基于冲突的路径生成启发式算法在疏散规划中的应用
为了求得最大化撤离人数和最小化撤离时间的优化目标,该研究提出了一种基于约束的调度模型,以优化撤离流量和撤离阶段,保证每个住宅区的非抢占式撤离,其能够在几秒钟内生产出最佳的调度方案,或最佳抢占式的解决方案至多达 6%的误差。
May, 2015
本研究针对灾难管理中的撤离规划问题,结合数学优化和启发式搜索,提出了可优化多种目标函数的规划方法 MIP-LNS 及其进化版 MIP-LNS-SIM,前者在限制时间内能够找到更优的方案,而后者结合基于代理模型的延误评估可同时达到高效的撤离规划和小误差的撤离完成时间预测。实验结果基于休斯顿哈里斯县的道路网络和人口数据,验证了方法的可行性和实用性。
Sep, 2022
本文提出并分析了一个紧急疏散决策支持工具,并探索其在阿富汗撤离行动中的应用。使用马尔科夫决策过程等多种方法捕捉了疏散过程中的不确定性,并比较了不同启发式策略的效果,其中最优的马尔科夫决策过程策略在优先级分类下疏散了最多的人员,并提取其中的重要启发式规则以帮助人类决策者,并希望开源所有工具以促进关于算法在高风险人道主义决策中整合的讨论
Sep, 2022
通过使用激光雷达测绘系统,结合声纳和烟雾浓度数据,本文提出了一种实时确定消防人员搜索路径和平民撤离路径的系统,通过对独立点云数据的合并和简化,以及根据温湿度数据为每个节点标注危险分数,建立了一个环境张量,并通过线性函数逼近基于自然政策梯度强化学习方法,证明其在鲁棒性和速度方面优于更复杂的竞争方法,最后,提出了两个系统(救助者和难民)用于处理环境张量,分别创建安全救援和逃生路线。
May, 2024
通过提出高效的冲突引导方法,避免了计算下一个最佳分配时的瓶颈,以及引入两种算法优化来提高效率和可扩展性,研究表明该算法在实际场景中取得了近一个数量级的加速效果。
Feb, 2024
本文通过采用人工智能和多智能体系统等技术构建了一个仿真模型,旨在增进对人们在危险环境中遇到困境时的反应和应对方法的理解,以提供更高效和有效的疏散策略,从而改善危险区域内个人的安全和福祉。
Jun, 2023
本文利用 Bidirectional A * 算法及三种启发式算法(曼哈顿距离、线性位差和行走距离)解决了 Fifteen Puzzle 问题,并将这三种启发式算法混合运用,有效减少了算法生成状态数和扩展节点数,大大降低了空间复杂度,保证了最优解或接近最优解。
Jan, 2023
本文提出了一个新的方案,使用根据排序树的双射性生成无碰撞的最高效格子路径,在带有凸面和非凸面障碍物的导航场景中使用了十种最先进和相关的自然启发式群体智能算法进行计算研究,展示了实际可行性和效率。我们相信我们的方案可能在离散地图上设计快速算法进行规划和组合优化。
Sep, 2022
采用监督混合量子机器学习优化自然灾害期间汽车紧急疏散计划的潜力研究。研究聚焦于地震紧急情况,将问题建模为一个动态计算图,其中地震会破坏城市的某个区域,居民试图通过到达交通堵塞的出口点来撤离城市。该研究提出了一种新颖的混合监督学习方法,并在具体城市图上对假设情景进行了测试。该方法使用一种新型的量子特征线性调制(FiLM)神经网络,并行于经典 FiLM 网络,以模仿确定动态图上的 Dijkstra 最短路径算法,从而增加了整个模型的表达能力。混合监督学习代理根据 Dijkstra 最短路径的数据集进行训练,能够成功学习导航任务。量子部分相对于纯经典监督学习方法提高了 7% 的准确性,并且该网络在预测中有 45.3% 的重要贡献度,可以在基于离子的量子计算机上执行。结果显示,监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。
Jul, 2023