利用图神经网络增强列生成算法，实现乘客行程规划和机组班次安排的联合优化
内容提要
该文综述多项研究：强化学习超启发式框架改进列生成，缩小网络规模并降低车辆路径与巴士司机调度成本；RLCG用图神经网络加速列生成迭代；机器学习定价启发式提升效率；图神经网络用于共享单车需求预测与站点规划；深度学习优化机场地勤车队调度；多列选择策略加快收敛。
延伸解读
图神经网络如何嵌入列生成
文章介绍的RLCG算法用图神经网络表示线性规划中变量与约束的结构，从而在列生成迭代中做出更优选择。实验显示，相比贪心策略，RLCG在切割库存问题上平均减少22.4%的迭代次数，在带时间窗车辆路径问题上减少40.9%。这说明图结构建模能有效捕捉列生成中的复杂关系，但效果依赖于问题能否自然转化为图表示。
强化学习与多列选择的协同加速
文章提到基于强化学习的多列选择策略，通过挑选最有前途的列来加快收敛。在切割库存和图着色问题中，该方法相比传统单列选择显著减少了迭代次数和收敛时间。结合超启发式框架在车辆路径和巴士司机调度中降低总成本的结果，可以看出强化学习主要作用于列生成的决策环节，而非替代整数规划求解器本身。
应用场景的跨度与局限
综述覆盖了车辆路径、巴士司机调度、切割库存、图着色、共享单车需求预测和机场地勤车队调度等多个场景。其中需求预测类研究使用图神经网络处理站点间异质性关联，而列生成类研究侧重加速优化求解。读者需注意，这些研究各自独立，文章并未给出统一的联合优化框架，跨场景迁移效果尚不明确。
Q&A
图神经网络在列生成算法中具体起什么作用？
图神经网络用于表示线性规划中变量与约束的结构，帮助强化学习算法更好地理解问题，从而加速列生成的迭代过程。例如RLCG算法使用图神经网络表示LP的变量约束结构，在切割库存和车辆路径问题中显著减少了迭代次数。
强化学习如何改进列生成算法？
强化学习被用于超启发式框架和多列选择策略。超启发式框架通过减少网络规模提供更好的整数解并加速收敛，在车辆路径和巴士司机调度中降低总成本；多列选择策略选择最有前途的列以提高目标值和加快收敛，在切割库存和图着色问题中显著减少迭代次数。
基于机器学习的定价启发式方法如何提升列生成效率？
MLPH方法针对大规模优化问题中的定价瓶颈，通过机器学习模型替代传统定价启发式，在图着色问题实验中相比六种最先进方法显著提高了列生成的效率，使其表现优于分支定界法。
图神经网络在共享单车需求预测和站点规划中有哪些应用？
图神经网络被用于共享单车需求预测和站点规划。例如STA-MGCN网络结合周期特征进行骑行需求预测；GCNN-DDGF模型学习车站间隐藏的异质性相关性以预测小时需求；还有基于图神经网络的多源数据方法用于新站点规划和旅行需求预测，并具有更好的性能和解释力。
深度学习如何优化机场地勤车队调度？
研究提出了一种基于深度学习技术的车辆路径问题求解方法，用于优化机场地勤中的车队调度。实验表明该方法在处理多达200个航班和10种操作时表现优秀，并具有良好的鲁棒性和广泛适用性。
多列选择策略相比传统单列选择有什么优势？
基于强化学习的多列选择策略通过选择最有前途的列来提高目标值和加快收敛速度。在切割库存问题和图着色问题中，与传统单列选择策略相比，该策略显著减少了收敛所需的迭代次数并提升了收敛速度。
