< Terug naar vorige pagina

Project

Hybride Voorspelling + Optimisatie (FWOAL975)

In de industrie en de maatschappij worden steeds meer processen geautomatiseerd, wat het oplossen van optimalisatieproblemen vereist. Voorbeelden omvatten het plannen van taken rekening houdend met het electriciteitsverbruik, routering van voertuigen in transport, het plannen van personeel en meer. De oplossingen die worden gevonden door state-of-the-art optimalisatiesoftware blijken echter vaak niet te voldoen aan de verwachtingen van de gebruiker, omdat het niet genoeg rekening houdt met de omgevingsfactoren. Als gevolg hiervan wordt de technologie niet geaccepteerd of worden tijdelijke oplossingen zoals handmatige verwerking uitgevoerd, waardoor het potentieel wordt beperkt.
De sleutel om dit te overwinnen is om technieken van machine learning te integreren met optimalisatie, zodat deze kunnen leren over de context van de omgeving. Dit project onderzoekt fundamentele benaderingen van machine learning en optimalisatie, op basis van het effect de optimalisatie op de voorspellingen. De belangrijkste uitdagingen zijn die van de efficiëntie en schaalbaarheid van een dergelijke optimalisatie-gedreven leerbenadering, hoe het leren het beste kan worden gecombineerd en geïntegreerd in de optimalisatie en hoe robuust te zijn tegen veranderingen in de omgeving.
Het doel is om technieken voor slimme optimalisatie te ontwikkelen die automatisch en robuust kunnen leren van en zich aanpassen aan de omgeving.
Datum:1 feb 2020 →  1 okt 2020
Trefwoorden:machine learning, discrete optimisation, reasoning
Disciplines:Machine learning en besluitvorming, Kennisrepresentatie en redenering, Neurale, evolutionaire en fuzzy computation