Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

AutoCSP: Self-Supervised Neuro-Symbolic Solvers for Constraint Satisfaction

Alternativ tittel: AutoCSP: Selvlærte neurosymboliske «constraint solvers» for begrensning tilfredshet

Tildelt: kr 3,8 mill.

Prosjektleder:

Prosjektnummer:

324674

Prosjektperiode:

2021 - 2024

Geografi:

Samarbeidsland:

AutoCSP-prosjektet adresserer problemer der løsningen er en kombinasjon av flere beslutningsvariabler, såkalte kombinatoriske optimaliseringsproblemer. Prosjektets mål er å finne en kombinasjon som tilfredsstiller alle begrensninger et problem har, samtidig som det optimaliserer den objektive funksjonen. Eksempler på problemer er maskin- eller jobbplanlegging, timeplanlegging, partistørrelse eller kjøretøyruting. Slike problemer er kjente innen produksjonsplanlegging eller leveringsplanlegging, og er ofte innebygd i intelligente beslutningsstøttesystemer. Teknologien for å løse disse problemene er kjent som «constraint solvers». Disse er optimaliserte og har blitt grundig forsket på. Likevel, det er ofte tidkrevende å søke etter gode eller optimale løsninger på grunn av det store antallet kombinasjoner som må undersøkes. I tillegg er det restriksjoner for hvilke kombinasjoner som kan være en mulig løsning. Dette gjelder spesielt når det samme problemet må løses gjentatte ganger med forskjellige innganger, for eksempel i daglig produksjonsplanlegging eller flåteplanlegging. Selv om det generelle problemet forblir det samme, brukes ikke tidligere erfaringer for å løse nye scenarier raskere. AutoCSP vil bidra med vitenskapelige kunnskap og moderne løsninger gjennom problemspesifikke «solvers» som kombinerer datadrevne maskinlæringsmodeller (ML) og logikkdrevne «constraint solvers» i et hybrid intelligent system. Disse løsningene genereres automatisk fra beskrivelsen av problemet som skal løses (dvs. en begrensningsmodell), og er selvlært for å løse problemer med på en tilfredsstillelende og optimalisert måte, samtidig som riktigheten og tidseffektiviteten opprettholdes. For å nå dette målet undersøker prosjekter a) hvordan man genererer treningsdata bare fra problembeskrivelsen b) hvordan man presenterer dataene slik at ML-modellen forstår det c) hvordan man effektivt kan lære av disse dataene, og d) hvordan å kombinere alt i ett system.

The AutoCSP project aims to enable the creation of fast and accurate problem-specific solvers for combinatorial optimization problems with strict constraints that automatically improve themselves. Examples of these problems include machine or job scheduling, timetabling, lot sizing, or vehicle routing. These problems are highly relevant in industrial settings like production planning or delivery scheduling and are embedded in intelligent decision support systems for other problem settings. The state-of-the-art technology to solve these problems are dedicated constraint solvers, which are highly optimized, but still require in-depth expertise to be correctly tuned and deployed. Searching for good or even optimal solutions often is time-consuming due to the enormous number of possible combinations that need to be explored while facing strong restrictions on which combinations form a feasible solution. This limitation is especially true when repeatedly solving the same problem with different input parameters, such as frequent production planning or fleet scheduling tasks. Even though the constraint model remains fixed, the solver does not use earlier solutions to accelerate solving new instances. AutoCSP advances the scientific knowledge for solving combinatorial optimization problems through a framework for creating problem-specific solvers as a hybrid intelligent system. This system combines data-driven machine learning (ML) models and logic-driven constraint solvers that verify and improve the ML model’s initial solution candidates. Our hybrid solvers are automatically generated and tuned from a constraint model to solve constraint satisfaction and optimization problems while maintaining exactness and time-efficiency.

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek