基于深度学习的基础设施韧性资源分配
信号处理
2020-07-14 v1 机器学习
摘要
从优化视角看，资源分配是解决电力中断与交通拥堵等应用中常见限制因素的研究基石之一。本文采用数据驱动方法，估计在地震等自然灾害后基础设施网络即时恢复的最优节点修复序列。我们从 td-INDP（一种用于相互依赖网络最优修复策略的高保真模拟器）生成数据，并采用深度神经网络逼近这些策略。尽管底层问题为 NP 完全，但我们的方法所得修复序列近乎最优。此外，通过针对多种资源可用水平训练多个模型——即所谓估计器——我们所提方法平衡了资源利用与修复时间之间的权衡。决策者可使用我们训练好的模型在突发事件后更高效分配资源，进而提升社区韧性。除预测能力外，此类训练好的估计器还揭示了修复策略中不同节点功能间相互依赖的作用。我们以田纳西州谢尔比县的现实相互依赖基础设施展示了该方法论。
引用
@article{arxiv.2007.05880,
title = {Deep Learning-based Resource Allocation for Infrastructure Resilience},
author = {Siavash Alemzadeh and Hesam Talebiyan and Shahriar Talebi and Leonardo Duenas-Osorio and Mehran Mesbahi},
journal= {arXiv preprint arXiv:2007.05880},
year = {2020}
}