하이브리드 딥러닝-메타휴리스틱 프레임워크를 이용한 이중 네트워크 설계 문제 해결

본 연구는 도로 네트워크 설계 문제(NDP)를 위한 이중 구조를 가진 하이브리드 딥러닝-메타휴리스틱 프레임워크를 제안합니다. 그래프 신경망(GNN)을 훈련시켜 사용자 균형(UE) 교통 할당 문제의 해를 근사하고, 훈련된 모델에 의해 추론된 결과를 유전 알고리즘(GA)의 적합도 함수 평가에 사용하여 NDP의 해를 근사합니다. 세 개의 테스트 네트워크, 두 가지 NDP 변형 및 정확한 솔버를 벤치마크로 사용하여, 제안된 프레임워크가 평균적으로 정확한 해법 절차가 사용하는 시간의 0.5% 미만으로 최고 결과와 1.5% 이내의 해를 제공할 수 있음을 보여주었습니다. 본 프레임워크는 인프라 계획 전문 시스템 내에서 다양한 시나리오 하에서 최적의 인프라 계획 및 관리 결정을 내리는 데 활용될 수 있습니다. 프레임워크의 유연성을 고려하면, 그래프 상에서 이중 구조로 모델링할 수 있는 많은 다른 결정 문제에도 쉽게 적용될 수 있습니다.또한, 우리는 흥미로운 미래 연구 방향을 예측하며, 이 주제에 대한 간략한 연구 일정도 제시합니다. 본 연구에서 얻은 주요 관찰은 GNN 모델에 의해 추론된 결과를 사용하여 적합도 함수 평가 시간이 밀리초 단위였다는 것입니다. 이는 1) 딥러닝 모델이 제공하는 노이즈가 있는 적합도 함수 값에 잘 대처할 수 있는 새로운 메타휴리스틱과 2) 평가 단계의 효율성이 크게 증가함으로써 탐색 공간을 효과적으로 (효율적으로보다는) 탐색할 수 있는 메타휴리스틱에 대한 기회와 필요성을 지적합니다. 이는 AI 기반 예측기를 활용하기 위해 설계된 현대적인 메타휴리스틱 클래스에 대한 새로운 접근 방식을 열어줍니다.