حل یک مساله تخصیص دو سطحی با استفاده از روش یادگیری ماشین خود نظارتی

در این پژوهش یک مساله بهینه‌سازی دوسطحی  طراحی شبکه حمل و نقل گسسته  بررسی‌شده و از یک روش ترکیبی بهینه‌سازی-یادگیری ماشین برخط برای حل آن استفاده شده است. به دلیل ماهیت np-سخت مسایل دوسطحی، یافتن پاسخ مناسب و موثر برای آنها امری دشوار است و ارایه روش‌های جدید و موثر برای حل این مسایل مورد توجه محققان قرار دارد. هدف در این مساله انتخاب بهینه یال‌های جدید جهت احداث در یک شبکه حمل و نقل شهری است که موثرترین سهم را در روان‌سازی شبکه ترافیکی داشته باشند. تابع هدف سطح بالا شامل مساله کمینه‌کردن زمان سفر کل شبکه و هزینه احداث یال‌های جدید در شبکه است. تابع هدف سطح پایین نیز مساله کمینه کردن زمان سفر هر کدام از کاربران شبکه را مورد بررسی قرار می‌دهد. تعدادی مثال عددی در محیط برنامه‌نویسی پایتون جهت بررسی اعتبار مدل و روش حل، ارایه شده است.

an online supervised machine learning algorithm to solve a bi-level network design problem

this paper investigates a bi-level network design problem and proposes a hybrid optimization-machine learning algorithm to solve it. bi-level problems are typically np-hard, and even in the simplest scenario where both upper and lower level problems are linear, they remain np-hard. machine learning methods have gained popularity in recent years due to their accuracy and reasonable running time. in this study, we apply a hybrid optimization-machine learning algorithm using an online learning method to solve the proposed bi-level network design problem. our primary objective is to select a set of candidate edges that minimize traffic flow as much as possible. the upper-level objective function aims to minimize the average total travel time and fixed cost expenses required to establish the newly designed edges. meanwhile, the lower-level objective function focuses on minimizing individual travel time from the viewpoint of users. we provide several numerical examples to demonstrate the effectiveness of our proposed model and its hybrid solution approach.