Learning to sample in variable neighborhood search algorithm for urban cable routing optimization

doi:10.1016/j.swevo.2026.102432

Learning to sample in variable neighborhood search algorithm for urban cable routing optimization

2026-06-06

0

PRE

AI

DOI：10.1016/j.swevo.2026.102432

原文链接

原文求助

摘要

En 中文

城市地下电缆建设对于提升电网可靠性至关重要，但高昂的建设成本要求进行系统性优化。受道路网络基础设施的限制，该优化问题不仅需要考虑变电站之间的连通性关系，还需考虑沿道路网络的特定路由策略，构成一个大规模双层组合优化问题。传统研究中对具体路由子问题的关注不足以及算法设计过于简单、难以应对大规模组合优化，为解决这一复杂优化挑战留下了显著改进空间。为应对庞大的组合搜索空间，我们提出了一种学习辅助变邻搜索（L-VNS）算法，整合了四个关键组件。首先，一个专注于上层连通性子问题的辅助任务通过混合遗传搜索优化连接和A*算法进行详细路径路由，生成高质量初始解。随后，算法利用配备三种互补算子的变邻搜索迭代优化连通性拓扑。一个多智能体深度强化学习模块通过同时编码上层连通模式和下层路由结构，自适应地引导概率邻域采样，有效利用问题结构。最后，一个改进的A*算子重新规划受邻域修改影响的下层路径，以确保可行性和解的完整性。在12个基准实例和3个GIS衍生实例上的全面实验表明L-VNS的优越性，与代表性方法相比，总建设成本降低了0.92%–73.72%。消融研究和敏感性分析进一步验证了所提出算法的有效性和鲁棒性。

Learning to sample in variable neighborhood search algorithm for urban cable routing optimization

摘要

期刊

机构

引用论文