CN115577934B - 一种基于多智能体强化学习的应急方案更新方法及装置 - Google Patents

一种基于多智能体强化学习的应急方案更新方法及装置 Download PDF

Info

Publication number
CN115577934B
CN115577934B CN202211225326.5A CN202211225326A CN115577934B CN 115577934 B CN115577934 B CN 115577934B CN 202211225326 A CN202211225326 A CN 202211225326A CN 115577934 B CN115577934 B CN 115577934B
Authority
CN
China
Prior art keywords
emergency
determining
elements
scheme
environments
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211225326.5A
Other languages
English (en)
Other versions
CN115577934A (zh
Inventor
孟会行
刘璇
安旭
杨巧巧
邢金朵
耿梦尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing Institute of Technology BIT
Beijing University of Civil Engineering and Architecture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT, Beijing University of Civil Engineering and Architecture filed Critical Beijing Institute of Technology BIT
Priority to CN202211225326.5A priority Critical patent/CN115577934B/zh
Publication of CN115577934A publication Critical patent/CN115577934A/zh
Application granted granted Critical
Publication of CN115577934B publication Critical patent/CN115577934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Security & Cryptography (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书一个或多个实施例提供一种基于多智能体强化学习的应急方案更新方法及装置，包括构建事故应急方案，通过应急情景元间的功能共振关系，确定多条应急链路。基于情景元奖励值，利用强化学习确定自适应性应急方案。考虑约束变量影响，选择区间层次分析法计算控制变量权重。融合多目标函数，建立应急时间、成本与暴露风险多目标优化模型。根据多目标优化结果，优化应急方案。本实施例的方法，结合强化学习，考虑应急情景元间的功能共振关系和约束变量权重影响，构建多目标事故应急优化模型，对事故应急方案进行更新和优化，有助于应急能力的韧性提升。

Description

一种基于多智能体强化学习的应急方案更新方法及装置
技术领域
本发明涉及海上井喷应急方案更新领域，尤其涉及一种基于多智能体强化学习的应急方案更新方法及装置。
背景技术
海上井控事故演化致因复杂，井控经验知识匮乏，多因素耦合易增加事故发生概率。且井喷事故后果严重，易造成生态灾难和严重人员伤亡。而有效的应急技术可以降低井喷事故后果的严重程度。多变的海洋环境严重阻碍事故发生后应急响应动作顺利开展。考虑到应急处置过程中信息的多变性与复杂性，亟需一种针对多变的灾变环境实时调整应急方案的决策方法及装置。
井喷发生后，应急方案的确定需要考虑当前海洋环境及其未来演化趋势。考虑到井喷事故的发展速度与严重后果，应急方案的实时更新需要在更短的时间内实现事故可控。因此，基于各项应急活动之间的功能耦合，利用功能共振关系模型建立多变环境下的应急方案。根据灾变环境下各项应急活动的功效确定奖励值，基于强化学习算法确定应急方案。为了缩短应急方案的时间进程，结合专家决策优化应急方案，优化多变环境下的应急方案实时更新决策效果，有助于在较短时间内实现应急响应效果，降低海上井喷事故的严重后果。
然而，目前尚未考虑海上井喷事故随多变环境的动态决策更新过程，且应急方案的动态优也有助于辅助应急决策。为此，本作品提出一种基于多智能体强化学习的应急方案更新方法及装置，融合功能共振与强化决策，优化应急方案的决策效果，有效保障海上安全作业，为海上安全应急体系提供技术支撑。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于多智能体强化学习的应急方案更新方法及装置，能够优化应急方案。
基于上述目的，本说明书一个或多个实施例提供了一种基于多智能体强化学习的应急方案更新方法，包括：
应急方案构建步骤：采集事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条可选应急链路；
情景元确定步骤：针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路；
应急方案优化步骤：选取应急情景元，采用区间层次分析法确定约束变量权重，建立多目标函数，优化所选取的应急情景单元；
应急方案决策步骤：根据优化结果进行多目标决策，确定决策值更高的应急方案。
可选的，所述采集事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条可选应急链路，包括：
针对不同的灾变环境，确定不同环境下所适用的应急方案，获取多变环境下单应急情景元。
根据情景元之间的功能共振关系，采用功能共振模型建立多变环境下的多条应急链路，形成应急方案体系。
可选的，所述针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路，包括：
专家依据自身在相关领域丰富的研究与从业经验，对不同环境n下的情景元功效赋值，基于强化学习中的Q-learning算法，结合多智能体确定适应于当前环境n的应急链路。
可选的，所述选取应急情景元，采用区间层次分析法确定约束变量权重，建立多目标函数，优化所选取的应急情景单元，包括：
结合专家打分，采用区间层次分析法确定控制变量权重，选取多种方案，依据确定应急情景元分析不同方案下的优化结果，优化所选取的应急情景元。
可选的，所述根据优化结果进行应急时间、成本与暴露风险多目标决策，确定最终决策值更高的应急方案，包括：
对应急方案中情景元进行敏感性分析，分析对应急方案总时长缩短敏感度高的情景元，开展优化决策。
本说明书实施例还提供一种基于多智能体强化学习的应急方案更新装置，包括：
应急方案构建模块，用于采集事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条可选应急链路；
情景元确定模块，用于针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路；
应急方案优化模块，用于选取应急情景元，采用区间层次分析法确定约束变量权重，建立多目标函数，优化所选取的应急情景单元；
应急方案决策模块，根据优化结果进行多目标决策，确定决策值更高的应急方案；
可选的，所述应急方案构建模块，用于采集事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条应急链路。
可选的，所述情景元确定模块，用于针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路。
可选的，所述应急方案优化模块，用于选取应急情景元，采用区间层次分析法确定约束变量权重，建立应急时间、成本与暴露风险多目标函数，优化所选取的应急情景单元。
可选的，对应急方案中情景元进行敏感性分析，分析对应急方案总时长缩短敏感度高的情景元，开展优化决策。
本发明融合功能共振、强化学习与多目标决策，从多条应急链路构建、应急情景元的确定与优化角度建立了一个事故应急方案决策体系。分析多变环境下，应急方案的实时更新，实现动态决策，以优化应急方案情景元，提高应急响应安全可靠性的同时，产生更大的安全效益。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例的方法流程示意图。
图2为本说明书一个或多个实施例在海洋平台失去功能下的敏感性分析结果图。
图3为本说明书一个或多个实施例在海洋平台未失去功能下的敏感性分析结果图。
图4为本说明书一个或多个实施例的装置结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
一种基于多智能体强化学习的应急方案更新方法，如附图1所示，具体实施方案主要包括如下步骤：
S101：采集海上井喷事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元；
获取海上井喷事故应急方案，分析不同环境事故应急特征，根据灾变环境确定自适性应急方案，辨识应急方案情景元。本发明所指环境为自然存在的海上环境，包括所有智能体以外的部分。本发明具体实施例中描述的多变环境为海洋平台的功能失去与否。表1为海洋平台未失去功能的应急方案流程。
表1海上井喷事故应急方案
S102：根据应急情景元之间的功能共振关系，确定多条可选应急链路；
分析应急情景元的输入(Input)、输出(Output)、控制(Control)、前提(Precondition)、时间(Time)和资源(Resource)，基于情景元在这六个方面的耦合关系，将其映射到功能共振模型(FRAM)，构建应急方案。
本发明考虑应急情景元所需时间和资源分配对应急响应的影响，融合资源分配构建了多目标优化模型，确定时间缩短引起成本增大与人员风险暴露。针对应急环境耦合多变，利用功能共振模型建立可视化应急方案，辨识应急情景元间的功能耦合。
S103：针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路；
所述环境是智能体之外的一切。奖励是智能体与环境交互得到的标量值，奖励值的最大化促使智能体行为的成功。智能体是通过在应急活动中观察、执行，并与环境进行交互的人或物。动作是智能体在应急环境中执行的操作。状态是某种环境下特定的功能，每一个状态代表一种功能。
智能体处于环境中，观察并获取功能状态，据此决策并执行相应动作，通过环境反馈的奖励优化其策略，找到最优的应急方案情景元，确定应急方案的具体活动，以进一步优化情景元。
根据专家经验判断，为不同环境下的情景元赋予奖励值，以表示其在整个应急方案中的功效。
根据在当前环境下，各个情景元的奖励值不同，考虑多智能体的应急状态，采取不同的“有效”行动。
采用Q-learning算法，通过Q表评估智能体动作价值，确定智能体的动作是否能累积获得最大奖励值。智能体通过Q网络不断改进当前策略，寻找最优的应急方案策略。
Q(s,a)←Q(s,a)+α[r+γmaxa'Q(s',a')-Q(s,a)] (1)
其中，s'和a'分别是下一步的状态和动作，α是学习率，r是奖励值，γ为折现因子。
基于强化学习中的Q-learning算法，以奖励值最大化为学习目标，与环境作用交互，得到一条奖励值最优链路，可认为，此链路即为当前环境下的最优链路，确定当前环境的海上井喷事故应急体系的情景元。
S104：选取情景元，采用区间层次分析法确定约束变量权重，建立多目标函数。
以S103所得结果为基础，进一步优化应急方案，以缩短应急响应时间。选取应急方案中可以进一步优化的情景元，设定多种优化方案分析各个情景元的优化效果，为优化提供理论基础。
结合专家打分，确定控制变量权重。根据权重计算各个优化方案的奖惩值，以计算优化结果。
构造区间判断矩阵，采用区间层次分析法计算约束变量权重，计算应急方案优化结果。
A＝(aij)n×n＝[A-,A+] (2)
其中，aij为区间数，且/>区间数下限判断矩阵 区间数上限判断矩阵/>
S105：根据情景元与控制变量权重计算优化结果，优化应急情景元，对时间采用敏感性分析，针对敏感度大的情景元进一步确定优化方案，确定应急方案。
本实施例中，结合模型对模型参数进行敏感性分析，通过控制其他参数一定，同等幅度改变某一参数，根据分析结果优化决策，分析结果如附图2和附图3所示。
根据优化结果确定情景元的具体实施情况，确定应急方案。
本发明实施例参考事故案例中对海上井喷事故的处置措施，可有效应对海上井喷事故。一方面可用于识别应急活动中具有功能与可变性耦合关系的情景元，构建应急方案；另一方面考虑了应急响应时间、应急操作成本与应急过程中人员的暴露风险，从综合效益角度优化应急策略，具有一定的科学性，能够为海上井喷事故的应急决策部门提供较为有效可靠的决策依据。
如图4所示，本说明书实施例还提供一种基于多智能体强化学习的应急方案更新装置，包括：
应急方案构建模块，用于采集海上井喷事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条可选应急链路；
情景元确定模块，用于针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路；
应急方案优化模块，用于选取应急情景元，采用区间层次分析法确定约束变量权重，建立多目标函数，优化所选取的应急情景单元；
应急方案决策模块，根据优化结果进行多目标决策，确定决策值更高的应急方案；
为了描述方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于多智能体强化学习的应急方案更新方法，其特征在于，包括：
应急方案构建步骤：采集事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条可选应急链路；
情景元确定步骤：针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路；
应急方案优化步骤：选取应急情景元，采用区间层次分析法确定约束变量权重，建立多目标函数，优化所选取的应急情景单元；
应急方案决策步骤：根据优化结果进行多目标决策，确定决策值更高的应急方案。
2.根据权利要求1所述的方法，其特征在于，针对不同灾变环境，确定不同环境下所适用的应急方案，获取多变环境下应急情景元；根据情景元之间的功能共振关系，采用功能共振模型建立多变环境下的多条应急链路，形成应急方案。
3.根据权利要求1所述的方法，其特征在于，通过专家经验，确定不同环境n下情景元功效值，结合强化学习算法，产生自适应性应急链路。
4.根据权利要求1所述的方法，其特征在于，考虑约束变量影响，利用区间层次分析法计算控制变量权重，融合多智能体和多目标函数，建立应急时间、成本与暴露风险多目标决策模型，根据应急情景元分析不同方案下的优化结果，优化所选取的应急情景元，形成应急优化方案。
5.根据权利要求1所述的方法，其特征在于，对应急方案中情景元进行敏感性分析，得到对应急方案总时长缩短敏感度高的情景元，开展优化决策。
6.一种基于多智能体强化学习的应急方案更新装置，包括：
应急方案构建模块：采集事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条可选应急链路；
情景元确定模块：针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路；
应急方案优化模块：选取应急情景元，采用区间层次分析法确定约束变量权重，建立多目标函数，优化所选取的应急情景单元；
应急方案决策模块：根据优化结果进行多目标决策，确定决策值更高的应急方案。
7.根据权利要求6所述的装置，其特征在于，
所述应急方案构建模块，用于采集事故应急案例构建案例库，针对不同灾变环境获取多变环境下的应急情景元，根据情景元之间的功能共振关系，确定多条可选应急链路。
8.根据权利要求6所述的装置，其特征在于，
所述情景元确定模块，用于针对不同环境n确定情景元的奖励值，基于强化学习确定适应环境n的应急链路。
9.根据权利要求6所述的装置，其特征在于，
所述应急方案优化模块，用于选取应急情景元，采用区间层次分析法确定约束变量权重，建立应急时间、成本与暴露风险多目标函数，优化所选取的应急情景单元。
10.根据权利要求6所述的装置，其特征在于，
所述应急方案决策模块，根据优化结果进行多目标决策，确定决策值更高的应急方案。
CN202211225326.5A 2022-10-09 2022-10-09 一种基于多智能体强化学习的应急方案更新方法及装置 Active CN115577934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211225326.5A CN115577934B (zh) 2022-10-09 2022-10-09 一种基于多智能体强化学习的应急方案更新方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211225326.5A CN115577934B (zh) 2022-10-09 2022-10-09 一种基于多智能体强化学习的应急方案更新方法及装置

Publications (2)

Publication Number Publication Date
CN115577934A CN115577934A (zh) 2023-01-06
CN115577934B true CN115577934B (zh) 2024-03-05

Family

ID=84584259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211225326.5A Active CN115577934B (zh) 2022-10-09 2022-10-09 一种基于多智能体强化学习的应急方案更新方法及装置

Country Status (1)

Country Link
CN (1) CN115577934B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307241B (zh) * 2023-04-04 2024-01-05 暨南大学 基于带约束多智能体强化学习的分布式作业车间调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096152A (zh) * 2016-06-16 2016-11-09 北京航空航天大学 一种基于功能共振分析的飞机安全着陆处理方法
CN109523061A (zh) * 2018-10-22 2019-03-26 哈尔滨工业大学 一种基于情景分析的突发事件应急决策方法
CN114626740A (zh) * 2022-03-25 2022-06-14 中国人民公安大学 基于智能算法的多部门应急资源协同调度效能评估方法
CN114693089A (zh) * 2022-03-14 2022-07-01 北京交通大学 一种基于深度强化学习的大规模城市应急物资分配方法
CN114692290A (zh) * 2021-12-23 2022-07-01 中国人民解放军空军工程大学 一种基于改进fram方法的飞机着陆安全品质分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220092534A1 (en) * 2020-09-18 2022-03-24 International Business Machines Corporation Event-based risk assessment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096152A (zh) * 2016-06-16 2016-11-09 北京航空航天大学 一种基于功能共振分析的飞机安全着陆处理方法
CN109523061A (zh) * 2018-10-22 2019-03-26 哈尔滨工业大学 一种基于情景分析的突发事件应急决策方法
CN114692290A (zh) * 2021-12-23 2022-07-01 中国人民解放军空军工程大学 一种基于改进fram方法的飞机着陆安全品质分析方法
CN114693089A (zh) * 2022-03-14 2022-07-01 北京交通大学 一种基于深度强化学习的大规模城市应急物资分配方法
CN114626740A (zh) * 2022-03-25 2022-06-14 中国人民公安大学 基于智能算法的多部门应急资源协同调度效能评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Applications of innovative accident analysis methods in railways: A review;Mona A. Rad 等;《Canadian & Clod Regions Rail Research Conference 2021》;第241-250页 *
基于 FＲAM-AHP 法的 公务航空飞行事故分析;高扬 等;《安全与环境学报》;第19卷(第3期);第754-160页 *
基于 IAHP 的南海深水井喷 快速应急技术优选;孟会行 等;《安全与环境学报》;第15卷(第2期);第120-123页 *

Also Published As

Publication number Publication date
CN115577934A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
Ghaleb et al. Real-time integrated production-scheduling and maintenance-planning in a flexible job shop with machine deterioration and condition-based maintenance
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
KR102171807B1 (ko) 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법
CN115577934B (zh) 一种基于多智能体强化学习的应急方案更新方法及装置
KR20090078501A (ko) 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치
CN117494292B (zh) 一种基于bim和ai大模型的工程进度管理方法及系统
CN115865992B (zh) 一种智慧水利在线监测系统
Skibniewski A neuro-fuzzy computational approach to constructability knowledge acquisition for construction technology evaluation
CN117436727A (zh) 一种智能水利调度优化系统
CN116523187A (zh) 一种基于bim的工程进度监控方法及其系统
CN117074822A (zh) 充电桩故障诊断方法、计算机设备及存储介质
CN116976862B (zh) 一种工厂设备信息化管理系统及方法
CN117973613A (zh) 一种水环境监测与智能预警系统
CN117314389A (zh) 一种基于物联网的市政管养维护系统
AU2020202134A1 (en) Data driven machine learning for modeling aircraft sensors
Sharma Fuzzy reliability analysis of repairable industrial systems using soft-computing based hybridized techniques
Tanhatalab et al. Deep ran: A scalable data-driven platform to detect anomalies in live cellular network using recurrent convolutional neural network
CN112016240B (zh) 一种相似证据非完全降解设备剩余稳定使用寿命预测方法
CN114091750A (zh) 电网负荷异常预测方法、系统和存储介质
CN116011722A (zh) 一种面向大电网的人机协作的调控方法、模块及装置
CN111160603B (zh) 一种端到端电力通信业务可靠性保障方法及系统
CN111310964B (zh) 一种负荷预测方法及装置
CN113407945A (zh) 一种基于人机协同的规模化Fuzzing优化系统及方法
US20230409003A1 (en) Intelligent edge interrogator, server, and control method of integrated facility safety control system including the intelligent edge interrogator and the server
Mehra et al. Adaptive load-balancing strategies for distributed systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant