近年来，随着灾害救援体系的日益复杂化，应急指挥系统在应急救援中的关键作用愈发明显。尤其在大规模地震事件中，救援工作的复杂性和紧迫性对应急指挥系统提出了很高的要求，包括精准的信息收集、资源调度、跨部门协同以及高层快速反应决策支持等。合理的应急指挥能够大幅提高救援效率，亦能显著减少生命和财产损失[1]，因此提升应急指挥效能、优化地震应急救援策略具有重要的现实意义。
在地震应急救援研究方面，现阶段学界重点聚焦于地震灾后应急资源调度分配优化、路径规划、人员疏散等问题。学者们探讨了在时间、资源数量和质量有限的情况下，如何通过资源的分配和运输来提高救援质量，使死亡人数最少[2]；提出了一个基准模型以计算最佳应急资源调度决策[3]；构建了以物资短缺的延迟损失最小化、物资分配的总成本最小化为目标，基于多集散点、多配送中心和多受灾点的三级配送网络的应急物资动态多阶段分配模型[4]。亦有学者以应急救援过程的响应时间、配送延误惩罚与需求未满足率最小化为目标，构建了约束性应急物资车辆路径模型[5]；提出了基于移动云计算范式的高性能紧急救援管理系统，采用分阶段启发式救援路线规划方案[6]；开发了改进的蚁群优化算法，引入奖励机制优化救援路径选择，从而有效提升了救援效率和准确性[7]。还有学者基于韧性城市视角，研究了防灾教育、地震烈度和震后人群信息沟通效率对震后人群疏散的影响[8]；考虑到人群心理与行为，引入恐慌因子和各向异性因子建立了改进的社会力疏散模型[9]；提出了基于真实数据的行人疏散仿真框架，通过统计分析揭示了遵守政府疏散协议率、不同社区疏散过程及避难所分配策略对疏散总时间的影响[10]。虽然地震应急救援研究在资源调度、路径规划和人员疏散等领域取得了显著的进展，并开发了多种优化模型和技术，但这些模型和技术在实际灾害救援中的适用性和有效性尚未得到充分验证，尤其是在面对资源短缺、灾害区域通信受阻等复杂情景时，调度策略的灵活性与可操作性仍显不足，还缺乏对多方主体在救援过程中如何高效协同和信息共享的深入探讨。
多智能体建模(multi-agent modeling, MAM)是一种模拟和研究复杂系统的方法，通过模拟多个自主的智能体(Agent)之间的交互行为，来研究复杂系统中多主体协作、竞争和动态变化的过程，已广泛应用于应急管理领域[11]。例如，Wang等[12]利用地理信息系统(geographic information system，GIS)和社会空间数据等构建多Agent模型，评估了地震灾害救援物资供应链的供应能力；Keykhaei等[13]提出了一种基于多Agent建模的情景感知地震紧急疏散框架，并模拟了人群对地震紧急疏散的态势感知；王双燕等[14]构建的多Agent人群应急疏散模型，模拟了人群中个体群组、惯性、就近、从众、信息传播的行为决策及交互影响；喇蕊芳等[15]采用基于智能体的建模方法(agent-based modeling, ABM)从微观角度对地震救援活动进行NetLogo软件仿真，对比分析了受灾程度、政府管理能力、主体救援能力与存活率之间的关系；汪文野等[16]运用多Agent建模理论对大型石油化工火灾应急救援过程进行研究；田沛雨等[17]提出了同一行政层级、跨层级和自由就近3种应急物资调度策略，构建了基于匮乏成本的多Agent仿真模型。以上文献梳理显示，多Agent系统能够通过建模与仿真技术，模拟复杂灾害环境中的各类主体行为，并通过智能决策优化资源的合理分配和高效救援，特别适用于应急救援这类多主体参与、资源有限且需要动态响应的情景。但已有研究多关注应急救援本身，考察应急救援力量的现场处置作用，现有模型对应急指挥的作用模拟仍然有限，且较少研究应急指挥对应急救援的实际影响，相关定量分析更是缺乏。
综上所述，本文以2023年12月18日甘肃省积石山6.2级地震为研究对象，探讨应急指挥对地震应急救援的影响。将整个现场指挥救援过程视为一个复杂多变的系统，采用多Agent建模与仿真方法，依照现实情况，定义仿真主体，明确主体属性、主体间交互规则，构建多Agent应急指挥效能交互仿真模型；并利用NetLogo仿真软件，通过仿真实验对应急指挥效能进行研究。
1 应急救援指挥多Agent模型核心概念界定
通过系统地采集甘肃省政府官网、新华社等权威媒体发布的积石山地震应急救援指挥信息，结合《甘肃省地震灾害应急预案》《积石山县地震应急预案》要求，将地震现场应急指挥系统抽象为4类核心Agent：现场总指挥Agent、现场保障指挥Agent、应急救援力量Agent、受灾Agent。
1) 现场总指挥Agent。作为灾害应急响应体系中的最高决策中枢，现场总指挥Agent承担全局协调、战略决策和资源统筹调配等核心职能。现场总指挥Agent的主要运作机制包括：通过多源信息整合与态势研判，为现场保障指挥Agent提供决策支持；协调跨部门资源调度；建立与上级指挥机构的信息交互通道。根据《积石山县地震应急预案》等内容，现场总指挥Agent的实体对应为现场指挥部的总指挥及副总指挥团队。该Agent不介入具体战术执行层面，主要聚焦于宏观层面的应急指挥体系运作效能保障。
2) 现场保障指挥Agent。作为战略决策与战术执行的中枢纽带，现场保障指挥Agent负责将现场总指挥Agent的决策指令转化为可操作的战术方案。其核心职能涵盖：制定应急救援任务执行计划、实施资源动态分配、协调各救援单位的行动。根据应急预案要求，现场保障指挥Agent的实体对应为现场指挥部各成员单位及各个工作组。现场保障指挥Agent需具备动态响应能力，能够根据灾情演变实时调整战术部署，确保在复杂灾害情景下的应急处置时效性。
3) 应急救援力量Agent。该智能体作为战术执行单元，由消防、医疗、通信、电力、交通等专业救援队伍构成。各子Agent在统一指挥下开展专业化救援作业，具体承担建筑物破拆、生命搜救、伤员转运和救治、基础设施抢修等核心救援任务。不同专业子Agent间通过信息共享机制形成协同作战网络，以提升综合救援效率。
4) 受灾Agent。该智能体具有双重定义维度：广义层面指地震影响区域内所有受灾对象，包括受困人员、已转移群众及受损财物等；狭义层面特指丧失自主行动能力、完全依赖外部救援的受困生命体。在应急决策模型中，该Agent的空间分布、生存状态等信息构成应急指挥系统的重要输入参数。
2 多Agent仿真模型构建
2.1 各Agent行为模式描述及属性提取
2.1.1 现场总指挥Agent
现场总指挥Agent的行为模式主要体现在信息汇总、决策支持[18]、资源协调[19]和反馈调整4个方面。该Agent通过整合各现场保障指挥Agent提供的灾情态势报告、受灾人口分布和救援进度等多源异构信息，构建全景式指挥信息视图，为现场保障指挥Agent提供决策支持。在信息汇总的基础上，现场总指挥Agent通过分析不同区域的灾情和资源需求，制定应对策略，并提出优先救援区域和支援部署建议。在资源协调方面，通过构建跨部门协作机制实现资源调度的时空优化配置，有效规避资源冗余与错配风险。反馈调控机制中，现场总指挥Agent根据现场保障指挥Agent实时回传的任务执行数据、资源到位情况及突发事态信息，进行动态策略调整。反馈处理的及时性与准确性是保证救援任务顺利推进的关键，现场总指挥Agent通过持续的反馈分析和调整，使决策与现场需求保持高度一致。
基于行为模式，提取出现场总指挥Agent的关键属性：信息完整性表征多源异构信息融合质量；决策分析反映应对复杂灾情的分析和策略制定能力；信息处理时延影响任务执行的时效性；需求匹配度反映资源供给与需求的匹配程度；反馈处理速度决定现场总指挥Agent在处理信息和资源调度中的时效性；而战略调整成功率反映现场总指挥Agent根据反馈调整决策方案的有效性。以上属性共同决定了现场总指挥Agent在应急救援中的指挥效能。
2.1.2 现场保障指挥Agent
现场保障指挥Agent的行为主要体现在任务规划与分配[20]、资源请求与调度、实时信息收集与反馈以及跨部门协调等方面。在任务规划与分配方面，该Agent通过解析现场总指挥Agent的战略部署指令，结合实时灾情监测数据，制定包含医疗救援、人员搜救、设施抢修等任务的执行方案。任务复杂度和任务分配效率是影响救援效率的关键参数，其中任务复杂度与资源需求及执行时间呈正相关。在资源请求与调度方面，该Agent构建基于任务优先级的动态请求机制，其调度速度直接影响救援时效性；通过建立资源分配权重模型，确保关键任务优先获得资源保障，同时通过资源复用机制提升配置效率。在信息交互方面，该Agent通过构建标准化数据采集模板，向现场总指挥Agent传输结构化态势信息，其信息反馈准确性直接影响上级决策质量。跨部门协调则反映了该Agent对多个救援力量协作的指导。协调成功率体现了多部门协作的有效性，而部门冲突率则反映了在资源调度或任务执行中可能出现的冲突频率。如果部门冲突率过高，现场保障指挥Agent需采取行动重新调整，以确保各部门合作顺畅。
2.1.3 应急救援力量Agent
应急救援力量Agent在应急响应中的行为模式主要体现在任务执行、现场协作和资源利用等方面。该Agent根据现场保障指挥Agent的指令执行具体救援任务，并通过构建双向通信机制实时反馈任务进度、执行障碍及资源需求变化。任务完成率是衡量应急救援力量Agent任务执行效果的重要指标，数值越高表示任务完成程度越好。协作效率是确保不同救援力量(如消防、医疗、通信等)紧密配合的关键，高效的协作避免了资源浪费和任务冲突。资源利用率量化了物资和人力的使用效益。在空间行为建模中，该Agent遵循就近响应原则，救援效率受空间坐标、移动速率、装备载荷(医疗资源和救援设备) 3个参数影响，其中移动速率与装备载荷呈负相关。救援力量的能量消耗与任务执行的强度和持续时间密切相关，任务的复杂性和灾民的伤情直接影响能量消耗速率。
2.1.4 受灾Agent
受灾Agent在应急救援场景中的行为模式具有被动性，主要体现在原地等待救援时的状态变化。首先，受灾Agent的主要行为是在原地等待应急救援力量Agent抵达，并通过定位系统或求救信号告知应急救援力量Agent当前的准确位置。在等待过程中，受灾Agent的身体状态会受到时间和外界环境的影响。受灾Agent的健康状况通过健康能量值来量化，范围为0~100，健康状况良好时数值为100，数值越低表示健康状况越差。受灾Agent的健康状况直接影响应急救援力量Agent的任务优先级，高危状态的灾民应优先救援。
根据以上抽象出来的各Agent及其行为模式和参数，构建应急指挥效能仿真的多Agent行为概念模型图(图 1)。
2.2 各Agent交互规则设计
在明确各Agent属性及行为特征后，需构建层次化交互规则以实现系统动态演化。基于指挥层级架构设计交互规则体系，通过3类核心Agent的参数耦合作用驱动救援效率的提升。
基于2.1节对现场总指挥Agent和现场保障指挥Agent的行为模式的描述，将现场总指挥Agent的指挥效能解构为信息组织能力[21]、决策分析能力[20]、协调控制能力[20]、反馈能力4大维度；现场保障指挥Agent的指挥效能解构为任务优先级管理能力、资源调度能力[22]、信息掌握能力、协调能力[22]。各能力通过参数映射关系与Agent行为特征形成强关联，并基于理想指挥范式构建参数间的非线性作用网络(图 2和3)。通过逐级影响的交互网络模型，可以较为清晰地观察到如何通过上级现场总指挥Agent的决策和反馈，优化下级现场保障指挥Agent的资源分配以及应急救援力量Agent的执行效果。进一步，设计如下交互规则(式(1)—(10))：
1) 现场总指挥Agent与现场保障指挥Agent。
现场总指挥Agent通过信息完整性与决策分析参数对现场保障指挥Agent形成双向约束。当信息不完整或决策延迟超限时，现场保障指挥Agent的信息反馈准确度降低(式(6))，任务复杂度增加，任务复杂度与决策分析能力呈负对数相关，且受信息处理时延的放大效应制约(式(1))。任务复杂度升高会进一步降低任务分配效率，且任务分配效率由现场总指挥Agent的决策分析和信息完整性正向驱动，受反馈速度抑制(式(2))。现场保障指挥Agent的资源请求频率则通过现场总指挥Agent的需求匹配度与反馈速度的比值动态调整，反映资源供需失衡的非线性驱动(式(3))。现场保障指挥Agent的资源调度速度受信息完整性与任务复杂度的联合约束，其函数式表明高需求场景下调度效率的边际递减(式(4))。协调成功率由决策分析与信息完整性的调和均值决定，任一参数的短板均会显著降低协调成功率(式(5))。反馈处理速度和调整成功率决定了策略调整的有效性，进而影响现场保障指挥Agent的协调能力。反馈处理速度和调整成功率的提升有助于增强指挥系统的协调性，减少决策延误，并提高资源分配的精度。
2) 现场保障指挥Agent与应急救援力量Agent。
现场保障指挥Agent负责资源调配与任务分配，任务复杂度和任务分配效率直接决定了应急救援力量Agent的任务优先级和执行顺序。应急救援力量Agent的任务完成率通过任务分配效率与任务复杂度的动态比值计算，进一步揭示效率与复杂度的此消彼长关系(式(7))。资源请求频率、调度速度和资源需求量反映现场对资源的非线性需求变化，并影响资源的可用性(式(8))。保障指挥Agent的反馈准确度、协调成功率及部门冲突率综合影响应急救援力量Agent的协作效率(式(9))。较高的部门冲突率表明任务分配或资源调度存在问题，可能导致任务延误或资源浪费。
3) 应急救援力量Agent与受灾Agent。
应急救援力量Agent的任务完成率、资源利用效率和协作效率直接影响救援行动的有效性。应急救援力量Agent的物理特性，如位置、移动速度、设备重量，影响救援能量消耗。应急救援力量Agent的最终救援能力通过救援能量、任务完成率、资源利用效率、协作效率的线性加权得到，且权重系数体现多指标协同的放大效应(式(10))。以上因素决定了应急救援力量Agent的响应速度，并影响每个受灾人员的生存状态。
2.3 模型观测指标：最终救援率R
最终救援率R是指在灾害救援过程中，由应急指挥主体统筹指挥各救援力量成功救援的受灾人数Z(x)与现场受灾总人数N的比率，R=Z(x)/N。该指标以结果导向的方式表征应急指挥体系的实际运行效能。高最终救援率意味着指挥体系能够在短时间内高效组织资源并快速响应灾情；低最终救援率则暴露出指挥体系存在信息滞后、资源分配失衡以及协作不畅等不足。最终救援率作为一个敏感性指标，可用于比较和优化不同指挥策略的有效性，并间接揭示多主体协同机制在复杂应急场景中的重要性。
基于对现场总指挥和保障指挥两类Agent的能力定义，现场总指挥Agent负责信息组织、全局决策、协调控制和反馈调整，其效能直接影响现场保障指挥Agent的任务分配和资源调度效率；现场保障指挥Agent承担具体任务规划与分配，其能力对应急救援力量Agent的现场表现至关重要；应急救援力量Agent则根据指令执行救援任务，其任务完成率、协作效率和资源利用率决定最终救援率R和受困人数N的变化。
3 仿真分析
3.1 仿真环境
本研究围绕应急救援指挥效能，构建了一个层级动态化多Agent仿真模型，以分析不同指挥能力因素对最终救援率的影响，并探讨复杂情景下的优化策略。模型设计遵循逐级传递的因果链规则，聚焦于现场总指挥Agent、现场保障指挥Agent、应急救援力量Agent和受灾Agent之间的交互关系，模拟应急指挥在信息处理、资源调度和协同决策中的动态过程。仿真使用NetLogo 6.4软件。NetLogo是一个广泛应用于复杂系统的多Agent建模仿真平台[23]，能够有效模拟微观个体行为和宏观模式的涌现。仿真在以下假设条件下进行：
假设1 地震发生后，应急救援指挥现场主要包括4类智能体(Agent)：现场总指挥Agent、现场保障指挥Agent、应急救援力量Agent、受灾Agent。
假设2 指挥救援过程中，各Agent不具有双重主体或多重主体的身份，只承担一种角色。
假设3 灾后环境维持稳态条件，排除次生灾害与社会秩序扰动对救援的干扰。
3.2 仿真参数设置
表 1 模型参数汇总 |
| 参数 | 名称 | 数值范围 |
| I_comp | 信息完整性 | (0，1) |
| D_cap | 决策分析 | (1，10) |
| T_proc | 信息处理时延 | (1，20) |
| M_need | 需求匹配度 | (0，1) |
| F_speed | 反馈处理速度 | (0，60) |
| S_rate | 总调整成功率 | (0，1) |
| T_complexity | 任务复杂度 | (1，10) |
| T_allocation_eff | 任务分配效率 | (0，1) |
| R_request_freq | 资源请求频率 | (0，12) |
| R_dispatch_speed | 资源调度速度 | (10，30) |
| R_demand_vol | 资源需求量 | (200，1 000) |
| I_feedback_acc | 信息反馈准确度 | (0，1) |
| Number-of-chiefCommanders | 现场总指挥Agent的人数 | (1，20) |
| Number-of-supportCommanders | 现场保障指挥Agent的人数 | (1，50) |
| Number-of-emergency-rescue-forces | 应急救援力量Agent的人数 | (400, 1 000) |
| C_success_rate | 协调成功率 | (0，1) |
| D_conflict_rate | 部门冲突率 | (0，1) |
| T_completion_rate | 任务完成率 | (0，1) |
| R_utilization_eff | 资源利用效率 | (0，1) |
| C_efficiency | 协作效率 | (1，10) |
| L_position | 位置 | Random(x, y) |
| V_speed | 移动速度 | (0，10) |
| E_rescue | 救援健康能量值 | Random(100) |
| M_medical_resources | 医疗资源 | (50，100) |
| W_equipment_weight | 救援设备重量 | (0，50) |
| L_position_victim | 灾民位置 | Random(x, y) |
| E_victim | 灾民健康能量值 | Random(100) |
| Number-of-victims1 | 受灾被埋人数 | (1，1 200) |
| Number-of-victims2 | 受灾未被埋人数 | (0，500) |
| R | 最终救援率 | (0，1) |
3.3 仿真结果
仿真分为2个模块：1) 分析应急指挥核心能力对地震应急救援的影响，通过调整现场总指挥Agent和现场保障指挥Agent的能力参数，观察最终救援率和灾区受困人数的变化情况，进而得到这些能力对救援效率和灾情改善的具体贡献程度；2) 结合3种复杂情景(信息不完整、资源稀缺和反馈滞后)设计优化策略，观察不同策略对最终救援率的影响。仿真中：“ticks”为仿真系统循环运行的时间单位，每个“tick”代表系统的一个时间步长，用于模拟应急指挥决策、资源调度及救援活动的动态演变；采用量纲归一化变量表示行为状态与逻辑关系。
3.3.1 改变现场总指挥Agent的指挥能力
将现场总指挥Agent的不同指挥能力作3级划分：一般、良好、优秀。不同能力级别下对应不同的量化参数取值范围，且取值服从均匀分布。例如，D_cap取值范围在决策分析能力一般时为(1，3)，良好时为(3，6)，优秀时为(6，10)。现场总指挥Agent的信息组织、协调控制、反馈能力作相同处理。
1) 决策分析能力。图 5显示随着现场总指挥Agent决策分析能力的提高，最终救援率显著提升；决策分析能力一般时，最终救援率增长缓慢且停滞，未被救援的受困人数下降较慢；而当决策分析能力优秀时，最终救援率在短时间内迅速上升，未被救援的受困人数大幅减少，表明现场总指挥Agent优秀的决策分析能力能够提升救援效率，降低灾害损失。
2) 信息组织能力。图 6显示随着现场总指挥Agent的信息组织能力的提高，最终救援率显著提高，灾区受困人数快速下降。信息组织能力优秀时，最终救援率在较短时间内迅速逼近0.8，受困人数在较短时间内大幅下降；而信息组织能力较差时，受困人数减少较慢，最终救援率较低且增长缓慢。
3) 协调控制能力。图 7中显示，现场总指挥Agent的协调控制能力与最终救援率的提升和受困人数的减少之间存在正相关。从现场总指挥Agent优秀的协调控制能力曲线可以看出，最终救援率增长速度最快。协调控制能力从一般提升为良好时，最终救援率和灾区受困人数显著减少。
4) 反馈能力。图 8显示在初始阶段(0~6 ticks)，随着现场总指挥Agent反馈能力的提升，最终救援率快速增加，灾区受困人数快速下降，现场总指挥Agent的反馈能力优秀时最终救援率最大，获救人数最多；6~18 ticks，最终救援率增速趋于平缓，灾区受困人数下降速度也随之减缓；18 ticks之后，现场救援基本结束。具备优秀反馈能力的现场总指挥Agent在救援效率上展现出了最为显著的增长速率，并在较早的时间节点达到了较高的救援效率。
5) 现场总指挥Agent不同指挥能力优秀情况下的最终救援率。图 9显示，现场总指挥Agent信息组织能力优秀的曲线在前3 ticks内增长最快，在救援过程的初始阶段，信息组织能力对提高整体救援效率的贡献最大，能够迅速接近最大最终救援率；其次，现场总指挥Agent协调控制能力优秀、反馈能力优秀的曲线在前5 ticks内表现出稳定上升的趋势，且增长速度比信息组织能力优秀的曲线略慢；最后，现场总指挥Agent决策分析能力优秀的曲线在前5~10 ticks内最终救援率的增长相对缓慢，达到较高最终救援率所需的时间较长。该结果为确定指挥能力建设的阶段性重点提供了量化依据。
3.3.2 不同应急情景下的优化策略
为更加贴合实际情况，设定地震后的3种应急情景进行分析。情景1：现场通信中断，信息严重不完整，决策时效要求高。情景2：现场资源极度稀缺，现场总指挥Agent需求分配失衡。情景3：现场总指挥Agent应急反馈滞后，信息流失严重。
为进一步研究现场保障指挥Agent的指挥能力对救援效率的影响，设定3种不同的优化策略。策略1：提高现场保障指挥Agent的任务优先级管理能力。策略2：提高现场保障指挥Agent的资源调度能力。策略3：提高现场保障指挥Agent的协调能力。
1) 现场通信中断等，信息严重不完整，决策时效要求高(情景1)。
地震发生后初期，通信基础设施受损，总指挥中心无法与各个救援区域进行全面、实时的通信联系。最初的灾区受灾情况数据仅为少量片段信息，并且随着时间推移，信息变得更加混乱，现场总指挥Agent必须在有限信息的基础上快速作出决策并指挥下属进行资源调度和任务执行。模型参数初始设置为：低I_comp、一般D_cap、高T_proc。
图 10展示了采取不同策略时的最终救援率变化。在未采用优化策略(初始状态)的情况下，最终救援率在最初几个ticks内缓慢提升，并在约0.45时趋于稳定。这表明信息不完整、决策时效较差导致救援行动的效率低下。策略1通过提高现场保障指挥Agent的任务优先级管理能力，使最终救援率在较短时间内迅速上升，并在早期阶段(6 ticks内)达到约0.8；策略2的效果优于策略1，最终救援率迅速攀升，并在第9 ticks左右达到0.9。这表明在信息传递不畅的情况下，优化资源调度能够显著提高资源的分配和利用效率，特别是在高时效要求的情况下，资源的及时调度对救援效率的提升至关重要。策略3的效果略弱于策略1和策略2，最终救援率的增长较为平缓，在第6 ticks趋于0.7左右。虽然协调能力的提升有助于改善部门间的协作与沟通，但在信息严重不完整的情况下，单纯依靠协调能力优化难以显著提高整体救援效率，尤其是面对高时效要求时。
2) 现场资源极度稀缺，现场总指挥Agent需求分配失衡(情景2)。
在资源稀缺的情况下，现场救援力量和资源(如救援人员、医疗物资、机械设备)不足，灾区内需求不均衡：部分区域需求量巨大，部分区域由于地形或交通问题难以得到支援。模型参数设置为：低M_need、R_demand_vol、M_medical_resources、W_equipment_weight，且应急救援力量Agent数量低于其他情形。
图 11展示了情景2下采取不同策略时的最终救援率变化。初始状态下，最终救援率在前期缓慢上升并在约0.4时停滞，反映了资源稀缺性与分配失衡的双重问题导致救援效率低下。此外，受制于部分受灾点的交通阻断或地形复杂，资源无法迅速到达高需求地区，进一步限制了整体救援效率。策略2通过优化现场保障指挥Agent的资源调度能力，使最终救援率在前9 ticks内提升并稳定在0.6，策略2改善了救援力量分布的均衡性，但未能解决资源总量的匮乏及需求分布的不均衡问题。相比之下，策略1展现了更高的资源分配效率，通过精准的优先级决策，优先满足了需求最为紧迫的受灾点，从而在前期迅速提高了救援效率，最终救援率在前5个ticks内以较快速度攀升，并在约0.5时稳定。策略2在应急决策中体现了“关键资源优先配置”的重要性，然而由于整体资源短缺的制约，策略2在后期同样面临救援瓶颈。策略3通过提升现场保障指挥Agent的协调能力，加强了各受灾点之间的协作与信息共享，确保资源能更加高效地被分配，策略3的最终救援率略高于策略1和策略2。在策略3的基础上增加应急救援力量Agent人数，使该参数范围由(400，500)恢复到(800，1 000)，与其他情景一致，最终救援率显著增加，表明在地震应急救援过程中，应急救援力量Agent人数仍是最为重要的一个因素；但随着人数增多，现场极易发生混乱，会增加现场总指挥Agent以及现场保障指挥Agent的指挥成本。
3) 现场总指挥Agent应急反馈滞后，信息流失严重(情景3)。
在救援行动的过程中，由于道路阻断、设备损坏、通信不畅等因素，现场信息无法及时传递至现场总指挥Agent，导致前线救援队伍与现场总指挥Agent之间的应急反馈存在严重滞后，进而导致现场总指挥Agent决策滞后。此外，信息在传递过程中严重流失，现场的关键信息无法准确传达，信息的完整性和有效性大幅下降。模型参数设置：低F_speed、低I_feedback_acc、低I_comp、低S_rate、高T_proc。
图 12展示了情景3下采取不同策略时的最终救援率变化。初始状态下，最终救援率在前3 ticks内快速上升，最终稳定在约0.5，表明救援行动在信息不完整和延迟的制约下，容易造成资源的错配或决策失误，难以有效提升救援效率；策略1通过优化下级现场保障指挥Agent的任务优先级管理，最终救援率稳定在约0.68，通过对任务优先级的优化，救援行动的响应效率有所提升；策略2提高了现场保障指挥Agent的资源调度能力，最终救援率在前3 ticks内快速上升，最终达到约0.85，通过优化资源调度，救援行动能够在资源有限的情况下更高效地进行分配，但由于信息流失问题仍然存在，救援效率的提升受到一定的限制；策略3在提升现场保障指挥Agent的协调能力方面表现最佳，最终救援率在最初的7 ticks内迅速上升，最终稳定在约0.75。策略3通过提升现场保障指挥Agent的协调能力，减少决策滞后的影响，有效提高了救援的覆盖范围。在信息滞后且不完整的情况下，良好的协调机制显著弥补了信息缺失的问题。
4 结论
本文以2023年甘肃省积石山6.2级地震为研究对象，基于多Agent建模方法，构建了包含现场总指挥Agent、现场保障指挥Agent、应急救援力量Agent和受灾Agent的应急救援指挥仿真模型，利用NetLogo平台模拟了不同指挥能力参数与复杂情景下救援效率的动态演化过程。通过量化分析指挥主体能力差异对救援效率的影响，揭示了应急指挥系统的优化路径与策略适配机制。本研究的主要结论如下：
1) 现场总指挥Agent的能力差异显著影响应急救援效率。现场总指挥Agent的决策分析能力、信息组织能力、协调控制能力及反馈能力均对救援效率产生显著影响。其中，信息组织能力和协调控制能力在救援初期对提高救援效率的贡献最大，而反馈能力在救援任务后期起到关键作用，决策分析能力则适用于救援前的规划阶段。
2) 复杂灾害情景需适配差异化的指挥策略。针对不同应急情景(如信息不完整、资源稀缺、反馈滞后等)的研究表明，应急指挥策略的优化必须具有情景适应性。在信息不完整的情景下，提升现场保障指挥Agent的资源调度能力有助于解决决策延误问题，显著提高救援效率；而在资源稀缺或反馈滞后的情景下，增强现场保障指挥Agent的任务优先级管理和协调能力，则能够有效缓解资源分配失衡和信息流失的负面影响。
3) 多层级协同指挥体系设计是提升应急韧性的关键措施。现场保障指挥Agent在“战略-战术”衔接中发挥枢纽作用，通过优化其协调能力与资源调度效率，可以显著增强指挥链条的鲁棒性。设计分权化、网络化的指挥架构，既能保障宏观决策的统一性，又能提升微观执行的灵活性，可形成应对不确定性灾变环境的有效解决方案。强化多层级协同机制，不仅能应对信息滞后和资源调度难题，还能提升决策传递效率和资源调配的精确性，从而提高救援效率。
本文通过多Agent动态仿真实现了应急指挥能力的定量化解析，弥补了传统研究对指挥主体作用机制量化分析不足的缺陷，为地震应急救援优化与指挥人员能力培训提供了技术支持。后续研究需进一步纳入次生灾害演化、救援人员行为异质性等动态因素，以增强模型的现实适配性。
