技术领域
[0001] 本
发明属于应急疏散领域，具体涉及基于博弈论和蚁群算法的智能疏散诱导系统及使用方法。
背景技术
[0002] 当发生毒气扩散、火灾、爆炸等生产事故和
水灾、
地震等重大
自然灾害时，应急现场往往具有环境复杂、强噪音、强干扰、人员规模大、分布广、人员状态和疏散能
力不均等特点，对应急疏散诱导系统的智能化、性能化、设施布置的灵活性以及控制数据远距离传递的可靠性等提出了更高的要求。目前国内外的应急疏散诱导主要采用基于就近固定方向疏散理念的应急广播或疏散标识等方式，即使有部分人员密集公共场所设置了双向疏散标识，但缺乏疏散路径
优化算法支撑，无法实现大规模人群疏散方案的全局优化，不能根据事故发展态势和疏散通道的可利用状态及人员的分布情况对复杂事故环境下大规模人群疏散实现动态的智能诱导，无法实现真正意义上的智能疏散。
发明内容
[0003] 基于以上技术不足，本发明在多元信息融合的
基础上，开发基于博弈论和蚁群算法的大规模人员疏散路径优化算法，构建基于疏散路径全局优化算法支撑的智能疏散无线诱导系统，实现适用于大范围、强噪音、强干扰等复杂典型事故环境下，大规模应急疏散优化算法和典型事故特性参数、疏散诱导技术和装备、应急疏散决策控制系统的数据传输和集成，对改变我国应急疏散和公共安全现状具有非常重要的意义。本发明提出基于博弈论和蚁群算法的智能疏散诱导系统及使用方法，其中，基于博弈论和蚁群算法的智能疏散诱导系统具体包括：管理中心端、
服务器端、中心网关端、固定式
传感器端、用户端；
[0004] 管理中心端通过太网与服务器端相连接，服务器端与中心网关端相连接，中心网关端分别与固定式传感器端和用户端相连接；
[0005] 所述管理中心端，为安装有
应用服务器桌面管理端应用程序的计算机，管理中心端能够控制应用程序的运行以及读取和写入
数据库数据；
[0006] 所述服务器端，包括应用服务器、数据库服务器和嵌入式Web服务器；
[0007] 所述应用服务器为JBoss应用服务器，获取数据库服务器传递来的数据信息，根据该数据信息，应用服务器利用大规模人员疏散路径优化算法计算出最优疏散诱导路径，将最优疏散诱导路径传递给嵌入式Web服务器，并同时上传给管理中心端。并且应用服务器监控用户端是否到达安全避难地点，若到达安全避难地点则删除该用户端信息；
[0008] 所述数据信息包括：环境
温度传感器检测出的
环境温度、烟气浓度传感器检测出的烟气浓度、
风速传感器检测出的风速、风向传感器检测出的风向和用户端检测出的人员
位置信息和速度信息；
[0009] 所述数据库服务器为MySQL数据库服务器，保存从嵌入式Web服务器传递过来的数据信息；
[0010] 所述嵌入式Web服务器，为嵌入式服务器，能够处理上下行数据程序的嵌入式Web服务器，接收从中心网关端传递过来的固定式传感器端中各传感器信息以及用户端信息，并将最优疏散诱导路径传递给中心网关端；
[0011] 所述中心网关端与嵌入式Web服务器通过UART
接口进行数据传输，并将最优疏散诱导路径传递给用户端；
[0012] 所述固定式传感器端，由集成LoRa
节点芯片、主控MCU、
信号转换模
块和传感器的固
定位置的终端
数据采集节点组成；LoRa节点芯片作为与LoRa网关通信模块，与主控MCU通过UART口连接，主控MCU与信号转换模块通过UART口连接并进行数据传输，传感器和信号转换模块通过RS485接口连接，并进行数据传输；
[0013] 所述传感器包括环境温度传感器、烟气浓度传感器、风速传感器和风向传感器；
[0014] 所述用户端为用户佩戴的集成LoRa芯片的
手表终端，与所述LoRa中心网关端组成星型网络，因为需要实时上传监测数据，并且从网关获取疏散路径控制数据，故其通信模式采用CLASS-B模式；
[0015] 其中，在中心网关端与固定式传感器端和用户端之间安装LoRa中继网关，当事故现场
建筑物结构遮挡，造成中心网关端与固定式传感器端和用户端之间的信号传递不畅通时，安装LoRa中继网关，保证中心网关端与固定式传感器端和用户端之间的信号顺畅；根据具体情况适当增加中继网关数目，减少每个中心网关连接的传感器和
控制器的数量，以提高数据传输速度；
[0016] 所述用户端和固定式传感器端采用多级跳方式，通过所述LoRa中继网关与所述LoRa中心网关节点进行数据传递，保证中心网关端与固定式传感器端和用户端之间的信号顺畅；
[0017] 其中，数据传递方法如下：固定式传感器端将各种
传感器数据传递给中心网关端，用户端将人员移动速度和人员位置信息传递给中心网关端，中心网关把从固定式传感器端和用户获取的信息传递给嵌入式Web服务器，嵌入式Web服务器端将获取的信息传递给数据库服务器，数据库服务器将获取的信息传递给应用服务器，应用服务器利用获取的信息进行智能疏散诱导路径优化分析，得出结果，并将最优疏散诱导路径指令传递给管理中心和嵌入式Web服务器；嵌入式Web服务器将诱导指令传递给中心网关端，中心网关端将诱导指令传递给用户端；
[0018] 所述诱导指令包括最优疏散诱导路径及安全避难地点；
[0019] 基于博弈论和蚁群算法的智能疏散诱导系统的使用方法，采用基于博弈论和蚁群算法的智能疏散诱导系统实现，包括以下步骤：
[0020] 步骤1：系统启动：开启管理中心和服务器端应用服务器、嵌入式Web服务器和数据库服务器；开启中心网关端各中心网关；部署在固定位置的配有LoRa通信模块的所述传感器，包括环境温度传感器、烟气浓度传感器、风速传感器和风向传感器，实时监测环境监测信息，环境监测信息包括环境温度、烟气浓度、风速和风向；
[0021] 步骤2：用户端佩戴手表并开机，手表开始实时监测人员移动速度及人员位置信息；
[0022] 步骤3：用户端自动将通过手表获取的人员移动速度和人员位置信息，及固定式传感器端获取的环境温度、烟气浓度、风速和风向信息，传递给中继网关，中继网关将从用户端与固定式传感器端获取到的信息传递给中心网关，中心网关将获取的数据信息进一步传递给嵌入式Web服务器；
[0023] 步骤4：嵌入式Web服务器将从中心网关获取到的信息传递给数据库服务器；
[0024] 步骤5：数据服务器将从嵌入式Web服务器获取到的信息和已知信息传递给应用服务器，应用服务器根据报警器报警位置划定的防火分区判断用户端是否需要疏散，若不需要疏散，应用服务器继续等待嵌入式服务器传递实时信息，并向管理中心发送系统正常，若需要疏散，则进行步骤6；
[0025] 步骤6：在应用服务器中，利用基于博弈论和蚁群算法进行智能疏散诱导路径优化算法对从实时数据库数据调取的数据进行分析，得出基于全局优化的各用户端所处当前位置下的最优疏散路径；
[0026] 步骤7：应用服务器将最优疏散路径的全局方案信息发送给管理中心端，并且同时将各个用户端的最优疏散路径和安全避难地点以文字的形式发送给嵌入式Web服务器，嵌入式Web服务器将最优疏散路径和安全避难地点传递给中心网关端，中心网关端将最优疏散路径和安全避难地点传递给各个用户端。
[0027] 步骤8：用户端佩戴的手表发出蜂鸣音，并显示嵌入式Web服务器端传递出的最优疏散路径和安全避难地点，待疏散人员根据所述用户端显示的最优疏散路径及安全避难地点进行逃生；
[0028] 步骤9：逃生过程中，固定式传感器端和用户端通过中心网关端实时上传环境监测信息、人员移动速度和位置信息到嵌入式Web服务器，嵌入式Web服务器将该信息实时传递到数据库服务器，数据库服务器将该信息实时传递给应用服务器，应用服务器实时调取数据库服务器信息并及时根据最新数据为逃生者规划出最新最优疏散路径，重复步骤7～步骤9；
[0029] 步骤10：当佩戴某个用户端的待疏散人员已经到达安全避难地点时，应用服务器控制该所述用户端蜂鸣音停止，应该服务器会删除相应的用户端信息，终止对该用户端的传递信息，实
时针对未疏散到安全避难地点的用户端发送最新的最优疏散路径信息；
[0030] 步骤11：当所有用户端的待疏散人员均已经到达安全避难地点时，停止对用户端传递最新的最优疏散路径信息，执行步骤12，否则返回步骤2，继续手表实时监测。
[0031] 步骤12：判断管理中心端是否关闭系统，若系统关闭，则退出系统，否则返回步骤1，继续实时监测环境监测信息。
[0032] 所述基于博弈论和蚁群算法的大规模人员疏散路径优化算法，包含以下步骤：
[0033] 步骤6.1：设置参数，初始化蚁群；
[0034] 步骤6.1.1：初始化蚁群：从数据库服务器调取人员定位信息到应用服务器，判断疏散节点是否有人员存在，设定初始时刻各条路径上的
信息素均相同，设 c为常数，其中 表示第i节点与第j节点之间的信息素浓度。
[0035] 步骤6.1.2：统计事故现场各通道人数和各通道的当量长度：
[0036] (1)根据手表上传到数据库服务器中的人员定位信息，统计得出各通道的滞留人数 判断疏散节点是否有人存在，并标记该疏散节点的位置并统计其数量n。
[0037] (2)各通道的当量长度使用公式(1)进行计算：
[0038]
[0039] 其中， 为通道wiwj的通行难度系数， 为通道wiwj的几何长度，单位为m，Mb为火灾烟气情况下疏散人员的活动性指标，Mb与能见度影响系数f1(Ks)，有毒气体浓度影响系数f2(ρgas)和烟气温度影响系数f3(T)三者成正比关系，可简化记为公式(2)：
[0040] Mb＝f1(Ks)·f2(ρ)·f3(T) (2)
[0041] 其中：
[0042]
[0043]
[0044]
[0045] 其中，Ks为减光系数，ρgas为该通道处固定式烟雾传感器测得的CO浓度，Ts为该通道处固定式温度传感器测得的环境温度，T0是室外常温温度，v0是人员行走的正常速度，vmax是最大疏散速度，Tcr1是人员赶到不舒服的温度，Tcr2为对人员造成上海的温度，Tdead为致人员死亡的温度；
[0046] 步骤6.1.3：计算事故现场人员疏散路径的时间成本：本发明中引入时间成本概念，时间成本为人员通过通道当量长度的时间和通道流出时间之和，见公式(6)。
[0047] 本发明认为最优路径为被疏散人员通过通道的时间成本最少的疏散路径。
[0048]
[0049] 其中，td为人员通过通道当量长度的时间，单位为s，tL为通道流出时间，单位为s，td用下式(7)进行计算：
[0050]
[0051] 其中， 为通道wiwj的当量长度，单位为m，v0为被疏散人员步行速度，单位为m/s，tL用下式(8)进行计算：
[0052]
[0053] 其中， 为通道wiwj的滞留人数，单位为人， 为通道wiwj宽度，单位为米，为通道wiwj的群集流动系数，单位为人/(m·s)；
[0054] 步骤6.1.4：计算通道启发函数
[0055]
[0056] 步骤6.2：根据伪随机规则选择路径，蚂蚁k从节点wi转移到节点wj的概率为：
[0057]
[0058] 伪随机规则：
[0059]
[0060] 其中，allowdk为被疏散人员允许通行的节点的集合， 为路径wiwj上信息素浓度，α为信息启发式因子，表示轨迹相对重要性， 为启发函数；β为期望启发式因子，反映了人运动过程中启发信息在人选择过程中受重视程度；q0为随机参数，0≤q0≤1；q为随机生成数；
[0061] 步骤6.3：应用博弈论对蚁群算法中的参数α，β，K，ρ进行组合优化，规则如下：
[0062] (1)博弈参数集合N＝{α，β，K，ρ}，为方便计算记为N＝{1，2，3，4}。
[0063] (2)每个被优化参数有若干个策略(值)可供选择，它构成该被优化参数的纯策略空间 定义在Si的概率分布 称为被优化参数i的一个混合策略集，其中Xim表示选择纯策略λim的概率，其中：
[0064]
[0065] (3)若每个被优化参数
选定一个策略λi∈Si,则形成一个局势，s＝{λ1,λ2,λ3,λ4}，每个被优化参数i都有自己对应的收益函数，对于被优化参数i在局势s下的收益函数Pi(s)＝Pi(λ1,λ2,λ3,λ4)。
[0066] 4个被优化参数博弈对策可用Γ＝(N,{SI},{Pi})表示，设x为对策Γ的一个混合局势，记x||Xi＝(x1,…,xi-1,Xi,xi+1,…,xn),其中,Xi∈Si*，表示将混合局势中被优化参数i的混合策略xi换成,Xi，其他被被优化参数混合策略不变，产生新的混合局势。
[0067] 假设x*为对策Γ的一个混合局势，如果
[0068]
[0069] 其中：
[0070]
[0071] 则称x*为4个参数取值对策Γ的一个混合平衡局势即Nash平衡点。
[0072] 令
[0073] 选取各参数的收益函数为：
[0074]
[0075]
[0076] 求解 β，K，ρ，为方便计算记为N＝1，2，3，4得出参数
[0077] α，β，K，ρ最优组合。其中，C为特定常数；τ0初始信息素；t为时间计数器；ρ蚁群算法中的信息素挥发系数；fmin为所有蚂蚁全局循环中的最
短路径；K为蚁群数量；Q为信息素增强系数；
[0078] 步骤6.4：根据优化后的参数α，β，K，ρ，局部信息素更新
[0079]
[0080] ρ为局部信息素挥发系数，0<θ<1，τ0为信息素初值；
[0081] 步骤6.5：判断循环是否结束，即判断所有蚂蚁是否找到出口，若结束则进行下一步全局信息素更新，若否则继续执行下一次
迭代，直至循环结束进行下一步。
[0082] 步骤6.6：全局信息素更新：
[0083]
[0084]
[0085] 其中，Ugb为当前最优路径的时间成本，(1-ρ)∈(0,1)为全局信息素挥发系数，ρ(t)为信息素挥发系数：
[0086]
[0087] 其中，ρmin为局部信息素挥发系数ρ的最小值。
[0088] 步骤6.7：根据各条路径的时间成本进行排序，找到疏散时间最短的最优路径，判断是否达到设定的循环次数终止条件，满足即结束，未满足则返回步骤6.1初始化蚁群重新开始计算。
[0089] 步骤6.8：当带疏散中一个源节点找到最优路径以后，继续计算下一个源节点的最优路径，直到手表上传到数据库中的所有源节点均找到路径则停止。
[0090] 有益技术效果：
[0091] 1.整套系统基于博弈论和蚁群算法，自行开发了大规模人员疏散路径优化算法，实现了疏散方案的全局优化，使智能疏散诱导有了科学的理论支撑。
[0092] 2.系统能够实时采集疏散区域内的事故环境状态信息、待疏散人员的定位信息和速度信息等，实时上传到数据库服务器，有助于应用服务器能实时掌握疏散人员分布状态的即时变化，并实时分析各疏散通道的可利用程度和拥堵程度。
[0093] 3.系统利用博弈论和蚁群算法，基于路径安全程度最高、路径最短和拥堵程度最低等多目标优化理念，实现满足全局优化的最优疏散方案，进行大规模人员疏散行动的智能疏散诱导和分流，防止群死群伤人员伤亡事故发生；
[0094] 4.系统使用LoRa
芯片组成星形网络，通过LoRa中心网关端和服务器端进行数据远程无线传递，实现事故状态、人员定位、疏散诱导方案和指令的数据传输，具有满足传输距离远、功耗低、抗干扰能力强等特点；
[0095] 5.该系统使用手表终端，佩戴方便简洁，能够实时对大规模群集人员疏散进行智能诱导，实现了疏散诱导设备无线灵活布置和可移动性等功能，很好地克服了语音诱导或者光诱导中的数据噪音和相互干扰问题，具有很好的实用价值；
附图说明
[0096] 图1为本发明
实施例的基于博弈论和蚁群算法的智能疏散诱导系统原理图；
[0097] 图2为本发明实施例的基于博弈论和蚁群算法的智能疏散诱导系统的方法
流程图；
[0098] 图3为本发明实施例的信息传递示意图；
[0099] 图4为本发明实施例的待疏散区域平面图；
[0100] 图5为本发明实施例的最优路径示意图；
[0101] 图6为本发明实施例的博弈论和蚁群算法路径优化流程图。
[0102] 图中：
[0103] 1-管理中心端，2-服务器端，201-应用服务器，202-嵌入式Web服务器，203-数据库服务器，3-中心网关端，4-中继网关端，5-固定式传感器端，6-用户端。
具体实施方式
[0104] 下面结合附图和具体实施实例对发明做进一步说明：基于博弈论和蚁群算法的智能疏散诱导系统，如图1所示，具体包括：管理中心端1、服务器端2、中心网关端3、中继网关端4、固定式传感器端5、用户端6；
[0105] 管理中心端1通过以太网与服务器端2相连接，服务器端2与中心网关端3相连接，中心网关端3分别与固定式传感器端5和用户端6相连接；
[0106] 所述管理中心端1，指安装有应用服务器桌面管理端应用程序的计算机，管理中心端1能够控制程序的运行以及读取和写入数据库数据；
[0107] 所述服务器端2，包括应用服务器201、数据库服务器203和嵌入式Web服务器202；
[0108] 所述应用服务器201为JBoss应用服务器，获取数据库服务器203传递来的数据信息，根据该数据信息，应用服务器201利用获取的信息进行智能疏散诱导路径优化分析，得出结果，并将最优疏散诱导路径指令传递给嵌入式Web服务器202，并同时上传给管理中心端1。并且应用服务器监控用户端是否到达安全避难地点，若到达安全避难地点则删除该用户端信息，嵌入式服务器使用树莓派3B作为服务器的
硬件平台，采用LAMP(Linux+Apache+MySQL+PHP)服务器
框架，
操作系统采用开源的Raspbian树莓派版Linux操作系统；
[0109] 所述固定式传感器端5包括环境温度传感器、烟气浓度传感器、风速传感器和风向传感器，各传感器通过RS485接口接入所述信号转换模块；
[0110] 所述数据信息包括：环境温度传感器检测出的环境温度、烟气浓度传感器检测出的烟气浓度、风速传感器检测出的风速、风向传感器检测出的风向和用户端检测出的人员位置信息和移动速度信息；
[0111] 所述数据库服务器203，为MySQL数据库服务器，保存从嵌入式Web服务器传递过来的数据信息；
[0112] 所述嵌入式Web服务器202，采用Apache服务器，为嵌入式服务器，能够处理上下行数据程序的嵌入式Web服务器，接收从中心网关端传递过来的固定式传感器端中各传感器信息以及用户端信息，并将最优疏散诱导路径传递给中心网关端3；
[0113] 所述中心网关3与嵌入式Web服务器203通过UART接口进行数据传输，中心网关端3采用LoRa中心网关，其核心通信芯片由Semtech公司的SX1301网关芯片与SX1255射频收发芯片组成；
[0114] 所述固定式传感器端5，由集成LoRa节点芯片、主控MCU、信号转换模块和各种传感器的固定位置的终端数据采集节点组成；LoRa节点芯片作为与LoRa网关通信模块，与主控MCU通过UART口连接，主控MCU与信号转换模块通过UART口连接并进行数据传输，传感器和信号转换模块通过RS485接口连接，并进行数据传输；
[0115] 所述LoRa节点芯片为SX1278芯片，与主控MCU通过SPI进行通信；
[0116] 所述主控MCU与所述通过UART口和信号转换模块进行连接，所述主控MCU为STM32F103ZET6
单片机；
[0117] 所述信号转换模块为将信号RS232转化为RS485信号的转换模块，其型号为QuasonMAX3485模块；
[0118] 所述温度传感器为精讯畅通JXBS-3001-TH传感器，其量程为-40℃～80℃；
[0119] 所述烟气浓度传感器为多个传感器组合而成，能够测量一
氧化
碳浓度、二氧化碳浓度、二氧化氮浓度、氧气浓度的分体式传感器，型号分别为精讯畅通，分体式
一氧化碳传感器变送器JXBS-5001-CO，分体式二氧化碳浓度传感器变送器JXBS-5001-CO2，分体式二氧化氮传感器变送器JXBS-5001-NO2以及分体式氧气浓度传感器变送器JXBS-3001-O2。
[0120] 风速传感器型号为宇佳YJ-FS100，其量程为0-70m/s和风向传感器为YJ-FX100,其量程为0-360°
[0121] 所述用户端6为用户佩戴的集成LoRa芯片的手表终端，与所述LoRa中心网关端组成星型网络，因为需要实时上传监测数据，并且从网关获取疏散路径控制数据，故其通信模式采用CLASS-B模式；
[0122] 所述用户端6为用户佩戴的集成LoRa芯片的手表终端，型号为捷迅易联JXYL基于LoRa扩频无线通信技术的腕表式无线信息接收器；
[0123] 其中，在中心网关端3与固定式传感器端5和用户端6之间安装LoRa中继网关，中继网关型号与中心网关型号一致，采用LoRa中心网关，其核心通信芯片由Semtech公司的SX1301网关芯片与SX1255射频收发芯片组成。当事故现场建筑物结构遮挡，造成中心网关端3与固定式传感器端5和用户端6之间的信号传递不畅通时，安装中继网关4，即LoRa中继网关，保证中心网关端3与固定式传感器端5和用户端6之间的信号顺畅；根据具体情况适当增加中继网关数目，减少每个中心网关连接的传感器和控制器的数量，以提高数据传输速度；
[0124] 所述用户端6和固定式传感器端5采用多级跳方式，通过所述LoRa中继网关与所述LoRa中心网关节点进行数据传递，保证中心网关端3与固定式传感器端5和用户端6之间的信号顺畅；
[0125] 其中，数据传递方法如下，如图3所示：固定式传感器端5将各种传感器数据传递给中心网关端3，用户端6将人员移动速度和人员位置信息传递给中心网关端3，中心网关端3将从固定式传感器端5和用户获取的信息传递给嵌入式Web服务器202，嵌入式Web服务器202将获取的信息传递给数据库服务器203，数据库服务器203将获取的信息传递给应用服务器201，应用服务器201利用获取的信息进行智能疏散诱导路径优化分析，得出结果，并将最优疏散诱导路径指令传递给管理中心端1和嵌入式Web服务器202，嵌入式Web服务器202将诱导指令传递给中心网关端3，中心网关端3将诱导制冷传递给用户端6；
[0126] 所述诱导指令包括最优疏散诱导路径及安全避难地点；
[0127] 基于博弈论和蚁群算法的智能疏散诱导系统的使用方法，采用基于博弈论和蚁群算法的智能疏散诱导系统实现，如流程图2所示：包括以下步骤：
[0128] 待疏散区域平面图，如图4所示，图中共计206个节点，均记为疏散节点，分别为8个根节点，图中编号37-44，即避难广场入口；85个源节点，图中编号75-159，即房间中点，本发明需要找到源节点的最优疏散路径，113个传输节点，即图中剩余节点，为本发明的中间节点，待疏散区域网络节点静态信息数据库如表2所示；其中，每个疏散节点中均放置一组环境温度传感器、烟气浓度传感器、风速传感器和风向传感器，根据疏散节点个数，共放置206组环境温度传感器、烟气浓度传感器、风速传感器和风向传感器。
[0129] 步骤1：系统启动：开启管理中心和服务器端应用服务器、嵌入式Web服务器和数据库服务器；开启中心网关端各中心网关；开启部署在固定位置的配有LoRa的所述传感器，包括环境温度传感器、烟气浓度传感器、风速传感器和风向传感器，实时监测环境监测信息，环境监测信息包括环境温度、烟气浓度、风速和风向；
[0130] 步骤2：用户端佩戴手表并开机，手表实时监测用户端移动速度及人员位置信息，具体初始信息，如表1所示，表中，X、Y、Z分别为各节点的X轴坐标、Y轴坐标以及Z轴坐标；NdChact、LftNbID、RtNbID、FwdNbID、BakNbID、UpNbID、DownNbID分别代表各节点的相邻节点编号；节点特性：0表示传输节点，1表示根节点，2表示源节点；
[0131] 步骤3：将用户端通过手表获取的人员移动速度和人员位置信息，及固定式传感器端获取的环境温度、烟气浓度、风速和风向信息，传递给中心网关，中心网关将从用户端与固定式传感器端获取到的信息传递给嵌入式Web服务器；
[0132] 步骤4：嵌入式Web服务器将从中心网关获取到的信息传递给数据库服务器，数据库服务器中数据如表2、表3、表4，表2为待疏散区域网络节点静态信息数据库，表3为待疏散区域内人员位置信息实时动态数据库，表4为
火灾探测报警器实时动态信息数据库；
[0133] 步骤5：应用服务器根据博弈论和蚁群算法调取实时数据库服务器中的数据，应用服务器根据报警器报警位置划定的防火分区判断用户端是否需要疏散，若不需要疏散，应用服务器继续等待嵌入式Web服务器传递实时信息，并向管理中心发送系统正常，若需要疏散，则进行步骤6；
[0134] 步骤6：在应用服务器中，利用博弈论和蚁群算法进行路径优化分析，得出基于全局优化的各用户端所处当前位置下的最优疏散路径，如图5所示，具体每一步最优疏散路径如表5所示；
[0135] 步骤7：应用服务器将最优疏散路径发送到管理中心端，并传递给应用服务器，应用服务器将最优疏散路径和安全避难地点以文字的形式发送给嵌入式Web服务器，嵌入式Web服务器将最优疏散路径和安全避难地点传递给中心网关端，中心网关端将最优疏散路径和安全避难地点传递给用户端。
[0136] 步骤8：用户端佩戴的手表发出蜂鸣音，并显示嵌入式Web服务器端传递出的最优疏散路径和安全避难地点，待疏散人员根据所述用户端显示最优疏散路径及安全避难地点进行逃生；
[0137] 步骤9：逃生过程中，固定式传感器端和用户端通过中心网关端实时上传环境监测信息、人员移动速度和位置信息到嵌入式Web服务器，嵌入式Web服务器将该信息实时传递到数据库服务器，数据服务器将该信息实时传递给应用服务器，应用服务器实时调取数据库服务器信息并及时根据最新数据为逃生者规划出最新最优疏散路径，重复步骤7～步骤9；
[0138] 步骤10：当佩戴某个用户端的待疏散人员已经到达安全避难地点时，应用服务器控制该所述用户端蜂鸣音停止，应该服务器会删除相应的用户端信息，终止对该用户端的传递信息，实时针对未疏散到安全避难地点的用户端发送最新的最优疏散路径信息；
[0139] 步骤11：当所有用户端的待疏散人员均已经到达安全避难地点时，停止对用户端传递最新的最优疏散路径信息，执行步骤12，否则返回步骤2，继续手表实时监测。
[0140] 步骤12：判断管理中心端是否关闭系统，若系统关闭，则退出系统，否则返回步骤1，继续实时监测环境监测信息。
[0141] 所述博弈论和蚁群算法，其流程图如图6所示。算法包含以下步骤：
[0142] 步骤6.1：设置参数，初始化蚁群，结果如表1所示，待疏散区域初始节点数据库；
[0143] 步骤6.1.1：初始化蚁群：从数据服务器调取人员定位信息到应用服务器，判断疏散节点是否有人员存在，设定初始时刻各条路径上的信息素均相同，设 c为常数，其中 表示第i条路径与第j条路径之间的信息素浓度。
[0144] 步骤6.1.2：统计事故现场各通道人数和各通道的当量长度：
[0145] (1)根据手表上传到数据服务器中的人员定位信息，待疏散区域内人员位置信息实时动态数据库如表3所示，统计得出各通道的滞留人数 判断疏散节点是否有人存在，并标记该疏散节点的位置并统计其数量n。
[0146] (2)各通道的当量长度使用公式(1)进行计算：
[0147]
[0148] 其中， 为通道wiwj的通行难度程度系数， 为通道wiwj的几何长度，单位为m，Mb为火灾烟气情况下疏散人员的活动性指标，mb与能见度影响系数f1(Ks)，有毒气体浓度影响系数f2(ρgas)和烟气温度影响系数f3(T)三者成正比关系，可简化记为公式(2)：
[0149] Mb＝f1(Ks)·f2(ρ)·f3(T) (2)
[0150] 其中：
[0151]
[0152]
[0153]
[0154] 其中，Ks为减光系数，ρgas为该通道处固定式烟雾传感器测得的CO浓度，Ts为该通道处固定式温度传感器测得的环境温度，T0是室外常温温度，本例中取20℃，v0是人员行走的正常速度，vmax是最大疏散速度，取5m/s，Tcr1是人员赶到不舒服的温度，取30℃，Tcr2为对人员造成伤害的温度，取60℃，Tdead为致人员死亡的温度，取120℃，本例中f3(T)取：
[0155]
[0156] 其中，Ts为该通道处固定式温度传感器测得的环境温度，火灾探测报警器实时动态信息数据库如表4所示；
[0157] 步骤6.1.3：计算事故现场人员疏散路径的时间成本：本发明中引入时间成本概念，时间成本为人员通过通道当量长度的时间和通道流出时间之和，见公式(6)。
[0158] 本发明认为最优路径为被疏散人员通过通道的时间成本最短的疏散路径。
[0159]
[0160] 其中，td为人员通过通道当量长度的时间，单位为s，tL为通道流出时间，单位为s，td用下式(7)进行计算：
[0161]
[0162] 其中， 为通道wiwj的当量长度，单位为m，v0为被疏散人员步行速度，单位为m/s，tL用下式(8)进行计算：
[0163]
[0164] 其中， 为通道wiwj的滞留人数，单位为人， 为通道wiwj宽度，单位为米，为通道wiwj的群集流动系数，单位为人/(m·s)；
[0165] 步骤6.1.4：计算通道启发函数
[0166]
[0167] 步骤6.2：根据伪随机规则选择路径，蚂蚁k从节点wi转移到节点wj的概率为：
[0168]
[0169] 伪随机规则：
[0170]
[0171] 其中，allowdk为被疏散人员允许通行的节点的集合， 为路径wiwj上信息素浓度，α为信息启发式因子，表示轨迹相对重要性， 为启发函数；β为期望启发式因子，反映了人运动过程中启发信息在人选择过程中受重视程度；q0为随机参数(0≤q0≤1)；q为随机生成数；
[0172] 步骤6.3：应用博弈论对蚁群算法中的参数α，β，K，ρ进行组合优化，规则如下：
[0173] (1)博弈参数集合N＝{α，β，K，ρ}，为方便计算记为N＝{1，2，3，4}。
[0174] (2)每个被优化参数有若干个策略(值)可供选择，它构成该被优化参数的纯策略空间 定义在Si的概率分布 称为被优化参数i的一个混合策略集，其中Xim表示选择纯策略λim的概率，其中：
[0175]
[0176] (3)若每个被优化参数选定一个策略λi∈Si,则形成一个局势，s＝{λ1，λ2，λ3,λ4}，每个被优化参数i都有自己对应的收益函数，对于被优化参数i在局势s下的收益函数Pi(s)＝Pi(λ1,λ2,λ3,λ4)
[0177] 4个被优化参数博弈对策可用Γ＝(N,{SI},{Pi})表示，设x为对策Γ的一个混合局势，记x||Xi＝(x1,…,xi-1,Xi,xi+1,…,xn),其中,Xi∈Si*，表示将混合局势中被优化参数i的混合策略xi换成,Xi，其他被被优化参数混合策略不变，产生新的混合局势假设x*为对策Γ的一个混合局势，如果
[0178]
[0179] 其中：
[0180]
[0181] 则称x*为4个参数取值对策Γ的一个混合平衡局势即Nash平衡点。
[0182] 令
[0183] 选取各参数的收益函数为：
[0184]
[0185]
[0186] 求解 β，K，ρ，为方便计算运算中记为i＝1，2，3，4得出参数α，β，K，ρ最优组合。其中，C为特定常数；τ0初始信息素；t为时间计数器；ρ蚁群算法中的信息素挥发系数；fmin为所有蚂蚁全局循环中的最短路径；K为蚁群数量；Q为信息素增强系数；
[0187] 步骤6.4：根据优化后的参数α，β，K，ρ，局部信息素更新
[0188]
[0189] ρ为局部信息素挥发系数，0<θ<1，τ0为信息素初值；
[0190] 步骤6.5：判断循环是否结束，即判断所有蚂蚁是否找到出口，若结束则进行下一步全局信息素更新，若否则继续执行下一次迭代，直至循环结束进行下一步。
[0191] 步骤6.6：全局信息素更新：
[0192]
[0193]
[0194] 其中，Ugb为当前最优路径的时间成本，(1-ρ)∈(0,1)为全局信息素挥发系数，ρ(t)为信息素挥发系数：
[0195]
[0196] 其中，ρmin为ρ的最小值。
[0197] 步骤6.7：根据各条路径的时间成本进行排序，找到疏散时间最短的最优路径，判断是否达到设定的循环次数100次，满足即结束，未满足则返回步骤6.1初始化蚁群重新开始计算。
[0198] 步骤6.8：当带疏散中一个源节点找到最优路径以后，继续计算下一个源节点的最优路径，直到手表上传到数据库中的所有源节点均找到路径则停止博弈论和蚁群算法，如图5及表5所示。
[0199] 表1：待疏散区域初始节点数据库
[0200]
[0201]
[0202]
[0203]
[0204]
[0205]
[0206]
[0207]
[0208] 表2待疏散区域网络节点静态信息数据库
[0209]字段名称 数据类型 含义
NodeID Number(整数) 节点的ID
X Number(小数) 节点的X向坐标
Y Number(小数) 节点的Y向坐标
Z Number(小数) 节点的Z向坐标
NdChact Text(文本) 节点特性
UpNbID Number(整数) 上方邻近节点ID
DownNbID Number(整数) 下方邻近节点ID
FwdNbID Number(整数) 前方邻近节点ID
BakNbID Number(整数) 后方邻近节点ID
LftNbID Number(整数) 左方邻近节点ID
RtNbID Number(整数) 右方邻近节点ID
NdType Text(文本) 节点类型
DetectID Number(整数) 相关探测器ID
[0210] 表3待疏散区域内人员位置信息实时动态数据库
[0211]字段名称 数据类型 含义
PersonID Number(整数) 待疏散人员佩戴的手表ID
PersonX Number(小数) 待疏散人员的X向坐标
PersonY Number(小数) 待疏散人员的Y向坐标
PersonZ Number(小数) 待疏散人员的Z向坐标
PersonV Number(小数) 待疏散人员的移动速度
[0212] 表4火灾探测报警器实时动态动态信息数据库
[0213]字段名称 数据类型 含义
AlmD Number(整数) 报警器的ID
HdNdID Number(整数) 报警器邻近节点wi的ID
EndNdID Number(整数) 报警器邻近节点wj的ID
TmAtF Number(小数) 时间参数
SmkC Number(小数) 探测到的烟气浓度或者减光系数
SmkT Number(小数) 探测到的烟气温度或者报警状态
WindV Number(小数) 探测到的风速信息
WindD Number(小数) 探测到的风速信息
[0214] 表5校园疏散区域各节点最短路径
[0215]
[0216]
[0217]
[0218]
