GPEvac
一种基于图神经网络（GNN）与PPO强化学习算法的实时逃生路径规划系统，通过边优先消息传递机制和可学习虚拟全局节点实现跨建筑布局的自适应疏散路线计算
时间轴 (近 90 天)
GPEvac 是一个将图神经网络（GNN）与 PPO（近端策略优化）算法结合，用于在枪击事件中实时计算自适应逃生路线的系统
GPEvac 引入了边优先的顺序消息传递机制（edge-first sequential message-passing）和可学习的虚拟全局节点（learnable virtual global node）
GPEvac 采用置换不变（permutation-invariant）的评分机制，使单一训练好的策略可以直接迁移到拓扑结构和规模各异的建筑布局中，无需重新训练
在仿真验证中，GPEvac 在不同建筑布局下均优于智能基线方法，能显著降低受害者的总威胁暴露量
GPEvac 在本地 CPU 硬件上仅需 14.73 毫秒即可计算出全局疏散路线
GPEvac 研究成果目前仍停留在仿真模拟环境中，尚未在真实枪击场景中验证
研究团队指出现有疏散路径方法存在过度依赖特定建筑布局和计算复杂度过高两大问题
虚拟全局节点与所有真实节点直接相连，使任意两点间的信息交换最多只需两跳完成，解决长距离依赖衰减问题
研究团队认为 GPEvac 的方法论可迁移到关键基础设施调度、智能交通路径优化、自适应传感器网络资源分配等图结构动态决策问题
全部知识事实 (9)
GPEvac 是一个将图神经网络（GNN）与 PPO（近端策略优化）算法结合，用于在枪击事件中实时计算自适应逃生路线的系统
50%待验证GPEvac 引入了边优先的顺序消息传递机制（edge-first sequential message-passing）和可学习的虚拟全局节点（learnable virtual global node）
50%待验证GPEvac 采用置换不变（permutation-invariant）的评分机制，使单一训练好的策略可以直接迁移到拓扑结构和规模各异的建筑布局中，无需重新训练
50%待验证在仿真验证中，GPEvac 在不同建筑布局下均优于智能基线方法，能显著降低受害者的总威胁暴露量
50%待验证GPEvac 在本地 CPU 硬件上仅需 14.73 毫秒即可计算出全局疏散路线
50%待验证GPEvac 研究成果目前仍停留在仿真模拟环境中，尚未在真实枪击场景中验证
50%待验证研究团队指出现有疏散路径方法存在过度依赖特定建筑布局和计算复杂度过高两大问题
50%待验证虚拟全局节点与所有真实节点直接相连，使任意两点间的信息交换最多只需两跳完成，解决长距离依赖衰减问题
50%待验证研究团队认为 GPEvac 的方法论可迁移到关键基础设施调度、智能交通路径优化、自适应传感器网络资源分配等图结构动态决策问题
50%