热点事件持续更新
研究提出GNN辅助逻辑Benders分解算法用于列车站内重调度
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
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 根据报道生成 · 3 小时前更新
最新进展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%。报道时间线
沿着报道，了解事件的不同侧面。
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%。
本事件热度走势
当前热度 9·可比范围峰值 10（11月6日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。