论文部分内容阅读
近年来,各类自然或人为灾难频频爆发,给人类带来沉痛的人员伤亡和巨大的财产损失,这些灾难的危险来源和诱因呈现多元化和复杂化的特征,且难以进行科学预测和控制。在灾难突发场景下,如何运用信息化手段,开展快速有效的灾难应急处理越来越受到世界各国政府及学术界的关注。本文针对灾难时的疏散规划及救援规划问题展开研究,主要的研究工作如下:(1)引入人工势能场对灾难环境进行建模,提出了一种基于人工势能场的疏散规划算法(Evacuation Planning Algorithm based on Artificial Potential Field,EPAAPF)。该算法的基本思想是通过建立人工势能场,将复杂的大规模疏散问题通过势场函数进行描述,解决了对于复杂的灾难环境难以建模的问题。通过对比实验,表明了该算法能够有效地提高求解精度和收敛速度,缩短疏散路线长度和疏散时间,使避难场所的分配达到均衡状态。(2)为了实现人性化疏散,重点考虑实际的人际关系,定义了关系引力势场,进一步提出基于关系引力人工势能场的疏散规划算法(Evacuation Planning Algorithm based on Artificial Potential Field with Relationship Attraction,EPAAPF-RA)。通过引入关系引力势场,对总势场函数进行改进,在满足安全性和疏散时间限制的条件下,可将具有亲属关系的疏散人员疏散至同一处避难场所内,实现人性化疏散。通过实验验证了算法能够实现高效率、人性化疏散。(3)将应急救援规划问题建模为多旅行商问题,提出一种分阶段启发式救援规划机制。首先提出了一种基于障碍约束和任务均分的K-means++聚类算法(Obstacle Constrains&Task of Equal Division based K-means++Clustering Algorithm,OT-K-means++)将多旅行商问题(Multiple Traveling Salesman Problem,MTSP)分解为多个旅行商问题(Traveling Salesman Problem,TSP),对灾难场景下的待救援人群进行聚类,使得聚类形成的集合中节点的差异度较小且节点个数较为均匀。提出一种基于混沌初始化的萤火虫优化算法(Glowworm Swarm Optimization Algorithm based on Chaotic Initialization,GSOCI),对每个TSP进行求解,通过引入切比雪夫映射,对萤火虫个体进行初始化,提高初始解的分布质量和种群的多样性,并引入C2Opt算子进行局部调整优化,增强算法的收敛速度。通过对比实验,验证了该算法能够在提升求解精度和收敛速度的同时,缩短救援路线长度和救援时间,提高救援效率。(4)基于Mobile Cloud Computing平台构建了面向灾难应急的人员疏散与车辆救援规划系统,该模型实现移动终端和云端服务器两部分功能组件的协同工作:移动终端向云端服务器提交位置数据,获取并展示云端服务器的规划结果;云端服务器中存储相关规划数据并为所有移动终端提供规划引导。最后,将本文提出的EPAAPF、EPAAPF-RA算法应用于该系统的应急疏散模块,该模块能够实现大规模人群的快速有效疏散,缩短疏散路线长度和疏散时间,使周边避难场所达到均衡状态,实现人性化疏散的目标。再将本文提出的OT-K-means++和GSOCI算法应用于该系统的应急救援模块,该模块能够有效提高求解应急救援规划问题的精度和收敛速度,缩短救援路线长度和时间,实现高效率救援。