Un cadre hybride de deep learning et de métaheuristique pour les problèmes de conception de réseaux bi-niveaux

Cette étude propose un cadre hybride combinant l'apprentissage profond et les métaheuristiques, doté d'une architecture à deux niveaux, pour les problèmes de conception des réseaux routiers (NDP). Nous formons un réseau neuronal graphique (GNN) pour approximer la solution du problème d'affectation de trafic en équilibre utilisateur (UE) et utilisons les inférences produites par le modèle entraîné pour calculer les évaluations de la fonction d'aptitude d'un algorithme génétique (GA), afin d'approximer les solutions des NDP. En utilisant trois réseaux de test, deux variantes de NDP et un solveur exact comme référence, nous montrons que notre cadre proposé peut fournir en moyenne des solutions dans une marge de 1,5 % des meilleurs résultats en moins de 0,5 % du temps nécessaire à la procédure de solution exacte. Notre cadre peut être intégré dans un système expert pour la planification des infrastructures afin de déterminer les meilleures décisions en matière de planification et de gestion des infrastructures sous différents scénarios. Grâce à sa flexibilité, il peut facilement s'adapter à de nombreux autres problèmes décisionnels qui peuvent être modélisés comme des problèmes à deux niveaux sur des graphes. De plus, nous envisageons des pistes intéressantes pour la recherche future et proposons également un bref programme de recherche sur ce sujet. L'observation clé tirée de notre recherche, qui peut orienter les futures recherches, est que le temps d'évaluation de la fonction d'aptitude grâce aux inférences du modèle GNN était de l'ordre de quelques millisecondes. Cela souligne une opportunité et une nécessité pour l'élaboration de nouvelles heuristiques qui 1) peuvent bien gérer les valeurs bruitées de la fonction d'aptitude fournies par les modèles d'apprentissage profond, et 2) peuvent utiliser l'efficacité considérablement accrue de l'étape d'évaluation pour explorer l'espace de recherche efficacement (plutôt que rapidement). Ceci ouvre une nouvelle voie pour une classe moderne de métaheuristiques conçues pour être utilisées avec des prédicteurs alimentés par l'intelligence artificielle.