从仿真到学习:紧急管理中多智能体系统的综合综述

《Neurocomputing》:From simulation to learning: A comprehensive review of multi-agent systems in emergency management

【字体: 大 中 小 】 时间:2026年05月06日 来源:Neurocomputing 6.5

编辑推荐:

  金鑫|郭腾蛟|詹大志|曹琦中国重庆联合物流支持工程大学摘要在过去的二十年里,多智能体系统(MAS)在应急管理(EM)领域经历了显著的技术演变。本文综述了2005年至今的相关研究,以追踪这一发展进程。早期阶段的主要特点是基于仿真的MAS,它们用于模拟灾害动态并评估疏散或响应计划。后

  
金鑫|郭腾蛟|詹大志|曹琦
中国重庆联合物流支持工程大学

摘要

在过去的二十年里,多智能体系统(MAS)在应急管理(EM)领域经历了显著的技术演变。本文综述了2005年至今的相关研究,以追踪这一发展进程。早期阶段的主要特点是基于仿真的MAS,它们用于模拟灾害动态并评估疏散或响应计划。后续研究转向了以优化为核心的MAS,这些系统运用市场机制、联盟形成和分布式算法来协调任务和分配资源。最近,基于学习的MAS的出现,借助模仿学习和强化学习,实现了在不确定性条件下的自适应实时决策。我们分析了每种范式的架构、算法和应用,强调了它们在解释性建模、规定性协调和动态适应方面的优势,同时也指出了在可扩展性、安全性、验证和人机集成方面存在的持续挑战。通过描绘从仿真到学习的演变轨迹,本文提供了MAS如何将应急管理从静态规划转变为智能、数据驱动响应的结构性概述。

引言

应急管理(EM)是一种旨在减轻自然和人为灾害不利影响的关键社会职能。它是提升城市韧性和保护社会系统的运营核心。在气候变化加剧和城市基础设施日益互联的时代,灾害的频率、规模和复杂性都在增加,这对响应系统的可靠性和稳健性提出了前所未有的要求[1],[2]。为了系统地应对这些不断变化的威胁,应急管理被构建为一个以可靠性为中心的循环过程,包括四个相互依赖的阶段:减灾、准备、响应和恢复[3]。每个阶段都面临不同的运营挑战,共同需要智能、自适应和协调的解决方案。
传统的应急管理主要依赖于集中式的指挥和控制结构。在这种模式下,中央权威机构负责信息收集、计划制定和指令发布。尽管这种方法确保了明确的責任制和集中式的监督,但它本质上容易受到通信瓶颈、信息处理延迟和单点故障的影响,这些限制在大规模或快速发展的危机中尤为突出[4],[5]。此外,利益相关者(如消防部门、医疗团队、公用事业提供商、志愿者和受影响公民)之间的本质异质性,加上他们不同的运营约束和目标,从根本上挑战了所有应急管理阶段的有效集中协调。
为了解决这些限制,多智能体系统(MAS)范式作为一个有前途的框架应运而生,用于建模和支持应急管理操作。基于分布式人工智能的MAS将应急生态系统概念化为一个由自主的、目标驱动的实体(称为智能体)组成的网络。这些智能体能够感知周围环境,思考潜在行动,并与同伴进行沟通,共同追求共享或互补的目标。每个智能体可以代表一个物理实体(例如无人机或救护车)、一个人类角色(例如事件指挥官),或一个抽象功能(例如风险评估模块)。这种去中心化的架构为现代应急管理提供了所需的基础能力:模拟复杂场景、实现快速而稳健的优化,并支持自适应的实时响应[6]。
在过去的二十年中,应急管理中的多智能体系统经历了显著的技术演变。最初,MAS主要被用作探索灾害动态、疏散行为和政策影响的仿真工具[7]。随后,研究转向了以优化为核心的MAS,利用拍卖机制、联盟形成和分布式规划来解决应急管理中的资源分配和任务协调问题[8]。最近,该领域进入了基于学习的MAS时代,智能体通过强化学习和模仿学习在不确定性下动态调整策略。这标志着从预先制定的协调向自适应、数据驱动的智能的根本转变[9]。
尽管取得了这些进展,但仍然缺乏系统性的综述,来全面追踪MAS在应急管理中从仿真到优化再到学习的演变过程。本文通过提供以范式为中心的分析,旨在为研究人员和实践者提供必要的见解,以开发更智能、更自适应、更易于部署的应急管理解决方案。
本文的其余部分安排如下。第2节首先进行文献计量学和主题分析,以描绘该领域的知识体系和演变历程。在此基础上,本文围绕三个核心的MAS范式进行结构化阐述:基于仿真的(第3节)、以优化为核心的(第4节)和基于学习的(第5节)。对于每种范式,我们分析了其代表性的架构和应用,并对其优势、局限性和有前景的发展路径进行了批判性讨论。最后,结论部分(第6节)总结了本文的总体见解,并提出了指导未来研究和实践的具体建议。

节选内容

材料、方法论和文献计量分析

本综述采用了一种综合的方法论,结合了系统文献回顾和文献计量学分析,以实证追踪应急管理中MAS从仿真到优化再到学习的演变过程。下一节详细介绍了数据来源和分析程序,然后展示了过去二十年MAS研究中的关键趋势、主题转变和知识里程碑。

用于应急仿真的多智能体系统

在应急管理中,MAS主要用于构建计算仿真,以实现三个相互关联的科学和运营目标:现象模拟、机制解释和应急计划评估[11]。通过将疏散者、响应者、基础设施和危害视为遵循局部规则和交互的自主智能体,基于MAS的仿真能够再现难以直接观察到的复杂、涌现的灾害动态。这使研究人员能够

用于应急管理的多智能体系统优化

除了仿真能力外,多智能体系统还提供了优化潜力,以应对应急管理中的一个核心运营挑战:在不确定性、时间压力和资源稀缺的情况下做出有效决策。这导致了以优化为核心的MAS的发展,其中智能体不仅具备自主性和感知能力,还拥有目标函数、效用模型和协调协议,使他们能够共同解决复杂的分配和调度问题

用于应急管理优化的基于学习的智能体系统

应急管理问题的内在NP难度和动态复杂性,加上大规模精确优化的计算复杂性,推动了向基于学习的MAS的根本转变。这种新范式超越了对庞大组合空间的显式搜索,使智能体能够直接从数据和互动中学习有效的决策策略,从而实现高质量的实时响应,而不需要

3 用于应急仿真的多智能体系统,3.1 技术框架和建模方法,3.2 应急管理中的基于多智能体的仿真,3.3 优点和局限性,4 用于应急管理的多智能体系统优化,4.1 技术框架和优化算法,4.2 应急管理中的基于多智能体的优化,4.3 优点和局限性,5 用于应急管理优化的基于学习的智能体系统提供了详细

金鑫:撰写——初稿,方法论,调查,形式分析,数据管理,概念化。郭腾蛟:可视化,方法论,形式分析,数据管理。詹大志:验证,软件,数据管理。曹琦:撰写——审稿与编辑,监督,资源管理,项目统筹,概念化。

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

本项工作得到了中国重庆市自然科学基金的支持,项目编号为cstc2024ycjh_bgzxm0111。

金鑫于2023年在中国青岛的山东大学获得控制科学与技术博士学位。他目前是中国重庆联合物流支持工程大学的博士后研究员。他的研究兴趣包括人工智能、神经网络、深度强化学习、组合优化和应急管理。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号