用以下方案：[0177](1)方案1：以出口为终点，以网络中其它节点为源点。需要多次重复调用dijkstra算法m次，每次以某节点为源点执行dijkstra算法时，求得该节点至其它所有节点的最短路径，最终求得m个节点距离出口节点的最短路径。该方案的时间复杂度为o(m(m+n)2)。[0178](2)方案2：以出口为源点，以网络中其它节点为终点。需要多次重复调用dijkstra算法n次，每次以某出口节点为源点调用dijkstra算法时，可以求得该出口节点至终点的m条最短路径，同理可计算其它源点的最短路径，最终获得各源点到终点集合中任一终点的n条最短路径。该方案时间复杂度为o(n(m+n)2)。[0179]由于需要多次调用dijkstra算法导致节点多次重复扩展，以上两种方案都存在效率低下的缺陷。为提高计算效率，dabd算法在传统dijkstra算法的基础上设置了一个连接所有出口的虚拟终点来改变原始网络结构，将各出口连接虚拟终点的边的权值均设置为零，同时将虚拟终点转变为源点，将各个节点转变为终点，这样计算虚拟终点到各个节点的最优路径，只需要调用1次dijkstra算法便可求解。将原来的多源多汇问题转换为了一个单源最短路径问题，大幅度提高了求解速度，其时间复杂度为o((m+n)2)。真实的终点转变为了路径中的节点，并不影响最终结果。[0180]具体的，在应急疏散网络无向图中加入虚拟终点后，可以设置出口至虚拟终点之间边的权值为0，以虚拟终点为源点执行dijkstra算法对修改后的应急疏散网络进行最优路径规划。在本实施例的最优路径规划问题中，首先把虚拟终点放入已求出最小权值的节点的集合s中(s初始为空集)，其它节点放入未求出最小权值的节点的集合u中，此时网络会以虚拟终点为源点向外层层扩展，每确定一个节点的最小权值路径，算法就将该节点加入集合u，最终求得所有节点至虚拟终点的最小权值路径，即所有节点至多个安全出口的最优疏散路径。[0181]步骤207、将风险因素的禁行阈值附加在所述应急疏散网络无向图中的每条边上；当利用dabd算法搜索权值f最小的路径时，去除某风险因素超出禁行阈值的边，并利用剩下的网络结构搜索最优疏散路径；当某节点无可行路径时，利用dabd算法按照生还可能性大小依次取消附加在所述应急疏散网络无向图中的各风险因素禁行阈值。[0182]由于有可能出现单项风险指数过高但总风险水平并不超标的情况，算法输出得到的并不是最优的路径，因此需要对单项风险指数过高的路径进行特殊处理。本实施例中将五种风险因素的禁行阈值附加在网络中的每条边上，在算法搜索权值f最小的路径时，如果某节点对应的路径的风险因素达到了所设置的禁行阈值，算法将不会考虑该节点，而是重新寻找除这个节点之外的权值f最小的路径。禁行阈值的确定可以依据第三章中关于风险水平量化的研究，将单项风险指数达到1的数值设置为禁行阈值。因此，co的禁行阈值被设置为600ppm，hcn的禁行阈值被设置为21ppm，环境温度的禁行阈值被设置为120℃，能见距离的禁行阈值被设置为0.6m，拥挤度的禁行阈值被设置为4人/m2。[0183]禁行阈值机制体现在图论中，则是去除某风险因素超出禁行阈值的边，利用剩下的网络结构搜索最优疏散路径。随着火灾的发展，会出现某些节点无可用路径的情况，这时禁行阈值机制将被取消，重新利用算法对应急疏散网络进行遍历，搜索最优疏散路径。当某节点无可行路径时，算法将按照生还可能性大小依次取消附加在网络中的各风险因素禁行阈值(将优先恢复生还可能性更大的路径)。算法取消禁行阈值的优先顺序依次是：拥挤度》能见距离》环境温度》hcn浓度》co浓度。当算法恢复一种风险因素达到禁行阈值的所有路径后，该节点仍无可行路径时，算法将会按照顺序恢复下一种风险因素达到禁行阈值的所有路径。[0184]算法最先恢复的是拥挤度达到禁行阈值的路径，其次是能见距离达到禁行阈值的路径，因为能见距离和拥挤度的风险性体现在影响人员逃生时的速度，并不会直接对逃生人员造成伤害。当该节点仍然无可行路径时，环境温度达到禁行阈值的路径将被恢复，其次是hcn浓度，最后是co浓度，因为co和hcn等窒息性气体和高温是火灾期间和火灾结束后造成死亡的主要原因，其中窒息性气体尤其是co是最为致命的风险因素，高浓度的co浓度下，逃生人员生还的可能性将非常低。[0185]步骤208、获取所述疏散路径内各风险因素实时对应的风险指数，并根据所述疏散路径内各风险因素实时对应的风险指数，利用所述动态调整算法dabd调整所述双目标路径规划模型modelⅲ中两个目标函数的权重，以得到最优疏散路径。[0186]本实施例提出了一种基于dijkstra算法的动态调整算法dabd(dynamicadjustmentalgorithmbasedondijkstraalgorithm)，在传统dijkstra算法的基础上加入了动态调节、禁行阈值及虚拟终点等机制，该算法可以根据火灾发展调整modelⅲ中两个目标函数的权重，提升了算法在解决多源多汇最短路径问题时的效率，解决了dijkstra算法不适合在动态网络中计算的缺陷。dabd算法可作为modelⅲ的寻优算法，为逃生人员寻找权值f最小的路径，即兼顾安全与效率的最优疏散路径。[0187]实施例三[0188]图4为本发明实施例三提供的一种应急疏散路径规划装置的结构示意图，如图4所示，所述装置包括：[0189]建立模块301，用于根据疏散路径构建应急疏散网络无向图；其中，所述应急疏散网络无向图包括所述疏散路径内的节点、以及节点与节点之间的边.[0190]获取模块302，用于获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数。[0191]规划模块303，用于根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ。[0192]构建模块304，用于基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ。[0193]调整模块305，用于构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径；其中，权值f最小的路径即为兼顾安全与效率的最优疏散路径。[0194]处理模块306，用于获取所述疏散路径内各风险因素实时对应的风险指数，并根据所述疏散路径内各风险因素实时对应的风险指数，利用所述动态调整算法dabd调整所述双目标路径规划模型modelⅲ中两个目标函数的权重，以得到最优疏散路径。[0195]本实施例提供的规划装置，通过获取所述疏散路径内各风险因素实时对应的风险指数，并利用算法根据这些实时的风险指数得到最优的疏散路径，提高了逃生人员的幸存概率。[0196]本发明实施例所提供的规划装置可执行本发明任意实施例所提供的应急疏散路径规划方法，具备执行方法相应的功能模块和有益效果。[0197]实施例四[0198]图5为本发明实施例四提供的一种终端的结构示意图。图5示出了适于用来实现本发明实施方式的示例性终端12的框图。图5显示的终端12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。[0199]如图5所示，终端12以通用计算设备的形式表现。终端12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。[0200]总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。[0201]终端12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。[0202]系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。[0203]具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。[0204]终端12也可以与一个或多个外部设备14(例如键盘、指向设备、传感器、摄像头、以及显示器24等)通信，还可与一个或者多个使得用户能与该终端12交互的设备通信，和/或与使得该终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与终端12的其它模块通信。应当明白，尽管图中未示出，可以结合终端12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。[0205]处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的应急疏散路径规划方法。[0206]在实际应用过程中，路径风险系数的检测数据对模型和算法的计算结果起着决定性作用，当双目标模型和算法应用于多出口建筑时，co浓度、hcn浓度和能见距离可以通过火灾烟气传感器来检测；路径上的环境温度可以通过感温传感器来检测；路径上的人群密度可以通过ir红外摄像机来检测。通过对路径风险和长度的实时计算，最优的疏散路径可以显示在显示器上，显示器能够实时改变指示方向，而不是像静态的传统疏散指示标志，有可能把逃生人员引向危险的路径。如前文所述，现代建筑内部结构复杂，人群密度高，用于人员疏散的通道多且树形交叉，形成了许多交叉路口，传统的应急疏散指示标志难以满足疏散指示的需要，因此本实施例采用了显示器用于指示最优的疏散路径。[0207]但现有的智能疏散指示标志主要采用双向可调的方式，可为逃生人员提供视觉上的方向指示。然而，在大型综合体和地下空间中，疏散通道纵横交错，存在许多十字交叉口，双向可调的指示标志很难形成有效的方向指示，疏散指示效果较差。因此，本实施例提供了一种新型的显示器。[0208]图6为本发明实施例四提供的一种显示器的结构示意图，如图6所示，所述显示器包括本体、以及本体四周设置的指引光标组，每一所述指引光标组均包括本体上设置的禁行指引光标、以及禁行指引光标周围设置的准行指引光标，所述准行指引光标与疏散路径一一对应设置。[0209]示例性的，当显示器应用于十字路口时，显示器本体四周可以设置四组指引光标组，每一指引光标组均包括一个禁行指引光标和三个准行指引光标，三个准行指引光标分别朝向十字路口的左、前、右三个方向。其中禁行指引光标可以采用现有的红色的禁止通行指示灯，而准行指引光标也可以采用现有的绿色的准行指示灯，禁止通行指示灯和准行指示灯均可以采用现有供电和控制方式，以实现指示灯的受控点亮即可，本领域技术人员也可以根据实际需要选择其他指引光标，及相应的供电控制方式，以实现对疏散路径的通行指示，在这里不再赘述。[0210]对于建筑，尤其是道路交叉口而言，智能疏散指示标志首先应简单易识别，无论人们位于通道内还是位于道路交叉口，均能通过指示标志上的标志灯识别出被指示的路径。人们在面对危险时，会本能地发挥身体的主观能动性，通过各种渠道获取信息，其中通过视觉获取的信息约占90％(参见刘盛鹏.疏散通道交叉口诱导标志设计[j].消防科学与技术，2017，36(11)：1552-1554)，因此应首选视觉作为疏散指示标志的信息传递途径。[0211]本实施例设计的智能疏散显示器可以设计为悬挂式，放置于通道与道路交叉口上方，在四个侧面均设有疏散指示单元，分别设置有左、前、右三个方向以及禁止通行的指引光标。无火灾发生时光标处于熄灭状态，火灾发生后，智能疏散显示器根据双目标路径规划模型和dabd算法计算出的最优疏散路径亮起相应的方向光标；当某处三个方向均不可用时(处于危险状态)，方向光标呈熄灭状态，红色叉号形状的禁止通行光标亮起。通过智能疏散显示器显示最优疏散路径，将传统疏散中的“就近逃生”理念转变为“安全逃生”。[0212]此外，本实施例提供的这种智能疏散显示器的信息传输也可以基于zigbee无线通信技术实现。zigbee是一种近距离、复杂度较低的双向无线通信技术，其特点是数据传输速率高、功耗小、省电、可靠、时延短、网络容量大、安全设备成本较低等。示例性的，火灾以及人群密度相关信息可以由位于不同区域的若干zigbee疏散终端实时采集，zigbee终端由智能疏散显示器、烟感器、温感器、光感器以及人群密度检测装置等组成。通过区域路由器对zigbee终端信息进行汇总，再输送至本系统中的zigbee协调器。当应急疏散服务器接收到zigbee协调器发送过来的信息后，系统会对火灾区域中zigbee疏散终端位置进行标识和编码，利用双目标路径规划模型和dabd算法实时地生成最优疏散路径信息，并回传给系统网络中所有zigbee疏散终端，疏散终端根据收到的疏散路径驱动其智能疏散显示器进行智能引导。管理终端可以实时地查看zigbee疏散终端周围的状态，也可以以单播或广播形式发送控制命令，实现快速疏散与救援。[0213]实施例五[0214]本发明实施例五还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的任一所述的应急疏散路径规划方法。[0215]本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。[0216]计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。[0217]计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。[0218]可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。[0219]注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。当前第1页12当前第1页12
技术特征：
1.一种应急疏散路径规划方法，其特征在于，包括：根据疏散路径构建应急疏散网络无向图；其中，所述应急疏散网络无向图包括所述疏散路径内的节点、以及节点与节点之间的边；获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数；根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ；基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ；构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径；其中，权值f最小的路径即为最优的疏散路径；获取所述疏散路径内各风险因素实时对应的风险指数，并根据所述疏散路径内各风险因素实时对应的风险指数，利用所述动态调整算法dabd调整所述双目标路径规划模型modelⅲ中两个目标函数的权重，以得到最优的疏散路径。2.根据权利要求1所述的方法，其特征在于，所述获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级，包括：获取对所述疏散路径风险水平存在影响的五种风险因素，分别为co浓度、hcn浓度、环境温度、能见距离以及拥挤度；根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分为四个风险等级，分别为ⅰ级、ⅱ级、ⅲ级以及ⅳ级；对四个风险等级分别设定风险指数。3.根据权利要求1所述的方法，其特征在于，所述根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ，包括：对所述疏散路径中各所述风险因素分别设定风险因素权重修正因子，并根据所述风险因素权重修正因子，计算所述应急疏散网络无向图中各边中风险因素对应风险指数的加权平均值，得到所述应急疏散网络无向图中各边的风险水平；其中，各所述风险因素对应的风险因素权重修正因子之和为1；根据所述应急疏散网络无向图中各边的风险水平，构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ；根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ。4.根据权利要求1所述的方法，其特征在于，所述基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ，包括：
构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ，公式如下所示：式中：γ1表示风险水平的权重修正因子，γ2表示路径长度的权重修正因子，γ1和γ2分别表示风险水平和路径长度在modelⅲ中的相对重要程度，其中，γ1≥0，γ2≥0，γ1+γ2＝1；f1表示某疏散路径中的风险水平；f
1*
表示理想的疏散路径中的风险水平，代表源点到终点的最小风险水平，由所述单目标路径规划模型modelⅰ计算得到；f2表示某疏散路径的实际长度；表示理想的疏散路径长度，代表源点到终点的最短距离，由所述单目标路径规划模型modelⅱ计算得到。5.根据权利要求4所述的方法，其特征在于，所述构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径，包括：当只考虑风险水平目标问题时设置γ2＝0，并调用算法b，以得到最优疏散路径；当只考虑路径长度目标问题时设置γ1＝0，并调用算法b，以得到最优疏散路径；当考虑风险水平目标和路径长度目标的双目标问题时，则设置γ1和γ2的初始值，并在调用算法b结束时通过权重向量的搜索空间来构造最优的疏散路径；其中，γ1≥0，γ2≥0，γ1+γ2＝1；其中，所述调用算法b的目标为：当实现dijkstra算法时，每个后续节点将基于找到的疏散路径更新网络的权值，并输出权值f最小的疏散路径及其信息。6.根据权利要求1所述的方法，其特征在于，在所述构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径之后，所述方法还包括：在dijkstra算法的基础上设置一个连接所有出口的虚拟终点来改变所述应急疏散网络无向图的原始网络结构，将各出口连接虚拟终点的边的权值均设置为零，并将虚拟终点转变为源点，将各个节点转变为终点。7.根据权利要求1或6所述的方法，其特征在于，在所述构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径之后，所述方法还包括：将风险因素的禁行阈值附加在所述应急疏散网络无向图中的每条边上；当利用dabd算法搜索权值f最小的路径时，去除某风险因素超出禁行阈值的边，并利用剩下的网络结构搜索最优疏散路径；当某节点无可行路径时，利用dabd算法按照生还可能性大小依次取消附加在所述应急疏散网络无向图中的各风险因素禁行阈值。8.一种应急疏散路径规划装置，其特征在于，包括：建立模块，用于根据疏散路径构建应急疏散网络无向图；其中，所述应急疏散网络无向图包括所述疏散路径内的节点、以及节点与节点之间的边；获取模块，用于获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风
险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数；规划模块，用于根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型modelⅰ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型modelⅱ；构建模块，用于基于所述单目标路径规划模型modelⅰ和所述单目标路径规划模型modelⅱ，构建用于寻找两个模型帕累托最优解的双目标路径规划模型modelⅲ；调整模块，用于构建基于dijkstra算法的动态调整算法dabd，以实现对所述双目标路径规划模型modelⅲ中路径风险水平目标函数和路径长度目标函数权重的动态调整，为逃生人员寻找权值f最小的路径；其中，权值f最小的路径即为兼顾安全与效率的最优疏散路径；处理模块，用于获取所述疏散路径内各风险因素实时对应的风险指数，并根据所述疏散路径内各风险因素实时对应的风险指数，利用所述动态调整算法dabd调整所述双目标路径规划模型modelⅲ中两个目标函数的权重，以得到最优疏散路径。9.一种终端，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；摄像头，用于采集图像；传感器，用于采集环境参数；显示器，用于指示疏散路径；所述显示器包括本体、以及本体四周设置的指引光标组，每一所述指引光标组均包括本体上设置的禁行指引光标、以及禁行指引光标周围设置的准行指引光标，所述准行指引光标与疏散路径一一对应设置；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的应急疏散路径规划方法。10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的应急疏散路径规划方法。

技术总结
本发明提供了一种应急疏散路径规划方法、装置、终端及存储介质，其中方法包括：根据疏散路径构建应急疏散网络无向图；获取对所述疏散路径风险水平存在影响的风险因素，并根据各所述风险因素对逃生人员的潜在伤害程度，对每一所述风险因素划分风险等级；其中，不同的风险等级设定有相应的风险指数；根据所述风险指数和所述应急疏散网络无向图构建考虑疏散路径风险水平的单目标路径规划模型ModelⅠ，并根据所述应急疏散网络无向图构建考虑疏散路径长度的单目标路径规划模型ModelⅡ，本发明通过将建立的两个单目标模型转化为一个双目标路径规划模型，解决对路径风险和路径长度两个优化目标的路径规划问题。化目标的路径规划问题。化目标的路径规划问题。


技术研发人员：关文玲 侯帅 董呈杰 王晓丽 赵俊英
受保护的技术使用者：天津理工大学
技术研发日：2023.04.06
技术公布日：2023/7/12