Новый метод машинного обучения ускоряет решение оптимизационных задач в логистике

Новая революционная методика машинного обучения, разработанная исследователями из Массачусетского технологического института и Высшей технической школы Цюриха, способна кардинально изменить сложные логистические задачи, такие как глобальная маршрутизация посылок и управление электросетями. Этот подход, основанный на данных, может значительно повысить эффективность и точность решения оптимизационных задач, которые традиционно отнимали много времени и были сложными для решения.

Такие компании, как FedEx, сталкиваясь с непростой задачей эффективной маршрутизации праздничных посылок, часто прибегают к помощи специализированного программного обеспечения, называемого решателями смешанно-интегрального линейного программирования (MILP). Эти решатели разбивают большие оптимизационные задачи на более мелкие компоненты и используют общие алгоритмы для поиска наилучшего решения. Однако этот процесс может занимать часы или даже дни, что приводит к неоптимальным результатам.

Исследователи из Массачусетского технологического института и Высшей технической школы Цюриха выявили критический этап в MILP-решателях, который отнимает особенно много времени из-за огромного количества потенциальных решений. Используя технику фильтрации и машинное обучение, они смогли упростить этот этап и найти оптимальное решение для конкретного типа задач. Такой подход, основанный на данных, позволяет компаниям настраивать MILP-решатель общего назначения, используя собственные данные, что приводит к более быстрым и точным результатам.

Новая методика позволила ускорить работу решателей MILP на 30-70 процентов без ущерба для точности. Это означает, что компании могут быстрее получать оптимальные решения или находить лучшие решения для сложных задач в разумные сроки. Области применения этого подхода обширны: от служб, предоставляющих услуги по перевозке пассажиров, и операторов электрических сетей до распространителей вакцин и любых организаций, сталкивающихся с проблемами распределения ресурсов.

Старший автор работы Кэти Ву подчеркивает важность сочетания машинного обучения с классическими методами оптимизации. Она считает, что такой гибридный подход предлагает лучшее из двух миров и способен обеспечить значительный прогресс в области оптимизации.

"Иногда в такой области, как оптимизация, очень часто люди считают решения либо чисто машинными, либо чисто классическими. Я твердо убежден, что мы хотим получить лучшее из обоих миров, и это действительно сильное воплощение такого гибридного подхода", - говорит Ву.

Исследование, проведенное Ву вместе с соавторами Сируи Ли и Вэньбином Оуяном из Массачусетского технологического института и Максом Паулюсом из Высшей технической школы Цюриха, будет представлено на конференции по нейронным системам обработки информации.