新论文：适用复杂工程问题的可恢复粒子群优化算法_振动_非线性_化学_建筑_python_消防_UM_BIM

新论文：适用复杂工程问题的可恢复粒子群优化算法

论文：Enhanced recoverable particle swarm optimization with adaptive population size reduction for complex engineering problems. Structural and Multidisciplinary Optimization. 2025.

DOI: https://doi.org/10.1007/s00158-025-04053-4

太长不看版

大型复杂工程优化问题往往消耗大量的计算资源，因此需要集群计算技术结合优化算法来加速计算。然而，在长时间的优化计算中，粒子群算法（Particle Swarm Optimization, PSO）可能会因断电、程序崩溃以及网络波动等外部干扰因素而导致计算中断，阻碍了优化计算的顺利进行。同时，实际工程中，通过网络集成的集群计算资源往往是有限且动态变化的，这对于资源的动态调控以及高效利用也提出了要求。因此，本文提出了一种可恢复中断计算的改进粒子群算法（Recoverable PSO， Re-PSO），并通过优化过程中的粒子缩减实现高效资源利用。

首先，通过开发可恢复算法的程序，增强算法在长期运算中的适应力；随后进一步编写缩减粒子的程序，根据文献调研、总结出不同的缩减粒子策略。以CEC测试函数集（CEC benchmark suite）横向对比不同缩减策略的效率，从而确定最适用于复杂优化问题的缩减粒子方法，实现粒子群算法在优化计算过程中的粒子数量调控，增强算法的资源利用效率。最后，通过3个工程算例（平面框架结构的损伤识别、空间桁架结构的设计优化、大跨斜拉桥有限元模型的线性更新）来验证本算法相对于传统粒子群算法，于计算资源有限的前提下，在计算效率、结果精度上的提升。

可恢复粒子群算法（Re-PSO）

为了实现粒子群算法在优化计算中的可恢复机制，本文基于Python编写了相关程序，具体如图1所示。

图1 可恢复程序

在粒子群算法中，粒子的关键信息—位置、速度以及适度值等，往往以向量的形式储存在程序中。根据这个特性，本研究通过Python中Numpy函数库的"savetxt()"以及"loadtxt()"函数将粒子群的信息以TXT文件的形式保存到程序外部。在优化计算中断后，可将粒子群的信息导回程序中恢复运行。

集成粒子缩减的可恢复粒子群算法

在可恢复算法的基础上，进一步编写缩减粒子的程序。本研究通过文献调研，总结并提出了7种缩减粒子的方法。

表1 粒子缩减策略

将粒子缩减程序集成于可恢复粒子群算法，实现优化计算过程中可按照既定的时机以及缩减粒子方法动态调控粒子数量，即计算资源的调控。

图2 可恢复粒子群算法流程图

数值实验分析

以CEC2017以及CEC2022测试函数集中的11个函数测试各个缩减策略在不同复杂度的优化问题上的表现。这些函数可分为三类：单峰函数、多峰函数以及复合函数。

表2 CEC测试函数

对于同一个函数测试时，保证所有算法的参数设置以及优化计算中评估的总粒子数相同，并执行30次的独立运行以增强结果的鲁棒性。

图3 测试函数收敛曲线

CEC测试函数的结果表明，粒子缩减策略S2在复合函数中表现出色，在收敛速度、结果精度上超过了传统的PSO算法以及其他粒子缩减策略。

关于数值实验具体的定性/定量分析，Re-PSO与其他先进优化算法、PSO变种的比较，重启动时种群的初始化策略，可恢复机制引入的额外计算消耗，以及算法超参数的影响，具体可以参考我们的论文。

工程算例验证

（1）平面框架结构的损伤识别

图4 平面框架的几何布置

以一个平面框架结构为例，通过优化结构中梁/柱的弹性模量，匹配损伤结构的模态频率，从而识别损伤位置，目标函数如下式所示：

同时采用结合粒子缩减策略S2的Re-PSO和传统PSO算法优化该算例，保持相同的算法超参数设置以及粒子评估次数，执行30次的独立运行。优化结果如图5所示，Re-PSO显著提升了收敛速度与结果精度。

图5 损伤识别过程的适度值收敛曲线

（2）空间桁架结构的设计优化

图6 桁架的初始结构布置

以一个空间网架结构为例，通过优化结构中杆件的截面积和结构布置形式，从而减少材料用量，目标函数如下式所示：

保持相同的算法超参数设置以及粒子评估次数，执行30次的独立运行。优化结果如图7所示，Re-PSO显著提升了收敛速度与结果精度。

图7 设计优化过程中的适度值收敛曲线

（3）大跨斜拉桥有限元模型的线性更新

选取苏通长江大桥的Opensees精细化有限元模型为研究对象，全桥一共9896个节点，15473个单元，如图8所示。

图8 苏通大桥精细化有限元模型

以苏通长江大桥的振动台试验数据的模态识别结果为更新目标，构造下式的目标函数。选取包括材料弹模、几何尺寸等11个参数，开展上述桥梁的线性更新。

保持相同的算法超参数设置以及粒子评估次数，执行10次的独立运行。优化对比结果如图9所示，Re-PSO显著提升了收敛速度与结果精度。

图9 线性更新过程中的适度值收敛曲线

结语

粒子群算法和集群计算技术已广泛应用于日益复杂的工程优化问题中。粒子群算法在长期计算中对于中断问题的抵抗力以及资源的高效利用，是计算资源受限时进行优化计算的关键。本文基于Python以及传统PSO算法，开发了适用于复杂工程优化问题的可恢复粒子群算法，总结如下：（1）通过Python编写可恢复的程序，以极小的额外计算消耗实现了算法中断后的可恢复性；（2）通过CEC测试函数确定了最适用于复杂优化问题的缩减粒子策略，在有限计算资源的条件下，于优化计算的后期缩减粒子数量以增强计算资源的利用效率；（3）通过三个不同类型的实际工程算例验证了Re-PSO在实际工程问题中的适用性。

来源：陆新征课题组

智慧消防设计：AI 自动评估复杂建筑火灾疏散时间

陆童, 曾彦夫, 张予馨, 黄鑫炎香港理工大学郑哲, 陆新征清华大学随着现代建筑规模和复杂性的不断增加，大型公共建筑和重要基建的火灾疏散安全评估面临前所未有的挑战。例如，对于机场航站楼、高铁站、体育场馆等超大空间建筑，由于其复杂的空间结构、较高的人员密度和超长的疏散距离，传统的基于法规的消防疏散设计评估方法已难以满足现代建筑发展的安全需求。针对这些建筑场景的消防安全评估，工程实践中通常采用性能化的消防设计方案(Performance-based design, PBD) ，即通过利用先进的计算模拟和分析工具，以安全性能为导向进行工程设计与评估[1]。其中，安全疏散时间（RSET）是重要的参数，表征建筑内全部人员从火灾发生到疏散至安全的总时间，其精确计算对于建筑设计优化和应急响应策略制定具有重要意义[2]。图1:复杂城市建筑对于传统疏散安全评估的挑战目前的安全疏散时间（RSET）评估主要通过公式计算，以及数值模拟软件（如Pathfinder、FDS+Evac 等），通过场景建模对建筑内的行人疏散过程进行模拟重现。这些方法计算精度较高，已经成为工程范式；但存在设计周期长、设计成本高、操作复杂、专业要求高和合理性审查难等限制。针对上述问题，香港理工大学和清华大学的研究团队合作提出了基于人工智能的智慧疏散评估方法。通过训练AI模型，使其掌握大型建筑内部的疏散行为特征和规律，进而实现在给定建筑图纸和设计条件下的快速精准预测REST。同时，现实中的大型建筑疏散过程往往涉及更为复杂的人员流动模式和空间利用特征。为此，我们以场景内行人密度变化为指标，对AI模型进一步拓展了对疏散过程动态变化的智慧预测，为性能化消防设计提供快速精准的预测和解决方案。复杂建筑场景疏散仿真数据集构建本研究通过收集真实的大型建筑平面图，基于Pathfinder行人疏散模拟，构建了包含66组场景、1,068个疏散案例的大型数据库，涵盖机场航站楼、高铁站、地铁站、展览中心、体育场馆和客运站等6类大型公共建筑。数据库涵盖了不同的空间布局、人员分布密度 (0.5,1,2,4,8 人/m²) 和出口宽度配(2, 4, 6 m)，最大建筑面积达41,845 m²。随后，通过颜色-数值映射字典，将所有建筑平面图转换为512×512像素的标准化输入，实现建筑信息的数字化表达，并采用六维矩阵编码进行数据预处理，即将复杂的建筑信息（边界条件、初始人员分布、出口参数、时间步长、缩尺比例）压缩储存到 512×512×6 的标准化矩阵中，在被AI模块所训练的同时能够最大限度地避免关键信息丢失。图2: 数据集构建及预处理过程基于深度学习的智能疏散预测框架在前期测试中，我们发现大型建筑疏散预测任务对图像精度较高要求，需要至少512×512像素的高分辨率图像才能清晰识别建筑细节。同时，为了避免传统GAN模型 (Generative adversarial network，GAN) 模型在处理高分辨率图像时容易出现的梯度消失和模式崩塌，经横向对比，我们最终采用Pix2PixHD框架以及渐进式训练策略，对所述复杂建筑疏散预测模型进行构建。图3: Pix2PixHD模型框架Pix2PixHD架构采用多尺度生成器和判别器设计。多尺度生成器包括全局生成器（G1）和局部增强器（G2），以及三个不同尺度的判别器（D1-D3），用于渐进式的捕捉疏散过程的宏观模式和局部细节。通过全局生成器，模型先学习整体疏散模式，再通过局部增强器细化局部密度变化，能够有效实现高分辨率图像生成任务。图4: 多尺度生成器和判别器实例展示与验证通过输入预处理后的建筑平面图，预训练后的AI模型可快速输出疏散全过程不同时刻下的人员密度热力图。以下展示了AI模型在真实大型机场航站楼测试案例中的预测表现。可以看到，AI模型能够准确预测疏散过程的整体演变规律：从0秒的初始分布，到20秒的多向疏散启动，再到40秒不同出口的拥堵差异，直至400秒的完全疏散。模型不仅能识别不同区域间的连接关系，还能准确反映人员跨区域流动的复杂过程。该模型还具备处理多功能区域建筑的能力，无论是相互连通的大型会展中心，还是空间分离的大型体育场馆，都能准确预测具有不同初始行人密度的各区域独立疏散过程。对于连通区域，AI 能够智能识别区域间连接点，预测人员跨区域流动；对于分离区域，AI 能够独立评估各区域疏散效率，展现了预测模型良好的训练效果及其强大的泛化能力。通过AI模型预测的疏散过程，我们可以快速提取出建筑的安全疏散时间（RSET）。经过对320组测试集的验证，该AI模型展现出优异的预测性能：当所设置的图像生成间隔为1秒时，所预测的疏散时间相较于Pathfinder模拟的真值预测精度达到约95%。图8: 疏散时间预测误差可视化对比传统方法漫长的设计周期及长时间的建模和计算过程，而AI模型的计算效率实现了革命性提升：AI方法将预测时间缩短至几秒，即使结合预处理过程，完成整个评估也仅需若干分钟。对比传统的CFD软件，AI模型能辅助工程师对建筑的疏散安全性进行快速精准评估，并便于对设计参数进行优化调整，例如出口数量、宽度配置或疏散路径设计，以实现设计最优解。本文小结本文基于深度学习框架提出了大型复杂建筑疏散过程和RSET快速预测评估模型，为大型公共建筑火灾疏散评估提供了高精度、高效率、低成本的AI解决方案。该项成果受香港研究资助局主题研究计划、国家自然科学基金，以及清华-港理工合作科研基金资助，已发表于建筑工程领域的核心刊物《Journal of Building Engineering》[3]。目前，我们正在进一步升级智慧疏散预测模型，使模型能够处理更复杂的疏散场景和更多元的疏散评估参数及指标。同时，基于用户友好的图形操作界面也在进一步构建中，旨在进一步优化所提出的智慧疏散全流程评估过程。研究团队将持续推进相关工作，继续助力实现消防设计和分析的智能化发展。相关链接文献[1] Y. Zeng, Y. Li, P. Du, X. Huang, Smart fire detection analysis in complex building floorplans powered by GAN, J. Build. Eng. 79 (2023) 107858. [2] Y. Zhang, X. Zhang, X. Huang, Design a safe firefighting time (SFT) for major fire disaster emergency response, Int. J. Disaster Risk Reduct. 88 (2023) 103606. [3] T. Lu, Y. Zeng, Z. Zheng, Y. Zhang, X. Huang, X. Lu, AI-Powered Safe Egress Time Assessment for Complex Building Fire Evacuation, Journal of Building Engineering. (2025) 110394. https://doi.org/10.1016/j.jobe.2025.113013来源：陆新征课题组