你所不知道的PSO：人工智能在IFS商业软件套件中的一大用例

IFS是如何利用不同的新技术来创建更智能的调度引擎的？...

↑ 关注IFS软件

获取最新资讯 ↑

人工智能对于IFS而言是实现目标的一大助力。通过将其应用于某些特定用例，IFS可以为用户交付更好的服务。劳动力优化就是其中一个典型的用例。

在过去超过12年的时间里，IFS一直致力于在IFS规划和调度优化（PSO）中使用机器学习算法和其他智能技术，为我们的客户提供最优化的排程。

本文将为您讲述IFS是如何利用不同的新技术来创建更智能的调度引擎的。

动态调度引擎

IFS PSO的主要组件之一是动态调度引擎（DSE）。DSE是一个通用的优化引擎，用以处理目标和约束条件，并寻求解决问题的最佳解决方案。虽然不具备有关现场服务、物流、销售和运营规划或员工排班的具体知识，但它可用于所有这些领域的业务优化。

DSE通过自动匹配所呈现的问题类型，从35种不同的算法中进行选择——包括一些广为人知的算法（例如模拟退火法，遗传算法，基于信息素的算法等）和IFS开发的专有算法。根据所呈现的问题的特征，DSE将自动决定最与之适合的算法。通常，它会选择使用2到6种算法组合，因为组合往往比单个算法更具效益。

确定算法后，DSE通过使用机器学习来动态地调整每个算法的参数，使其符合已明确的业务目标，并借助于神经网络来鉴定是哪些参数在影响调度的改善或恶化。这一标度会定期进行复校，因此如果业务性质随时间发生变化，系统将自动适应，而无需任何人为干预或重新实施。

在运行时，超启发式算法会对参数进行逐步微调，从而反映从零开始重新排程和在已经完善的计划基础上予以调整之间的差异。

换言之，DSE会在三个不同的层面自动适应环境变化：

1.算法选择

2.算法参数调整

3.超启发式

基于此，DSE具备高度灵活性并可提供更智能的解决方案。由于所有调整都是自动学习的，因此通常能找到解决特定客户问题的创造性解决方案。具体而言，“在盒子外思考” 通常优于人类自己处理复杂优化问题。

对于这类问题，DSE优于人类的原因在于它能更好地搜索大量可行的解决方案。譬如象棋，有10120种可能的玩法。中国围棋比之更甚，有10170种。现场服务问题平均涉及100个待安排的工作和20个工程师，这就已经产生了10179种可能性，更何况那些涉及成千上万的工作岗位和工程师的问题，其复杂程度可想而知。人类一般会通过应用简单的规则来解决这些问题，例如“将每项工作交给距离最近的工程师”，但如果存在服务等级协议（SLA）、偏好选择或复杂约束条件的话，这种方法就无法很好地适用了。

让我们来看看我们客户的一个例子。

Cubic交通系统有限公司

美国Cubic交通系统有限公司是提供运输和交通管理综合系统和服务的行业领导者, 为一些大型客户提供票务和售检票服务。该公司自2009年以来一直使用 IFS 动态调度引擎，这也是IFS规划和调度优化（PSO）解决方案的一部分。

当Cubic公司刚开始使用DSE时, 他们发现这一系统制定的调度决策与人工调度员给出的截然不同。例如，当遇到三个在同一客户位置的维修工作时，在此之前会安排一个工程师前往该地点完成全部的三项工作。但有时候，DSE只会安排工程师在该地点执行最紧急的一项工作，然后到其他地方去完成另一项，而让优先级较低的工作安排在稍后由同一个或另一个工程师去完成。

Cubic注意到的另一个例子是：当工程师开始工作时，他们经常会直接经过一份需要做的工作，以便从事其他更重要的或更适合自己的工作，或是前往有多项工作聚集的地方。他们最初对这一点表示质疑，直到证实DSE确实将整个行程进行了最优化，并且工程师也会在完成优先级后返回来执行原来的工作。

DSE是完全自发的，只需为之设定限制条件，包括所需技能、目标完成时间（SLA）、行程时间等，DSE就会选择最佳的方式来解决问题。通过优先紧急工作，DSE能够有效提高SLA命中率。

得益于DSE提供的创新解决方案，Cubic能够将工作机器的可用性提高20％，这也使他们能够在不扩充员工数量的情况下交付更多合同。