Introduzione al problema
Quando alcuni treni pendolari arrivano al capolinea, devono spostarsi su una piattaforma di scambio per essere girati e poter ripartire successivamente, spesso da una piattaforma diversa rispetto a quella di arrivo.
Gli ingegneri utilizzano programmi software chiamati risolutori algoritmici per pianificare questi movimenti, ma in una stazione con migliaia di arrivi e partenze settimanali, il problema diventa troppo complesso per un risolutore tradizionale da risolvere tutto in una volta.
Innovazione nel sistema di pianificazione
Grazie all’uso del machine learning, i ricercatori del MIT hanno sviluppato un sistema di pianificazione migliorato che riduce il tempo di risoluzione fino al 50% e produce una soluzione che soddisfa meglio l’obiettivo dell’utente, come le partenze puntuali dei treni.
Questo nuovo metodo potrebbe essere utilizzato anche per risolvere in modo efficiente altri complessi problemi logistici, come la pianificazione del personale ospedaliero, l’assegnazione degli equipaggi delle compagnie aeree o l’allocazione dei compiti alle macchine in fabbrica.
Approccio tradizionale e limiti
Gli ingegneri spesso scompongono questi tipi di problemi in una sequenza di sottoproblemi sovrapposti che possono essere risolti ciascuno in un tempo ragionevole.
Tuttavia, le sovrapposizioni causano la ricalcolazione inutile di molte decisioni, prolungando il tempo necessario al risolutore per raggiungere una soluzione ottimale.
Nuovo approccio con intelligenza artificiale
Il nuovo approccio potenziato dall’intelligenza artificiale apprende quali parti di ciascun sottoproblema devono rimanere invariate, congelando quelle variabili per evitare calcoli ridondanti.
Successivamente, un risolutore algoritmico tradizionale affronta le variabili rimanenti. “Spesso, un team dedicato potrebbe impiegare mesi o addirittura anni per progettare un algoritmo per risolvere solo uno di questi problemi combinatori. Il deep learning moderno ci offre l’opportunità di utilizzare nuovi progressi per aiutare a semplificare la progettazione di questi algoritmi.
Possiamo prendere ciò che sappiamo che funziona bene e utilizzare l’AI per accelerarlo”, afferma Cathy Wu, professoressa associata di sviluppo di carriera presso il MIT.
Collaborazione e presentazione della ricerca
Wu è affiancata nel lavoro da Sirui Li, studente laureato IDSS; Wenbin Ouyang, studente laureato CEE; e Yining Ma, postdoc LIDS. La ricerca sarà presentata alla International Conference on Learning Representations.
Motivazione pratica
Una delle motivazioni per questa ricerca è un problema pratico identificato da Devin Camille Wilkins, uno studente del corso di trasporti di base di Wu. Lo studente voleva applicare il reinforcement learning a un problema reale di gestione dei treni alla North Station di Boston.
L’organizzazione dei trasporti deve assegnare molti treni a un numero limitato di piattaforme dove possono essere girati con largo anticipo rispetto al loro arrivo in stazione.
Questo si rivela essere un problema di pianificazione combinatoria molto complesso, esattamente il tipo di problema su cui il laboratorio di Wu ha lavorato negli ultimi anni.
Fonte: MIT
foto credit: Credit: iStock
