多目标优化在交通网络设计问题中的作用
规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略，然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基准上评估该算法，发现它在现实基准实例上比独立学习的策略提高了最多 20％，比普通的进化算法方法提高了最多 53％。
Feb, 2024
通过寻求多个多目标优化问题的互补子集解决方案的权衡，我们引入了一种称为 MosT 的多目标多解传输框架，其通过在每个解决方案中对加权目标进行双层优化，并使用目标和解决方案之间的最优传输来定义权重，确保收敛到 Pareto 稳态解决方案。在联邦学习、多任务学习和混合提示学习等应用中，MosT 都显著优于强基线方法，提供高质量的多样化解决方案，刻画了整个 Pareto 前沿，从而实现了在多个目标之间的平衡权衡。
Mar, 2024
本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。
May, 2023
本文介绍了将元启发式算法和神经网络求解器相结合应用于组合优化中，以运输网络设计问题为例进行了探索，通过将单次规划的神经网络策略训练和纳入到修改后的蜜蜂群优化算法中，实验结果表明，这种混合算法在现实问题实例上的性能比单独的学习策略提高了多达 20％，比原始蜜蜂群优化算法提高了多达 53％，并对修改后的算法的每个组件进行了一系列削减实验以研究其影响。
May, 2023
本文研究了针对连续状态空间和未知状态转移动态的拓扑马尔科夫决策过程（TMDPs）的策略梯度定理及其实现，进一步扩展了 TMDPs 在面对多种复杂问题方面的应用，提出了一种针对多目标导航问题的新算法，并在模拟环境和实际机器人上进行了演示。
Sep, 2022
该研究论文调查了交通网络路线规划算法的最新进展，重点介绍了处理道路网络和公共交通网络的不同方法，以及其对查询时间、空间要求和预处理等方面的不同权衡，提出了多模态路径规划问题的近似解决方案。
Apr, 2015
该研究提出了一种新颖的方法来解决多目标车辆路径规划问题，通过视觉吸引力路线规划和历史驾驶员行为数据挖掘的评估，证明了数据挖掘历史模式比文献中的视觉吸引力评估更加有效。同时提出了一个双目标问题来平衡路径相似性和最小化路径成本，并通过启发式箱分割的两阶段 GRASP 算法解决该问题。结果表明该方法能够生成少量非支配解，帮助决策者在路径成本和驾驶员偏好之间进行权衡，从而提升物流公司的最后一英里配送运营。
May, 2024
本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的 Origin-Destination 需求矩阵预测框架，该框架能够从通行信息中预测时空 O-D 流，并利用新泽西州收费站的数据验证了该模型，结果表明我们的方法在各种预测方案下都能够取得最佳性能，同时也展示了深度学习和卡尔曼滤波相结合的优势。
May, 2019