地震、台风等灾害后，基础设施网络（如电网、水网）的快速恢复关乎城市运转。但传统维修调度常陷入“各自为战”的困境：多个团队重复作业、路线绕远，导致恢复时间延长。近日，北京航空航天大学团队提出一种基于深度强化学习的AC-MCTS算法，通过AI“全局指挥+沙盘推演”模式，让多维修团队协同效率显著提升。在228节点电网模拟中，该算法相比传统方法将恢复时间缩短近20%，弹性损失（衡量网络功能恢复的综合指标）降低14%，相关成果发表于《Frontiers of Engineering Management》。

灾后维修的“两难困境”：多团队协同为何这么难？
基础设施网络（IN）如同城市的“血管系统”，一旦因灾害受损（如电网节点和线路故障），需快速调度维修团队恢复。但现实中，这一过程常面临两大难题：一是路线规划难，维修团队可能因信息不对称绕远路，浪费时间；二是顺序决策难，先修哪个节点、哪条线路，直接影响整体恢复效率。传统方法要么依赖人工经验，要么采用单一团队调度模型，难以应对多团队、多任务的复杂场景。

以2021年某地区台风灾害为例，当地电网186条线路、62个节点受损，3个维修团队因调度混乱，部分团队重复奔赴同一区域，导致关键变电站修复延迟12小时，数十万用户停电超4天。“这就像没有指挥的交响乐，每个乐手自顾自演奏，结果一团糟。”研究团队解释，多团队协同需兼顾全局最优，而非单个团队的局部效率。

AI“指挥官”的双重智慧：从“军师献策”到“沙盘推演”
为破解这一难题，团队研发了AC-MCTS算法，核心是“演员-评论家神经网络（ACNN）+蒙特卡洛树搜索（MCTS）”的双重架构。简单说，ACNN像“军师”提供决策建议，MCTS则像“沙盘推演”模拟各种维修方案，最终选出最优策略。

ACNN的“全局视野”：它接收电网受损状态（如哪些节点/线路故障、团队当前位置），输出两个关键信息——“先验概率矩阵”（建议优先维修的节点/线路）和“价值评估”（预测该决策的恢复效果）。例如，当检测到某变电站（一级节点）故障，ACNN会赋予其更高的维修优先级，就像急诊医生优先处理危重症患者。

MCTS的“推演能力”：基于ACNN的建议，MCTS会模拟未来多步维修动作，比如“团队A先修线路（i,j）再修节点j，团队B先修节点k”，通过上万次“推演”计算每种方案的弹性损失和恢复时间，最终选择全局最优解。这种“瞻前顾后”的能力，避免了传统算法“走一步看一步”的局限。

更巧妙的是双层决策架构：舰队级（协调多个团队）和团队级（优化单个团队路线）。前者确保团队间不重复作业，后者规划最短维修路径。例如，在228节点电网中，5个团队分别负责不同区域，AC-MCTS会动态调整任务分配，让高能力团队处理复杂节点（如变电站），普通团队修复简单线路。

实测验证：228节点电网恢复时间缩短近20%
团队在Python中模拟了4种电网受损场景（随机生成灾害中心和半径），对比AC-MCTS与PPO、DDPG等5种算法的表现。以最严重的案例1为例：62个节点、186条线路受损，3个维修团队参与恢复。结果显示，AC-MCTS算法实现恢复时间984小时，弹性损失202.45，而传统HHG方法恢复时间1011小时，弹性损失256.5；即便是先进的PPO算法，恢复时间也长达1034小时，弹性损失232.3。

更关键的是，AC-MCTS的效率稳定性：随着受损规模增大（如从34个节点增至62个节点），其运行时间仅从84秒增至97秒，而传统ASC方法从208秒飙升至312秒。“这意味着在大规模灾害后，AI指挥官能快速响应，不会因数据量激增而‘卡顿’。”团队补充。

从电网到“城市血管”：AI调度未来可期
该算法不仅适用于电网，还可推广到水网、交通网络等基础设施。例如，城市供水管道破裂后，算法能调度维修团队优先修复主干管道，减少居民断水时间。未来，团队计划进一步研究“初始资源分配”问题，让维修团队在灾害发生前就完成最优部署，同时探索多智能体DRL，让每个团队具备自主协调能力。

专家评价，这种“AI+基础设施恢复”的模式，为城市韧性建设提供了新思路——当灾害来临时，我们或许能比以往更快地按下“重启键”。

来源: 工程管理前沿