A hybrid deep-learning-metaheuristic framework to approximate discrete road network design problems

要約

この研究では、道路ネットワーク設計問題 (NDP) を解決するために、2 レベル アーキテクチャを備えたハイブリッド ディープ ラーニング メタヒューリスティック フレームワークを提案します。
グラフ ニューラル ネットワーク (GNN) をトレーニングして、ユーザー平衡 (UE) トラフィック割り当て問題の解を近似し、トレーニング済みモデルによって行われた推論を使用して、遺伝的アルゴリズム (GA) の適合度関数評価を計算し、NDP の解を概算します。
2 つの NDP バリアントと正確なソルバーをベンチマークとして使用して、最適な結果を見つけるために必要な時間が 1% 未満であることを考慮して、提案されたフレームワークがグローバルな最適な結果の 5% のギャップ内でソリューションを提供できることを示します。
さらに、私たちは多くの興味深い将来の方向性を観察しているため、このトピックに関する簡単な研究課題を提案します。
影響力のある将来の研究に影響を与えた重要な観察結果は、遺伝的アルゴリズムの GNN モデルによって行われた推論を使用したフィットネス関数の評価時間がミリ秒のオーダーであったことでした。
ニューラル ネットワークによって提供されるノイズの多いフィットネス関数値、および 2) それらに提供される大幅に長い計算時間を使用して、検索空間を効果的に (効率的ではなく) 探索できます。
これにより、AI を利用した予測子で使用するために作成された最新クラスのメタヒューリスティックへの新しい道が開かれます。

要約(オリジナル)

This study proposes a hybrid deep-learning-metaheuristic framework with a bi-level architecture to solve road network design problems (NDPs). We train a graph neural network (GNN) to approximate the solution of the user equilibrium (UE) traffic assignment problem, and use inferences made by the trained model to calculate fitness function evaluations of a genetic algorithm (GA) to approximate solutions for NDPs. Using two NDP variants and an exact solver as benchmark, we show that our proposed framework can provide solutions within 5% gap of the global optimum results given less than 1% of the time required for finding the optimal results. Moreover, we observe many interesting future directions, thus we propose a brief research agenda for this topic. The key observation inspiring influential future research was that fitness function evaluation time using the inferences made by the GNN model for the genetic algorithm was in the order of milliseconds, which points to an opportunity and a need for novel heuristics that 1) can cope well with noisy fitness function values provided by neural networks, and 2) can use the significantly higher computation time provided to them to explore the search space effectively (rather than efficiently). This opens a new avenue for a modern class of metaheuristics that are crafted for use with AI-powered predictors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google