Onze wereld wordt steeds complexer en dat geldt ook voor de planningsproblemen in diverse sectoren. Denk bijvoorbeeld aan treinbewegingen, het inplannen van ziekenhuispersoneel en het toewijzen van taken aan machines in een fabriek. Gelukkig zijn onderzoekers van MIT er in geslaagd om een nieuwe AI-methode te ontwikkelen die deze complexe planningsprocessen een stuk efficiënter maakt. Dit nieuwe systeem kan de looptijd van planningsoplossingen met wel 50% verkorten en zorgt ervoor dat de uiteindelijke oplossingen meer gericht zijn op het behalen van doelen, zoals het op tijd laten vertrekken van treinen.
Wat is het probleem?
Als een trein aan de eindbestemming aankomt, moet deze vaak naar een omslagplatform rijden om gedraaid te worden, zodat de trein later weer kan vertrekken vanaf een ander perron. In een druk treinstation met duizenden vertrekkende en arriverende treinen kan het al snel te ingewikkeld worden voor traditionele planningssoftware om alles in één keer op te lossen.
De rol van machine learning
De onderzoekers hebben machine learning ingezet om hun planningssysteem te verbeteren. Bij dit systeem worden planningsproblemen opgesplitst in verschillende overlappende deelproblemen. Het probleem is echter dat deze overlapping ervoor zorgt dat veel beslissingen onnodig opnieuw moeten worden berekend, waardoor het langer duurt voordat de beste oplossing is gevonden.
De nieuwe AI-aanpak leert welke delen van de deelproblemen gelijk kunnen blijven. Door de variabelen die niet nodig zijn voor herberekeningen vast te leggen, kan de traditionele planningssoftware zich richten op de resterende variabelen.
Een revolutionaire benadering
Professor Cathy Wu, een van de onderzoekers bij MIT, legt uit dat traditionele algoritmes vaak maanden of zelfs jaren in beslag nemen om te ontwerpen voor slechts één combinatorisch probleem. Dankzij moderne deep learning-technieken krijgen we nu de kans om deze algoritmes te stroomlijnen en versnellen.
In hun onderzoek, dat binnenkort gepresenteerd zal worden op de International Conference on Learning Representations, wordt niet alleen gekeken naar treinen. De nieuwe methode kan ook toegepast worden voor andere logistische uitdagingen, zoals het inplannen van ziekenhuispersoneel of het toewijzen van taken aan machines in een fabriek.
Reduceren van redundantie
Eén van de drijfveren achter dit onderzoek kwam van Devin Camille Wilkins, een masterstudent in Wu’s cursus over transport. Wilkins wilde machine learning toepassen op een echt probleem van treindispatching bij het Boston North Station, waar het noodzakelijk is om vele treinen aan een beperkt aantal perrons toe te wijzen om ze ruim voor aankomst te kunnen draaien.
Deze taak is dan ook een voorbeeld van een complexe planningsuitdaging. Bij dergelijke problemen, zoals die van het toewijzen van taken aan fabrieksmachines, wordt vaak gebruik gemaakt van een techniek genaamd Flexibel Job Shop Scheduling.
Hoe werkt het?
Bij de Flexibel Job Shop Scheduling wordt elk deelproces aan verschillende machines toegewezen in een vooraf bepaalde tijdsperiode. Maar als de planning vooruitgaat, ontstaan er overlappen met operaties van de voorgaande tijdsperiode. Het algoritme heeft toen misschien al voorlopige oplossingen bedacht, maar deze hoeven niet altijd opnieuw berekend te worden. Hier komt de machine learning-techniek in het spel.
De onderzoekers noemden hun nieuwe techniek “Leren-Begeleide Rolling Horizon Optimalisatie” (L-RHO). Met deze techniek leert een machine learning-model welke variabelen opnieuw moeten worden berekend wanneer de planningshorizon verder rolt. Door de samenwerking van traditionele algoritmes en machine learning wordt de programmering niet alleen sneller, maar ook slimmer.
Testen en resultaten
De onderzoekers hebben hun nieuwe aanpak vergeleken met diverse traditionele planningsalgoritmes, gespecialiseerde oplossingen, en andere machine learning-benaderingen. De resultaten waren verbluffend: L-RHO overtrof alle eerdere methodes door de berekeningstijd met maar liefst 54% te verlagen en de kwaliteit van de oplossingen met tot wel 21% te verbeteren.
De verbeterde techniek blijft ook goed presteren bij complexere varianten van het probleem, zoals bij het uitvallen van fabrieksmachines of wanneer treinen vertraging oplopen. Dit maakt de aanpak niet alleen effectief maar ook betrouwbaar bij diverse scenario’s.
Toekomstige ontwikkelingen
De toekomstige plannen van de onderzoekers omvatten het verder begrijpen van de logica achter de beslissing van hun model om bepaalde variabelen te bevriezen. Daarnaast willen ze de aanpak verder integreren in andere complexe optimalisatieproblemen, zoals voorraadbeheer of voertuigenrouting.
Dit onderzoek is niet alleen een sprongetje voor de techniek, maar biedt ook aanknopingspunten voor verdere innovaties in de wereld van AI en zijn toepassingen, die ons in de toekomst helpen om ons steeds complexere leven beter te structureren.
