基于双层强化学习的实用冬季道路维护优化
人工智能
2026-03-02 v1
摘要
冬季道路维护对于确保公共安全和减少环境影响至关重要，但现有方法在有效管理大规模路由问题方面存在挑战，主要依赖人类决策。本研究提出了一种新型可扩展的双层优化框架，在英国战略道路网络（M25、M6、A1）及其周边地区相互关联的本地道路网络（用于车辆行驶）上进行了真实运行数据验证，作为高速公路运营方解决现有规划挑战的努力。上层采用强化学习（RL）智能体 strategically 将道路网络划分为可管理的簇，并从多个车站最优分配资源。下层在每个簇内求解多目标车辆路径问题（VRP），最小化最大车辆行驶时间和总碳排放。与现有方法不同，本方法高效处理大规模真实网络，显式包含车辆专属约束、车站容量及道路段要求。结果表明实现了工作负载均衡、最大行驶时间低于目标两小时阈值、排放降低以及显著成本节省。本研究说明了如何通过先进的 AI 驱动双层优化，直接提升真实交通物流领域的运营决策能力。
引用
@article{arxiv.2602.24097,
title = {Bi-level RL-Heuristic Optimization for Real-world Winter Road Maintenance},
author = {Yue Xie and Zizhen Xu and William Beazley and Fumiya Iida},
journal= {arXiv preprint arXiv:2602.24097},
year = {2026}
}