Hybride voorspelling en Optimisatie

Optimalisatieproblemen zijn altijd belangrijk geweest op het gebied van de beslissingswetenschap. Ze vormen ook de kern van veel beslissingsmethodes in de industrie of zelfs in de overheid, bijvoorbeeld een probleem van restrictie-optimalisatie, zoals het minimaliseren van het risico en het maximaliseren van de winst van een investering waar een andere set van restricties en variabelen aanwezig zijn. Veel van deze optimalisatieproblemen hebben een oneindig aantal mogelijke oplossingen, en het uitbreiden van alle oplossingen kan tot in het oneindige gaan. De voertuigrouteplanning (VRP) is ook zo een probleem, voornamelijk een combinatorisch optimalisatieprobleem waarbij een set van verschillende variabelen en beperkingen aanwezig is, en het doel in de basisvorm is om de beste route te vinden. Echter, VRP is tegenwoordig complexer dan alleen het vinden van de beste route, maar voldoet ook aan een set van factoren of voorkeuren die door de gebruikers gespecificeerd worden, zoals het minimaliseren van het brandstofverbruik, de uitstoot, de kosten, maar aan de andere kant, het maximaliseren van de bekendheid van de bestuurder met de routes en de eerlijkheid in de rijtijden en de afstand. Hoewel optimalisatieproblemen zoals VRP breed zijn bestudeerd, is er echter vooral de aanname dat alle invoerparameters op voorhand bekend zijn (deterministisch probleem). In de praktijk wordt onzekerheid geobserveerd en wordt een deel van de input niet als feiten gegeven, maar in plaats daarvan wordt een waarneming of waarschijnlijkheid gegeven. In toenemende mate worden Machine Learning modellen gebruikt om schattingen van deze parameters te geven. Het is echter niet altijd geldig dat de voortgekomen set van parameters - zelfs met een hoge mate van voorspellingsnauwkeurigheid - de optimale oplossing zal teruggeven' 'as machine learning models make errors and their impact is not uniform throughout the underlying solution space. The alternative is to take the effect of the errors on the optimization outcome into account during learning phase'. Gezien de verschillende factoren zijn nieuwe slimme en innovatieve technieken/kaders nodig om de problemen met de oplossing van optimalisatieproblemen met lawaaierige of onzekere input aan te pakken. In dit onderzoek richten we ons op de verkenning en toepasbaarheid van een nieuwe 'Hybride' aanpak waarbij Machine Learning technieken gebruikt worden in combinatie met optimalisatieproblemen om uiteindelijk een 'efficiënt' 'rekenkundig niet duur' 'geïntegreerd' voorspellings- en optimalisatiemodel te hebben. Deze modellen zullen in staat zijn om een set van parameters te voorspellen die door de oplosser gebruikt kunnen worden om het optimalisatieprobleem op te lossen, maar tegelijkertijd zullen ze het onderliggende Machine Learning model corrigeren. We hebben ons gebaseerd op een onderzoeksgebied van het gebruik van Machine Learning modellen samen met optimalisatieproblemen, maar we richten ons op twee opkomende onderzoeksrichtingen, voornamelijk 'Prediction and Optimisation' en 'Joint Inference'. In mijn PhD zal ik me richten op het verkennen en verbeteren van de huidige Predict en Optimize technieken op een volledige “end-to-end” manier, vergelijkbaar met Mandi, Jay et al. benadering, evenals het verkennen en gebruiken van het optimalisatieprobleem op “forward-only” manier, vergelijkbaar met het werk van Mulamba, Maxime et al. om het onderliggende Machine Learning model te verbeteren door middel van 'Joint Inference'. Het uiteindelijke doel is het creëren van een holistisch kader om beide taken uit te voeren.