技術文章

當前頁面: 首頁 >技術文章 >工業大數據中的運作優化

工業大數據中的運作優化

供稿:中國工控網 2019/5/5 15:26:53

0 人氣:292

  • 關鍵詞: 工業大數據
  • 摘要:運作優化是一種典型的工業大數據應用,包括生產計劃優化、車間生產調度、庫存優化、物流優化、運維路線優化等典型場景。在技術上,運作優化通常基于運籌優化算法,與基于數據挖掘(或機器學習)的大數據分析題目有明顯的區別。本章從二者的技術差異性開始,討論運作優化課題的推進方法。

運作優化是一種典型的工業大數據應用,包括生產計劃優化、車間生產調度、庫存優化、物流優化、運維路線優化等典型場景。在技術上,運作優化通常基于運籌優化算法,與基于數據挖掘(或機器學習)的大數據分析題目有明顯的區別。本章從二者的技術差異性開始,討論運作優化課題的推進方法。

1、運籌優化與數據挖掘課題的差異

數據分析課題的目標通常是從大量數據中,去發掘隱含的規律與知識,也就是說,其背后的運行機理并不完全清楚。數據分析課題的成功在很大程度上依賴于數據(以及數據是否可以完美反映物理世界),其技術風險在課題定義階段并不能完全識別,只有在執行階段,隨著對數據和業務的不斷深入,才能發掘其技術風險,因此在CRISP-DM等方法論,特別強調數據分析課題的迭代性。

而運籌優化課題,是在運行機理相對清楚的前提下,平衡各個因素間的制約關系,獲取一個相對優的目標量。分析優化題目的技術難度與運籌優化課題類型直接相關,其技術風險也取決于題目的應用范疇。因此,運籌優化課題的風險集中體現在課題定義階段。

在過去,我們看到很多失敗的運籌優化課題都是因為前期的課題定義階段,通常表現為幾種類型:

2、運作優化課題的核心要素

運籌優化的三大建模要素是“目標函數”、“決策變量”、“約束條件”。具體包括:

運作優化課題的三大Context要素是:業務Context、數據Context、IT應用Context

3、運作優化的課題定義

課題定義階段的目的是:

課題定義的通常方式是業務訪談,常常采用“建模要素”與“Context驅動”穿插的方式進行。一邊了解業務需求/邏輯/限制,一邊思考技術實現(模型/算法/計算性能等)。因此,課題定義通常由經驗豐富的優化專家擔任

問題定義一般分為4個迭代階段

運作優化的業務訪談與第3章討論的套路與原則相同,要特別注意以下幾點:

4、運作優化的課題探索

可以用OPL/AMPL等高級語言,借助ILOG等成熟引擎,進行初期的技術可行性驗證,方便與業務部門的迭代交流。

在技術實現中,根據應用架構和項目預算,選擇合適的優化引擎或啟發式算法實現。

來源:K2研究院

審核編輯(王靜)
更多內容請訪問 中國工控網(http://www.ybrmqf.live)

手機掃描二維碼分享本頁

工控網APP下載安裝

工控速派APP下載安裝

 

我來評價

評價:
一般
排列三和值南方双彩网