论文部分内容阅读
火灾一直是突发频率较高、毁灭性较大、影响恶劣的主要灾害,潜在地威胁着公众安全和社会发展。国家政府向来重视安全消防工作,如何迅速而安全地引导逃生人员逃离危险区域也引起了很多关注。最短路径优先算法、蚁群算法和Q-Learning算法等是经常用于疏散路径规划的算法。值得注意的是,最短路径优先算法,如Dijkstra,只能规划静态路径,而实际疏散中所需要的路径规划往往是动态的。蚁群算法计算路径的用时较长,而且易于收敛到局部最优解。Q-Learning算法在规模较大的问题上几乎是不可行的,大量的状态会产生维度灾难。近年来,深度强化学习的发展愈来愈成熟,在人工智能等领域取得了极大的成就。深度强化学习可以模仿人类大脑提供有利的决策,这让人开始衡量能否把深度强化学习应用到火灾疏散领域中,给火灾疏散问题提供全新的解决方案。 本文设计了一个路径规划算法,并在此基础上实现了一个火灾疏散指示系统。系统使用了一个深度强化学习模型即深度Q网络,该模型把卷积神经网络和Q-learning算法结合,拥有前者的图像高层特征提取能力和后者的学习策略能力。针对火灾疏散问题的特殊性,本文设计了具体的深度网络模型,使用了改进过的Q-learning算法。本文设计的系统将楼层内不断变化的环境信息进行数据预处理,输出一系列连续的包含复杂环境信息的二维图像。深度Q网络从这些二维图像中不断地提取特征,然后使用一种梯度下降算法进行权重更新。最终,模型收敛到最优策略,并根据该策略在复杂的环境中选择回报值最大的决策。 本文对火灾疏散问题的需求进行了详细的分析,然后相应地对系统的软硬件架构进行总体设计。在硬件部分,系统实现了一个以烟雾探测器T4和汇聚网关A1C为基础的传感器网络,主要负责在第一时间感知火灾的发生;在软件部分,系统采用分层思想,搭建了以Spring、Mybatis为框架基础的应用服务器,并实现了WEB客户端和APP客户端供用户使用。最后,对系统的服务器和客户端进行了功能和性能测试。经过大量测试和实验后发现,本文实现的火灾疏散指示系统可以为处于危险状况的逃生人员迅速地提供一条合理有效的逃生路径,实现人员疏散。