2024 年 8 月 10 日，中科院自动化研究所发布了一项研究成果，利用分层图卷积网络（HGCN）在 15 秒内解决随机规划问题，速度比传统方法快了 1440 倍。这项研究已入选 AI 顶会 ICML 2024，论文第一作者为博士生吴洋，通讯作者为张一帆研究员。该研究的核心是 HGCN2SP 模型，它将两阶段随机规划（2SP）方法与图卷积网络结合，在条件不确定的情况下实现了高效决策。
随机规划是一种在数学领域广泛应用的技术，用于解决在不确定条件下的决策问题。它要求决策者能够充分考虑所有可能的随机情况，并做出合理的决策。传统的随机规划方法通常需要大量的计算资源和时间，尤其是在处理复杂的多阶段问题时，效率较低。
两阶段随机规划（Two-Stage Stochastic Programming, 2SP）是一种常用的建模方法，广泛应用于金融、物流、能源等领域。2SP 方法将决策过程分为两个阶段：第一阶段做出初始决策，第二阶段根据随机事件的实际发生情况进行调整。然而，传统的 2SP 方法在处理大规模问题时，计算效率较低，难以满足实际应用需求。
中科院自动化研究所的 HGCN2SP 模型正是为了解决这一问题而提出的。HGCN2SP 模型将 2SP 方法与图卷积网络（Graph Convolutional Network, GCN）结合，通过分层图卷积网络（Hierarchical Graph Convolutional Network, HGCN）实现了更高效的计算。HGCN 能够在图结构数据上进行卷积操作，捕捉节点之间的复杂关系，从而提高模型的表达能力和计算效率。
HGCN2SP 模型的创新点在于其分层结构。传统的 GCN 在处理大规模图数据时，容易出现计算瓶颈，而 HGCN 通过分层处理，将大规模图数据分解为多个子图，分别进行卷积操作，再将结果进行整合。这种方法不仅提高了计算效率，还能够更好地捕捉图数据中的层次关系。
此外，HGCN2SP 模型还引入了多种优化技术，如节点特征的自适应选择、卷积核的动态调整等，使得模型在处理不同类型的随机规划问题时，能够灵活应对，保持高效计算。
在实验结果方面，HGCN2SP 模型在多个随机规划问题上表现出了优势。实验结果表明，HGCN2SP 模型在处理大规模随机规划问题时，计算速度比传统方法快了 1440 倍，且在保证计算精度的前提下，降低了计算时间。例如，在一个典型的物流优化问题中，HGCN2SP 模型仅用 15 秒就完成了计算，而传统方法则需要数小时甚至数天的时间。这一结果表明，HGCN2SP 模型在处理复杂的随机规划问题时，具有计算优势。
与其他相关研究相比，HGCN2SP 模型在计算效率和精度方面具有优势。例如，百度近期在 AI 领域的研究，虽然在语言模型的可靠性和可信度方面取得了进展，但在处理随机规划问题时，仍然面临计算效率低下的问题。而 HGCN2SP 模型通过分层图卷积网络的设计，提高了计算效率，解决了这一难题。