地震、臺風等災害后，基礎設施網絡（如電網、水網）的快速恢復關乎城市運轉。但傳統維修調度常陷入“各自為戰”的困境：多個團隊重復作業、路線繞遠，導致恢復時間延長。近日，北京航空航天大學團隊提出一種基于深度強化學習的AC-MCTS算法，通過AI“全局指揮+沙盤推演”模式，讓多維修團隊協同效率顯著提升。在228節點電網模擬中，該算法相比傳統方法將恢復時間縮短近20%，彈性損失（衡量網絡功能恢復的綜合指標）降低14%，相關成果發表于《Frontiers of Engineering Management》。

災后維修的“兩難困境”：多團隊協同為何這么難？
基礎設施網絡（IN）如同城市的“血管系統”，一旦因災害受損（如電網節點和線路故障），需快速調度維修團隊恢復。但現實中，這一過程常面臨兩大難題：一是路線規劃難，維修團隊可能因信息不對稱繞遠路，浪費時間；二是順序決策難，先修哪個節點、哪條線路，直接影響整體恢復效率。傳統方法要么依賴人工經驗，要么采用單一團隊調度模型，難以應對多團隊、多任務的復雜場景。

以2021年某地區臺風災害為例，當地電網186條線路、62個節點受損，3個維修團隊因調度混亂，部分團隊重復奔赴同一區域，導致關鍵變電站修復延遲12小時，數十萬用戶停電超4天。“這就像沒有指揮的交響樂，每個樂手自顧自演奏，結果一團糟。”研究團隊解釋，多團隊協同需兼顧全局最優，而非單個團隊的局部效率。

AI“指揮官”的雙重智慧：從“軍師獻策”到“沙盤推演”
為破解這一難題，團隊研發了AC-MCTS算法，核心是“演員-評論家神經網絡（ACNN）+蒙特卡洛樹搜索（MCTS）”的雙重架構。簡單說，ACNN像“軍師”提供決策建議，MCTS則像“沙盤推演”模擬各種維修方案，最終選出最優策略。

ACNN的“全局視野”：它接收電網受損狀態（如哪些節點/線路故障、團隊當前位置），輸出兩個關鍵信息——“先驗概率矩陣”（建議優先維修的節點/線路）和“價值評估”（預測該決策的恢復效果）。例如，當檢測到某變電站（一級節點）故障，ACNN會賦予其更高的維修優先級，就像急診醫生優先處理危重癥患者。

MCTS的“推演能力”：基于ACNN的建議，MCTS會模擬未來多步維修動作，比如“團隊A先修線路（i,j）再修節點j，團隊B先修節點k”，通過上萬次“推演”計算每種方案的彈性損失和恢復時間，最終選擇全局最優解。這種“瞻前顧后”的能力，避免了傳統算法“走一步看一步”的局限。

更巧妙的是雙層決策架構：艦隊級（協調多個團隊）和團隊級（優化單個團隊路線）。前者確保團隊間不重復作業，后者規劃最短維修路徑。例如，在228節點電網中，5個團隊分別負責不同區域，AC-MCTS會動態調整任務分配，讓高能力團隊處理復雜節點（如變電站），普通團隊修復簡單線路。

實測驗證：228節點電網恢復時間縮短近20%
團隊在Python中模擬了4種電網受損場景（隨機生成災害中心和半徑），對比AC-MCTS與PPO、DDPG等5種算法的表現。以最嚴重的案例1為例：62個節點、186條線路受損，3個維修團隊參與恢復。結果顯示，AC-MCTS算法實現恢復時間984小時，彈性損失202.45，而傳統HHG方法恢復時間1011小時，彈性損失256.5；即便是先進的PPO算法，恢復時間也長達1034小時，彈性損失232.3。

更關鍵的是，AC-MCTS的效率穩定性：隨著受損規模增大（如從34個節點增至62個節點），其運行時間僅從84秒增至97秒，而傳統ASC方法從208秒飆升至312秒。“這意味著在大規模災害后，AI指揮官能快速響應，不會因數據量激增而‘卡頓’。”團隊補充。

從電網到“城市血管”：AI調度未來可期
該算法不僅適用于電網，還可推廣到水網、交通網絡等基礎設施。例如，城市供水管道破裂后，算法能調度維修團隊優先修復主干管道，減少居民斷水時間。未來，團隊計劃進一步研究“初始資源分配”問題，讓維修團隊在災害發生前就完成最優部署，同時探索多智能體DRL，讓每個團隊具備自主協調能力。

專家評價，這種“AI+基礎設施恢復”的模式，為城市韌性建設提供了新思路——當災害來臨時，我們或許能比以往更快地按下“重啟鍵”。

來源: 工程管理前沿