Оптимизация
Расписания, распределение ресурсов, маршруты, проектирование и упаковка. Мы применяем смешанное целочисленное программирование там, где оно масштабируется, а там, где нет, создаём собственные эвристики.
Математическая оптимизация, работающая на реальных промышленных задачах.
Алгоритмы на заказ, в том числе для задач, которые не по силам готовым решателям.
Мы превращаем ваши решения о расписаниях, распределении ресурсов, маршрутах и планах в математические модели, а затем создаём программы, которые их решают. Наши методы опубликованы и проверены на реальных производственных данных.
Какие задачи мы решаем
Если у решения есть цель и ограничения, скорее всего, мы сможем его смоделировать.
Расписания
Производственные линии, смены, техобслуживание и планы проектов.
Распределение ресурсов
Персонал, оборудование, бюджеты и ограниченные материалы.
Маршруты и потоки
Автопарки, доставка и сети поставок.
Размещение и проектирование сетей
Склады, заводы, пункты обслуживания и инфраструктура.
Раскрой и упаковка
Раскрой материалов, загрузка контейнеров и паллет.
Планирование в условиях неопределённости
Запасы, мощности и правила, проверенные симуляцией.
Опубликованные результаты
Чего уже достигли наши методы, в основном в логистике. Цифры приведены по указанным статьям.
-
≈1%
arXiv 2610.30139
Дальше, чем точный решатель с ограничением по времени
В проектировании логистических сетей наш метод поиска с чередующимися окрестностями отстаёт от лучшей двойственной оценки примерно на 1% на малых сетях. На средних сетях он до 55% лучше точного решателя с ограничением по времени.
-
5.0%
arXiv 2606.09455
Экономия, найденная с помощью симуляции
Воспроизведение месяца реального потока посылок в дискретно-событийном симуляторе показало, что одна из действующих политик может сэкономить 5,0% затрат при том же сроке доставки. Для этого нужно изменить два параметра, без капитальных вложений.
-
20%
Procedia CS, 2014
Реальные ограничения в большом масштабе
Маршрутизация грузовиков с прицепами на реальных данных розничной сети: около 400 магазинов и 100 машин на склад, временные окна и дробные поставки. Наша эвристика нашла решения на 20% дешевле простого жадного метода.
-
4×4
arXiv 1712.08437
Модель самой структуры поиска
Модель математического программирования для наилучшей сети децентрализованного поиска ближайшего соседа. Мы решили её точно для решётки 4×4 и нашли эвристические решения вплоть до 7×7.
-
NP
arXiv 2007.05020
Определение сложности задачи
Мы сформулировали выбор команды в игре Dota Underlords как задачу целочисленного программирования, решили её на реальных данных и доказали NP-полноту.
Что мы создаём
Каждый проект индивидуален: от первой постановки задачи до работающей программы.
Симуляция и агентные модели
Воспроизведите ваши реальные данные, переберите настройки правил и оцените компромиссы до любых изменений на производстве.
Векторный поиск
Более качественный приближённый поиск ближайших соседей: от структуры графа до настройки на ваших данных по полноте, задержке и памяти.
Машинное обучение и компьютерное зрение
Модели прогнозирования, обнаружения и контроля качества, включая прогнозы спроса и отказов, от которых зависит оптимизация.
Реальные затраты растут ступенями
Станки, смены, партии и машины бывают только целыми, поэтому небольшой рост спроса может означать оплату ещё одной единицы. Линейная модель такого скачка не видит. Передвиньте ползунок, чтобы сравнить.
- Нужно единиц
- –
- ЛП-релаксация
- –
- Затраты, упущенные ЛП
- –
Пример с вместимостью C = 20 на единицу.
Общая модель
Оплата каждой единицы и выполняемой ею работы
Весь спрос удовлетворён
Работает достаточно целых единиц, чтобы выполнить работу
Как идёт проект
Мы начинаем с вашего процесса, и всё созданное остаётся у вас.
Постановка
Вместе с теми, кто управляет процессом, записываем цель, ограничения и исключения.
Базовый уровень
Оцениваем ваш текущий процесс на исторических данных, чтобы сравнение результатов было честным.
Решение
Создаём алгоритм и проверяем его относительно базового уровня и математической оценки.
Внедрение
Подключаем его к вашим системам и передаём код, модель и документацию.
Статьи
В открытом доступе, с постановками задач и экспериментами.
- 2026A General Variable Neighborhood Search for Logistic Network Flow Design with Nonlinear Edge Costs and Transshipment CapacitiesKovaleva, Ponomarenko
- 2026A Benchmark Generator of Realistic Logistic Transport Networks with Nonlinear Edge Costs and Transshipment CapacitiesKovaleva, Ponomarenko
- 2026Tuning Dispatch Thresholds for Fixed Last-Mile Routes: A Simulation-Based Pareto Analysis of a Production PolicyPonomarenko, Antonov
- 2021Overlapping community detection in networks based on link partitioning and partitioning around medoidsPonomarenko, Pitsoulis, Shamshetdinov
- 2020Dota Underlords Game is NP-CompletePonomarenko, Sirotkin
- 2017A Model of Optimal Network Structure for Decentralized Nearest Neighbor SearchPonomarenko, Utkina, Batsyn
- 2014Heuristic for a Real-Life Truck and Trailer Routing ProblemBatsyn, Ponomarenko