工業(yè)大數(shù)據(jù)中的運(yùn)作優(yōu)化

運(yùn)作優(yōu)化是一種典型的工業(yè)大數(shù)據(jù)應(yīng)用，包括生產(chǎn)計(jì)劃優(yōu)化、車間生產(chǎn)調(diào)度、庫存優(yōu)化、物流優(yōu)化、運(yùn)維路線優(yōu)化等典型場(chǎng)景。在技術(shù)上，運(yùn)作優(yōu)化通?；谶\(yùn)籌優(yōu)化算法，與基于數(shù)據(jù)挖掘（或機(jī)器學(xué)習(xí)）的大數(shù)據(jù)分析題目有明顯的區(qū)別。本章從二者的技術(shù)差異性開始，討論運(yùn)作優(yōu)化課題的推進(jìn)方法。

1、運(yùn)籌優(yōu)化與數(shù)據(jù)挖掘課題的差異

數(shù)據(jù)分析課題的目標(biāo)通常是從大量數(shù)據(jù)中，去發(fā)掘隱含的規(guī)律與知識(shí)，也就是說，其背后的運(yùn)行機(jī)理并不完全清楚。數(shù)據(jù)分析課題的成功在很大程度上依賴于數(shù)據(jù)（以及數(shù)據(jù)是否可以完美反映物理世界），其技術(shù)風(fēng)險(xiǎn)在課題定義階段并不能完全識(shí)別，只有在執(zhí)行階段，隨著對(duì)數(shù)據(jù)和業(yè)務(wù)的不斷深入，才能發(fā)掘其技術(shù)風(fēng)險(xiǎn)，因此在CRISP-DM等方法論，特別強(qiáng)調(diào)數(shù)據(jù)分析課題的迭代性。

而運(yùn)籌優(yōu)化課題，是在運(yùn)行機(jī)理相對(duì)清楚的前提下，平衡各個(gè)因素間的制約關(guān)系，獲取一個(gè)相對(duì)優(yōu)的目標(biāo)量。分析優(yōu)化題目的技術(shù)難度與運(yùn)籌優(yōu)化課題類型直接相關(guān)，其技術(shù)風(fēng)險(xiǎn)也取決于題目的應(yīng)用范疇。因此，運(yùn)籌優(yōu)化課題的風(fēng)險(xiǎn)集中體現(xiàn)在課題定義階段。

在過去，我們看到很多失敗的運(yùn)籌優(yōu)化課題都是因?yàn)榍捌诘恼n題定義階段，通常表現(xiàn)為幾種類型：

2、運(yùn)作優(yōu)化課題的核心要素

運(yùn)籌優(yōu)化的三大建模要素是“目標(biāo)函數(shù)”、“決策變量”、“約束條件”。具體包括：

運(yùn)作優(yōu)化課題的三大Context要素是：業(yè)務(wù)Context、數(shù)據(jù)Context、IT應(yīng)用Context

3、運(yùn)作優(yōu)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(yè)務(wù)訪談，常常采用“建模要素”與“Context驅(qū)動(dòng)”穿插的方式進(jìn)行。一邊了解業(yè)務(wù)需求/邏輯/限制，一邊思考技術(shù)實(shí)現(xiàn)（模型/算法/計(jì)算性能等）。因此，課題定義通常由經(jīng)驗(yàn)豐富的優(yōu)化專家擔(dān)任

問題定義一般分為4個(gè)迭代階段

運(yùn)作優(yōu)化的業(yè)務(wù)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(diǎn)：

4、運(yùn)作優(yōu)化的課題探索

可以用OPL/AMPL等高級(jí)語言，借助ILOG等成熟引擎，進(jìn)行初期的技術(shù)可行性驗(yàn)證，方便與業(yè)務(wù)部門的迭代交流。

在技術(shù)實(shí)現(xiàn)中，根據(jù)應(yīng)用架構(gòu)和項(xiàng)目預(yù)算，選擇合適的優(yōu)化引擎或啟發(fā)式算法實(shí)現(xiàn)。

來源：K2研究院