基于图神经网络初始机组组合预测与大邻域搜索求解机组组合问题
最优化与控制
2025-05-21 v1
摘要
机组组合问题（UCP）是电力市场决策的关键组成部分。然而，其计算复杂性要求高效的求解方法。在这项工作中，我们提出了一个加速 UCP 求解过程以及为两种不同的图神经网络（GNN）策略收集数据过程的框架。我们首先训练一个神经初始机组组合预测策略，以获得 UCP 的初始组合。其次，引入一个启发式过程来恢复初始组合的可行性。第三，基于初始预测获取邻域，然后进行邻域搜索以改进组合。最后，我们训练一个神经邻域预测策略，以在每次迭代中预测当前组合的邻域，持续优化组合直到满足停止条件。这种方法能产生高质量的初始组合，并可迭代优化以满足更高的精度要求。实验结果表明，在 80 机组系统上训练的 GNN 策略在 1080 机组系统上优于商业求解器，并且 LNS 在更复杂的实例上表现优于商业求解器。
引用
@article{arxiv.2505.14408,
title = {Solving Unit Commitment Problems with Graph Neural Network based Initial Commitment Prediction and Large Neighborhood Search},
author = {Linfeng Yang and Peilun Li and Jinbao Jian},
journal= {arXiv preprint arXiv:2505.14408},
year = {2025}
}