Page 152 - 公共安全与应急管理研究

公共安全与应急管理研究
Research on Public Safety and Emergency Management

启发式规则实现更优的性能，主要包括演化算法和搜索算法两类。其中，遗传算
法、蚁群算法和粒子群算法等演化算法的特点是具有全局搜索能力，同时能够很

好地处理大规模的任务调度问题；贪心算法、禁忌搜索算法和模拟退火算法等搜
索算法则是从初始解出发，不断搜索邻域空间并有选择地向优质解移动。随着人
工智能的发展，使用机器学习算法来优化任务调度问题受到了广泛的研究。例如，
通过构建神经网络模型，可以根据任务预测结果以及当前资源使用情况，选择最

优资源分配方案；通过强化学习的方法，可以让各节点根据当前环境和状态进行
任务调度以最大化长期调度收益。
尽管上述算法在特定应用场景中表现出不错的性能，但应用效果大多与问题

场景、任务与资源特征紧耦合。另外，许多算法与模型之间也存在紧耦合的问题，
例如应用深度强化学习算法的前提是调度问题可以被描述为马尔可夫决策过程。
为了增强对 SAGIECN 中复杂的任务调度问题的通用性和灵活性，研究算法和模
型解耦、算法灵活合理搭配的任务调度框架具有重要实践意义。

第四节 应急通信网络智能规划

一、应急通信网络规划研究发展

应急通信资源通常都是在灾后紧急调入，临时替代和恢复灾区的救援指挥调
度和公共通信服务，由于事发突然、环境恶劣，完全符合灾区通信需求的装备较

少，且涵盖有线通信、无线通信和互联网通信等多个通信领域，使得应急通信网
络的规划需综合考虑各类资源的综合运用方法。为了保障紧急救援以及灾区必要
的通信服务，应急场景下的通信网络规划主要解决突发事件发生时通信用户剧增、
通信量增多与现有通信资源严重不足的问题，其网络规划目标可抽象为在给定资

源最小的情况下，取得容量扩充、网络覆盖和服务质量之间的平衡点。学术界为
解决应急通信网络的合理规划问题提出了一系列的方法。但这些网络规划方法本
质上是在各种条件的限定下对可行解的优化搜索，以达成可行解集合的收敛，仍

是继承于“穷尽式”暴力搜索的“机器思维”，其适用范围和准确率仍存在着很
多限制，且其搜索的周期时间也较长，有时甚至需要在可行解集合中进一步依托
规划人员的工作经验实施人工影响和干预，通常很难得到最佳的网络规划方案。

138