基于图神经网络增强的去中心化多智能体强化学习在体育场馆动态调度优化中的应用

《Buildings》：Graph Neural Network-Driven Adaptive MARL with Meta-Learning for Resilient Dynamic Optimization of Sports Building Facilities

　　我们提出了一种基于图神经网络（GNN）增强的去中心化多智能体强化学习（MARL）框架，用于体育场馆的动态调度优化，以解决传统集中式方法的局限性。该系统将每个设施建模为一个自主智能体，通过近端策略优化学习自适应策略，其中局部观测信息包括实时占用率、能耗和用户偏好。全局协调通过基于图神经网络的通信协议实现，该协议将建筑物视为一张图——节点代表设施，边编码设施间的连接关系——从而捕捉设施之间的时空依赖关系。该框架引入了优先经验回放机制，以应对设备故障或需求激增等突发事件，确保在模拟真实场景中的稳健适应能力。此外，奖励函数动态平衡占用率利用率、能效和用户满意度，并通过元学习调整自适应权重。所提方法通过将智能体动作转化为暖通空调、照明和人员排班的控制信号，与现有设施管理系统进行对接。该框架采用Vision-Transformer混合架构和GraphSAGE架构实现，支持联邦学习以在设施之间保护数据隐私。模拟实验结果表明该方法取得了显著提升，表明其在大尺度、异构环境中具有强大的部署潜力。本研究通过在保持图结构通信的全局协调的同时实现去中心化决策，推动了智能建筑管理技术的最新进展。