基于GDACO算法的引导疏散路径规划研究.pdf

建筑防火设计Fire Science and Technology,October 2023,Vol.42,No.10基于 GDACO算法的引导疏散路径规划研究王馨1,张林鍹1,2,董芳芳3（1.新疆大学 电气工程学院，新疆 乌鲁木齐 830017；2.清华大学 国家计算机集成制造系统工程技术研究中心，北京 100084；3.新疆维吾尔自治区消防救援总队，新疆 乌鲁木齐 830000）摘要：针对教学建筑内中人员疏散存在盲目、无序、效率低等问题，提出了双层蚁群路径规划算法（GDACO）引导人员疏散的路径规划。对环境栅格进行处理，增添危险栅格，使初始蚁群信息素呈阶梯式分布；提出双层蚁群算法，引导层蚁群通过全局搜索寻找引导路径，疏散层蚁群基于引导范围实现疏散路径寻优；进行路径优化处理，剔除冗余节点，对转折部分进行平滑处理。试验结果分析表明，所提 GDACO 算法能够减少路径转折点，规避风险路径，满足教学建筑内的引导疏散需求，规划路径符合实际疏散情况。关键词：疏散引导；路径规划；信息素分布；双层蚁群算法；路径优化；教学建筑中图分类号：X913.4；TP391.9 文献标志码：A 文章编号：1009-0029（2023）10-1386-07教学楼作为学生日常学习生活的重要载体，其消防安全建设受到了社会各界的广泛关注。近年来，教学楼相关安全事件层出不穷，其原因集中于电路线路老化、消防设计不合规范以及意外人为因素等1-3。由于教学楼内部人员密集、疏散通道宽度有限，以及部分设施摆放不合理，一旦突发紧急情况，人员在疏散过程中受环境影响，产生烦躁、恐慌等负面心理，失去判断力，盲目逃生，导致拥挤推搡，继而延缓疏散效率，或造成踩踏事件等二次事故。因此，如何快速引导人群找到正确的疏散路径已经成为亟待解决的问题。静态疏散指示标志和疏散示意图是使用最广泛的消防疏散工具。事实上，当建筑物内突发火灾等紧急情况时，人们常常会过于慌乱而忽略静态疏散装置指向的安全出口，选择更加熟悉的安全出口或依据最近原则逃生4。为提高疏散装置的使用率，廖慧敏等5针对常规标志和增设引导标志的疏散效率问题进行模拟，相比于常规标志，其增设颜色引导标志的试验表明各出口拥挤度降低，疏散情况均匀，出口利用率较高。范芮雯等6面向吊牌式和嵌入式疏散指示标志，研究了安全疏散标志的空间方向信息传递效能。张苏英等7针对智能消防疏散图需要结合火场信息动态路径规划等问题，实现智能消防疏散图路径规划。上述研究更多是基于静态疏散指示标志和疏散示意图进行研究，鲜少考虑动态疏散指示对疏散的影响且未考虑有效疏散信息的获取。在路径平滑方面，曹祥红等8针对传统疏散系统指示方向固定的问题，提出一种混合路径动态规划算法，对存在的冗余拐点，引入平滑判断因子获得简洁的疏散路径。范银辉9针对 RRT 算法在机器人路径规划中平滑度差的问题，采用 B 样条函数改善了路径的平滑性。陈都等10针对机器人直线路径拐角处存在切线的几何不连续问题，提出基于 3次非均匀 B样条曲线的全局拐角平滑方法。B样条曲线对于拐点路径具有较好的平滑性能，已广泛应用于机器人路径规划研究中，但在疏散路径规划中的研究还相对较少。随着群智能优化算法的出现，学者们发现蚁群算法在路径寻优时展现出良好的效果。蚁群算法具有较好的全局搜索能力和鲁棒性，广泛应用于各个领域。但传统蚁群算法存在收敛效率慢、易陷入局部最优的弊端，因此，学者们在疏散路径规划领域对算法进行相应的改进与优化。王培良等11提出蚁群元胞算法，建立六边形元胞栅格地图，优化启发函数，分段更新信息素，解决传统算法求解四边形栅格地图，易导致时间步长不一致、搜索速度慢、易陷入局部最优解等问题。XU L等12针对传统疏散示意图线路固定的问题，提出一种改进的蚁群优化算法，结合火灾产物因素改进启发函数和信息素更新策略，实现超市疏散路径规划。LI X J 等13针对城市地下综合体火灾问题，提出 IACO 算法，使用六边形栅格替代传统四边形栅格，考虑火灾的实时扩散，形成更短的疏散路径并避免“穿墙”等行为。以上学者从不同角度考虑相关因素进行算法设计与改进，但更多的只考虑了火灾因素，并未考虑疏散期间存在的人员拥堵对疏散效率的影响。上述研究表明，现有疏散路径规划存在以下不足：考虑引导疏散更多从静态疏散指示和疏散示意图的角度出发，有关动态疏散指示标志的研究较少，且未考虑有效疏散信息如何得知；疏散路径规划后，需去除冗余节点并平滑路径，但当前研究较少；在进行疏散路径规划的算法设计时，很少考虑逃生出口的人员拥堵问题。因此，本文结合动态疏散指示标志、考虑路径引导的可能性以及疏散有效信息的传递性，提出了基于双层蚁群路径规划算法（Guided Double Layer Ant Colony Optimization Algorithm，GDACO）的人员引导疏散路径规划策略。首先，考虑路径引导因素，利用引导层蚁群进行全局路径点位搜索，得到疏散路径中可行进的点位；其次，通过疏散层蚁群模拟人员疏散路径轨迹，得到最佳的人员疏散路线；最后，考虑到算法求解的最优路径存在冗余问题，引入准均匀 B 样条曲线对最优路径的拐角部分进行平滑处理，使最优路径更加贴合实际的人员疏散情况。通过试验对比，验证了本文提出的双层蚁群算法的可行性和实用性。1问题描述和环境建模1.1问题描述当建筑内突发紧急情况时，处于建筑物内部的人员需要及时撤离，本文提出考虑引导作用的消防疏散路径规划算法。动态疏散指示标志如图 1 所示，其工作原理为：建筑场所内突发紧急情况时，动态疏散指示标志通过相应传感器对疏散路径的环境监测，找到安全省时的疏散路径，通过疏散指示标志动态指引，引导人员实现疏散。对于引导疏散路径规划问题，做出以下设定：1）假设疏散环境和火源信息提前已知。2）假设人员在环境中以 1.3 m/s 的速度14做匀速运动，忽略疏散个体间的相互作用。3）将待疏散人员全体视为整体，初始位置已知。4）最优路径并非最便捷路径，应考虑环境、人员的综合影响因素，确保疏散效率最大化。1.2环境建模为便于试验的分析研究，选用结构简单、可视性强的栅格图法构建环境模型。考虑到疏散路径应避免和障碍栅格接触，增添危险栅格，区分障碍物和可通行区域，其中一个栅格代表 1 m。栅格环境如图 2 所示。其中黑色为障碍栅格，不得通行；灰色为危险栅格，可以通行；白色为自由栅格，即自由通行区域。危险栅格定义与作用：危险栅格介于障碍栅格和自由栅格之间，是与障碍栅格相邻的自由栅格；危险栅格可使蚁群信息素呈现阶梯式分布，当蚂蚁进行搜索时尽量避免靠近障碍栅格，避免算法在复杂环境下死锁严重以及“穿墙走”问题。为验证 GDACO 算法的寻路能力，共设计 3种仿真试验环境，分别为 2020、3030 和 4040 的不规则栅格地图，如图 3所示。为验证算法的实用性，将某校 U 形试验楼平面图进行栅格化处理，建立 5050的栅格环境，其中绿色栅格为安全出口，如图 4所示。2算法设计2.1基本蚁群算法蚁群算法是 DORIGO M 受到蚂蚁寻找食物行为的启发，提出的概率型算法15。蚂蚁通过寻找食物源，在走过的路径上释放信息素，信息素随着时间推移而挥发，后来的蚂蚁选择该路径的概率与路上的信息素浓度成正比。当一条路上通过的蚂蚁越多，其留下的信息素也越多，后来的蚂蚁选择该路径的概率也越高，不断增加该路径的信息素强度，形成正反馈循环16。通过这种正反馈机制，蚂蚁最终发现最短路径。蚁群优化算法的寻路过程如图 5所示。食物源食物源食物源蚁群蚁群蚁群图 5蚁群算法寻路示意图Fig.5ACO pathfinding diagram在蚁群算法中，蚂蚁通过轮盘赌法选择下一待访问图 1动态疏散指示标志示意图Fig.1Dynamic evacuation indication sign diagram图 2栅格环境示意图Fig.2Grid environment diagram（a）2020（b）3030（c）4040图 3三种栅格地图Fig.3Three types of grids diagram图 4教学楼栅格地图Fig.4Building grid map1386消防科学与技术2023年 10 月第 42 卷第 10 期行平滑处理，使最优路径更加贴合实际的人员疏散情况。通过试验对比，验证了本文提出的双层蚁群算法的可行性和实用性。1问题描述和环境建模1.1问题描述当建筑内突发紧急情况时，处于建筑物内部的人员需要及时撤离，本文提出考虑引导作用的消防疏散路径规划算法。动态疏散指示标志如图 1 所示，其工作原理为：建筑场所内突发紧急情况时，动态疏散指示标志通过相应传感器对疏散路径的环境监测，找到安全省时的疏散路径，通过疏散指示标志动态指引，引导人员实现疏散。对于引导疏散路径规划问题，做出以下设定：1）假设疏散环境和火源信息提前已知。2）假设人员在环境中以 1.3 m/s 的速度14做匀速运动，忽略疏散个体间的相互作用。3）将待疏散人员全体视为整体，初始位置已知。4）最优路径并非最便捷路径，应考虑环境、人员的综合影响因素，确保疏散效率最大化。1.2环境建模为便于试验的分析研究，选用结构简单、可视性强的栅格图法构建环境模型。考虑到疏散路径应避免和障碍栅格接触，增添危险栅格，区分障碍物和可通行区域，其中一个栅格代表 1 m。栅格环境如图 2 所示。其中黑色为障碍栅格，不得通行；灰色为危险栅格，可以通行；白色为自由栅格，即自由通行区域。危险栅格定义与作用：危险栅格介于障碍栅格和自由栅格之间，是与障碍栅格相邻的自由栅格；危险栅格可使蚁群信息素呈现阶梯式分布，当蚂蚁进行搜索时尽量避免靠近障碍栅格，避免算法在复杂环境下死锁严重以及“穿墙走”问题。为验证 GDACO 算法的寻路能力，共设计 3种仿真试验环境，分别为 2020、3030 和 4040 的不规则栅格地图，如图 3所示。为验证算法的实用性，将某校 U 形试验楼平面图进行栅格化处理，建立 5050的栅格环境，其中绿色栅格为安全出口，如图 4所示。2算法设计2.1基本蚁群算法蚁群算法是 DORIGO M 受到蚂蚁寻找食物行为的启发，提出的概率型算法15。蚂蚁通过寻找食物源，在走过的路径上释放信息素，信息素随着时间推移而挥发，后来的蚂蚁选择该路径的概率与路上的信息素浓度成正比。当一条路上通过的蚂蚁越多，其留下的信息素也越多，后来的蚂蚁选择该路径的概率也越高，不断增加该路径的信息素强度，形成正反馈循环16。通过这种正反馈机制，蚂蚁最终发现最短路径。蚁群优化算法的寻路过程如图 5所示。食物源食物源食物源蚁群蚁群蚁群图 5蚁群算法寻路示意图Fig.5ACO pathfinding diagram在蚁群算法中，蚂蚁通过轮盘赌法选择下一待访问图 1动态疏散指示标志示意图Fig.1Dynamic evacuation indication sign diagram图 2栅格环境示意图Fig.2Grid environment diagram（a）2020（b）3030（c）4040图 3三种栅格地图Fig.3Three types of grids diagram图 4教学楼栅格地图Fig.4Building grid map1387Fire Science and Technology,October 2023,Vol.42,No.10节点，蚂蚁从 i 点转移至 j 点移动概率如式（1）式（3）所示。Pkij(t)=()ij(t)()ij(t)k k()ik(t)()ik(t),j k 0,其他（1）ij=1dij（2）dij=()xi-xj2-()yi-yj2（3）式中：ij(t)表示 t时刻 i、j之间的信息素浓度；ij为距离定义的启发信息；dij为 i到 j的欧几里得距离；和为常数，反映信息素和启发信息的相对重要性；k为蚂蚁的待访问位置集合。蚁群经过一轮迭代循环后，路径上的信息素分别通过式（4）、式（5）更新。ij(t+1)=(1-)ij(t)+ij(t)（4）ij(t)=k=1mkij(t)（5）式中：为信息素挥发系数；ij(t)为所有信息素增量；kij(t)为第 k 只蚂蚁在 i和 j之间的信息素增量，如式（6）所示。kij(t)=QLk,路径(i,j)路径k0,其他（6）式中：Q 为信息素强度，是常数；Lk为第 k只蚂蚁所走路径的总长度，如式（7）所示。Lk=i=1n-1()xi+1-xi2+()yi+1-yi2（7）传统蚁群算法在求解疏散路径规划问题时存在初期收敛速度慢、后期易早熟收敛等问题。考虑到现实疏散的路径选择，需改进蚁群算法，实现最优疏散路径引导。2.2基于引导的双层蚁群搜索策略为了在复杂环境中生成疏散路径，最大化提升疏散效率，提出将蚁群划分为引导层蚁群和疏散层蚁群的双层蚁群搜索策略17。设计引导层蚁群时，为提高算法搜索速度，将蚁群分为两组，分别从起点和终点同时进行路径搜索；疏散层蚁群基于引导层蚁群的路径指引，进行小范围搜索，实现疏散路径规划。与原始蚁群算法的单一方向搜索策略不同，引导层蚁群的并行双向搜索能够减少路径搜索时间，使信息素从起点和终点同时更新，提高算法的搜索效率。2.2.1改进初始信息素分布传统蚁群算法初次迭代时，初始信息素浓度相同，导致蚂蚁在初次路径搜索时较为盲目，且搜索时间较长。因此，提出栅格信息素阶梯分布的方法，引导蚁群初始路径搜索。初始信息素分布如图 6所示。初始信息素浓度分布表达式如式（8）所示。0(j)=0,j为自由栅格 0,j为危险栅格0,j为障碍栅格（8）式中：0为信息素初始值；j为当前蚂蚁的周围栅格状态；为大于 0小于 1的常数。2.2.2信息素增强因子蚂蚁在觅食过程中找到食物源便开始返程，释放信息素，引导随后的蚂蚁到达食物源，形成正反馈循环。同时，随着时间的推移信息素逐渐挥发，进而剔除部分复杂路线，增加了蚂蚁找到最优路径的可能性。但当大量蚂蚁位于同一路线时，信息素的累积速度将远远高于挥发速度，这会导致算法提前收敛实现最优。此时，即使存在最优路径也会因信息素浓度的悬殊而被忽略。为避免算法提前收敛达到最优，提出信息素增强因子 q 如式（9）所示。q=et-1a-b,Lnown-1是否结束忽略 Pj点j=j+1连接 PiPj图 8去除冗余节点流程图Fig.8Remove redundant node flowchart原始路径准均匀 B样条曲线图 9路径平滑处理示意图Fig.9Path smoothing diagram1389Fire Science and Technology,October 2023,Vol.42,No.10小路径搜索范围，计算小范围内可行栅格的转移概率，按照轮盘赌法选择下一节点，转向步骤 5。步骤 5：判断当前蚂蚁是否到达目标点，若到达转向步骤 4，直到所有蚂蚁完成搜索，输出最优路径，转向步骤 6。步骤 6：对最优路径进行路径优化操作，得到最优疏散路径。3仿真与分析为了进一步验证本文提出基于引导的双层蚁群算法的寻优能力以及在疏散路径规划中的可行性，对 ACO 算法、GA-ACO 算法和本文算法分别进行对比分析。算法拟定参数：最大迭代次数 Nmax=100；蚂蚁总数 M=50；信息素初始值0=1；信息素启发因子=1；期望启发因子=3；信息素挥发系数=0.5；信息素强度 Q=20。3种简单到复杂地图如下。2020栅格地图：起点 S（1，1），目标点 E（20，20）。3030栅格地图：起点 S（1，1），目标点 E（30，30）。4040栅格地图：起点 S（1，1），目标点 E（40，40）。3.12020栅格地图试验分析疏散路径规划如图 11 所示，对不同算法进行指标分析，对比结果如表 1所示。从仿真结果可以看出，3种算法都可以清晰展现疏散路径，但 ACO 算法的冗余点较多，平滑性差；GA-ACO 算法路径简单，但存在较多转折点，路径平滑度有所提升；GDACO 算法相比于前两种算法，路径长度减少 18.1%和 1.2%，转折点分别减少 20个和 6个。3.23030栅格地图试验分析疏散路径规划如图 12 所示，对不同算法进行指标分析，对比结果如表 2所示。N=N+1否是达到最大迭代次数更新信息素判断两组蚂蚁是否相遇，更新禁忌表，保存蚂蚁路径节点计算引导层蚁群状态转移概率开始双向路径探索引导层蚁群分为两组初始化信息素分布参数初始化开始疏散层蚁群参考引导层蚁群，开始路径搜索计算疏散层蚁群状态转移概率判断蚂蚁是否到达目标点，更新禁忌表，保存蚂蚁路径节点更新信息素达到最大迭代次数输出最优路径去除冗余节点，平滑转折点路径输出疏散路径结束是否N=N+1图 10GDACO 算法流程图Fig.10Flowchart of GDACO algorithm（a）ACO算法（b）GA-ACO算法（c）GDACO算法图 112020栅格地图三种算法路径寻优Fig.11Three ant colony algorithms for pathfinding on 2020 grid maps表 12020栅格地图三种算法路径寻优结果Table 1Pathfinding results for three algorithms for 2020 grid maps性能指标最短路径/m转折点个数/个路径平滑度ACO算法33.213221差GA-ACO算法27.547 17较好GDACO算法27.204 81好（a）ACO算法（b）GA-ACO算法（c）GDACO算法图 123030栅格地图三种算法路径寻优Fig.12Three ant colony algorithms for pathfinding on 3030 grid maps1390消防科学与技术2023年 10 月第 42 卷第 10 期由表 2可以看出，3030栅格地图下，ACO 算法规划的路径存在较多冗余，路径不清晰；GA-ACO算法规划的路径简单，但存在较多转折点，不符合现实疏散状况；GDACO 算法相比于前两种算法，可视性更强，路径长度减少 45.5%和 1.3%，转折点分别减少 55个和 7个。3.34040栅格地图试验分析不同算法下疏散路径规划结果如图 13所示。对不同算法进行指标分析，对比结果如表 3所示。从仿真结果可以看出，在 4040 栅格地图下，ACO算法路径冗余过多，规划路径较长；GA-ACO算法规划的最优路径可以规避大量障碍物，但存在大量转折点，不利于现实疏散引导；GDACO 算法规划路径转折点较少，路径平滑度好，相比于前两种算法，路径长度减少 54.2%和4.9%，转折点分别减少 102个和 19个。通过以上对比试验证明，本文算法能在复杂环境下实现疏散路径规划，所规划的最优路径能够规避大量转向行为，简化疏散引导路线。所规划疏散路径具有指向性，且清晰易观察，便于真实环境下的疏散引导。3.4复杂环境试验分析为验证本文提出算法在教学楼单层环境下的可行性，从无突发情况、突发火灾以及突发火灾后出现人群拥堵 3 种情况分别进行试验，如图 14 所示，其中红色“*”表示发生火灾，黄色“”代表疏散期间存在人员拥堵，红色“”代表疏散起点，绿色“”代表疏散终点。从图 14（a）可以看出，无突发情况时，GDACO 算法为减少人群对流行为和转向行为，选择距离起点较近的两个出口，引导人员疏散；如图 14（b）所示，检测到火灾危险时，GDACO 算法会舍弃当前危险路线，引导人员向另一安全出口疏散；如图 14（c）所示，检测到当前安全出口存在人员拥堵时，GDACO 算法会进行拥挤行为规避，引导人员选择相对较远的逃生出口，分散当前出口压力，提高疏散效率。4结论与展望1）针对静态疏散指示标志在突发紧急情况时不易被观察到的情况，基于动态指示标志，提出 GDACO 算法实现紧急情况下的疏散路径引导，使用双层蚁群算法，改进初始信息素分布方式，提出信息素增强因子，改进信息素更新，进行疏散路径规划。对规划后的路径剔除冗余节点，使用准均匀 B 样条曲线对路径拐点处平滑处理，贴合人员实际疏散时的路径轨迹。2）在不同规格的栅格地图环境下和其他算法进行对比试验，得出 GDACO 算法在疏散过程中可以有效避免表 23030栅格地图三种算法路径寻优结果Table 2Pathfinding results for three algorithms for 3030 grid maps性能指标最短路径/m转折点个数/个路径平滑度ACO算法81.254 859差GA-ACO算法44.885 611较好GDACO算法44.292 94好（a）ACO算法（b）GA-ACO算法（c）GDACO算法图 134040栅格地图 3种算法路径寻优Fig.13Three ant colony algorithms for pathfinding on 4040 grid maps表 34040栅格地图 3种算法路径寻优结果Table 3Pathfinding results for three algorithms for 4040 grid maps性能指标最短路径/m转折点个数/个路径平滑度ACO算法128.852 8105差GA-ACO算法61.971 922较好GDACO算法58.961 53好（a）无突发情况（b）突发火灾情况（c）出现人员拥堵情况图 14不同情况下教学楼环境疏散路径规划Fig.14Environmental evacuation path planning of teaching buildings in different circumstances1391Fire Science and Technology,October 2023,Vol.42,No.10障碍物，所生成疏散路径简单且平滑，具有指向性，证明本研究算法的可行性和有效性。3）在复杂环境下对算法应用性进行验证，结果表示GDACO 算法在突发情况下能够规避风险，引导人员疏散。当安全出口处存在人员拥堵时，能及时分流出口处人员，规避踩踏风险，提升疏散效率。本文主要考虑已知路况下的引导疏散路径规划，但实际疏散过程中存在烟雾等有害气体的动态扩散。因此，在未来研究中将考虑烟气弥漫对疏散的影响，实现动态场景下的人员疏散路径规划。参考文献：1 李晟延,马鸿雁,窦嘉铭,等.教学建筑室内火灾应急疏散路径寻优算法研究J.消防科学与技术,2022,41(8):1066-1072.2 ZANG Y,MEI Q,LIU S X.Evacuation simulation of a highrise teaching building considering the influence of obstaclesJ.Simulation Modelling Practice and Theory,2021,112:102354.3 谢明峰,鲁义.高校教学楼火灾与人员疏散模拟研究J.消防科学与技术,2021,40(1):85-90.4 张苏英,郭宝樑,赵国花,等.基于改进蚁群算法的大型综合建筑火灾疏散路径规划J.科学技术与工程,2019,19(36):258-264.5 廖慧敏,罗小娟,苏红.教学楼火灾疏散的标志认知应对规律研究J.中国安全生产科学技术,2019,15(8):131-136.6 范芮雯,代张音,周慧,等.消防安全疏散标志空间方向信息传递效能研究J.消防科学与技术,2022,41(4):462-467.7 张苏英,郭宝樑,陈灵芝,等.双向蚁群算法的智能消防疏散图路径规划J.计算机工程与应用,2021,57(14):259-266.8 曹祥红,李欣妍,魏晓鸽,等.基于 Dijkstra-ACO 混合算法的应急疏散路径动态规划J.电子与信息学报,2020,42(6):1502-1509.9 范银辉.基于三次非均匀 B 样条曲线的路径平滑技术研究D.济南:山东建筑大学,2022.10 陈都,侯明,张学东.改进 RRT 结合 B 样条的移动机器人路径规划研究J.电子测量技术,2022,45(23):38-44.11 王培良,张婷,肖英杰.蚁群元胞优化算法在人群疏散路径规划中的应用J.物理学报,2020,69(8):240-248.12 XU L,HUANG K,LIU J P,et al.Intelligent planning of fire evacuation routes using an improved ant colony optimization algorithmJ.Journal of Building Engineering,2022,61:105208.13 LI X J,CHEN W B,CHEN R X,et al.Evacuationpathselection model of realtime fire diffusion in urban underground complexesJ.Computers&Industrial Engineering,2023,177:109014.14 HELBING D,FARKAS I,VICSEK T.Simulating dynamical features of escape panicJ.Nature,2000,407(6803):487-490.15 DORIGO M,GAMBARDELLA L M.Ant colony system:a cooperative learning approach to the traveling salesman problemJ.IEEE Transactions on Evolutionary Computation,1997,1(1):53-66.16 包子阳,余继周.智能优化算法及其 MATLAB 实例M.北京:电子工业出版社,2016.17 张恒,何丽,袁亮,等.基于改进双层蚁群算法的移动机器人路径规划J.控制与决策,2022,37(2):303-313.Guided evacuation path planning research based on the GDACO algorithmWang Xin1,Zhang Linxuan1,2,Dong Fangfang3(1.School of Electrical Engineering,Xinjiang University,Xinjiang Urumqi 830017,China;2.National Computer Integrated Manufacturing System Engineering Research Center,Tsinghua University,Beijing 100084,China;3.Xinjiang Uygur Autonomous Region Fire and Rescue Headquarters,Xinjiang Urumqi 830000,China)Abstract:For the problems of blind,disorderly,and inefficient evacuation of personnel in teaching buildings,the Guided Double Layer Ant Colony Optimization Algorithm（GDACO）is proposed for guiding personnel evacuation.Firstly,the environmental grids are processed by adding dangerous grids to establish a staggered distribution of initial ant pheromones.Secondly,the double layer ant colony algorithm is introduced,where the guiding layer ants conduct global searches to find guiding paths while the evacuation layer ants optimize evacuation paths based on the guiding range.Finally,path optimization is performed by removing redundant nodes and smoothing turning points.Experimental results analysis shows that the proposed GDACO algorithm can reduce path turning points,avoid risky paths,meet the evacuation needs within teaching buildings,and plan paths that align with actual evacuation situations.Key words:evacuation guidance;path planning;pheromone distribution;double layer ant colony algorithm;path optimization;teaching building作者简介：王 馨（1998-），女，新疆伊犁人，新疆大学电气工程学院硕士研究生，主要从事人员疏散路径规划研究，新疆维吾尔自治区水磨沟区华瑞街 777号，830017。通信作者：张林鍹，男，清华大学自动化系副研究员，工业智能与系统研究所副所长。收稿日期：2023-04-23（责任编辑：董 里）1392