Ein hybrides Deep-Learning-Metaheuristik-Framework für biebige Netzwerkdesignprobleme

Diese Studie schlägt ein hybrides Deep-Learning-Metaheuristisches Framework mit einer zweistufigen Architektur für die Gestaltung von Straßennetzwerken (NDPs) vor. Wir trainieren ein Graph-Neural-Netzwerk (GNN), um die Lösung des Nutzer-Gleichgewichts-Problems (UE) der Verkehrsverteilung zu approximieren, und verwenden die Inferenzen des trainierten Modells, um Fitnessfunktionsevaluierungen eines genetischen Algorithmus (GA) durchzuführen, um Lösungen für NDPs zu approximieren. Anhand dreier Testnetze, zwei NDP-Varianten und einem exakten Solver als Benchmark zeigen wir, dass unser vorgeschlagenes Framework im Durchschnitt Lösungen innerhalb eines Abstands von 1,5 % zu den besten Ergebnissen in weniger als 0,5 % der Zeit bereitstellen kann, die das exakte Lösungsverfahren benötigt. Unser Framework kann in einem Expertensystem für Infrastrukturplanung eingesetzt werden, um unter verschiedenen Szenarien die besten Entscheidungen zur Planung und Verwaltung von Infrastrukturen zu treffen. Aufgrund der Flexibilität des Frameworks kann es leicht auf viele andere Entscheidungsprobleme angepasst werden, die als zweistufige Probleme auf Graphen modelliert werden können. Darüber hinaus sehen wir interessante Forschungsrichtungen für die Zukunft und legen daher auch eine kurze Forschungsagenda für dieses Thema vor. Eine wesentliche Erkenntnis aus unserer Forschung, die zukünftige Forschung beeinflussen kann, ist, dass die Evaluierung der Fitnessfunktion durch die Inferenzen des GNN-Modells im Bereich von Millisekunden liegt. Dies deutet auf eine Chance und Notwendigkeit hin, neue Heuristiken zu entwickeln, die 1) gut mit verrauschten Fitnessfunktionswerten umgehen können, die von tiefen Lernmodellen bereitgestellt werden, und 2) die erheblich verbesserte Effizienz des Evaluierungsschritts nutzen können, um den Suchraum effektiv (statt effizient) zu erkunden. Dies eröffnet einen neuen Weg für eine moderne Klasse von Metaheuristiken, die speziell für den Einsatz mit künstlichen Intelligenz-basierten Vorhersagemodellen gestaltet sind.