إطار هجين يجمع بين التعلم العميق والتقنيات المُستلهمة من الطبيعة لتصميم شبكات ثنائية المستوى

تقترح هذه الدراسة إطارًا هجينًا يجمع بين التعلم العميق والخوارزميات الميتاهيورستيكية، مجهزًا بعمارة ثنائية المستوى لحل مشاكل تصميم شبكة الطرق (NDPs). نقوم بتدريب شبكة عصبية للبيانات (GNN) لتقريب حل مشكلة تخصيص حركة المرور في حالة التوازن المستخدم (UE)، واستخدام الاستدلالات التي تقدمها النموذج المدرب لحساب قيم الدالة اللياقة لخوارزمية الجينات (GA) بهدف تقريب الحلول لمشاكل NDPs. باستخدام ثلاثة شبكات اختبار، نوعين من متغيرات NDP وحل دقيق كمعيار مرجعي، أظهرنا أن الإطار المقترح يمكنه توفير حلول تقع ضمن نطاق 1.5% من أفضل النتائج في أقل من 0.5% من الوقت الذي يستغرقه الإجراء الدقيق للحل. يمكن استخدام إطاراتنا ضمن نظام خبير للتخطيط البنائي لتحديد أفضل القرارات المتعلقة بالتخطيط والإدارة البنائية تحت سيناريوهات مختلفة. نظرًا للمرونة الكبيرة لهذا الإطار، يمكن تكييفه بسهولة مع العديد من مشاكل القرار الأخرى التي يمكن نمذجتها كمشاكل ثنائية المستوى على الرسوم البيانية. بالإضافة إلى ذلك، نتوقع اتجاهات بحثية مثيرة للمستقبل، لذلك قدمنا جدول أعمال بحثي موجز حول هذا الموضوع. الملاحظة الرئيسية التي استخلصناها من بحثنا والتي يمكن أن تشكل البحث المستقبلي هي أن وقت حساب قيمة الدالة اللياقة باستخدام الاستدلالات التي يقدمها نموذج GNN كان بالآمسيك ثانية، مما يشير إلى فرصة وحاجة لتطوير خوارزميات ميتاهيورستيكية جديدة قادرة على التعامل بشكل جيد مع قيم الدالة اللياقة غير الدقيقة التي توفرها نماذج التعلم العميق، واستخدام الكفاءة المتزايدة بشكل كبير في خطوة الحساب لاكتشاف الفضاء البحثي بكفاءة (بدلاً من السرعة). هذا يفتح مجالًا جديدًا لفئة حديثة من الخوارزميات الميتاهيورستيكية المصممة للعمل مع المتنبئات المعتمدة على الذكاء الاصطناعي.