研究提出GNN辅助逻辑Benders分解算法用于列车站内重调度
Start here
2026年11月6日发表于arXiv的人工智能研究提出了一种图学习辅助逻辑Benders分解算法（GNN-LBBD），结合滚动时域分布鲁棒优化模型，用于解决突发干扰场景下的列车站内重调度问题。该方法利用图神经网络（GNN）指导子问题的求解顺序，实现对列车路径、进路顺序与时间的联合优化。在对拥有5股道的车站进行的28个测试实例中，该方法的平均总完工延误达到61.13列车·分钟，相较于禁忌搜索和变邻域搜索算法分别降低了16.63%和20.06%。
AI-generated from reports · Updated 4 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 人工智能基于图学习辅助逻辑 Benders 分解的干扰下列车站内分布鲁棒重调度
研究提出图学习辅助逻辑 Benders 分解算法 GNN-LBBD，结合滚动时域分布鲁棒优化模型解决突发干扰下的列车站内重调度问题。该方法通过 GNN 指导子问题求解顺序，联合优化列车路径、进路顺序与时间。在 5 股道车站的 28 个测试实例中，其平均总完工延误为 61.13 列车·分钟，比禁忌搜索和变邻域搜索分别降低 16.63% 与 20.06%。
Story heat trend
Current heat 9·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.