.png){kind=icon}
返回
Response flow graph neural network for capacitated network reliability analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2025.111198.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
容量网络可靠性（CNR）分析对于计算各类网络的可靠性至关重要。CNR问题的NP难特性使得通过穷举排列寻找精确解对于许多实际工程网络而言不切实际。本研究开发了一种基于图的新型神经网络，即响应流图神经网络（RFGNN），用于解决CNR问题。所提出方法的新颖性体现在三个关键组成部分。首先，提出了一种迭代方程，通过识别传播过程中流量受阻的节点来更新网络链路权重。其次，开发了一种新表达式，通过整合更新的链路权重，融合每个节点的局部邻域信息，从而创建了RFGNN。第三，开发了一种自适应框架，以提高RFGNN在解决CNR问题时的预测精度。通过几个CNR问题来评估所提出方法的有效性。结果表明，所提出的方法具有显著效果。此外，一旦RFGNN从原始网络中适当构建，其在估计不同子网络的CNR时表现出卓越的计算精度，这代表了传统非机器学习方法通常难以达到的能力。
Keyword:
Capacitated network reliability
Graph-based neural networks
Adaptive framework
Complicated networks
Machine learning
期刊
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Gated recurrent unit based recurrent neural network for remaining useful life prediction of nonlinear deterioration process基于门控递归单元的递归神经网络在非线性劣化过程剩余寿命预测中的应用
PREAI
分享收藏
New Method in Searching for All Minimal Paths for the Directed Acyclic Network Reliability Problem
PREAI
分享收藏
查看更多内容