《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
编辑推荐：
本文探讨了无人机(UAV)在灾难性交通中断管理中的应用，通过结合文法引导遗传编程(G3P)演化出一种重路由成本函数。研究人员针对都柏林市中心在五种不同灾难事件和五个UAV信息层级下的场景进行SUMO仿真，评估了G3P在100%、70%和50%智能车辆采纳率下的性能及其对相邻路段的泛化能力。研究发现，在100%采纳率下，RRG3P在96%的情况下优于基准方法，但在采纳率降低时性能下降，且跨路段泛化结果不一。该研究为灾难情况下基于UAV的、可解释的重路由策略提供了重要见解，对提高城市交通网络的韧性和响应效率具有重要意义。
随着城市化的不断发展，城市交通网络日益复杂，交通拥堵已成为一个多方面的紧迫挑战。这不仅导致巨大的经济损失和环境恶化，更在灾难事件（如道路封闭、事故、洪水、地震）发生时，严重阻碍应急响应，放大社会与人员损失。现有的车载实时导航系统和动态路由方案虽然在一定程度上改善了通勤效率，但面对灾难引发的动态、突发的路网变化，静态的成本函数往往力不从心。更棘手的是，大数据和深度强化学习(DRL)等方法虽然强大，却常常面临数据隐私、存储安全和决策“黑箱”等难题，这在需要高度问责和可解释性的灾难应急响应中尤为关键。为了应对这些挑战，一项新的研究将目光投向了无人机(UAV)与一种名为文法引导遗传编程(G3P)的进化计算技术的结合，旨在为灾难场景开发出自适应、可解释的交通重路由解决方案。
这项研究旨在评估G3P演化的成本函数在更现实条件下的效能，包括部分智能车辆渗透（即并非所有车辆都能听从重路由指令）以及将这些函数应用于灾难以外的相邻路段时的表现。研究通过模拟都柏林市中心的五种不同灾难场景，在SUMO仿真平台中进行了系统性实验。研究表明，在理想情况下（100%智能车辆采纳），G3P方法在绝大多数测试中显著优于现有基准方法，能将平均到达时间(ATT)较无重路由场景最高提升44.23%。然而，一旦智能车辆的采纳率下降到70%或50%，其性能优势便大幅缩减，这表明其在混合交通环境中的适应性有限。此外，将针对特定灾祸路段训练出的成本函数直接应用于相邻路段时，结果好坏参半，表明G3P生成的方案虽然在其训练环境中高度有效，但若要确保在更广泛的灾祸影响网络中具有普适性，仍需进一步的精细化改进。
为了开展这项研究，作者团队主要应用了以下几项关键技术方法：首先，构建了基于无人机(UAV)的实时交通监控与信息分发框架，利用UAV采集灾祸区域及周边道路的实时交通指标（如车辆数、平均速度、占有率）。其次，采用了文法引导遗传编程(G3P)这一进化算法，在定义的文法（融合标准数学运算符与交通特定指标）框架下，自动演化用于重路由决策的、可解释的代理成本函数。再者，利用微观交通仿真平台SUMO及其交通控制接口(TraCI)进行了大量的仿真实验，模拟了不同灾难位置、不同UAV信息覆盖层级（从邻近道路到整个地图）以及不同智能车辆采纳率下的交通状况，并基于车辆平均旅行时间定义了评估算法性能的适应度函数。最后，通过Dijkstra算法，根据演化出的成本函数为车辆动态计算和调整最优路径。
实验设置与性能基准比较
研究人员在都柏林市中心地图上选择了五个关键的灾难发生路段。通过SUMO仿真，模拟了灾难导致特定路段近乎封闭的情况。研究设定了五个信息层级（IL），定义了UAV收集信息的道路范围（从紧邻路段到整个网络）。他们将基于G3P演化的重路由算法(RRG3P)与多种基线算法进行了比较，这些基线包括：基于实时旅行时间的算法(RRTime)、基于历史旅行时间的算法(RRHistoricalTime)、基于实时交通负载的算法(RRLoad)以及仅基于路段长度的简单算法(RRLength)。此外，也设置了不进行任何重路由的场景作为对照。
智能车辆采纳率对性能的影响
在100%智能车辆采纳的理想情况下，RRG3P在25个测试场景（5灾难×5信息层级）中的24个都表现最佳，胜率高达96%。与不重路由相比，其最大能将平均到达时间降低44.23%；即使与无灾难的正常情况相比，也能提升14.99%的效率。然而，当采纳率降至70%时，RRG3P的胜率急剧下降到44%（11/25）；在50%采纳率时，胜率进一步降至24%（6/25）。具体到某些灾难场景，性能下降更为明显，例如在灾难4、信息层级4时，从100%到70%采纳率，性能下降了4.53%，进一步降至50%时，性能共下降10.45%。这揭示了G3P方法对协同环境的高度依赖，一旦环境中存在大量不响应指令的“非智能”车辆，其优化效果会大打折扣。
跨路段泛化（可转移性）测试
为了检验训练出的成本函数是否能直接用于其他路段，研究人员进行了可转移性实验。他们将针对某个灾难路段（记为DX0）训练得到的最优G3P函数，直接应用于与该路段相邻的路段（记为DX1）上发生的“灾难”，形成了RRTransferredG3P。结果表明，转移后的函数表现好坏参半。在某些情况下，RRTransferredG3P能够超越所有基线算法，显示出一定的泛化潜力。但在更多情况下，像RRLength这样简单但稳健的算法，在不同UAV覆盖层级下反而展现出更一致、与上下文相关的优势。这说明G3P演化出的函数虽然针对训练环境高度优化，但其决策逻辑可能过于特化，捕捉了特定路段的动态特征，导致直接迁移到结构不同的相邻路段时效果不稳定。
讨论与G3P演化函数的可解释性
研究对G3P方法与当前主流技术（特别是深度强化学习DRL）进行了深入比较。两者核心区别在于可解释性与鲁棒性之间的权衡。G3P通过进化生成明确的、闭式的数学表达式作为成本函数，具有完全的可解释性。例如，文中展示了一个演化出的函数实例：f = tanh(length) * sqrt(84.50 * avgTravelTime - 66.18 * length - avgTravelTime)。专家可以直观理解该函数如何权衡路段长度(length)与平均旅行时间(avgTravelTime)，从而做出路由决策，这对于灾难应急中需要问责和验证的决策过程至关重要。相比之下，DRL方法通常是“黑箱”，尽管在部分观测和大规模网络中可能表现更稳健。本研究也指出了G3P框架的当前局限：其性能在智能车辆采纳率不足时衰减显著，且空间泛化能力有限。未来的改进方向包括分析特定路段的动态特性，以设计出更通用的进化机制，并探索与鲁棒性更强的预测模型相结合。
结论与意义
本研究系统评估了在无人机辅助下，利用文法引导遗传编程(G3P)为城市灾难场景演化交通重路由成本函数的性能与局限性。主要结论是：在完全协同（100%智能车）的环境中，G3P方法能产生显著优于现有基准方法的、高度可解释的重路由策略。然而，其有效性严重依赖于高水平的车辆合规性，且在智能车渗透率降低的现实混合交通中性能会大幅下降。同时，直接将针对某一路段优化的函数迁移到相邻路段，其效果并不稳定，表明现有方法在空间泛化上存在挑战。这些发现具有重要价值：它首次在UAV-G3P框架下深入探究了部分采纳与跨路段泛化问题，清晰地揭示了该技术的优势边界与当前短板。这不仅为理解G3P在交通优化中的行为提供了关键见解，也为后续研究指明了改进方向——例如，通过融入路段特异性分析或开发对混合交通更鲁棒的演化机制，从而加速推动该技术走向更普适、更实用的城市路网灾难响应建模框架。这项探索性工作发表于《Computers 》期刊，为未来构建更智能、更坚韧的城市交通管理系统奠定了重要的理论基础。
