大型语言模型提出的用于绿潮清理船舶调度决策的框架

《Expert Systems with Applications》：A decision-making framework by large language model for green tide salvage ship scheduling

　　高效船舶调度决策模型在绿色潮汐打捞中的应用研究。提出基于大语言模型的多智能体协同决策框架，通过领域知识融合与动态优化，实现打捞成本降低14.7%、作业效率提升26.3%的显著效果，较传统算法提高8.5%和13.3%。研究构建了包含潮汐分布、船舶轨迹和作业数据的专用训练集，采用低秩自适应微调增强模型的专业适配性，并建立多维评分体系优化决策方案。

　　
随着全球海洋生态问题的加剧，绿色潮汐灾害的应急响应效率直接影响海洋生态系统的修复速度和区域经济成本。该研究针对传统调度方法存在的动态适应性不足、跨部门协同效率低下以及决策依据不科学等痛点，创新性地构建了基于大语言模型的绿色潮汐救助决策框架（GTSDM）。该框架通过整合多源异构数据、构建领域知识图谱、设计动态评估机制三个核心模块，实现了从灾害监测到决策执行的闭环优化。

在数据整合层面，研究团队创新性地构建了包含潮汐扩散轨迹、海域环境参数、船舶运营能力等多维度的决策数据库。特别值得关注的是其动态数据融合机制：通过遥感监测数据与船舶实时定位数据的时空对齐技术，实现了潮汐扩散预测与船舶调度计划的动态匹配。这种数据架构突破了传统方法静态优化的局限，使决策系统能够实时响应潮汐浓度的变化。

多智能体协作决策机制是该研究的核心创新点。不同于传统优化算法的单主体决策模式，研究构建了包含规划层、执行层和评估层的三级智能体系统。规划层采用领域自适应的LLM模型，通过融合海洋动力学知识图谱和救助经验数据库，能够生成包含潮汐扩散趋势预测、船舶最佳调度路径、多部门协同方案的综合建议。执行层通过建立船舶状态动态评估模型，实时监控每艘救助船的燃油消耗、设备状态和海域通航条件，并自动触发路径优化算法。评估层则运用改进的层次分析法，结合生态影响系数、经济成本因子和区域战略权重，构建了三维动态评估体系。

在模型优化方面，研究提出了一种基于知识蒸馏的领域自适应方法。通过构建包含12,845条救助案例的领域知识库，采用渐进式微调策略对DeepSeek R1 14B模型进行定向优化。这种训练方式既保留了LLM的通用语义理解能力，又通过分阶段注入专业救助知识，使模型在船舶调度决策中表现出更好的领域适应性和可解释性。实验数据显示，经过200轮迭代训练的模型在救助路线规划任务中，其决策建议与专家评审的一致性达到89.7%，较传统LLM提升了32个百分点。

决策质量提升的关键体现在动态评估机制的设计。研究团队开发了包含三个维度的综合评分系统：在生态效益维度，引入潮汐扩散速率与船舶到达时间的乘积系数，量化时间窗口内的生态损害挽回率；在经济成本维度，建立包含燃油消耗、设备维护和人工成本的三级核算模型，特别针对夜间作业的能见度补偿成本进行了参数化处理；在区域协调维度，设计了跨部门协作指数，通过船舶调度路径的重叠度分析和资源调配效率计算，动态评估多部门协同效果。这种多维动态评估机制使得决策方案既能满足当次救助任务的经济性要求，又能兼顾长期生态效益。

与传统优化算法相比，该框架展现出显著优势。在江苏和青岛示范区进行的对比实验显示，与传统NSGA-II算法相比，GTSDM方案在单位救助成本上降低14.7%，同时保持26.3%的救助体积增长率。特别在潮汐扩散路径突变场景下，其动态调整能力使救助效率比传统算法提升近40%。与MENSGA等多智能体优化算法相比，GTSDM在决策响应速度上快1.8倍，在跨部门协调指数上高出32.6个百分点，这得益于其特有的知识引导的决策机制。

该研究的实践价值体现在三个方面：首先，构建的决策支持系统使救助船舶的出动频次降低23%，但单位时间救助量提升18%，显著优化了资源配置；其次，通过引入潮汐扩散动力学模型，使救助区域预测准确率达到91.4%，较传统遥感分析提升27个百分点；最后，建立的跨部门协作机制将多单位协调时间缩短至传统模式的1/3，特别在2024年黄海大规模潮汐灾害中，成功协调了17个沿海市县、超过200艘救助船舶的联合行动。

在技术实现层面，研究团队开发了独特的知识增强型LLM微调方案。通过构建包含潮汐动力学方程、船舶调度规则、生态保护条例的混合知识图谱，将专业救助知识转化为可计算的语义向量。这种知识注入方式使得模型在面对新型潮汐扩散模式时，仍能保持85%以上的决策合理性。在模型架构优化方面，采用双通道注意力机制，分别处理空间地理数据和文本决策指令，通过注意力权重调节实现专业知识的动态融合。

未来研究可沿着三个方向深化：首先，构建开放式的决策知识库，纳入更多国家的潮汐救助案例和区域政策差异；其次，开发智能体间的自主协商机制，使不同部门能基于共享的知识图谱进行实时策略协商；最后，探索与海洋环境预测模型的深度集成，实现从灾害预警到决策执行的全程自动化。这些改进将进一步提升系统在复杂多变的海洋环境中的适应能力，为全球潮汐灾害治理提供可复制的智能决策范式。

该研究在多个层面具有突破性意义。在方法论层面，首次将大语言模型的语义理解能力与多智能体优化算法相结合，解决了传统方法难以处理的动态环境约束问题。在实践应用层面，构建的评估系统已被纳入中国黄海海域的应急响应预案，2025年首次实际应用即实现救助成本降低19.3%，船舶利用率提升27.6%。更重要的是，这种技术路径为其他海洋生态灾害的智能决策提供了可迁移的框架，特别是对赤潮治理、塑料污染清除等领域具有重要参考价值。