基于深度敏感感知与行为建模的洪水疏散路径优化：一种改进A*算法的CA-ABM框架

本研究针对洪水应急疏散中传统路径规划算法忽视安全性的问题，通过融合深度敏感感知(DSP)和行为建模，开发了改进的A算法。该算法在细胞自动机(CA)环境中优化启发函数，实验显示其较传统A和Dijkstra算法减少90%以上探索节点，降低安全风险并提升87%计算效率，为动态洪水环境下的智能疏散提供新范式。

　　

洪水是全球最具破坏性的自然灾害之一，随着气候变化和城市化加剧，城市洪涝风险持续攀升。传统疏散路径规划往往机械追求最短路径，却忽视了一个关键矛盾：在齐腰深的洪水中，看似最近的路线可能成为"死亡陷阱"。现有A*算法虽被广泛使用，但其启发函数过度依赖距离参数，难以应对洪水动态变化和人类风险感知的复杂性。更棘手的是，现有模型缺乏对疏散者行为决策阈值、水深敏感度等心理因素的量化整合，导致仿真结果与实际应急需求存在显著差距。

针对这一系列挑战，中国研究人员在《Simulation Modelling Practice and Theory》发表的研究中，创新性地将深度敏感感知(DSP)机制与行为建模融入A*算法框架。通过构建细胞自动机(CA)环境模拟洪水时空演变，并结合基于智能体建模(ABM)技术刻画人类避险行为，开发出能同时优化安全性与效率的路径规划系统。研究团队采用Python平台，利用Intel i7-12700KF和NVIDIA RTX 3060硬件配置，在100m²网格精度的CA环境中进行仿真验证。

关键技术方法

1. 建立融合水深梯度与障碍物的CA离散化模型；
2. 设计DSP启发函数量化安全成本；
3. 开发行为决策模块模拟路径选择偏好；
4. 采用现实卫星影像进行算法验证。

研究结果

CA网格环境构建
通过设定细胞形状、大小及邻域配置规则，将城市空间离散化为可计算单元。特别设计的水深更新机制能动态反映洪水扩散过程，为路径决策提供实时风险数据支撑。

优化A*算法性能
改进的启发函数引入水深风险系数，使算法在探索节点时优先选择低风险区域。与传统方法相比：

• 探索节点减少90.06%(vs A*)和93.13%(vs Dijkstra)
• 计算时间缩短87.65%-88.06%
• 安全路径成功率提升42%

行为建模验证
通过设置不同风险感知阈值的虚拟疏散者，证实DSP机制能有效引导群体规避高风险区域。当水深超过0.5m时，83%的智能体会主动放弃最短路径选择绕行方案。

讨论与结论
该研究突破性地将人类行为动力学引入洪水应急建模，其核心创新在于：

1. 提出DSP量化模型，首次实现水深感知与路径选择的数学关联；
2. 建立CA-ABM双框架，同步处理环境动态性与行为不确定性；
3. 验证启发函数优化可兼顾算法效率与安全最优。

实际应用中，该算法系统能在30秒内生成万级网格规模的疏散方案，响应速度满足应急指挥实时需求。相比传统方法，其路径安全系数提升2.3倍，特别在模拟老年群体疏散时效果更为显著。研究为智慧城市灾害响应系统提供了可扩展的技术框架，未来可通过集成更多行为参数(如恐慌传播模型)进一步强化仿真真实性。这项成果不仅推动应急管理从"几何最优"向"风险感知最优"范式转变，也为复杂环境下的人机协同决策开辟了新思路。