Ученые из MIT и ETH Zurich разработали инновационный метод машинного обучения, основанный на данных, который может быть использован для решения сложных логистических задач, таких как маршрутизация посылок, распределение вакцин и управление энергосистемой.
В отличие от Санта-Клауса, обладающего волшебными санями и девятью отважными оленями для доставки подарков, компании, например FedEx, сталкиваются с трудностью оптимизации эффективной маршрутизации во время праздников. Для решения этой проблемы они обычно используют программное обеспечение, известное как решатель линейного программирования смешанных целых чисел (MILP), которое разбивает сложную задачу оптимизации на более мелкие части и пытается найти оптимальное решение. Однако это может занять много времени.
Исследователи выявили, что основной узкой точкой в решателях MILP является этап, на котором требуется много времени на раскрытие множества потенциальных решений. С помощью техники фильтрации и машинного обучения они смогли существенно ускорить этот процесс. Их метод на основе данных позволяет адаптировать универсальный решатель MILP к конкретной задаче компании, используя ее данные.
Этот подход увеличил скорость решателей MILP на 30–70%, не утрачивая точность. Такой метод может быть использован для получения оптимальных решений быстрее или для нахождения лучших решений в разумные сроки при решении сложных задач.
Подобный метод может быть применен в различных областях, где используются решатели MILP, включая такие как службы такси, операторы электросетей, дистрибьюторы вакцин и другие организации, сталкивающиеся с сложными задачами распределения ресурсов.
Соавторы статьи, Сируи Ли и Вэньбинь Оуян, аспиранты IDSS и Центральной и Восточной Европы соответственно, а также Макс Паулюс, аспирант ETH Zurich, представят свое исследование на конференции по нейронным системам обработки информации.
