自主运输网络设计的神经进化算法
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
通过基于遗传算法的多目标和单目标方法，以及公共交通系统中自动收费数据为基础，设计一种能够动态适应城市交通变化、减少线路数量和改善乘客通勤体验的交通网络设计问题优化方案。
Jan, 2022
该研究介绍了一种基于神经网络的算法，用于计算强和弱输运成本的最优输运图和计划，并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。
Jan, 2022
通过使用神经网络实现的层次化多时域优化框架，本文提出了一种在行驶过程中通过车辆间信息来优化车辆速度和动力系统，以最小化能量消耗的方法。通过在真实行驶路线上进行模拟，证明了该方法可以实现与基于强化学习的随机优化解决方案相当的性能，并且不需要复杂的训练范式和较少的内存开销。
Oct, 2023
我们提出一种基于神经网络的图演化算法，在解决自动机器人设计中的组合问题和评估困难问题方面具有优越性能。与以往方法不同，我们使用图神经网络对控制策略进行参数化，同时运用包含模型不确定性的图突变技术，在探索与开发之间达到平衡，从而在单一机器上一天之内高效地解决搜索问题。
Jun, 2019
路径规划研究中，由于对初始解敏感且收敛速度较慢，我们提出了一种分为路径空间划分和路径空间中的路点生成的两级级联神经网络，名为 PPNet，用于解决此问题。此外，我们提出了一种名为 EDaGe-PP 的有效数据生成方法，实验结果表明，与其他方法相比，由 EDaGe-PP 产生的数据集训练的 PPNet 的计算时间少于 1/33，成功率提高了约 2 倍。与最先进的路径规划方法相比，我们验证了 PPNet 的性能，结果表明 PPNet 可以在 15.3 毫秒内找到接近最优解，远远快于最先进的路径规划器。
Jan, 2024
本论文提出了一种基于模型的派遣算法、基于高性能模型无关的强化学习算法和将自顶向下方法和模型无关强化学习的优点结合的新型混合算法，以路线优化策略的形式为车队提供路线规划，研究了面对实时、随机需求的情况下，在小到中型的道路网络中，对街道叫车服务的路线进行优化；使用基于代理的大规模微观仿真平台，评估了提出的算法在人工道路网络和社区基础新加坡道路网络中的表现，结果显示出基于模型的派遣算法、基于高性能模型无关的强化学习算法和混合算法在性能上均表现出色，并且混合算法可以显著加速模型无关学习者的学习过程。
Oct, 2020