Pull to refresh

В МТИ машинное обучение использовали для оптимизации построения маршрутов транспорта

Reading time 2 min
Views 1.7K

Исследователи Массачусетского технологического института ускорили построение маршрутов транспорта внутри большой группы городов при помощи машинного обучения. 

Исследователи сосредоточились на повышении эффективности таких маршрутов, как, например, логистика последней мили, когда продавцу необходимо доставить товары со склада в несколько городов. Такие задачи решаются при помощи эвристических алгоритмов. Обычно эвристический алгоритм работает, начиная с самого простого, но не лучшего решения, постепенно находя оптимальное. Однако для такой большой задачи, как построение маршрутов между, например, 2000 городами, этот подход займет слишком много времени.

«В мире логистики время — деньги, и вы не можете заставить все складские операции ждать, пока медленный алгоритм построит маршруты. Чтобы алгоритм был практичным, он должен быть сверхбыстрым», — объясняет Марк Куо, основатель Routific, интеллектуальной логистической платформы для оптимизации маршрутов доставки.

Чтобы решить задачу, алгоритм разбивает ее на более мелкие, после чего решает их в определенном порядке либо случайным образом. Кэти Ву, доцент кафедры гражданского строительства и экологической инженерии Гилберта У. Уинслоу, и ее студенты дополнили этот процесс новым алгоритмом машинного обучения, который выбирает наиболее полезные подзадачи вместо решения всех, чтобы повысить качество работы при меньшем объеме вычислений. 

Исследователи МТИ запустили набор подзадач через созданную ими нейронную сеть, и обнаружили, что этот прием ускорил процесс решения подзадач в 1,5–2 раза. При этом по какому принципу работает нейросеть, выбирающая лучшие подзадачи, — неизвестно.

«Мы не знаем, почему эти подзадачи лучше других. Это будет направлением нашей будущей работы. Полученные идеи смогут привести к разработке еще более совершенных алгоритмов», — заключает Ву.

По словам исследователей, их подход, который они называют «обучение делегированию», может использоваться во множестве областей, включая планирование маршрутов для складских роботов.

Tags:
Hubs:
+9
Comments 0
Comments Leave a comment

Other news