یک چارچوب ترکیبی برای یافتن مسیر بهینه: کاهش گراف، یادگیری گراف و بهینه سازی فازی

این مقاله به ارائه یک چارچوب ترکیبی نوآورانه برای یافتن مسیر بهینه در محیطهای پویا و پیچیده می پردازد. این چارچوب از سه روش اصلی تشکیل شده است: کاهش گراف با الگوریتم PBGG، یادگیری نمایشهای گراف با شبکه های عصبی گراف (GNN)، و بهینه سازی مسیر با استفاده از منطق فازی. الگوریتم PBGG با استفاده از تطابق الگوهای دودویی ۳×۳، رئوس غیرضروری را شناسایی و مسدود می کند، که منجر به کاهش زمان محاسباتی و حفظ مسیر بهینه می شود. سپس، GNN ها نمایشهای معناداری از گراف کاهش یافته یاد می گیرند و روابط پیچیده بین رئوس و یال ها را مدل سازی می کنند. در نهایت، منطق فازی با مدل سازی عدم قطعیت و بهینه سازی چندهدفه، مسیرهای بهینه تری را پیشنهاد می دهد. این الگوریتم ترکیبی در محیطهای پویا و پیچیده مانند برنامه ریزی مسیر ربات ها، بهینه سازی شبکه های حمل و نقل، و بازی های کامپیوتری کاربرد دارد. نتایج نشان می دهند که این روش نه تنها زمان محاسباتی را کاهش می دهد، بلکه دقت و بهینه بودن مسیرهای یافت شده را نیز بهبود می بخشد.

کلیدواژه ها:

شبکه های عصبی گراف ، یافتن مسیر بهینه ، بهینه سازی شبکه های حمل و نقل