当地震或台风导致电网瘫痪，如何快速调度多个维修团队恢复供电？传统方法常因路线重叠、顺序混乱延长恢复时间。近日，北京航空航天大学团队提出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，让多团队协同效率显著提升。在228节点电网模拟中，该算法将恢复时间缩短近20%，弹性损失降低14%，为城市基础设施灾后快速重建提供新思路，相关成果发表于《Frontiers of Engineering Management》。

多团队维修为何总“打乱仗”？

基础设施网络（如电网、交通网）是城市的“生命线”，但灾害后的修复堪称“复杂系统工程”。想象一个场景：某区域电网62个节点、186条线路受损，3个维修团队同时作业——A队奔赴城东修复线路，B队却已在附近抢修；C队耗时3小时赶到偏远变电站，却发现关键工具未带齐……这种“各自为战”的混乱，根源在于传统调度方法存在两大短板：

局部最优陷阱：单一团队调度算法（如LSTM）只关注自身效率，可能导致多团队重复作业。例如2021年某台风灾害中，两个团队同时赶往同一变电站，浪费4小时抢修时间。

短视决策困境：人工调度依赖经验，难以预判维修顺序对整体网络的影响。比如优先修复次要线路，可能导致主干电网恢复延迟，数十万用户停电时间延长。

“这就像没有GPS的车队穿越迷宫，每个司机只看眼前路况，整体必然低效。”研究团队表示，多团队协同需破解“路线规划”与“顺序决策”的双重难题，而AI正是突破这一瓶颈的关键。

AI“指挥官”如何调度千军万马？

AC-MCTS算法的核心是“演员-评论家神经网络（ACNN）+蒙特卡洛树搜索（MCTS）”的黄金组合。简单说，ACNN像“军师”提供决策建议，MCTS则像“沙盘推演”模拟最优方案，二者协同实现全局调度。

ACNN的“火眼金睛”：它接收电网实时状态（故障节点位置、团队当前坐标、维修能力），输出“维修优先级地图”。例如，一级变电站（权重>4）故障会被标红，普通线路（权重<2）标蓝，就像急诊室的“三色分诊”系统，确保资源投向最关键处。

MCTS的“时空推演”：基于ACNN的建议，MCTS会模拟未来100步维修动作。比如“团队A先修线路（i,j）再修节点j，团队B同步修复节点k”，通过上万次虚拟演练，计算每种方案的恢复时间和弹性损失（网络功能损失的量化指标）。这种“瞻前顾后”的能力，让算法能提前规避路线冲突，就像下棋时预判对手下一步。

更巧妙的是双层决策机制：舰队层协调多团队分工，避免重复作业；团队层优化个体路线，缩短移动时间。例如在228节点电网中，算法会让高能力团队（如Crew 1，修复一级节点仅需1小时）主攻关键变电站，普通团队负责周边线路，实现“人尽其才”。

模拟测试：恢复时间缩短近20%，弹性损失降低14%

团队在Python中模拟了4种电网灾害场景（故障节点34-62个），对比AC-MCTS与PPO、DDPG等5种主流算法。在最严重的Case 1中：

• 恢复速度：AC-MCTS耗时984小时，较传统HHG方法（1011小时）缩短2.7%，较先进的PPO算法（1034小时）缩短4.8%；若增加至5个团队，恢复时间进一步压缩至670小时。
• 恢复质量：弹性损失（RL）降至202.45，较HHG方法（256.5）降低21%，意味着网络功能损失更小。
• 效率稳定性：面对62个故障节点，AC-MCTS运行时间仅97.6秒，而传统ASC算法需312秒，证明其在大规模灾害中仍能高效决策。

“这相当于将原本10天的恢复周期压缩到8天，减少数亿元经济损失。”团队强调，算法的优势在多团队场景下更明显——团队越多，协同优化空间越大，传统方法的调度混乱问题也越突出。

从模拟到现实：AI调度离实战还有多远？

目前，该算法已在228节点电网模拟中验证有效性，但尚未应用于真实灾害场景。研究团队表示，下一步将重点突破两大瓶颈：一是动态环境适应，比如应对灾害现场突发的道路堵塞、团队失联；二是多网络协同，如同时调度电网、水网、交通网的维修资源。

专家认为，这种“AI+基础设施韧性”的范式，为城市防灾减灾提供了新工具。未来，当地震、台风等灾害发生时，AI或许能成为“隐形指挥官”，让维修团队像精密齿轮般高效运转，更快恢复城市“生命线”。

来源: 工程管理前沿