NP menyelesaikan atau masalah sulit NP dalam kehidupan nyata


17

Apakah ada yang punya contoh kehidupan nyata di mana mereka secara teratur menyelesaikan masalah NP lengkap atau NP keras (oleh heuristik, atau mengejar solusi suboptimal atau apa pun) dalam pekerjaan mereka? Saya tahu mereka terjadi dalam penjadwalan, perencanaan, desain VLSI, dll, tetapi saya mencoba untuk mendapatkan gambaran tentang industri besar yang mempekerjakan programmer atau insinyur hari ini yang secara teratur melakukan ini. Jika seseorang ingin mengembangkan keahlian atau pustaka, katakanlah, optimasi kombinatorial di mana orang dapat menggunakannya sebagai bagian dari pekerjaan pemrograman?

Adakah akun pribadi?


Apa yang Anda maksud dengan "secara teratur"
Conrad Frix

@ Conrad, well, saya kira itu adalah ide subjektif. Saya akan mengatakan mungkin lebih dari 5-10% dari upaya difokuskan pada penyelesaian masalah np-complete atau np-hard.
highBandWidth

Pemrograman AI dalam game memiliki potensi untuk melengkapi NP, saya percaya.
Michael K

Ada banyak masalah NP-hard di luar sana (penjadwalan dan perencanaan dengan sumber daya terbatas biasanya NP-hard). Namun, optimasi kombinatorial adalah cara yang salah untuk dilakukan. Mampu menghasilkan 100! kombinasi secepat mungkin jauh lebih berguna daripada bisa menerapkan heuristik khusus domain.
David Thornley

@ David, maksud saya bukan menghasilkan kombinasi dengan optimasi kombinatorial. Saya merujuk ke kelas masalah, seperti k-SAT atau Traveling Salesman Problem dll.
highBandWidth

Jawaban:


8

Beberapa hal yang dapat saya pikirkan (sebagian besar dari ini saya terlibat dalam kurang lebih):

  • Lingkungan pengembangan untuk bahasa dan kompiler. Pertanyaan seperti: apakah tata bahasa ini menghasilkan bahasa yang ambigu? (Masalah ini sebenarnya tidak dapat dipastikan!)
  • Pemulihan data. Merakit kembali paket data yang sebagian hilang atau memulihkan file yang terfragmentasi. (Kompleksitas faktorial)
  • Keamanan perangkat lunak. Penilaian semua jalur eksekusi yang mungkin melalui perangkat lunak untuk menentukan apakah beberapa perilaku yang diamati dapat dikaitkan dengannya. (Menghentikan masalah?)
  • Logistik. Mengoptimalkan penggunaan transportasi berdasarkan paket untuk transportasi, ukurannya dan ke mana mereka harus pergi. (Setidaknya eksponensial)

Ada banyak contoh standar seperti menemukan rute terpendek, penjadwalan perawat, dll. Tetapi jika Anda ke optimasi kombinatorial, Anda tahu semua tentang itu :)


Jadi, apakah ada programmer yang dipekerjakan oleh perusahaan logistik yang benar-benar dikhususkan untuk menyelesaikan masalah optimasi ini, atau sebagian besar dari operasi ini umumnya diselesaikan satu kali dan hanya diulang untuk sebagian besar perusahaan? +1 untuk sejumlah contoh. Apakah Anda / pernah terlibat dalam semua ini?
highBandWidth

Dua alat pertama yang saya tulis, yang ketiga adalah sesuatu yang dikerjakan rekan kerja. Saya berharap bahwa perusahaan logistik besar secara aktif melakukan penelitian di bidang ini karena dapat menghemat jutaan dolar jika mereka mencapai beberapa persen kinerja tambahan melalui beberapa algoritma baru :)
Deckard

Saya sudah mewawancarai peran salesman keliling. Perusahaan induk besar itu memiliki ruangan penuh para PhD yang bekerja keras dengan harapan mendapatkan beberapa persepuluh persen peningkatan dalam perutean mereka. Yang akan bernilai beberapa juta dolar bagi mereka ... setiap hari. Jadi tempat-tempat itu memang ada. Routing stuff dan penjadwalan adalah dua biggies - bayangkan Anda memiliki 1000 orang dan pabrik yang menjalankan dua atau tiga shift. Sekarang jadwalkan semua orang untuk bekerja di bulan berikutnya dengan mengingat 200 aturan dan preferensi semua orang ini ...

9

Saya telah menggunakan annealing simulasi waktu terbatas untuk menyelesaikan masalah perjalanan saleman dalam pembuatan panel sentuh. Setiap milidetik yang kami dapat mencukur dari siklus waktu laser etsa dari setiap panel akan meningkatkan throughput, pemanfaatan dan dengan demikian keuntungan dari mesin, jadi saya berusaha keras untuk meminimalkan waktu mati (jalur non scribing) di antara jalur penulisan (yang jelas tidak bisa dioptimalkan jauh).

Saya menggunakan algoritma terikat waktu untuk mengatasi kekerasan NP masalah, karena kami tidak mampu menanggung risiko bahwa perhitungan optimasi mungkin lebih lama dari waktu yang dihemat oleh jalur yang lebih optimal. Ketika mesin memindahkan panel dari posisi pemuatan ke posisi di mana kepala laser berada di sudut terdekat, saya punya waktu untuk menjalankan beberapa simulasi. Algoritma hampir tidak pernah berjalan sampai selesai dalam beberapa ratus milidetik dari langkah tersebut, tetapi hampir selalu mengembalikan jalur juru tulis yang lebih baik daripada model sederhana dan non-adaptif yang selalu kami gunakan sebelumnya (seperti jalur spiral atau ular).


2
Itu keren. Tapi saya pikir setiap panel akan memiliki pola yang sama, dan Anda hanya akan menyelesaikan masalah sekali daripada berulang-ulang untuk setiap widget. Mengapa Anda harus menyelesaikannya setiap saat?
highBandWidth

2
Pola yang ideal adalah sama untuk setiap panel, tetapi penyelarasan mekanis panel, posisi lapisan sebelumnya dalam proses dan sifat ubin kepala pencungkil laser berarti bahwa seperangkat sub pola dinamis harus dihitung untuk setiap panel secara individual dan kemudian optmised. Itu adalah masalah yang menarik untuk dikerjakan, terutama mengingat keterbatasan waktu.
Mark Booth

7

Saya sedang bekerja (sekarang, sebenarnya) pada masalah bioinformatika dari penyelarasan urutan DNA lokal ganda. Intinya adalah bahwa jika banyak sekuens dari gen dengan beberapa sifat yang sama (profil ekspresi yang sama atau faktor transkripsi yang sama yang mengikat dalam percobaan chip-CHIP) menyelaraskan dengan kuat pada beberapa titik, maka Anda mungkin telah menemukan alasan kesamaannya. Properti. Kemudian lagi, saya lebih tertarik pada aspek statistik masalah. Meskipun ini NP-hard, Anda tidak kehilangan banyak dengan menggunakan heuristik dalam praktek. Bagian yang menarik dari masalah ini, IMHO, adalah masalah rasio sinyal terhadap noise.


1
apakah Anda menggunakan pendekatan kombinatorial / ai klasik atau statistik. Di satu sisi, semua nlp modern, pengelompokan, pembelajaran mesin berurusan dengan masalah np-complete, tetapi biasanya diserang dari perspektif statistik. Namun ini menarik dan relevan. Apakah ini dalam dunia akademis atau industri?
highBandWidth

@HighBandWidth: Pendekatan saya adalah statistik. Saya di akademi. Inti dari penelitian yang saya lakukan adalah bahwa jika Anda mengabaikan masalah statistik dan hanya fokus pada masalah kombinatorial, Hal Buruk Terjadi.
dsimcha

3

Saya tidak benar-benar tahu, apa artinya NP lengkap / sulit, tapi saya pikir, supply autoplanning adalah sejenis itu.

Anda memiliki paket permintaan 90 hari ke depan untuk 100 produk SKU: bir! 100 produk SKU berasal dari:

  • sudah ada 10-15 jenis bahan dasar diseduh level 1, mereka diseduh dalam kaleng besar liter liter, dan itu membutuhkan waktu sehari;
  • setelah pembuatan bir, beberapa bahan harus ditambahkan (ragi?), dan harus istirahat selama 10-15 hari, maka Anda mendapat 15-20 jenis barang level-2;
  • akhirnya, ketika sudah siap, beberapa bahan harus ditambahkan, itu barang level-3, yang disebut bir minum, ada cc. 30 jenis bir;
  • bir dapat dibotolkan sebagai 3 dl, 5 dl, kadang-kadang mendapat necklacigng khusus (level 4), maka dapat dikemas sebagai kotak 5x4, 6-pack (level 5).

Ada "jalur" mesin untuk setiap operasi: dari pembuatan bir hingga pengemasan. Mesin-mesin dapat melakukan lebih banyak operasi, katakanlah, beberapa mesin pengepakan dapat membuat 6-pack dan 3-pack, tetapi yang lain hanya dapat melakukan 6-pack. Ada kendala, misalnya kecepatan, atau teko pembuatan bir besar adalah untuk menyeduh min. 6000, maks, 8000 l bir, (tetapi jika jenis bir ringan, min. Adalah 5000 l dan maks. 7000 l). Dan seterusnya, di setiap level.

Tugasnya: seperti yang saya sebutkan, ada rencana permintaan, untuk 100 jenis level-5 (botolan, barang yang dikemas). Buat rencana pembuatan yang optimal untuk semua 5 level, semua mesin. Minimalkan sakelar mesin (mis. Pembotolan .5, .5, .5, .3, .3, .3 lebih baik daripada .3, .5, .3, .5, .3, .5, ada lebih sedikit swithc, lebih sedikit waktu mati untuk mesin pembotolan). Diprioritaskan oleh pelanggan: beberapa pelanggan hanya perlu mengirimkan bir dengan sisa waktu kedaluwarsa lebih dari 50%. Dll.

Temukan kemacetan (eh), buat rencana alternatif dengan menambahkan mesin yang tidak ada ke titik-titik ini, maka skenario virtual terbaik dapat digunakan untuk menyarankan membeli mesin baru.

Apakah ini cukup sulit, atau haruskah saya beri tahu Anda cara kerja pabrik tekstil ?

(Pernyataan pribadi: web, bank, dan logistik adalah bidang yang menantang, tetapi itu mainan bayi dibandingkan dengan masalah manufaktur.)

Penafian: nomor terdistorsi karena alasan keamanan, urutan besarnya nyata.


Apakah Anda mengerjakan sesuatu seperti ini atau alat untuk menyelesaikan hal-hal seperti ini untuk atasan Anda?
highBandWidth

1
Yah, pabrikan adalah logistik yang besar. Jelas lebih sulit daripada keuangan dalam hal itu. Tapi setidaknya itu berurusan dengan masalah yang ditentukan, bukan persamaan acak dan perintah operasi yang didefinisikan secara longgar!
Michael K

1
Segala jenis algoritma penjadwalan dengan sumber daya yang paling cocok mungkin setara dengan masalah ransel , yang merupakan NP-complete.
Scott Whitlock

Seorang teman saya telah membuat sistem DP / SP di Excel + VB tahun yang lalu. Tidak mengandung perencanaan otomatis, aplikasi terlalu gemuk untuk Excel. Jadi, kami baru saja membuat kolaborasi kolaboratif berbasis MySQL / PHP / AJAX yang dapat diperluas (lihat: dataflow - alias pemrograman berbasis aliran - pendekatan) kerangka kerja spreadsheet (saya), dan mengadopsi logika biz dari versi XLS (teman) . Kami juga telah mengimplementasikan perencanaan otomatis (teman). Gagasan gila untuk menulis spreadsheet, tetapi berhasil. Bagian terbaik: XLS-> SQL switch agak hebat! Kita dapat melakukan apa saja dengan data (mis. Autoplan), menggunakan alat / platform apa saja (PHP, Java, apa yang kita inginkan).
ern0

@ ern0, NP-complete / NP-hard pada dasarnya mengacu pada berapa sedikit jalan pintas yang bahkan dapat Anda anggap dapat Anda ambil alih-alih mencoba semua kemungkinan satu per satu. Para ahli teori menghabiskan banyak usaha untuk mencari jalan pintas yang misalnya mengatakan bahwa jika kita tahu bahwa jalur ABC akan selalu lebih panjang daripada AC secara langsung, kita dapat membuatnya lebih cepat dan terbukti berada dalam 50% dari nilai optimal. Dll
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.