論文の概要: Learning-aided Bigraph Matching Approach to Multi-Crew Restoration of Damaged Power Networks Coupled with Road Transportation Networks

• arxiv url: http://arxiv.org/abs/2506.19703v1
• Date: Tue, 24 Jun 2025 15:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.695501
• Title: Learning-aided Bigraph Matching Approach to Multi-Crew Restoration of Damaged Power Networks Coupled with Road Transportation Networks
• Title（参考訳）: 道路交通ネットワークに結合した損傷電力ネットワークのマルチクリュー復元のための学習支援バイグラフマッチング手法
• Authors: Nathan Maurer, Harshal Kaushik, Roshni Anna Jacob, Jie Zhang, Souma Chowdhury,
• Abstract要約: 破壊後のクリティカルインフラストラクチャネットワーク(CIN)のレジリエンスは、復旧の速度と、運用機能の回復の程度に依存する。 復旧のための資源配分は、どの乗組員が特定のネットワークノードをどの順序で修理するかを決定することを含む最適な計画問題である。 本稿では、乗組員と輸送ノードと電力グリッドノードの2つの相互接続グラフを1つのヘテロジニアスグラフにマージするグラフベースの新しい定式化を提案する。
• 参考スコア（独自算出の注目度）: 5.161483150219612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The resilience of critical infrastructure networks (CINs) after disruptions, such as those caused by natural hazards, depends on both the speed of restoration and the extent to which operational functionality can be regained. Allocating resources for restoration is a combinatorial optimal planning problem that involves determining which crews will repair specific network nodes and in what order. This paper presents a novel graph-based formulation that merges two interconnected graphs, representing crew and transportation nodes and power grid nodes, into a single heterogeneous graph. To enable efficient planning, graph reinforcement learning (GRL) is integrated with bigraph matching. GRL is utilized to design the incentive function for assigning crews to repair tasks based on the graph-abstracted state of the environment, ensuring generalization across damage scenarios. Two learning techniques are employed: a graph neural network trained using Proximal Policy Optimization and another trained via Neuroevolution. The learned incentive functions inform a bipartite graph that links crews to repair tasks, enabling weighted maximum matching for crew-to-task allocations. An efficient simulation environment that pre-computes optimal node-to-node path plans is used to train the proposed restoration planning methods. An IEEE 8500-bus power distribution test network coupled with a 21 square km transportation network is used as the case study, with scenarios varying in terms of numbers of damaged nodes, depots, and crews. Results demonstrate the approach's generalizability and scalability across scenarios, with learned policies providing 3-fold better performance than random policies, while also outperforming optimization-based solutions in both computation time (by several orders of magnitude) and power restored.
• Abstract（参考訳）: 自然災害などの破壊後のクリティカルインフラストラクチャネットワーク(CIN)のレジリエンスは、復旧の速度と、運用機能を回復できる程度に依存する。 修復のためのリソースの割り当ては、どの乗組員が特定のネットワークノードをどの順番で修理するかを決定することを含む、組合せ最適計画問題である。 本稿では、乗組員と輸送ノードと電力グリッドノードの2つの相互接続グラフを1つのヘテロジニアスグラフにマージするグラフベースの新しい定式化を提案する。 効率的な計画を実現するため、グラフ強化学習(GRL)をバイグラフマッチングに統合する。 GRLは、環境のグラフに制約された状態に基づいて、乗組員に作業の修理を割り当てるインセンティブ関数を設計し、損傷シナリオをまたいだ一般化を確保するために使用される。 2つの学習テクニックが採用されている: 近似ポリシー最適化を用いてトレーニングされたグラフニューラルネットワークと、ニューロエボリューションを介してトレーニングされた別のニューラルネットワーク。 学習されたインセンティブ機能は、乗組員とタスクを結びつける二部グラフに通知する。 最適ノード間経路計画の事前計算を行う効率的なシミュレーション環境を用いて,提案手法を訓練する。 IEEE 8500バスの配電試験ネットワークと21平方kmの輸送ネットワークを併用したケーススタディでは、損傷ノード数、補給所数、乗員数によってシナリオが異なる。 その結果、学習されたポリシーはランダムなポリシーよりも3倍優れたパフォーマンスを提供する一方で、計算時間(桁違い)と電力回復の両方で最適化ベースのソリューションよりも優れています。

関連論文リスト

• Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression [83.27791109672927]
  本稿では,資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションが,ユビキタスな二段階的手法の欠点を回避する方法を示す。 ラグランジアンによる国家拡張政策の最大化は、オフライントレーニングフェーズ中に学習される。 収束結果と指数確率は、双対函数(有限値)最適性ギャップの剰余に縛られることを証明する。
  論文  参考訳（メタデータ） (2025-06-23T15:20:58Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Universal Neural Optimal Transport [0.0]
  UNOT(Universal Neural Optimal Transport、Universal Neural Optimal Transport)は、OT距離を正確に予測できる新しいフレームワークである。 我々のネットワークはSinkhornアルゴリズムの最先端の初期化として使用でき、最大7.4times$の高速化が可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-30T21:56:09Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Transformer Network-based Reinforcement Learning Method for Power Distribution Network (PDN) Optimization of High Bandwidth Memory (HBM) [4.829921419076774]
  高帯域メモリ(HBM)の電力分散ネットワーク(PDN)最適化のための変圧器ネットワークに基づく強化学習(RL)手法を提案する。 提案手法は,複数のポートで見られるPDN自己転送の低減を最大化するために,最適なデカップリングコンデンサ(デキャップ)設計を提供する。
  論文  参考訳（メタデータ） (2022-03-29T16:27:54Z)
• Designing Heterogeneous GNNs with Desired Permutation Properties for Wireless Resource Allocation [11.66835230109271]
  グラフニューラルネットワーク(GNN)は、さまざまな無線ポリシを学ぶために設計されている。 本稿では,所望の置換特性を満たすための設計手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T08:02:54Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Distributed Training of Graph Convolutional Networks [24.040921719350283]
  基礎となるデータグラフを異なるエージェントに分割する分散シナリオにおいて、どのように推論を行うかを示す。 次に,GCN学習問題を解くために,分散勾配降下法を提案する。 また, 温和条件下でのGCNトレーニング問題の定常解の収束性も確立した。
  論文  参考訳（メタデータ） (2020-07-13T10:04:20Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。