arXiv cs.AI· Xiaobin Li, Yanbin Gao, Jianing Long, Wuming Lei·· 11 小时前AI 评分18
图学习辅助的逻辑型 Benders 分解求解中断下分布鲁棒站内列车重调度
Graph learning-assisted logic-based Benders decomposition for distributionally robust in-station train rescheduling under disruptions
AI 导读
GNN-LBBD 用逻辑型 Benders 分解协调路径与资源调度，并以图神经网络引导资源松弛子问题的求解顺序，在五轨车站 28 个测试实例上平均总完成延误为 61.13 train-min，比禁忌搜索低 16.63%、比变邻域搜索低 20.06%，平均总计算时间接近禁忌搜索。
正文 · AI 翻译
摘要：资源重新开放时间的不确定性，使得当资源关闭与到达延误和处理时间延长同时发生时，列车扣车与改道决策变得更加复杂。我们建立了一个滚动时域分布鲁棒模型，随着中断解决观测数据的获得，该模型会更新对剩余关闭时长的预测。该模型联合优化列车路径、顺序和时刻。它最小化在场景概率模糊集上的最坏情况期望总完成延误。求解算法 GNN-LBBD 使用基于逻辑的 Benders 分解来协调路径与资源调度。条件割根据资源使用模式构造，图神经网络引导资源松弛子问题的求解顺序。在一个五轨车站的 28 个测试实例中，GNN-LBBD 的平均总完成延误为 61.13 列车-分钟。这比禁忌搜索低 16.63\%，比变邻域搜索低 20.06\%，平均总计算时间接近禁忌搜索。在六个代表性实例上的信息比较表明，使用中断解决的观测数据使平均总完成延误降低了约 21.7\%。在相同信息条件下，基于场景的预测和条件均值预测产生了相似的总体结果。在某些具有备选路径的实例中，信息带来的收益更为明显。这表明观测数据的使用、车站资源结构与时刻表调整空间之间存在关系。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.07520 [cs.AI] |
| （或使用 arXiv:2611.07520v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2611.07520 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xiaobin Li [查看电子邮件]
[v1]
2026年11月5日星期四 06:30:36 UTC（884 KB）
来源：arXiv cs.AI · arxiv.org