1、学 术Learning1092023.2 劳动保护基于蚁群算法的石油天然气安全事故应急资源调度模型张磊，李翔，闫龙臻（中石油煤层气有限责任公司，北京 100028）0 引言目前，许多专家提出很多应急资源调度方法，并进行了大量研究，取得了一定的成果。文献 1 提出了一种基于改进飞蛾扑火算法的应急资源调度方法，采用基于自适应因子的 MFO 算法和 DAMFO 算法，增加自适应权重因子，增加初期整体的查询功能，提高了因子的适应能力，增加迭代的收敛效率1，但此技术的数据使用量很大，流程较为复杂。文献 2 中给出了一个基于模糊信息聚类分析技术的应急管理资源调度模型，首先利用物理的信息平均分配技术完成应急
2、管理信息的平均分配，然后实现应急管理信息调度的模糊信息聚类分析，再利用模糊相关信息的分布式特点，进行应急管理信息调配2，但此模型的总体研究水平还不够。基于此，本文给出了一个基于蚁群算法的石油天然气安全事故应急资源调度模型，并利用仿真模拟实验对其进行了研究。1 基于蚁群算法的石油天然气安全事故应急资源调度模型设计1.1 基于蚁群算法选择资源节点在设定好资源调度模型之前，就必须先对资源调配节点做出筛选。本文将通过蚁群算法选取资源节点，该方法通过模仿大自然中的蚂蚁集群在搜寻食物流程中路过的路径方法，推算出一个人工智能算法，通过模仿蚂蚁集群搜寻进食的整个流程来定义算法。蚂蚁群在寻找食物的过程中，所通过
3、的每一个路线上都会产生一个分泌物，即 pheromone 信息要素3。由于蚂蚁在选取路线时更愿意选取信息要素含量较大的路线，从而容易产生许多蚂蚁选取相同觅食路线的情况。使用上述特性将蚂蚁路过最短路线的选取方式转换为算法理论，该方法能够从大量的信息数据中最大程度地获取最佳的解决方法。特别在解决整体优化问题方面，通过根据路径上信息要素的部分改进与整体改进，计算出下一条路径状态改进的数值，进而得到整体的最佳解决方案。在安全事故资源调度过程中，本文划分虚拟机的数量为，虚拟机表示为，被应急资源调度系统划分的单体事务的个数为，单体事务表示为，将这些单体事务提交到虚拟机上运行，并且在固定的时间段内，确保每个
4、单体事务只在一台虚拟机上执行4，通过蚁群算法,可以计算得到事务 选择其中一台虚拟机的概率为：摘要：因为目前石油天然气安全事故应急资源调度模型设计的资源节点选择过程中，没有进行最短路径的选择，所以导致资源调度的效率下降，增加了调度的时长。因此，提出基于蚁群算法的石油天然气安全事故应急资源调度模型。此方法可以有效地对应急资源进行调度，更快速地应对安全事故，对石油天然气工程的应急资源管理有一定的现实意义。关键词：蚁群算法；石油天然气；安全事故；应急资源；调度模型中图分类号：TP393 文献标识码：A学 术110易安网 Learning （1）式（1）中：和 表示觅食路径的节点；表示第 只蚂蚁；表示在
5、 时刻路径（，）上的有效信息；表示在 时刻路径（，）上的信息要素浓度；为信息要素的有效因子，代表路径上其余的信息要素浓度对之后事务选择该虚拟机的重要程度；为算例有效因子，表示蚂蚁在事务进行过程中，有效因素对事务加载虚拟机时受到的影响程度；表示第 只蚂蚁能够到达的所有路径的总体，归类于未开发区之外的还没路过的地方。为了使某一条路径上的信息要素平稳不变并保持浓度平衡，利用信息要素的过滤手段进行限制，便于更有利地寻找到最佳解决方法。当每只蚂蚁路过后会立即转变路径上的信息要素，转变后的公式为：（2）式（2）中，为 时间中路径（，）信息要素的增加量；表示信息要素过滤因子，。本文采用的蚁群算法的计算功能比
6、较强大，实现阶段计算相对来说比较方便，并且该方法的匹配性能较高，可以和其他算法结合计算。这些特点使得蚁群算法可以很好地运用到实际生产过程中，如路由分配问题等方面5，通过上述算法完成了资源节点的选择，为接下来的调度函数提供基础数据。1.2 设计应急资源调度函数接下来，通过上文所选择的资源节点，来实现资源调度函数的设计。在出现突发事件或重大安全事故时，应急资源调度中心必须做好对紧急资源调配的整体过程的判断和实施6，而紧急调配准备阶段的工作内容主要涉及资源需求准备、紧急资源选择、资源储备位置的选定、紧急措施的制定等。本文主要针对石油或天然气重大安全事故出现的状况，对紧急资源调配的负荷需求变动状况加以
7、分析，如图 1 所示。根 据 图 1 可 以 看 出，安 全 事 故 发 生 在 0 8、12 17 时刻下的负荷需求较小，低于 0 kW。也就是说，在此时刻下，资源调度的负荷需求量较少，进入了应急资源的准备阶段，其他的应急设备不运行8。在 20 21时刻的负荷需求较高，趋近于 2 000 kW，资源调度需求量较高，应急设备均在运行。在此负荷需求变化的情况下，本文利用 Delphi 法7，选取应急资源调度函数。资源调度问题中，资源调度函数的构造取决于各资源调度限制的正向差距向量、反向差距向量和相应的执行顺序。资源规划的一般形式为：（3）式（3）中，分别为 阶段的规划和状态；为阶段的状态。接着采
8、用指标函数，用于衡量过程的优劣，记为，其中，。根据指标函数的可分离性，则：（4）第阶段的指标根据状态和决策确定，即表示为，而算法函数由组成，算法函数的最优解，称为最优解函数。根据状态规划方程，可用状态和策略来表示算法函数，即，当 给定时，算法函数对的最佳解称为最优解函数，记为，则最优解函数如下所示：（5）式（5）中：OPT可根据实际情况取最大值或最小值。本文针对应急资源调度实施阶段，归纳总结了应急资源调度理论及算法，最优解算法函数能够很好地解决一些不太复杂的问题，具有很好的普遍适用性，能很好进行应急资源调度分析。图1 发生安全事故时应急资源调度的负荷需求变化情况学 术Learning11120
9、23.2 劳动保护1.3 构建石油天然气安全事故应急资源调度仿真模型根据上文设计的资源调度函数，来构建资源调度仿真模型。应急资源调度需要在很短的时间段内做到及时的应急资源供给，具有时效性强的特点8，所以一般的应急资源调度经常以应急时间最短为目标进行模型设计，慢慢地出现了应急时间最短和供应资源数量最少等融合型优化调度模型，针对石油天然气工程，需要同时考虑时效性、经济性和平衡性，以应急时间最短、经济成本最低和平衡度最高等为目标，但是本文仅选取时间最短为建模目标，在要求环境下对多供应地点、多需求状态、多供应资源进行优化调度和研究决策9。设 有K类 应 急 资 源，N个 应 急 资 源 提 供 点,供
10、应点对第 类资源的储备量为,有M个应急资源满足点,满足点对第 类资源的满足量为状态数，提供点到满足点的应急资源运输时间为状态数，则用三角状态数表示为。其中，和分别为状态数的最高极点和最低极点，为状态数的最大值，应急资源满足点的目标应急供给时间限制时长为。接下来，设计对于某一应急资源调度方案所选出的提供点集合，用表示从提供点 运到满足点第 类资源的资源数量，用分析变量来辨识提供点到满足点的状态，当从提供点往满足点传输应急资源时，反之，对于满足点，应急状态时间为：（6）本文基于时效性的应急调度时间最短的调度模型为：（7）对于调度时间来说，这里只考虑传输时间，本文设定运输时间与资源准备时间无关，而且
11、只与传输路径有关，在速度固定的基础上路径与时间相关的模型10，所以定义从供应点到需求点的调度时间可以表示为应急调度时间与资源运输数量结合模型。2 仿真实验石油天然气安全事故主要是指在石油天然气和附属产品的开发、加工、搬运、贮存等生产环节，出现了机械设备故障、人员操作失误、自然灾害等爆炸事故以及环境污染的情况发生，并由此产生大量伤亡事故和财产损失。常见的石油天然气突发安全事故类型分为井喷重大安全事故、火灾重大安全事故、爆炸重大安全事故等，出现概率最大的事件是井喷和火灾等重大安全事故。为了证明本文中采用蚁群算法在解决重大安全事故中紧急资源调配问题的有效性与优越性，利用仿真平台CHANGESIM 搭
12、建本文的实验环境，研究了应急资源分配和调度过程，通过编译 Data Center Broker 类，将人工智能的蚁群算法应用到实验中，实现对应急资源调度模型的模拟和仿真。2.1 实验过程石油天然气安全事故应急资源调度受到多种因素的影响，存在决策与准备同时实施、决策和准备分开实施两种模式。每种模式下的调度状态不同。不同的调度状态，得出的仿真结果也不同。因此，本文在调度资源数量一致的基础上，对资源决策与资源准备阶段的调度功率情况进行分析，如图 2 所示。如图 2 所示，准备阶段，调度功率在 0 kW 左右波动，其功率基本为 0，在时间变化特征一致的条件下，准备图2 调度模式的出力情况图3 决策阶段
13、调度状态图学 术112易安网 Learning阶段的调度功率小于调度过程中的基础调度功率；AT分布式电源的出力在 0 22 kW 的范围内波动，其功率变化波动较大，更容易分辨其运行调度状态。因此，本文对决策阶段调度状态进行分析，如图 3 所示。根据图 3 可以看出，本文在 0 20 的不同时间内，对决策阶段的调度状态进行分析。由图中可知，调度状态的初始值为 0.2。在决策阶段进行 8 h 时，调度状态恢复到初始值；在决策阶段进行 9 h 时，调度状态又开始上升，在决策阶段进行 13 h 时，调度状态重新恢复到初始值。也就是说，调度状态进行 8 h 和 13 h 时，为决策阶段的调度停止周期。2
14、.2 实验结果在相同的实验条件下，将基于改进飞蛾扑火算法的调度模型、基于模糊信息聚类算法的调度模型，和本文的基于蚁群算法的资源调度模型进行仿真对比。实验规定的事务数量为 100 到 500 之间，算法节点数为 30 个，而且要规定上文蚁群算法中所需要的算法数据：蚂蚁一共有 20 只，算例有效因子为 1.0，有效因子为 2.0，信息要素的浓度相同，过滤因子的初始值为 0.2。使用CHANGESIM 仿真平台分别将 3 种算法进行对比实验，将获取的信息数据利用图 4 进行描述。从图 4 可知，当任务数量在 50 左右的时候，3 种算法传输相同资源事务时所用的传输时间差距不大，但随着任务的不断增加，
15、基于蚁群算法的资源调度模型执行同样数量事务的时间，都远远低于其他二者，可以保证资源调度时间控制在 45 s 以内，说明基于蚁群算法的资源调度模型，在缩短时间降低运行成本、降低负载平衡率方面的性能比较优越。3 结论1）本文提出了一种基于人工智能蚁群算法的应急资源调度模型。利用云仿真工具 CLOUDSIM 对本文设计模型进行仿真实验，并进行了案例数值模拟，为了研究成果能够应用到应急管理实践中，可以编写计算机开发程序，设计有助于石油天然气安全事故的应急资源调度的智能决策系统。2）本文研究的调度方式为应急资源的静态调度方式，也就是应急资源能一次完成供应，但现实中可能出现应急资源供不应求的情况，在不同的
16、应急情况下，事务、方法和目标的调度不同，应急资源需求的数量和种类也不相同，所以在接下来的研究中，需要对动态调度进行深入研究。参考文献1 黄彩霞,刘年平,谢晓君.基于改进飞蛾扑火算法的应急资源调度研究 J.中国安全生产科学技术,2022,18(06):211-216.2 李云锋,郑勇平,刘洋.基于模糊信息聚类的应急管理资源调度模型J.智能计算机与应用,2020,10(02):255-258.3 李沐鸿,孙庆峰.多目标参与的应急资源调度模型研究 J.物流工程与管理,2021,43(06):27-29.4 万孟然,叶春明,董君,等.考虑备灾的双层规划应急资源调度选址路径优化模型与算法 J.计算机应用研究,2021,38(10):2961-2967.5 张伟,裴月玲,邓晶,等.双目标优化下的高速公路应急资源调度策略 J.公路,2021,66(06):277-284.6 宋英华,白明轩,马亚萍,等.考虑多主体心理效应的应急资源调度超网络模型 J.中国安全科学学报,2021,31(02):158-166.7 于飞,卢朝霞.基于改进蚁群算法的四足巡检机器人全局路径规划方法 J.制造业自动化,2022