交通 | COR‘23：机器学习求解枢纽选址问题-CSDN博客

本文链接：https://blog.csdn.net/weixin_53463894/article/details/143354016

在这里插入图片描述

编者按

针对交通、物流网络中的枢纽选址问题，创新提出了一个机器学习增强组合优化算法的求解框架。在此算法框架的基础上，为单分配 $p -$ 枢纽中位问题（uncapacitated single allocation $p -$ hub median problem, USApHMP）设计了两个基于图神经网络改进的启发式求解算法。仿真和标准数据集上的大量实验结果表明，所提出的改进算法在求解质量、计算效率的综合表现上优于传统的组合优化方法。这也是机器学习方法在轴辐式网络设计应用中的首次尝试。

1. 背景

在现代物流、交通运输系统中，运输网络结构的设计对于提高效率和降低成本至关重要。其中，轴辐式网络结构（Hub-and-Spoke）是一种常见的设计模式。在轴辐式网络中，以枢纽为轴，负责合并、分发节点之间的流量；以枢纽节点与非枢纽节点之间的运输线路为辐，通过辐线将流量转发至各个非枢纽节点。轴辐式网络通过集中处理流量，优化资源配置，在规模经济效益下产生成本折扣，降低了运输成本。此外，该网络结构减少了出发点-目的地节点（Origin-Destination, O-D）之间的连接，提高了运输系统的稳定性。

枢纽选址问题（Hub Location Problems, HLPs）涉及在轴辐式网络中确定枢纽节点，并确定每个O–D需求的所有运输路线。随着货运和客运需求的激增，枢纽选址问题受到了物流和交通运输领域的广泛关注，特别是在航空客运方面。然而，该问题涉及许多因素，如地理空间信息和O–D对之间的运输需求流量。此外，在大多数情况下，枢纽选址是NP难问题，这使得大规模问题求解变得困难。因此，迫切需要一种高效的方法来应对这一挑战。

在求解枢纽选址问题上，传统的组合优化算法多为精确算法和启发式算法。精确算法（例如Benders分解[1]、拉格朗日松弛[2]）通过不断更新上界和下界直到收敛，来获取最优解，但通常计算时间较长，不适用于求解大规模实例。启发式算法包括禁忌搜索算法[3]、模拟退火算法[4]、变邻域搜索算法[5]等，求解速度较快，但容易陷入局部最优解。

随着人工智能技术的快速发展，机器学习在组合优化领域的研究引起了广泛关注。将机器学习应用于组合优化，一方面考虑用机器学习替代计算成本高昂的操作，从而快速获取近似解；另一方面，当专家知识在组合优化问题中不够充分时，机器学习能够通过经验探索来提升现有的决策水平[6]。

2. 算法框架

该算法框架是基于机器学习的两阶段提升算法。其设计的思想为：第一阶段，利用机器学习模型输出节点被选为枢纽的概率/排序分数，从而得到一个潜在的枢纽集合；第二阶段，将枢纽的排序分数、潜在的枢纽集合嵌入到启发式算法中，以提升求解质量和运算效率。算法框架如图1所示。

图1：算法框架图

在上述算法框架下，为枢纽选址问题设计具体的算法时，有两个主要问题需要考虑：

（1）如何设计机器学习模型，使其能够输出合理的节点分数？

（2）如何将得到的枢纽排序分数/潜在的枢纽集合嵌入到启发式算法中？

作者以一类经典的枢纽选址问题：单分配 $p -$ 枢纽中位问题（uncapacitated single allocation $p -$ hub median problem, USApHMP）为具体研究对象，在上述算法框架基础上，提出了两个改进的启发式算法。

3. USApHMP：问题建模

USApHMP问题中，选择的枢纽数量需为 $p$ 个，每个非枢纽节点只能与一个枢纽节点连通（即，单分配），枢纽节点之间是完全连通的。该问题可建模为如下所示的混合整数规划模型，其中，节点 $\in V$ , $w_{vu}$ 表示从节点 $v$ 到节点 $u$ 的运输需求； $c_{vu}$ 表示两个节点之间的距离； $O_v=\sum_{u\in V}w_{vu}$ 为节点 $v$ 产生的总的运输需求（从 $v$ 运输至其他所有节点），而 $D_v=\sum_{u\in V}w_{uv}$ 表示从其他节点到 $v$ 的运输需求之和。参数 $\alpha$ ， $\chi$ 和 $\delta$ 分别为枢纽之间运输、从非枢纽节点到枢纽节点，以及从枢纽节点到非枢纽节点之间运输的成本折扣系数。决策变量 $X_{ij}^v$ 表示节点 $v$ 产生的运输需求中，经由枢纽边 $i - j$ 运输的需求量， $Y_{vi}$ 表示节点 $v$ 是否分配到枢纽节点 $i$ 。

目标函数为最小化总运输成本。约束条件（2）表示选取的枢纽数量为 $p$ ；约束条件（3）保证了每个节点只能分配给一个枢纽节点；约束条件（4）表示了只有枢纽节点才能被分配；公式（5）是一个流平衡的约束；约束条件（6）和（7）定义了决策变量的取值范围。

4. USApHMP：求解算法设计

在所提出的算法框架下，作者设计了基于深度学习改进的启发式算法以求解USApHMP。算法流程如图2所示。针对轴辐式网络特性，构造了多类型图、多类型特征输入机制，并构建了基于图神经网络的深度学习模型DLHr (a deep-learning based probabilistic hub-ranker)，输出节点排序分数。该分数可反映节点被选为枢纽节点的概率，从而生成一个潜在的枢纽集合。将输出结果分别嵌入基于聚类的潜在枢纽集合算法（clustering-based potential hub sets algorithm, CBS）和变邻域搜索算法（general variable neighborhood search , GVNS）中，从而得到两个改进的启发式算法DL-CBS和DL-GVNS。