一、项目背景：AED部署的精准化革命

心脏骤停（SCA）的抢救成功率与4分钟内获取AED直接相关。传统AED部署较为随意，依赖静态人口数据，忽略动态交通拥堵、实时人流动线等关键因素，导致实际覆盖盲区频现。
EvoAED项目通过演化优化算法+GPU超算力，突破性实现城市级AED网络动态优化，让每一台AED在关键时刻”找得到、用得上”。

二、核心技术：GPU-ACO智能优化系统

0. TensorACO（背景介绍）

蚁群优化 (ACO) 因其在解决旅行商问题方面的有效性而闻名，然而它在基于 CPU 的环境中面临着计算挑战，尤其是在大规模实例的情况下。为了应对这一挑战，我们引入了一种张量化蚁群优化 (TensorACO) 来利用 GPU 加速的优势。作为核心，TensorACO 将蚂蚁系统和蚂蚁路径完全转换为张量形式，我们将此过程称为张量化。对于蚂蚁系统的张量化，我们提出了一种预处理方法，通过计算概率转移矩阵来减少计算开销。在蚂蚁路径的张量化中，我们提出了一种索引映射方法，通过用并行矩阵运算取代顺序路径更新机制来加速信息素矩阵的更新。此外，我们引入了一种自适应独立轮盘赌 (AdaIR) 方法来克服在 GPU 上并行化 ACO 选择机制的挑战。全面的实验证明了 TensorACO 的卓越性能，其加速比标准 ACO 高达 1921 倍。此外，AdaIR 方法进一步将 TensorACO 的收敛速度提高了 80%，解决方案质量提高了 2%。源代码可从 https://github.com/EMI-Group/tensoraco 获取。

1. 动态城市建模

• 将城市空间解构为百万级网格节点，实时融合：居住/办公人口热力图（密度信息），交通路网通行时间（拥堵权重），公共设施人流量波动数据（时间维度）

2. 蚁群算法创新应用

• 信息素矩阵引导决策：模拟”蚂蚁”在动态图中探索最优路径，高需求区域自动增强信息素沉积
• 目标优化：设置包含三层标识层级的点位，最小化可视、可及程度，手动区分不同层级。

3. GPU并行化计算加速

• 基于CUDA架构，基于EvoX框架并行处理蚁群搜索，单次迭代耗时从小时级降至秒级
• 支持细粒度千万级节点城市模型实时推演

---

三、立体化标识系统：看得见、找得准

在算法选定的AED节点部署三级导向体系：最大可见标识、区域指引圈、AED点位标，分别在广泛维度，AED近处维度，AED点位三个方面设计。

标识系统特点：
▶ 新AED标识：简化符号，提升大众认知效率

▶ 最简小地图设计：用简笔建筑地图替代方向箭头，避免多层空间误导和复杂的其他问题。

---

四、实证成果：南方科技大学试点

• 29台AED优化部署（原方案需37台）
• 覆盖率质变，在考虑学生密度和人口流动的情况下：
  • 90%区域实现2分钟可达
  • 100%区域满足4分钟黄金窗口
• 标识系统理论化构建。