城市洪涝中的熵约束策略优化：一个集成大语言模型与知识图谱的多智能体框架
人工智能
2025-08-21 v1
摘要
近年来，极端城市降雨事件的日益频繁给应急调度系统带来了重大挑战。城市洪涝常常导致严重的交通拥堵和服务中断，威胁公共安全与出行。然而，有效的决策制定仍面临三个关键挑战：(1) 管理竞争性目标（例如，交通流量、任务完成和风险缓解）之间的权衡需要动态的、情境感知的策略；(2) 快速变化的环境条件使得静态规则力不从心；(3) 大语言模型 (LLM) 生成的策略常常遭受语义不稳定和执行不一致的问题。现有方法无法在统一框架内对齐感知、全局优化和多智能体协调。为应对这些挑战，我们引入了 H-J，一个集成了知识引导提示、熵约束生成和反馈驱动优化的分层多智能体框架。该框架建立了一个从多源感知到策略执行和持续优化的闭环流程。我们在真实城市拓扑和降雨数据上，于三种代表性条件下评估了 H-J：极端降雨、间歇性暴雨和日常小雨。实验表明，H-J 在交通顺畅度、任务成功率和系统鲁棒性方面均优于基于规则和强化学习的基线。这些发现突显了基于不确定性感知、知识约束的 LLM 方法在增强城市洪涝响应韧性方面的潜力。
引用
@article{arxiv.2508.14654,
title = {Entropy-Constrained Strategy Optimization in Urban Floods: A Multi-Agent Framework with LLM and Knowledge Graph Integration},
author = {Peilin Ji and Xiao Xue and Simeng Wang and Wenhao Yan},
journal= {arXiv preprint arXiv:2508.14654},
year = {2025}
}
备注
17 pages including appendix, 6 figures