Combiner l'intelligence artificielle et la recherche opérationnelle pour optimiser les horaires d'équipages aériens et de chauffeurs d'autobus

结合智能技术和优化飞行时间及汽车司机研究操作

• 批准号: 524922-2018
• 负责人: Soumis, François
• 金额: $ 12.22万
• 依托单位: École Polytechnique de Montréal
• 依托单位国家: 加拿大
• 项目类别: Collaborative Research and Development Grants
• 财政年份: 2021
• 资助国家: 加拿大
• 起止时间: 2021-01-01 至 2022-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=719572
• 关键词: Combiner; intelligence; artificielle; et; la

Les problèmes d'horaires traités par AD OPT et Giro ont des structures semblables, il s'agit de couvrir à coût minimum un ensemble de tâches avec des horaires d'employés. Dans le domaine aérien, le problème de rotations d'équipages couvre avec des rotations chaque vol une fois et le problème des blocs mensuels couvre avec des blocs mensuels chaque rotation plusieurs fois pour avoir le personnel requis dans chaque vol. En transport en commun, le problème journalier couvre avec des journées de chauffeurs chaque parcours d'autobus une fois. Tous ces problèmes se formulent à l'aide de modèles de recouvrement d'ensemble qui comportent un très grand nombre de variables et de contraintes. Notre équipe a développé des algorithmes qui permettent de résoudre sans considérer toutes les variables en même temps et réduisent le nombre de contraintes en agrégeant au départ des tâches qui devraient probablement se suivre dans une solution. L'agrégation est modifiée au besoin durant la résolution pour atteindre l'optimalité. Ces algorithmes ont été mis en service sur les problèmes de rotations d'équipages aériens où chaque tâche doit être couverte une seule fois. Les objectifs de ce projet sont de :-Développer des méthodes d'apprentissage automatique pour obtenir à partir des solutions des mois précédents de l'information sur les tâches qui devraient probablement se suivre dans une solution.-Généraliser ces algorithmes pour élargir leurs domaines d'application : traiter les problèmes de chauffeurs d'autobus et les problèmes de blocs mensuels d'agents de bord travaillant en équipes, optimiser simultanément les rotations et les blocs mensuels. -Réaliser des implantations des algorithmes capables de traiter les problèmes commerciaux.Ce projet donnera un avantage concurrentiel à AD OPT et Giro qui disposeront de meilleurs logiciels que leurs concurrents.#(cr)#(lf)The scheduling problems addressed by AD OPT and Giro have similar structures. They consist in covering at minimal cost a set of tasks with employee schedules. In the air transportation industry, the crew pairing problem aims at covering each flight with crew rotations once, and the crew rostering problem attempts to cover each crew rotation with monthly blocks many times in order to guarantee that each flight has the required staff. In the public transportation industry, the daily problem aims at covering each bus route with drivers' workdays once.All these problems can be formulated with set covering models that contain a very large number of variables and constraints. Our team developed algorithms that solve these problems without considering all the variables at the same time and that reduce the number of constraints by initially aggregating tasks that are likely to come one after the other in a solution. In order to reach optimality, this aggregation can be modified during the resolution if needed. These algorithms were put to use on airline crew pairing problems, in which each task has to be covered once. The objectives of this project are as follows:- Develop machine learning methods in order to extract from solutions of previous months information about the tasks that are likely to come one after the other in a solution.- Generalize these algorithms so as to widen their scope of application: dealing with bus drivers problems and with monthly blocks problems of flight attendants working as a team, and simultaneously optimizing pairing and monthly rostering.- Make implementations of the algorithms that are able to deal with commercial problems.This project will give a competitive advantage to AD OPT and Giro, which will have at their disposal better software than their competitors.

所有的问题都是关于结构的可组装性，所有的问题都是关于结构的可组装性，所有的问题都是关于结构的可组装性，所有的问题都是关于结构的可组装性。问题是，所有的领域都是可变的，所有的领域都是可变的，所有的领域都是可变的，所有的领域都是可变的，所有的领域都是可变的，所有的领域都是可变的，所有的人员都是可变的，所有的交通都是可变的，所有的记者都是可变的，所有的司机都是可变的，所有的司机都是可变的。这两个问题都是由组成部分组成的，它们是由模块组成的，它们是由恢复组成的，它们是由组成部分组成的，它们是由变量和约束组成的。不确定的<s:2> <s:2> <s:2>和其他所有的- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -L' agratizing est modifisame au sosoin durant ' lacrime solution pour attere ' optimalit<e:1>。这两种计算方法对所有的问题进行了改进，例如：对所有的问题进行了改进；对所有的问题进行了改进；对所有的问题进行了改进；三个目标定义了项目的目标：- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - --在较大的应用领域中，采用的是基于可变因素的可变因素算法：基于可变因素的可变因素算法，基于可变因素的可变因素算法，基于可变因素的可变因素算法，基于可变因素的可变因素算法，基于可变因素的可变因素算法，基于可变因素的可变因素算法。- resamaliser、植入、算法能够解决商业问题。这两个项目都具有并行的优势，例如AD / OPT / Giro，它处理的是并行的，而不是并行的。AD / OPT和Giro解决的调度问题具有相似的结构。它们包括以最低的成本用员工的时间表来完成一系列任务。在航空运输业中，机组结对问题的目标是每个航班轮换一次机组人员，机组编组问题的目标是每个航班轮换一次机组人员，机组编组问题的目标是每个航班轮换一次机组人员，以保证每个航班都有所需的人员。在公共交通行业中，日常问题的目标是司机工作日一次覆盖每条公交路线。所有这些问题都可以用包含大量变量和约束的集合覆盖模型来表述。我们的团队开发的算法可以解决这些问题，而无需同时考虑所有变量，并且通过初始聚合可能在解决方案中一个接一个出现的任务来减少约束的数量。为了达到最优性，如果需要，可以在解析期间修改此聚合。这些算法被用于解决航空公司机组人员配对问题，其中每个任务必须涉及一次。该项目的目标如下：-开发机器学习方法，以便从前几个月的解决方案中提取有关解决方案中可能一个接一个出现的任务的信息。-将这些算法进行推广，扩大应用范围：以团队的形式处理公交司机问题和空乘人员的月度阻塞问题，同时优化结对和月度排班。-实现能够处理商业问题的算法。该项目将给AD OPT和Giro带来竞争优势，它们将拥有比竞争对手更好的软件。