ホットトピック継続更新中
研究提出GNN辅助逻辑Benders分解算法用于列车站内重调度
1 件の報道1 件の報道元4 時間前 更新
まずこの件を把握する
AI 概要
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 が報道をもとに生成 · 4 時間前 更新
最新の進展11月6日 13:00
研究提出GNN-LBBD算法用于列车重调度，相较传统搜索算法延误最高降低20.06%。報道タイムライン
報道をたどり、出来事のさまざまな側面を知る。
11月6日
- 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%。
このストーリーのホット度の推移
現在のホット度 9·比較可能範囲のピーク 10（11月6日 14:00）·直近24時間の比較可能な変化–
トレンドは継続して完全に観測した同じ主体のみを比較するため、現在のホット度の集計より範囲が狭い場合があります。ポインターの移動やタップで1時間ごとのホット度を確認でき、キーボードでは左右の矢印キーで切り替えられます。