《Computers & Industrial Engineering》：UAV-assisted traffic rerouting in disaster scenarios via grammar-guided genetic programming: Effects of limited smart-vehicle adoption and cross-segment generalization
編輯推薦：
本文探討了無人機(UAV)在災難性交通中斷管理中的應用，通過結合文法引導遺傳編程(G3P)演化出一種重路由成本函數。研究人員針對都柏林市中心在五種不同災難事件和五個UAV信息層級下的場景進行SUMO仿真，評估了G3P在100%、70%和50%智能車輛采納率下的性能及其對相鄰路段的泛化能力。研究發現，在100%采納率下，RRG3P在96%的情況下優于基準方法，但在采納率降低時性能下降，且跨路段泛化結果不一。該研究為災難情況下基于UAV的、可解釋的重路由策略提供了重要見解，對提高城市交通網絡的韌性和響應效率具有重要意義。
隨著城市化的不斷發展，城市交通網絡日益復雜，交通擁堵已成為一個多方面的緊迫挑戰。這不僅導致巨大的經濟損失和環境惡化，更在災難事件（如道路封閉、事故、洪水、地震）發生時，嚴重阻礙應急響應，放大社會與人員損失�，F有的車載實時導航系統和動態路由方案雖然在一定程度上改善了通勤效率，但面對災難引發的動態、突發的路網變化，靜態的成本函數往往力不從心。更棘手的是，大數據和深度強化學習(DRL)等方法雖然強大，卻常常面臨數據隱私、存儲安全和決策“黑箱”等難題，這在需要高度問責和可解釋性的災難應急響應中尤為關鍵。為了應對這些挑戰，一項新的研究將目光投向了無人機(UAV)與一種名為文法引導遺傳編程(G3P)的進化計算技術的結合，旨在為災難場景開發出自適應、可解釋的交通重路由解決方案。
這項研究旨在評估G3P演化的成本函數在更現實條件下的效能，包括部分智能車輛滲透（即并非所有車輛都能聽從重路由指令）以及將這些函數應用于災難以外的相鄰路段時的表現。研究通過模擬都柏林市中心的五種不同災難場景，在SUMO仿真平臺中進行了系統性實驗。研究表明，在理想情況下（100%智能車輛采納），G3P方法在絕大多數測試中顯著優于現有基準方法，能將平均到達時間(ATT)較無重路由場景最高提升44.23%。然而，一旦智能車輛的采納率下降到70%或50%，其性能優勢便大幅縮減，這表明其在混合交通環境中的適應性有限。此外，將針對特定災禍路段訓練出的成本函數直接應用于相鄰路段時，結果好壞參半，表明G3P生成的方案雖然在其訓練環境中高度有效，但若要確保在更廣泛的災禍影響網絡中具有普適性，仍需進一步的精細化改進。
為了開展這項研究，作者團隊主要應用了以下幾項關鍵技術方法：首先，構建了基于無人機(UAV)的實時交通監控與信息分發框架，利用UAV采集災禍區域及周邊道路的實時交通指標（如車輛數、平均速度、占有率）。其次，采用了文法引導遺傳編程(G3P)這一進化算法，在定義的文法（融合標準數學運算符與交通特定指標）框架下，自動演化用于重路由決策的、可解釋的代理成本函數。再者，利用微觀交通仿真平臺SUMO及其交通控制接口(TraCI)進行了大量的仿真實驗，模擬了不同災難位置、不同UAV信息覆蓋層級（從鄰近道路到整個地圖）以及不同智能車輛采納率下的交通狀況，并基于車輛平均旅行時間定義了評估算法性能的適應度函數。最后，通過Dijkstra算法，根據演化出的成本函數為車輛動態計算和調整最優路徑。
實驗設置與性能基準比較
研究人員在都柏林市中心地圖上選擇了五個關鍵的災難發生路段。通過SUMO仿真，模擬了災難導致特定路段近乎封閉的情況。研究設定了五個信息層級（IL），定義了UAV收集信息的道路范圍（從緊鄰路段到整個網絡）。他們將基于G3P演化的重路由算法(RRG3P)與多種基線算法進行了比較，這些基線包括：基于實時旅行時間的算法(RRTime)、基于歷史旅行時間的算法(RRHistoricalTime)、基于實時交通負載的算法(RRLoad)以及僅基于路段長度的簡單算法(RRLength)。此外，也設置了不進行任何重路由的場景作為對照。
智能車輛采納率對性能的影響
在100%智能車輛采納的理想情況下，RRG3P在25個測試場景（5災難×5信息層級）中的24個都表現最佳，勝率高達96%。與不重路由相比，其最大能將平均到達時間降低44.23%；即使與無災難的正常情況相比，也能提升14.99%的效率。然而，當采納率降至70%時，RRG3P的勝率急劇下降到44%（11/25）；在50%采納率時，勝率進一步降至24%（6/25）。具體到某些災難場景，性能下降更為明顯，例如在災難4、信息層級4時，從100%到70%采納率，性能下降了4.53%，進一步降至50%時，性能共下降10.45%。這揭示了G3P方法對協同環境的高度依賴，一旦環境中存在大量不響應指令的“非智能”車輛，其優化效果會大打折扣。
跨路段泛化（可轉移性）測試
為了檢驗訓練出的成本函數是否能直接用于其他路段，研究人員進行了可轉移性實驗。他們將針對某個災難路段（記為DX0）訓練得到的最優G3P函數，直接應用于與該路段相鄰的路段（記為DX1）上發生的“災難”，形成了RRTransferredG3P。結果表明，轉移后的函數表現好壞參半。在某些情況下，RRTransferredG3P能夠超越所有基線算法，顯示出一定的泛化潛力。但在更多情況下，像RRLength這樣簡單但穩健的算法，在不同UAV覆蓋層級下反而展現出更一致、與上下文相關的優勢。這說明G3P演化出的函數雖然針對訓練環境高度優化，但其決策邏輯可能過于特化，捕捉了特定路段的動態特征，導致直接遷移到結構不同的相鄰路段時效果不穩定。
討論與G3P演化函數的可解釋性
研究對G3P方法與當前主流技術（特別是深度強化學習DRL）進行了深入比較。兩者核心區別在于可解釋性與魯棒性之間的權衡。G3P通過進化生成明確的、閉式的數學表達式作為成本函數，具有完全的可解釋性。例如，文中展示了一個演化出的函數實例：f = tanh(length) * sqrt(84.50 * avgTravelTime - 66.18 * length - avgTravelTime)。專家可以直觀理解該函數如何權衡路段長度(length)與平均旅行時間(avgTravelTime)，從而做出路由決策，這對于災難應急中需要問責和驗證的決策過程至關重要。相比之下，DRL方法通常是“黑箱”，盡管在部分觀測和大規模網絡中可能表現更穩健。本研究也指出了G3P框架的當前局限：其性能在智能車輛采納率不足時衰減顯著，且空間泛化能力有限。未來的改進方向包括分析特定路段的動態特性，以設計出更通用的進化機制，并探索與魯棒性更強的預測模型相結合。
結論與意義
本研究系統評估了在無人機輔助下，利用文法引導遺傳編程(G3P)為城市災難場景演化交通重路由成本函數的性能與局限性。主要結論是：在完全協同（100%智能車）的環境中，G3P方法能產生顯著優于現有基準方法的、高度可解釋的重路由策略。然而，其有效性嚴重依賴于高水平的車輛合規性，且在智能車滲透率降低的現實混合交通中性能會大幅下降。同時，直接將針對某一路段優化的函數遷移到相鄰路段，其效果并不穩定，表明現有方法在空間泛化上存在挑戰。這些發現具有重要價值：它首次在UAV-G3P框架下深入探究了部分采納與跨路段泛化問題，清晰地揭示了該技術的優勢邊界與當前短板。這不僅為理解G3P在交通優化中的行為提供了關鍵見解，也為后續研究指明了改進方向——例如，通過融入路段特異性分析或開發對混合交通更魯棒的演化機制，從而加速推動該技術走向更普適、更實用的城市路網災難響應建�？蚣堋＿@項探索性工作發表于《Computers 》期刊，為未來構建更智能、更堅韌的城市交通管理系統奠定了重要的理論基礎。
