工业大数据中的运作优化
运作优化是一种典型的工业大数据应用,包括生产计划优化、车间生产调度、库存优化、物流优化、运维路线优化等典型场景。在技术上,运作优化通常基于运筹优化算法,与基于数据挖掘(或机器学习)的大数据分析题目有明显的区别。本章从二者的技术差异性开始,讨论运作优化课题的推进方法。
1、运筹优化与数据挖掘课题的差异
数据分析课题的目标通常是从大量数据中,去发掘隐含的规律与知识,也就是说,其背后的运行机理并不完全清楚。数据分析课题的成功在很大程度上依赖于数据(以及数据是否可以完美反映物理世界),其技术风险在课题定义阶段并不能完全识别,只有在执行阶段,随着对数据和业务的不断深入,才能发掘其技术风险,因此在CRISP-DM等方法论,特别强调数据分析课题的迭代性。
而运筹优化课题,是在运行机理相对清楚的前提下,平衡各个因素间的制约关系,获取一个相对优的目标量。分析优化题目的技术难度与运筹优化课题类型直接相关,其技术风险也取决于题目的应用范畴。因此,运筹优化课题的风险集中体现在课题定义阶段。
在过去,我们看到很多失败的运筹优化课题都是因为前期的课题定义阶段,通常表现为几种类型:
2、运作优化课题的核心要素
运筹优化的三大建模要素是“目标函数”、“决策变量”、“约束条件”。具体包括:
运作优化课题的三大Context要素是:业务Context、数据Context、IT应用Context
3、运作优化的课题定义
课题定义阶段的目的是:
课题定义的通常方式是业务访谈,常常采用“建模要素”与“Context驱动”穿插的方式进行。一边了解业务需求/逻辑/限制,一边思考技术实现(模型/算法/计算性能等)。因此,课题定义通常由经验丰富的优化专家担任
问题定义一般分为4个迭代阶段
运作优化的业务访谈与第3章讨论的套路与原则相同,要特别注意以下几点:
4、运作优化的课题探索
可以用OPL/AMPL等高级语言,借助ILOG等成熟引擎,进行初期的技术可行性验证,方便与业务部门的迭代交流。
在技术实现中,根据应用架构和项目预算,选择合适的优化引擎或启发式算法实现。
来源:K2研究院
提交
相约日照!2023钢铁展洽会4月26日开展
机器视觉: MERLIC 5.3使深度学习技术易于使用
光路科技携TSN交换机亮相第25届中国高速公路展
群贤赴会谋发展 建言献策旺家乡 ——2023年南阳电驱防爆产业发展论坛成功举办
全新 3D 线扫检测 | 超高精度 自由界面