当部分通勤列车到达终点站时，需要前往转轨平台进行调头操作，以便后续从不同站台发车。工程师通常使用算法求解器软件来规划这些移动，但对于每周有数千次到发作业的车站，传统求解器难以一次性处理如此复杂的问题。

麻省理工学院研究人员利用机器学习开发了改进的规划系统，将求解时间减少多达50%，并能生成更符合用户目标（如列车准点发车）的解决方案。该新方法还可用于高效解决其他复杂物流问题，例如医院人员排班、航空公司机组分配或工厂机器任务分配。

工程师常将此类问题分解为可重叠的子问题序列，每个子问题可在可行时间内求解。但重叠会导致大量决策被无意义地重复计算，延长求解器获得最优解的时间。

这种结合人工智能的新方法能学习每个子问题中应保持不变的部分，冻结这些变量以避免冗余计算。随后传统算法求解器处理剩余变量。“现代深度学习让我们有机会利用最新技术帮助优化算法设计。通过AI加速已验证有效的传统方法。“研究人员解释道。

该方法首先使用经典算法求解器处理一组子问题，将最优解（包含最多无需重新计算的操作）作为训练数据。训练完成后，机器学习模型接收新子问题并预测哪些操作无需重新计算，剩余操作反馈给算法求解器执行。

测试显示，该方法求解时间减少54%，解决方案质量提升达21%。即使在机器故障或列车拥堵等复杂场景下，其表现仍优于所有基线方法。该方法还能自动适应目标变化，仅需新训练数据集即可生成新求解算法。

未来研究将深入分析模型冻结变量的决策逻辑，并将该方法扩展至库存管理、车辆路径规划等其他复杂优化问题。该研究获得了美国国家科学基金会等机构的支持。