摘要
随着传统超市的关闭以及新型超级商店的扩张，城市商业结构正在发生变革，这带来了大规模的空间重新布局问题，需要科学的选址方法。传统的启发式算法，如遗传算法，在面对400多个候选地点以及复杂的地理约束条件时，难以进行离散空间优化：这类算法收敛速度慢，且容易陷入局部最优解。本研究提出了一种名为GeoPPO（地理空间近端策略优化）的深度强化学习框架，以解决这一问题。以西安的零售业重组为案例——该地区有427个候选地点以及多维度的地理特征——该框架通过将空间约束转化为五通道状态张量来对网格化环境进行建模。其创新点包括一种动态动作约束机制，能够根据边界规则和避免竞争的原则屏蔽无效动作；此外还有一种课程学习策略，有助于实现稳定收敛。这一框架填补了在大规模选址中处理复杂空间约束方法的空白。测试结果显示，该框架在1000个训练周期内即可快速收敛，平均需求覆盖率为75%，这一数值分别比遗传算法和粒子群优化算法高出2.7%和5.5%。消融实验表明，没有动态动作屏蔽功能的普通PPO无法产生可行的解决方案。该框架为处理具有地理约束条件的高度动态的城市设施空间布局提供了可行的技术路径。
