Resumen: En los últimos años, la frecuencia creciente de eventos de lluvia urbana extrema ha planteado desafíos significativos para los sistemas de programación de emergencias. Las inundaciones urbanas a menudo conducen a graves congestión del tráfico y interrupciones del servicio, amenazando la seguridad pública y la movilidad. Sin embargo, la toma de decisiones efectiva sigue siendo obstaculizada por tres desafíos clave: (1) gestionar las compensaciones entre los objetivos competitivos (por ejemplo, el flujo de tráfico, la finalización de la tarea y la mitigación de riesgos) requiere estrategias dinámicas y conscientes del contexto; (2) Las condiciones ambientales en rápida evolución hacen que las reglas estáticas sean inadecuadas; y (3) estrategias generadas por LLM con frecuencia sufren inestabilidad semántica e inconsistencia de ejecución. Los métodos existentes no pueden alinear la percepción, la optimización global y la coordinación de múltiples agentes dentro de un marco unificado. Para abordar estos desafíos, presentamos H-J, un marco jerárquico de múltiples agentes que integra la solicitud guiada por el conocimiento, la generación limitada por la entropía y la optimización basada en retroalimentación. El marco establece una tubería de circuito cerrado que abarca desde la percepción de múltiples fuentes hasta la ejecución estratégica y el refinamiento continuo. Evaluamos H-J en los datos de topología urbana y lluvia del mundo real en tres condiciones representativas: lluvia extrema, ráfagas intermitentes y lluvia ligera diaria. Los experimentos muestran que H-J supera a las líneas de base basadas en reglas y de refuerzo de refuerzo en la suavidad del tráfico, la tasa de éxito de las tareas y la robustez del sistema. Estos hallazgos resaltan la promesa de enfoques basados en LLM con conocimiento de incertidumbre y limitados por el conocimiento para mejorar la resiliencia en la respuesta de las inundaciones urbanas.
Publicado Originalme en export.arxiv.org El 20 de agosto de 2025.
Ver Fuente Original
