MIT’den Yeni Bir Tren Planlama Sistemi
Bazı banliyö trenleri, varış noktasına ulaştıklarında, geri dönmek için bir geçiş platformuna gitmek zorundadır. Bu, trenlerin istasyondan daha sonra, geldikleri platformdan farklı bir platformdan hareket etmelerini sağlar.
Mühendisler, bu hareketleri planlamak için algorithmic solvers adı verilen yazılım programları kullanır. Ancak, haftada binlerce varış ve kalkış olan bir istasyonda, bu problem geleneksel çözücüler için çok karmaşık hale gelir.
MIT araştırmacıları, makine öğrenmesi kullanarak, çözüm süresini %50 oranında azaltan ve kullanıcının hedeflerine, örneğin trenlerin zamanında kalkmasına uygun çözümler üreten bir planlama sistemi geliştirmiştir. Bu yeni yöntem, hastane personeli planlaması, havayolu ekiplerinin atanması veya fabrika makinelerine görevlerin verilmesi gibi diğer karmaşık lojistik problemleri için de etkili bir şekilde kullanılabilir.
Gereksiz Hesaplamaların Önlenmesi
Araştırmanın bir motivasyonu, Cathy Wu’nun giriş düzeyindeki ulaşım dersi sırasında bir yüksek lisans öğrencisi Devin Camille Wilkins tarafından tespit edilen pratik bir problemdir. Öğrenci, Boston’un North İstasyonu’ndaki gerçek bir tren yönlendirme problemine geri besleme öğrenmesi uygulamak istemiştir. Ulaşım kuruluşu, birçok trenin sınırlı sayıda platforma atanması gerekmektedir.
Bu durum, tam anlamıyla çok karmaşık bir kombinatoryal planlama problemidir ve Wu’nun laboratuvarı son birkaç yıldır bu tür sorunlarla ilgili çalışmıştır. Genellikle, uzun vadeli kaynak atama problemleri Flexible Job Shop Scheduling olarak çerçevelenir. Bu yöntemde, her görev tamamlamak için farklı bir zaman alır, ancak görevler herhangi bir makineye atanabilir.
Bu tür problemler hızla çok büyük ve yönetilemez hale geldiğinden, kullanıcılar problemi daha yönetilebilir parçalara ayırmak için rolling horizon optimization (RHO) kullanabilirler. Bu yöntem, belirli bir zaman diliminde ilk birkaç görevi makinelere atar ve her seferinde planlama ufkunu ileriye taşıyarak süreci devam ettirir.
Yeni Bir Yaklaşım: L-RHO
Wu ve ekibi, L-RHO adı verdikleri teknikleri kullanarak, makine öğrenimi modelini, planlama ufku ilerledikçe hangi değişkenlerin yeniden hesaplanmaması gerektiğini tahmin etmeyi öğreniyor. L-RHO, verilerle eğitilebilmek için, klasik bir algoritma çözücüsü kullanarak bir dizi alt problemi çözmekte. Elde edilen en iyi çözümlemeler, eğitim verisi olarak kullanılıyor.
L-RHO, klasik algoritma çözücüsüne geri besleme yapılabileceği bir yapı sunarak, gereksiz yeniden optimizasyonları ortadan kaldırıyor. Araştırmalar, L-RHO’nun birkaç temel algoritma çözücü ve yalnızca makine öğrenimi kullanan yaklaşımlar ile karşılaştırıldığında %54 oranında bir çözüm süresi azalması sağladığını ve çözüm kalitesini %21 oranında artırdığını göstermiştir. Ayrıca, makine arızası veya tren yoğunluğu gibi karmaşık varyantlarda dahi bu başarısını sürdürdü.
Wu, “Bu yaklaşımımız, bu farklı varyantlara herhangi bir değişiklik yapmadan uygulanabilir, bu da araştırmanın nihai hedefiydi,” demektedir. Araştırmacılar ayrıca, bu yöntemi envanter yönetimi veya araç yönlendirmesi gibi başka karmaşık optimizasyon problemleri için entegre etmeyi planlamaktadır.
