Anna Konovalenko (28) har forsket på hvordan maskinlæring kan bidra til å løse komplekse optimeringsproblemer. I dag forsvarte hun arbeidet sitt i en disputas på Molde campus.

Konovalenko, som er fra Krolevets i Ukraina, har skrevet en doktorgradsavhandling i kvantitativ logistikk med tittelen «Advancing the use of machine learning for complex optimization problems».

I fem vitenskapelige artikler har hun studert hvordan maskinlæring kan brukes sammen med operasjonsanalyse for å finne bedre løsninger på komplekse optimeringsproblemer, som for eksempel et dynamisk ruteproblem (dynamic vehicle routing problem —DVRP.)

Et dynamisk ruteproblem er en utvidelse av et klassisk problem i logistikken, nemlig handelsesreisendeproblemet (travelling salesman problem — TSP). I det dynamiske ruteproblemet er utfordringen i å finne optimale løsninger, den beste ruta, etterhvert som vær, trafikk og kundeønsker endrer seg.

I avhandlingen konkluderer Konovalenko med at operasjonsanalyse er den fundamentale vitenskapen som gir oss kjerneprinsippene for optimal beslutningstaking, noe maskinlæringsalgoritmer ikke kan erstatte. Men maskinlæring kan, skriver Konovalenko, forbedre operasjonsanalysemetoder ved å informere optimeringsprosessen med dataavledet informasjon.

Før forsvaret startet, holdt Anna Konovalenko prøveforelesning om «Practical models of vehicle routing in logistics».

Det er HiMolde-professorene Lars Magnus Hvattum og Swati Aggaral som har veiledet Konovalenko.