摘要

本研究提出了一种具有双层架构的混合深度学习-元启发式框架，用于解决道路网络设计问题（NDPs）。我们训练了一个图神经网络（GNN）来近似求解用户均衡（UE）交通分配问题，并利用训练模型做出的推断来计算遗传算法（GA）的适应度函数评估值，以近似求解NDPs。通过使用三个测试网络、两种NDP变体以及一个精确求解器作为基准，我们展示了所提出的框架在平均情况下可以在精确求解过程所需时间的不到0.5%内提供与最佳结果相差不超过1.5%的解决方案。我们的框架可以集成到基础设施规划专家系统中，以在不同情景下确定最佳的基础设施规划和管理决策。鉴于该框架的灵活性，它可以轻松适应许多其他可以建模为图上的双层问题的决策问题。此外，我们预见了未来有趣的研究方向，并为此主题提出了简要的研究议程。我们的研究中的关键观察是，使用GNN模型做出的推断进行适应度函数评估的时间仅为毫秒级，这表明需要开发新的元启发式方法，这些方法能够：1) 妥善处理深度学习模型提供的噪声适应度函数值；2) 利用评估步骤显著提高的效率有效地探索搜索空间（而非高效地）。这为现代一类专为与AI预测器结合使用的元启发式方法开辟了新的途径。