本论文提出一种基于冲突路径生成方法的疏散规划，旨在通过优化在生成路径时添加新问题的方式来减少问题中运算的变量数量，以实现在实时情况下解决大规模疏散方案。该方法用于解决西悉尼 Hawkesbury-Nepean 河流大规模洪水情况下的疏散问题，研究结果表明，该方法可有效支持战略、战术和操作环境下的疏散规划。

Sep, 2013

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

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

该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法，以优化机场地勤中的车队调度，实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀，并在不同情况下表现出了很好的鲁棒性和广泛适用性。

Feb, 2023

在本文中，我们提出了一种多智能体路径规划算法 MANF-RL-RP，它采用了全局 - 局部双信息处理和异构多智能体系统的定制模型结构等多个高效设计，用于优化在灾害中包括无人机、工作者和汽车在内的一组代理的任务完成率。通过基于丰富的仿真数据进行的实验证明，与基准算法 Greedy-SC-RP 和 MANF-DNN-RP 相比，MANF-RL-RP 在任务完成率方面显著提高。

Aug, 2023

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

本文介绍一种利用遗传算法和模拟退火算法相结合的优化框架来改善室内导航策略，实现人员之间的空间距离，提高空间利用效率的方法。

Jun, 2022

我们提出了基于多智能体可扩展图神经网络的分层规划器 (MASP)，用于具有大量智能体的导航任务，通过将搜索空间分成多个较小的空间以减少复杂度和加快训练收敛速度，并利用图神经网络建模智能体和目标之间的相互作用，提高目标实现能力，并在未见过的团队规模工作场景中展示了零 - shot 泛化能力。

Dec, 2023