Αλγόριθμοι καθοδηγούμενοι από δεδομένα για βελτιστοποίηση ανάθεσης πόρων

Γουτζούλιας, Νικόλαος; Goutzoulias, Nikolaos

dc.contributor.author	Γουτζούλιας, Νικόλαος	el
dc.contributor.author	Goutzoulias, Nikolaos	en
dc.date.accessioned	2025-01-08T12:22:10Z
dc.date.available	2025-01-08T12:22:10Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60659
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28355
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ακέραιος Προγραμματισμός	el
dc.subject	Βελτιστοποίηση Ανάθεσης Πόρων	el
dc.subject	Βασικοί ∆είκτες Απόδοσης (ΚΡΙ)	el
dc.subject	∆ιαχείριση Χωρητικότητας	el
dc.subject	Machine Learning	en
dc.subject	Resource Allocation Optimization	en
dc.subject	Integer Programming	en
dc.subject	Capacity Management	en
dc.subject	Key Performance Indicators (KPIs)	en
dc.title	Αλγόριθμοι καθοδηγούμενοι από δεδομένα για βελτιστοποίηση ανάθεσης πόρων	el
dc.title	Data-driven algorithms for resource allocation optimization	en
heal.type	bachelorThesis
heal.generalDescription	Η διπλωματική εργασία εκπονήθηκε στα πλαίσια συνεργασίας με την εταιρεία EmDoT S.A.	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-09
heal.abstract	Στην παρούσα διπλωματική εργασία, παρουσιάζουμε μια ολοκληρωμένη λύση για τη βελτιστοποίηση της ανάθεσης πόρων σε μια ασφαλιστική εταιρεία μέσω της ενσωμάτω- σης προηγμένων τεχνικών μηχανικής μάθησης με ακέραιο προγραμματισμό. Ξεκινάμε με μια εις βάθος εξερεύνηση διαφόρων μοντέλων μηχανικής μάθησης για την πρόβλε- ψη βασικών δεικτών απόδοσης (KPIs), εστιάζοντας τόσο σε γραμμικά όσο και σε μη γραμμικά μοντέλα παλινδρόμησης. Μεταξύ αυτών, τα μοντέλα δέντρων απόφασης και τυχαίων δασών αποδεικνύονται τα πιο αποτελεσματικά λόγω της ικανότητάς τους να δια- χειρίζονται πολύπλοκες, μη γραμμικές σχέσεις δεδομένων. ́Ετσι, παρέχουν ακριβείς προβλέψεις για τον αριθμό περιστατικών που μπορεί να χειριστεί κάθε συνδυασμός μο- τοσυκλετών και πλατφορμών, διευκολύνοντας τις βέλτιστες αποφάσεις ανάπτυξης. Για την ενίσχυση της λύσης μας, ενσωματώνουμε μια λεπτομερή ανάλυση ακραίων περιπτώσεων και εισάγουμε επιπλέον παραμέτρους όπως η ώρα της ημέρας και ένας προσαρμοσμένος μετρικός δείκτης ̈βαρύτητας ̈. Αυτό διασφαλίζει ότι τα μοντέλα μας μπορούν να προσαρμοστούν σε διαφορετικά επιχειρησιακά σενάρια, παρέχοντας αξι- όπιστες προβλέψεις υπό ποικίλες συνθήκες. Ενσωματώνοντας αυτές τις προβλέψεις μηχανικής μάθησης σε ένα πλαίσιο ακέραιου προγραμματισμού, επιτρέπεται η βελ- τιστοποίηση των προγραμμάτων βάρδιας των οδηγών, λαμβάνοντας υπόψη επιχειρη- σιακούς περιορισμούς όπως τα ωράρια βάρδιας και τις αργίες. Αυτή η προσέγγιση ελαχιστοποιεί τα κόστη ενώ μεγιστοποιεί την αποδοτικότητα των υπηρεσιών. Επιπλέον, απεικονίζονται τα πλεονεκτήματα της χρήσης της Γλώσσας Προγραμματι- σμού Βελτιστοποίησης (OPL) σε σύγκριση με το ευρέως χρησιμοποιούμενο πλαίσιο OR − Tools για την επίλυση σύνθετων προβλημάτων δρομολόγησης οχημάτων και δια- χείρισης χωρητικότητας. Μέσα από μια λεπτομερή μελέτη περίπτωσης, δείχνουμε ότι η OPL βελτιώνει την ευκρίνεια και την ακρίβεια του μοντέλου ενώ ταυτόχρονα βελτιστο- ποιεί την απόδοση στην επίλυση προβλημάτων μεγάλης κλίμακας. Αυτή η σύγκριση υπογραμμίζει τη σταθερότητα και την αποτελεσματικότητα του OPL στην παροχή υψη- λής ποιότητας λύσεων για σύνθετα σενάρια. Ενδεχόμενη μελλοντική εργασία θα περιλαμβάνει τη βελτίωση αυτών των μοντέλων μηχανικής μάθησης μέσω της εξερεύνησης πιο προηγμένων τεχνικών όπως η βαθιά μάθηση και η ενισχυτική μάθηση για μεγαλύτερη ακρίβεια προβλέψεων και προσαρ- μοστικότητα. Η συνεχής συνεργασία με βιομηχανικούς εταίρους είναι απαραίτητη για την επικύρωση και τη βελτίωση των μοντέλων σε διάφορα επιχειρησιακά περιβάλλοντα, διασφαλίζοντας τη σταθερότητα και την εφαρμοσιμότητα της λύσης μας.	el
heal.abstract	In this thesis, we present a comprehensive solution for optimizing resource alloca- tion in an insurance company by integrating advanced machine learning techniques with integer programming. We start with an in-depth exploration of various machine learning models to predict key performance indicators (KPIs), focusing on both linear and non-linear regression models. Among these, decision trees and random forest models demonstrate the highest effectiveness due to their capability to manage com- plex, non-linear data relationships. These models provide accurate predictions for the number of incidents that each combination of motorcycles and platforms can handle, facilitating optimized deployment decisions. To enhance our solution, we incorporate a detailed analysis of edge cases and intro- duce additional parameters such as time of day and a custom "heaviness" metric. This ensures our models can adapt to diverse operational scenarios, providing re- liable predictions under varying conditions. Embedding these machine learning predictions into an integer programming framework allows us to optimize driver shift schedules, taking into account business constraints such as shift lengths and holidays. This approach minimizes costs while maximizing service efficiency, signif- icantly improving operational performance. Furthermore, we illustrate the advantages of using Optimization Programming Lan- guage (OPL) over the commonly used OR-Tools framework for solving complex ve- hicle routing and capacity management problems. Through a detailed case study, we demonstrate that OPL enhances model clarity and maintainability while opti- mizing performance in solving large-scale optimization problems. This comparison underscores the effectiveness of OPL in providing high-quality solutions for complex scenarios. Future work involves refining these machine learning models by exploring more advanced techniques like deep learning and reinforcement learning for greater pre- dictive accuracy and adaptability. Continued collaboration with industry partners is essential to validate and refine the models in various operational environments, ensuring the efficacy and applicability of our solution.	en
heal.advisorName	Φωτάκης, Δημήτριος	el
heal.advisorName	Fotakis, Dimitrios	en
heal.committeeMemberName	Παγουρτζής, Άρης	el
heal.committeeMemberName	Εμίρης, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	130 σ.	el
heal.fullTextAvailability	false