大型商场应急疏散能力评价方法主要包括：层次分析法、模糊综合评价法、灰色评价法等，这些评价方法在应用过程中依靠主观因素，因此，评价结果不够准确。人工神经网络具有自适应学习能力，可以处理内部关系复杂的系统，小波分析具有较好的逼近性能，能够更好地处理非线性问题，因此可以将小波分析和人工神经网络结合起来，从而有效地提高神经网络的自适应能力。可以利用小波神经网络对大型商场应急疏散能力进行综合评价，此外，为了能够提高评价效果，利用粒子群算法对小波神经网络进行优化，进而能够提升小波神经网络的精度和效率。通过评价结果，提出大型商场应急疏散能力提高措施，从而完善大型商场应急疏散的环境，保障人民的生命安全〔1-2〕。

王国维先生在《玉溪生诗年谱会笺序》中说“是故由其世以知其人，由其人以逆其志，则古诗虽有不能解者寡矣”，笔者察其世、逆其志，最终更为认同“燕与雁”之释。以下从三个方面进行阐释：

1 小波神经网络的基本理论

小波神经网络的基本思路是神经网络隐含层的神经元以小波函数或者小波尺度函数作为激励函数。

小波神经网络的理输入变量和输出变量的关系表达式如(1)所示〔3〕：

 

(1)

式中：X为代小波神经网络的输入向量，输入向量的形式如(2)所示：

大型商场应急疏散能力划分为5个等级，其中评价值为90分以上时，其疏散能力为优秀；评价值处于80～90之间时，其应急疏散能力为良好；评价值处于70～80之间时，其应急疏散能力为一般；评价值处于60～70分之间时，其应急疏散能力为及格；评价值低于60分时，其应急疏散能力为不及格。

(2)

φ(x)=cos(1.75x)e-x2/2

利用改进粒子群算法能够对小波神经网络的参数进行优化。

未来，区块链与IoT这2种技术将进一步融合，面向IoT安全的区块链技术也将逐渐兴起。共识效率更高、存储空间更小、绿色环保的安全区块链技术更能适应新型IoT技术的需求；而容错率高、鲁棒性强、去中心化的IoT安全管控势必会推进区块链应用技术的发展。

(3)

ωij为小波神经网络中节点i与节点j之间的权重；φj为隐含层节点j的激励函数，即小波基函数；bjk为小波基函数的伸缩因子；rj为小波基函数的平移因子；l、m、n分别代表了隐层节点的数量、输入节点的数量和输出节点的个数。

在优化过程中，先进行粒子群速度的初始化，第个j粒子在m维寻优空间中的位置与速度向量可以表示xj为和vj。

针对大型商场紧急疏散评价问题的特点，利用Morlet小波函数做为隐含层神经元的激励函数，函数的形式如(4)所示〔4〕：

Y为小波神经网络的输出向量，输出向量的形式如(3)所示：

(4)

Y=[y1,y2,y3,…，yn]

2 改进粒子群算法的数学模型及流程

财务模型主要包括三个部分，输入条件与敏感性方案、计算过程和输出结果。输入条件主要是与项目相关的日期、技术参数、融资条件、税率、会计要求等。计算过程主要涉及项目收入、运营费用、税负、运营现金流和还款等。输出结果包含项目的主要经济预测，包括项目资金投入需求、项目回报和偿债覆盖率等。

在大型商场应急疏散能力评价指标系统构建的过程中，坚持科学性、可行性、全面性的原则，依据已有的规范和大型商场的应急疏散措施，并且分析以往发生的大型商场突发事故，最终确定了相应的评价指标体系，第一级评价指标包括应急疏散措施(I1)和应急疏散管理措施(I2)。其中，应急疏散措施(I1)包括以下二级指标疏散楼梯(I11)、安全出口(I12)、疏散走道(I13)、安全指示装置(I14)、事故照明措施(I15)、防烟排烟设施(I16)、疏散门(I17)、报警系统高(I18)、通讯设施(I19)、辅助应急疏散设施(I10)。应急疏散管理措施(I2)包括以下几个二级指标：应急计划(I21)、安全教育和培训(I22)、应急组织机构(I23)、安全规章(I24)、购物人基本状态(I25)、商场营业时实际人数(I26)和客流量高峰期(I27)

常规的粒子群算法存在很多不足之处，如算法所获得的最终解通常为局部最优解，而且非常容易出现早熟现象，这些缺陷都不利于大型商场紧急疏散能力评价准确性的提高，所以，提出了常规粒子群算法的改进算法，相应的表达式如(5)、(6)所示〔5-6〕：

 

(5)

xj(t+1)=xj(t)+vj(t+1)

(6)

式中：CR表示交换系数， 01与c2表示加速因子，r1与r2为随机数，且是介于0﹤r1,r2﹤1，粒子的位置与速度能够依据式(5)和(6)进行持续更新，最终可以寻找到求解空间中最优解，从而能够获得全局最优解。

3 大型商场应急疏散能力评价体系

在寻优阶段粒子群中粒子位置与速度能够用于获得粒子所经过的位移，利用m表示粒子群的规模，按照目标函数能够确定适应度函数，同时可以求解出粒子群中各个粒子的适应度。从而能够持续地更新粒子群个体和全局极值，个体极值Pj与全局极值Pwj。

X=[x1,x2,x3,…，xm]

党和国家高度重视改善少数民族及西部、贫困地区办学条件 贫困地区义务教育是我国教育事业的“短板”。新世纪初，全国仍有40%的义务教育学校、4700多万学生分布在贫困地区，涉及1100多个贫困县。一些村小和教学点运转比较困难，教师队伍不够稳定，学生辍学率相对较高。这是巩固提高“普九”成果、推进教育公平最难啃的“硬骨头”。推进基本公共教育服务均等化，尽快改变少数民族地区、西部及贫困地区义务教育的落后面貌，是实现全国义务教育均衡发展，为这些地区与全国同步基本实现教育现代化打下坚实基础，是基本实现教育现代化目标的紧迫任务。

4 大型商场应急疏散能力评价仿真分析

为了能够验证基于改进粒子群算法优化的小波神经网络的有效性，利用该方法对某省10个大型商场进行应急疏散能力的评价仿真分析。仿真程序利用MATLAB软件编制，改进粒子群算法的基本参数取值如下所示：CR=0.35，ω=0.15，c1=c2=1.8，粒子群的规模350。同时利用常规的粒子群算法对小波神经网络进行参数优化，最终的迭代曲线对比图如图1所示。

按1.3.1节方法制得的澄清剂，取100 mL20%vol和72%vol红枣白兰地各5份，分别加入4 g水不溶玉米面，0.4 mL壳聚糖、明胶、硅藻土、皂土溶液，静置24 h，测定离心管上清液在400 nm和700 nm波长处的吸光度值。

  

图1 基本两种不同算法的小波神经网络参数优化仿真迭代曲线

从图1可以看出，相对于常规粒子群算法改进粒子群算法具有更好收敛效率，能够获得更优的适应度，所以，能够有效地提高小波神经网络的评价性能，获得更为准确的大型商场应急疏散能力评价结果。

利用改进粒子群算法优化小波神经网络对10个大型商场进行应急疏散能力评价仿真分析，评价结果见表1。

本次研究数据使用SPSS22.0进行统计学分析,计数资料采用(%)表示,以X2检验,计量资料采用(±s)表示,以t值检验,P<0.05表示研究具有统计学意义。

 

表1 评价结果

  

大型商场序号应急疏散能力评价值应急疏散评价结果160.7及格277.4一般383.5良好481.6良好576.4一般677.9一般785.3良好895.2优秀988.4良好1076.7一般

从评价结果可以看出这10个大型商场的应急疏散能力的实际状况，可以找出每个大型商场在应急疏散方面的薄弱环节，从而采用措施加强薄弱环境。其中序号为8的大型商场评价结果为优秀，表明该商场在应急疏散管理和设施方面比较完善，因此，相对应急疏散能力较差的大型商场可以吸取该大型商场的优秀做法，从而能够不断提升自身的应急疏散能力。

5 结论

大型商场的应急疏散能力是确保人们安全购物的前提，将改进粒子群算法应用于大型商场应急疏散能力评价具有非常重要的意义，能够确保大型商场的安全性，能够保证人们的生命和财产安全。利用改进粒子群算法优化的小波神经网络对10个大型商场的应急疏散能力进行了评价仿真分析，获得了每个大型商场的应急疏散状况，从而为大型商场在应急疏散管理和应急疏散设施方面的改进提供有利的理论依据。

参考文献

〔1〕吴广, 江辉仙, 陈芬. 大型商场及其周边应急疏散空间动态分配研究〔J〕. 福建师范大学学报：自然科学版, 2016, (1):94-101.

〔2〕张培红, 尚融雪, 姜泽民, 等. 大型商场人员疏散行为的调查和分析〔J〕.东北大学学报：自然科学版, 2011, (3):439-442.

〔3〕崔博文. 基于小波神经网络的逆变器功率开关故障诊断〔J〕. 集美大学学报：自然科学版, 2017, (1):46-52.

〔4〕范丽伟, 代杰, 尹俊超. 基于改进型小波神经网络的油价预测〔J〕. 统计与决策, 2017,(12):85-88.

〔5〕施泉生, 陆亚南, 张圣富. 基于改进粒子群算法的DG功率因数优化模型研究〔J〕. 上海电力学院学报, 2017, (3):216-220,228.

〔6〕鲍祚睿, 孙强, 韩林. 一种基于改进粒子群算法的主动配电网优化运行分析方法〔J〕. 自动化应用, 2017, (5):116-118,121.