行为不确定性下的社区级避难所选址优化：一种 GPU 加速的基于智能体的仿真优化方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Optimizing community?scale shelter locations under behavioral uncertainty: A GPU?accelerated agent?based simulation-optimization approach

　　

- 提出了一种面向行为不确定性下社区避难所优化的可扩展框架。- 将空间认知、信息扩散与人群动力学整合到避难所优化中。- 与不考虑行为因素的布局相比，行为感知型布局可将总疏散时间缩短8%–16%。- 信息丰富的场景下产生分散式布局；熟悉度驱动的场景下产生集中式布局。引言自然灾害（如地震和洪水）以及人为危机（如武装冲突和城市安全事件）的发生频率和强度不断上升，使得有效的疏散与避难规划成为社区层面灾害准备的关键组成部分。在人口密集的居民区，这一问题尤为突出——大量的人口聚集、有限的开放空间以及受限的交通网络都可能加剧疏散风险、交通拥堵以及次生灾害暴露。在此类环境中，社区规模的避难所（包括位于住宅区内或其紧邻区域的开放空间或指定设施）构成了紧急情况下的第一道也是最为直接的临时保护屏障。其空间分布直接影响疏散清空时间、拥堵形成、避难所利用效率，并最终关系到生命安全[1]。近期研究表明，高密度社区中的疏散效能对避难所位置及空间配置高度敏感，即使避难所供给与疏散者移动模式之间存在微小的错配，也可能导致瓶颈和疏散清空时间延长[2,3]。认识到社区层面避难所规划的重要性，许多国家已采纳了专门的做法和指南。例如，日本在居民区内指定临时避难场所，并通过灾害地图公布其位置[4,5]。在美国，应急管理系统鼓励将避难所设在常用的疏散路线沿线，并确保避难所位置对当地居民易于辨识[6]。这些做法揭示了一个方法论挑战：社区规模避难所规划必须考虑局部的行为与物理动态，而这些动态并不能通过将其视为城市规模选址分配的细化版本来捕捉。这一区别体现在三个方面。第一，社区规模决策比城市规模疏散决策更具情境性和时效性，后者通常由更广泛的可达性和交通因素驱动。第二，社区避难所的候选位置嵌入在居民日常经验之中，具有认知嵌入性。第三，与城市规模疏散相比，社区规模疏散涉及更大比例的室内外过渡过程以及局部互动。因此，社区规模避难所规划代表了一个独特的优化问题，其中避难所配置必须在紧密耦合的空间与行为动态下进行评价。尽管存在这些实际需求，现有的避难所规划方法在结合行为与物理动态下优化社区避难所方面的能力仍然有限。许多研究聚焦于空间适宜性评估[[7], [8], [9], [10]]或选址-分配优化（例如[11,12]）。尽管这些方法效率较高，但它们通常依赖于简化的行为假设，例如选择最近避难所或集中式分配。在社区尺度上，这类假设具有局限性，因为居民的避难所选择可能受熟悉的地标、日常活动锚点和常用空间的影响，而非仅由距离决定[13]。此外，避难所优化与动态疏散模拟往往彼此脱节。模拟通常被用于评估既定的避难所布局，而非在拥堵、容量约束和去中心化决策条件下引导最优配置搜索（例如[2,14]）。然而，纳入居民的空间认知和局部信息扩散是否会改变社区避难所的最优空间配置，以及在真实物理约束下是否改善疏散效能，尚不清楚。弥合这一差距需要超越静态分配模型或事后基于模拟的评估，走向集成的模拟-优化框架。为弥补这一研究空白，我们提出了一种基于GPU（图形处理单元）加速的基于主体的建模与遗传算法（GABM-GA）框架，用于社区规模避难所选址优化。我们特别关注步行至附近社区避难所的疏散情景，其中住宅区内或邻近的开放空间或指定设施充当临时保护场所。因此，步行被视为主要疏散方式，而在严重基础设施中断情况下的远距离、车辆疏散或多种交通方式疏散不在本研究范围之内。我们的框架建立了一个闭环流程：遗传算法搜索候选避难所站点的组合空间，而基于理论指导、数据驱动的基于主体的模型作为随机评估引擎，整合了(i)基于d-EPR启发的探索机制和源自调查的熟悉度地图操作的熟悉度感知避难所选择，(ii)通过媒介信息扩散实现的社会互动，以及(iii)建筑物避让、室内外耦合和人群引起的速度降低等物理约束。为使这些交互丰富的动态下迭代优化可行，基于主体的模型使用GPU启用平台FLAMEGPU-2实现，从而在实用运行时间内实现大规模模拟[15,16]。我们通过一个案例研究来验证所提出的框架：一个高密度大学宿舍区，包含14栋宿舍楼及长期居住的学生。为隔离行为真实性和社会-物理交互的影响，我们进行了对比实验，将认知与交互启用的优化与两个非行为基线进行比较：一个基于集中式距离最小化的静态p-中位数选址-分配模型，以及一个保留基于模拟的优化但排除熟悉度感知选择和信息扩散的动态GABM基线。这些比较评估了行为机制如何重塑最优避难所配置和疏散效能。此外，我们对熟悉度相关参数进行敏感性分析，并对遗传算法超参数进行蒙特卡洛抽样，以检验认知机制的可解释性以及随机评估下优化结果的鲁棒性。结果显示，纳入社区特定认知和社会互动会带来与基于距离的非行为基线系统性地不同的最优避难所配置。这些行为感知型布局随之转化为疏散效能的显著改善，在所考察的各种场景中将疏散清空时间缩短8%–16%。结果进一步表明，指导和准确信息倾向于产生更分散的布局，而熟悉度驱动的无指导疏散则导致更集中的避难所使用模式。因此，本研究为社区规模疏散准备和韧性提供了一个实用的、行为感知的规划支持工具。社区规模避难所选址规划与疏散建模避难所在灾害期间提供即时安全和基本服务方面发挥着至关重要的作用[17]。疏散规划的有效性在很大程度上取决于避难所位置，后者影响疏散清空时间、拥堵形成和避难所利用情况[12]。因此，避难所选址规划长期以来一直是灾害风险降低研究的核心主题。早期且被广泛采用的避难所选址规划方法强调站点适宜性评估，依赖于GABM-GA框架开发本节介绍了所提出的用于社区规模避难所选址优化的GABM-GA框架（图1）。该框架采用闭环模拟-优化架构，将遗传算法（GA）与GPU加速的基于主体的模型（ABM）耦合在一起。两类实证输入支持模型构建。社区实地调查提供了关于建成环境的信息，包括建筑轮廓、出入口、步行空间、障碍物和候选避难所。研究区域与空间环境所提出的框架应用于位于香港中文大学（深圳）校园内的一个高密度居民社区，如图5所示。研究区域由排列在紧凑校园环境中的十四栋住宅楼组成，导致人口密度高且疏散时间窗口有限。建筑周围环绕着开放空间，包括广场、绿区和铺砌步道，这些空间既充当疏散路线，又作为疏散路径和……结果基于所提出的GABM-GA框架和第4节中描述的实验设计，本节展示了多种行为设置下的避难所选址优化结果，并将其与静态和非动态的非行为基线（B0和BD）在空间配置和疏散效能方面进行对标。所有实现均在配备四块NVIDIA GeForce RTX 4090 GPU的Linux服务器以及配备NVIDIA RTX 4070 Ti的台式电脑上完成。讨论本研究开发了GABM-GA，一种混合式、行为感知的避难所选址优化框架，将微观层面的疏散建模纳入优化循环中。在该模型中，疏散者的认知和社会行为以及拥堵和三维瓶颈等物理约束可以直接塑造灾前避难所规划中什么是"最优"的。它不依赖于忽略动态的静态距离分配假设或旅行成本公式……结论本研究开发了GABM-GA，一种GPU加速的基于主体的模拟-优化框架，用于行为不确定性下社区规模避难所选址规划。通过将遗传算法与行为基础的基于主体的模型耦合，该框架通过疏散动力学评估候选避难所配置，其中包含空间熟悉度、信息扩散、室内外移动、人群引起的速度降低、适应性重新规划以及避难所容量约束。在此……CRediT作者贡献声明刘卓宇：撰写——原稿、可视化、方法论、软件、调查研究、形式分析、数据管理、概念化。郝海燕：撰写——审阅与编辑、验证、监督、数据管理、概念化、调查研究、资源、资金获取。利益冲突声明作者声明不存在可能影响本论文所述工作的已知竞争性经济利益或个人关系。数据与代码可用性本文使用的数据和代码可在以下网址获取：https://github.com/ZHUOYUYUIO/Social-physical-system-shelter未引用参考文献[[68], [69], [70], [71], [72], [73], [74]]CRediT作者贡献声明刘卓宇：撰写——审阅与编辑、撰写——原稿、可视化、验证、软件、方法论、调查研究、形式分析、数据管理、概念化。郝海燕：撰写——审阅与编辑、验证、监督、资源、项目管理、调查研究、资金获取、数据管理、概念化。刘卓宇 | 郝海燕