Jul, 2024

基于自然启发算法的优化城市轨道网络设计的先进人工智能策略

HTML
PDF
TL;DR该研究提出了一种创新的方法，用于规划印度坦米尔纳德邦钦奈市城区的地铁网络路线。通过比较改进的蚁群优化算法与最新的自然启发算法的突破，证明改进的蚁群优化算法优于现代技术。通过应用改进的蚁群优化算法，生成连接地铁路线起点和目的地的最有效路径。此外，该模型应用于现有的地铁网络，以突出该模型结果与当前网络之间的差异。Google地图平台与Python集成处理实时数据，包括土地利用、地理信息系统(GIS)数据、人口普查信息和兴趣点。这种处理能够确定城市内的车站和选择的路径上的站点。与传统的路径规划方法相比，由此形成的地铁网络具有显著的优势，增加了劳动生产率，减少了规划时间，提高了成本效益。该研究显著提高了城市交通系统的效率，特别适用于迅速变化的都市环境，如钦奈市。
发现论文，激发创造
  • 多目标优化在交通网络设计问题中的作用

    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

  • 提高蚁群算法在解决大规模TSP实例中的效率

    本研究提出了一种名为 Focused ACO 的 Ant Colony Optimization 变种，通过控制新构建解与先前选择解之间的差异数，实现了更加集中的搜索，同时与问题特定的局部搜索更有效地集成，这在解决大型 TSP 实例方面比现有的 ACO 更有效。

    Mar, 2022

  • 移动机器人覆盖路径规划的快速跨度蚁群算法（FaSACO）

    本研究提出了FaSACO，这是一种基于蚂蚁群算法的快速走过覆盖区域路径规划方法，可以利用启发式信息减少路径规划的时间复杂度，使优化路径更高效，并特别适用于实时和能量有限的应用。

    May, 2022

  • 神经蜜蜂群优化：公共交通网络设计案例研究

    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

  • 利用混合RidgeGAN模型预测印度小型和中型城市的交通指数

    通过Kernel Ridge回归和CityGAN，建立了RidgeGAN模型来预测印度小中城市的交通指数，结果显示两步法比现有基准效果更好。

    Jun, 2023

  • 基于深度学习加权图的短途公交路线规划决策支持系统

    利用深度学习方法构建决策支持系统，通过调整公共交通特定时间段的路线以提高运输效率和可靠性。

    Aug, 2023

  • 进化之城：朝着灵活、敏捷和共生系统迈进

    通过先进的传感技术、基于图形的技术并采用分散自治的组织和运行方式，本研究提出了一个增强城市适应性感知的框架，以便使城市能够更灵活、更响应不断变化的需求。这种进化的城市不仅能优化交通流量通过调整车道分配，并降低排放量，而且还提出了一个可持续城市发展的新视角，强调城市系统中集成智能的重要性。

    Nov, 2023

  • 用GFlowNets进行组合优化的蚁群抽样

    该论文介绍了一种新型的神经引导元启发式算法，Generative Flow Ant Colony Sampler (GFACS)，用于组合优化。该算法将生成流网络 (GFlowNets) 与蚁群优化 (ACO) 方法相结合，在组合空间中提供了一个基于输入图实例的决策变量的先验分布，从而增强了 ACO 的功能。此外，本文还引入了一种新的训练技巧组合，包括搜索引导的局部探索、能量归一化和能量塑形，以提高 GFACS 的性能。我们的实验结果表明，在七个组合优化任务中，GFACS 胜过基准 ACO 算法，并且在车辆路径问题上与问题特定的启发式算法相竞争。源代码可在 https://github.com/ai4co/gfacs 上获得。

    Mar, 2024

  • 自主运输网络设计的神经进化算法

    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

  • 使用深度强化学习学习公共交通网络设计和改进的启发式方法

    利用深度强化学习和图神经网络学习低级启发式算法可有效优化公共交通网络设计，在合成和现实城市场景中均取得最佳结果并降低成本。

    Apr, 2024