Lerende optimalisatie methodes voor dynamische schema's.

Het project richt zich op leergebaseerde technieken voor het plannen van problemen met onzekerheid. Stochastische operationele optimalisatiemethoden worden ontwikkeld om onzekere scenario's te behandelen. Modellen en algoritmen inclusief constructieve en reparatie heuristieken voor dynamische personeelsplanning zullen eerst worden onderzocht. Dan worden de methoden aangepast om andere combinatorische optimalisatieproblemen op te lossen. Het leergerichte mechanisme wordt geïntroduceerd om de algoritmen meer adaptief en robuust te maken. Dergelijke algoritmen zullen gebruik maken van sommige gegevens in het proces van het rennen en ook leren van historische gegevens over de tussen-instantie kennis. Op deze manier kunnen we een synergie-aanpak voorstellen die combineren met optimalisatie en machine leren om de modellen en algoritmen in operationele onderzoeken te laten groeien in intelligentie over runtime.