Ожидаете доставки груза? Есть сложная математическая задача, которую необходимо решить до того, как грузовик с доставкой подъедет к вашей двери, и у исследователей Массачусетского технологического института есть стратегия, которая может ускорить решение проблемы. Об этом пишет портал TechXplore.
Этот подход применяется к проблемам маршрутизации транспортных средств, таким как «доставка последней мили», когда цель состоит в том, чтобы доставить товары с центрального склада в несколько городов, сохраняя при этом низкие транспортные расходы. Хотя существуют алгоритмы, предназначенные для решения этой проблемы для нескольких сотен городов, эти методы становятся слишком медленными при применении к большему набору городов.
Чтобы исправить это, Кэти Ву, доцент кафедры гражданского строительства и экологической инженерии Гилберта У. Уинслоу, и ее студенты разработали стратегию машинного обучения, которая ускоряет работу некоторых из самых сильных сторон существующих алгоритмов в 10-100 раз.
Алгоритмы разбивают задачу доставки на более мелкие подзадачи для решения проблемы — скажем, 200 подзадач для маршрутизации транспортных средств между 2000 городами. Ву и ее коллеги дополняют этот процесс новым алгоритмом машинного обучения, который определяет наиболее полезные подзадачи для выполнения вместо решения всех подзадач, чтобы повысить качество работы при меньшем объеме вычислений.
Исследователи говорят, что их подход, который они называют «обучение-делегирование», может использоваться для множества проблем и множества аналогичных задач, включая планирование и поиск путей для складских роботов.
По словам Марка Куо, основателя и генерального директора Routific, интеллектуальной логистической платформы для оптимизации маршрутов доставки, эта работа расширяет границы быстрого решения крупномасштабных проблем с маршрутизацией транспортных средств. Он отмечает, что некоторые из недавних достижений Routific в области алгоритмов были вдохновлены работой Ву.
