Indsigt i dynamisk optimering

(med undskyldninger til Herman Melville)

Kald mig Ishmael, det er lige så godt et navn som alle andre.

I modsætning til Herman Melville's Ishmael, er jeg ikke en hvalfanger, men en anvendt matematiker, og jeg designer optimering modeller for et levende. Kombinatoriske optimeringsmodeller, hvis du vil være kræsen.

Der er en række måder at definere matematisk optimering på, men den, jeg godt kan lide, er "at vælge det bedste / næstbedste alternativ blandt et sæt alternativer". Antallet af alternativer kan variere fra en håndfuld (skal jeg have tomatsuppe til frokost? Musling chowder? Eller gå med bisque?) til billioner (tænk på antallet af mulige ruter til at besøge 100 byer, den ene efter den anden). I det virkelige liv er det upraktisk at undersøge hvert eneste alternativ og derefter vælge det bedste - det ville simpelthen tage for meget tid. Derfor udviklede matematikere forskellige optimeringsalgoritmer, som effektivt finder gode/ optimale løsninger på en svimlende række problemer.

Optimering påvirker dit daglige liv på mange måder, selvom du ikke altid er klar over det. At forskudt sekvens af grønne trafiklys, som du rammer (OK, vi formodes at ramme) her til morgen, da du kørte på arbejde? Du kan takke optimerede trafikmønstre. At sikre, at de grøntsager, du køber i dit supermarked, er friske, uden at nogen begynder at rådne? Optimeret holdbarhed for produkter. Den støt faldende størrelse af bærbare computere og andet elektronisk udstyr, du køber, år efter år? Optimeret elektronisk design. Listen bliver ved, og ved, og ved.

Den preussiske militære chef Helmuth van Moltke skrev i 1880 "Ingen plan overlever første kontakt med fjenden", og det stykke militær visdom holder også i optimeringsverdenen. Du kan oprette en perfekt ugentlig leveringsplan for din vognpark kl. 6 om mandagen, korrigere til det hundrede og syttende decimaltal og begynde at implementere det – og klokken 08.30 får du besked om, at en hel del af Rute 101 på grund af en ulykke er blevet lukket indtil videre. Kl. 1030 ringer en kunde ind for at annullere en ordre, hvis levering er planlagt til 1630. Åh, og på 1500 timer får du et opkald fra en af dine chauffører, at lastbilen han har kørt lige ramt et stykke is, gledet væk fra vejen, og er nu ikke-operationelle.

Hver eneste af disse uplanlagte begivenheder kræver en vis ændring af den tidligere optimale plan - men hvilken ændring er bedst?

Et alternativ er at ændre inputdataene for at tage højde for de ændrede omstændigheder og optimere planen igen – men det kan tage for meget computertid. Selv hvis det ikke gør det, kan strukturen i den nye plan se radikalt anderledes ud end den gamle, og hvis du fortsætter med at ramme dine chauffører med den ene new_and_improved 'optimal' plan efter den anden, vil de meget hurtigt miste troen på den sorte boks, der junger planerne ud og begynder at gøre deres egne improvisationer.

Et andet alternativ er at holde så meget af den oprindelige plan intakt som du kan og foretage færrest ændringer, du har brug for for at bringe løsningen tilbage til gennemførlighed. Dette er normalt et godt kompromis, men vil ofre noget af kvaliteten af planen for at få en hurtig løsning.

At vælge mellem disse alternativer er et eksempel på dynamisk optimering, hvor enten optimale løsninger skal beregnes hurtigt og gentagne gange, fordi dataene ændres ofte, eller eksisterende optimale løsninger skal ændres, fordi der skete uplanlagte hændelser.

Der er en lang række af sådanne problemer derude, der spænder over hele det industrielle spektrum - og udvikle gode løsninger for dem kan give spektakulære fordele. For eksempel taler en nylig CNN-artikel om en Alibaba-opfindelse kaldet City Brain, som bruger kunstig intelligens til at indsamle oplysninger (såsom video fra krydskameraer og GPS-data om placeringen af biler og busser) i hele byen Hangzhou i Kina. Derefter analyserer oplysningerne i realtid, da det koordinerer mere end 1.000 vejsignaler rundt i byen med det formål at forhindre eller lette gridlock. Brugen af City Brain har reduceret pendling tid og hjalp første respondenter ved at gøre det muligt brandbiler og ambulancer til at halvere den tid, det tager at komme til ulykkesstedet - det har også flyttet Hangzhou fra 5^th mest overbelastede by i Kina til 57^th.

Sammenfattende

Dynamisk optimering er et spændende felt, der kan give håndgribelige fordele for stort set enhver virksomhed derude, og frigøre tid til dygtige medarbejdere til at gøre ting, som folk kan gøre, men algoritmer kan ikke - som at foretage dom opkald, forhandle med kunderne om at ændre kravene til specifikke ordrer, og udforske nye forretningsområder.

Når alt kommer til alt, hvis kaptajn Ahab lige havde * brugt *, at optimeret hval-tracking algoritme, der tog vind og storm prognoser i betragtning, 'Moby Dick' kan have haft en meget anderledes slutning.

Forfatter: K.N.Srikanth | [email protected]