Machine learning and sampling-based metaheuristics for stochastic vehicle routing problems

Recentemente si è manifestato un crescente interesse per i problemi di ottimizzazione stocastica, in cui alcune forme di incertezza sono prese in considerazione direttamente nel modello.

Un tale approccio produce modelli più realistici, poiché nella realtà molti eventi o quantità sono normalmente influenzati dall'incertezza (ad esempio i tempi di viaggio per un problema di routing del veicolo) dovuti a fattori imprevedibili come il traffico o le condizioni meteorologiche.

La stocasticità rende tuttavia i problemi più difficili da risolvere dal punto di vista computazionale rispetto alle loro controparti non stocastiche. Questo sta lentamente spostando il contesto di ottimizzazione verso le scienze basate sui dati, come il Machine Learning.

Uno degli aspetti sfidanti dell'incertezza stocastica dal punto di vista dell'ottimizzazione è che già il calcolo della funzione obiettivo di un problema, data una soluzione, diventa spesso molto complesso. In questo progetto utilizzeremo algoritmi di campionamento inglobati all'interno di metodi euristici per rendere i problemi di ottimizzazione stocastica trattabili.

Ci sposteremo quindi verso un paradigma di ottimizzazione basato sui dati, attraverso l'utilizzo di tecniche di Machine Learning. Per prima cosa utilizzeremo tali tecniche per migliorare le prestazioni degli algoritmi metaeuristici basati sul campionamento Monte Carlo, e in seguito combineremo completamente il campionamento Monte Carlo e il Machine Learning per risolvere i problemi di routing di veicoli, in ambito logistico.