Anan har disputerat på kompromisser.
Vår kollega Anan Ashrabi Ananno försvarade den 13 november sin doktorsavhandling vid Linköpings universitet. Den handlar om att hitta de bästa kompromisserna när målen drar åt olika håll, i allt från robotar som packar pallar till recept på köttbullar.
Fredagen den 13 november.
Anan försvarade avhandlingen i ACAS på Campus Valla i Linköping. Opponent var Amos Ng, professor vid Uppsala universitet och Högskolan i Skövde, och huvudhandledare Marie Jonsson vid avdelningen för produktrealisering på Linköpings universitet.
Avhandlingen heter Bridging Configurable Product Design and Production Systems through Real-World Constraint-Aware Many-Objective Optimization. Den bygger på sex vetenskapliga artiklar, och du kan läsa den hos Linköpings universitet.
Stort grattis, Anan. Vi är väldigt stolta över dig.
Välciterad redan före disputationen.
Anan började forska som maskiningenjör. Han skrev om förnybar energi, om elektroniskt avfall och om hur livsmedel kan torkas med solvärme och spillvärme. Sex av de artiklarna har citerats över hundra gånger var.
Sammanlagt har hans forskning citerats över 1 000 gånger. En citering betyder att en annan forskare bygger vidare på det han har gjort, och att ha så många är ovanligt för någon som precis har disputerat.
Optimeringen kom under masterutbildningen i Linköping, i en kurs i multidisciplinär optimering. Läraren, Johan Persson, blev senare en av hans handledare. Livsmedlen följde med, och avhandlingens två sista artiklar handlar om recept.
Det finns sällan ett bästa svar.
Ett företag vill sällan bara en sak. Det billigaste upplägget är inte alltid det mest hållbara, och det som ger bäst kvalitet tar ofta längre tid.
Optimering med många mål letar fram de bästa kompromisserna. Det är lösningarna där inget mål kan bli bättre utan att ett annat blir sämre. Sedan väljer den som känner verksamheten bland dem och ser vad varje val kostar.
Forskningen bygger på tanken att olika delar av ett system sällan kan optimeras var för sig, eftersom beslut inom ett område ofta påverkar flera andra områden.
En perfekt packad pall hjälper inte om roboten inte når den översta lådan. Ett recept som är billigt att tillverka hjälper inte om det inte smakar.
Från pallar till köttbullar.
Varje artikel i avhandlingen tar med lite mer av verkligheten än den förra. Först en pall, därefter roboten som bygger den och tio stationer som delar samma lager. I de två sista artiklarna tar Anan samma sätt att tänka från lagret till receptet.
Lager och logistik
-
1
Testdata som liknar verkligheten
Testorder byggda på statistik från riktiga order. Då kan algoritmer provas på realistiska fall utan att någon kunds orderdata lämnas ut.
-
2
Pallar som håller
Flera pallar packas på en gång, med hänsyn till vad som tål att staplas, vilka varor kunden vill ha tillsammans och att leveransen kommer komplett.
-
3
En robot som når
En digital modell av roboten kontrollerar redan under optimeringen att den når varje plats utan att krocka. Upplägget provades också med en riktig robot.
-
4
Tio stationer som delar lager
När stationerna planerades tillsammans blev det i simuleringarna 17 till 95 procent färre hämtningar från höglagret, mot att allt blev klart upp till 4 procent senare.
Livsmedel
-
5
Köttbullar med sex mål
Ett recept vägs mot sex mål samtidigt, bland annat smak, näring, tillverkning och kostnad. Ingredienser kan bytas ut när något blir dyrt eller tar slut.
-
6
Smak är ingen exakt siffra
Människor upplever smak olika. Modellen räknar med hur spridda omdömena är och visar var receptet ger en säker smak och var den varierar.
Det vi tar med oss till kunderna.
Samma sorts problem finns i många företag. Det kan vara schemat för personalen, planeringen i produktionen, hur leveranser packas eller när lagret ska fyllas på. Tre saker från avhandlingen gäller nästan alltid.
Planera helheten.
Om varje avdelning optimerar för sig blir summan sällan bäst. Börja med flödet från order till leverans och se var besluten påverkar varandra.
Skriv ner reglerna som bara finns i huvudet.
Det kan vara vad som tål att staplas, vilken kund som vill ha varorna sorterade eller vem som inte kan jobba kväll. Det är sådana regler som gör att en lösning som ser bra ut på papperet inte fungerar i verkligheten. De behöver vara med från början.
Låt en människa välja.
När målen krockar ska ett bra verktyg visa vad ni vinner och förlorar med varje alternativ och lämna valet till er.
Ett planeringsproblem passar för optimering när det finns för många möjligheter för att räkna för hand, när flera mål drar åt olika håll och när datan redan finns i affärssystemet eller i ett kalkylark.
Så arbetar Anan hos oss.
Hos oss arbetar Anan med optimering och maskininlärning, till exempel för schemaläggning, planering och prognoser.
Mer om AI och automation