A hybrid deep-learning-metaheuristic framework for bi-level network design problems

要約

この研究では、道路網設計問題 (NDP) に対する 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。
ユーザー均衡 (UE) トラフィック割り当て問題の解を近似するようにグラフ ニューラル ネットワーク (GNN) をトレーニングし、トレーニングされた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て NDP の解を近似します。
3 つのテスト ネットワーク、2 つの NDP バリアント、および厳密ソルバーをベンチマークとして使用し、平均して、提案したフレームワークが、厳密解法手順にかかる時間の 0.5% 未満で、最良の結果とのギャップ 1.5% 以内の解を提供できることを示します。
当社のフレームワークは、インフラストラクチャ計画のエキスパート システム内で利用して、さまざまなシナリオの下で最適なインフラストラクチャ計画と管理上の決定を決定できます。
フレームワークの柔軟性を考慮すると、グラフ上の 2 レベルの問題としてモデル化できる他の多くの意思決定問題に簡単に適応できます。
さらに、私たちは将来の興味深い研究の方向性を予測しており、このテーマに関する簡単な研究課題も提案しました。
将来の研究を形作る可能性がある私たちの研究からの重要な観察は、GNN モデルによって行われた推論を使用した適応度関数の評価時間がミリ秒のオーダーであったということです。これは、1) 適切に対処できる新しいヒューリスティックの機会と必要性を示しています。
深層学習モデルによって提供されるノイズを含む適合度関数値を使用し、2) 大幅に向上した評価ステップの効率を利用して、(効率的ではなく) 効果的に探索空間を探索できます。
これにより、AI を活用した予測器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に新たな道が開かれます。

要約(オリジナル)

This study proposes a hybrid deep-learning-metaheuristic framework with a bi-level architecture for 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 three test networks, two NDP variants and an exact solver as benchmark, we show that on average, our proposed framework can provide solutions within 1.5% gap of the best results in less than 0.5% of the time used by the exact solution procedure. Our framework can be utilized within an expert system for infrastructure planning to determine the best infrastructure planning and management decisions under different scenarios. Given the flexibility of the framework, it can easily be adapted to many other decision problems that can be modeled as bi-level problems on graphs. Moreover, we foreseen interesting future research directions, thus we also put forward a brief research agenda for this topic. The key observation from our research that can shape future research is that the fitness function evaluation time using the inferences made by the GNN model 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 deep learning models, and 2) can use the significantly enlarged efficiency of the evaluation step 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