⚡ electrical engineering

Decision-Focused Continual Learning for Seaport Power-Logistics Scheduling: Generalization across Varying Tasks

Dit artikel stelt een besluitvormingsgerichte continual learning-framework voor dat gebruikmaakt van Fisher-informatiegebaseerde regularisatie en een differentieerbare convexe surrogaat om modellen voor de energie-logistieke planning in zeehavens in staat te stellen zich online aan te passen aan variërende scheepvaartaankomsttaken, waardoor de cross-task generalisatie en de kwaliteit van besluitvorming worden verbeteren terwijl duurzame computationele en geheugenvereisten behouden blijven.

Oorspronkelijke auteurs: Chuanqing Pu, Feilong Fan, Nengling Tai, Yan Xu, Wentao Huang, Honglin Wen

Gepubliceerd 2026-06-09

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Chuanqing Pu, Feilong Fan, Nengling Tai, Yan Xu, Wentao Huang, Honglin Wen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De Zeehaven als een Drukke Keuken

Stel je een moderne zeehaven voor als een enorme, hightech keuken.

De Ingrediënten: Elektriciteit (energie) en schepen (logistiek).
Het Doel: De keukenmanager moet beslissen precies hoeveel elektriciteit hij moet inkopen en hoe hij deze moet gebruiken om de kranen aan te drijven en de schepen op te laden, terwijl hij tegelijkertijd probeert geld te besparen.
Het Probleem: De manager moet deze beslissingen nemen voordat hij precies weet hoeveel schepen er zullen aankomen, hoeveel lading ze hebben of wat de elektriciteitsprijs morgen zal zijn. Hij moet eerst een voorspelling doen (forecasten) en dan pas een plan maken (optimaliseren).

De Oude Manier: De Chef met de "Perfecte Score"

Traditioneel gebruikte de keukenmanager een computer om de toekomst te voorspellen.

De Strategie: De computer was getraind om de "statistisch perfecte" gok te doen. Als de werkelijke elektriciteitsprijs \ $100 was en de computer voorspelde \$ 102, dan was dat een "slechte" gok. Als hij $98 voorspelde, was dat ook een "slechte" gok. De computer probeerde gemiddeld gelijk te hebben, waarbij de afstand tussen de gok en de werkelijkheid werd geminimaliseerd.
De Fout: In een zeehaven betekent "statistisch juist zijn" niet altijd "financieel slim zijn".
- Analogie: Stel je voor dat je boodschappen doet. Als je voorspelt dat je 5 appels nodig hebt maar je hebt er eigenlijk 4 nodig, verspil je geld. Als je 4 voorspelt maar je hebt er 5 nodig, moet je de laatste misschien tegen een enorme spoedprijs kopen. De kosten van "te laag" zijn anders dan de kosten van "te hoog".
- De oude computer gaf niet om dit verschil; hij wilde alleen maar dicht bij het getal zitten. Dit leidde tot dure fouten in de uiteindelijke planning.

De Eerste Upgrade: "Beslissingsgericht" Leren

De onderzoekers introduceerden een slimmere aanpak genaamd Decision-Focused Learning (DFL).

De Strategie: In plaats van de computer te trainen om alleen maar "dichtbij" het echte getal te zitten, trainden ze hem om de best mogelijke beslissing te nemen op basis van dat getal.
De Analogie: In plaats van de computer te vragen: "Hoe dicht zit je gok bij de waarheid?", vroegen ze: "Als je deze gok doet, hoeveel geld besparen of verliezen we dan?" De computer leerde gokken te doen die statistisch gezien misschien iets "fout" waren, maar die wel zouden resulteren in de laagste elektriciteitsrekening.
Het Nieuwe Probleem: Dit werkte geweldig voor één specifieke dag met een specifieke set schepen. Maar zeehavens zijn chaotisch. Morgen komen er misschien een ander aantal schepen aan, of dragen ze een andere lading. Dit verandert de "spelregels" (het optimalisatieprobleem).
Het Falen: Toen de onderzoekers het "Decision-Focused" model gebruikten op een nieuwe dag met andere schepen, vergat het alles wat het had geleerd over de vorige dagen. Het was als een chef die het recept voor het menu van dinsdag uit zijn hoofd kende, maar het menu van woensdag niet kon koken omdat de ingrediënten licht veranderd waren.

De Oplossing: "Continually Learning" met een Veiligheidsnet

Het artikel stelt een nieuw systeem voor genaamd Decision-Focused Continual Learning (DFCL). Denk hierbij aan een chef die elke dag leert, maar de basis nooit vergeet.

1. Het "Fisher" Veiligheidsnet (Elastic Weight Consolidation)

Het Concept: Terwijl de chef een nieuw menu leert (een nieuwe taak), kan hij per ongeluk de kennis van het oude menu vergeten. Om dit te voorkomen, gebruikt het systeem een "Fisher-informatie-gebaseerde regularisatie".
De Analogie: Stel je voor dat het brein van de chef een spons is. Wanneer hij een nieuw recept leert, absorbeert hij meestal nieuw water en knijpt hij het oude water eruit. Deze nieuwe methode plaatst elastische banden rond de delen van de spons die de belangrijkste "oude kennis" vasthouden.
Hoe het werkt: Het systeem identificeert welke delen van het "brein" van de computer (parameters) cruciaal zijn voor het nemen van goede beslissingen op vorige dagen. Bij het leren van een nieuwe dag plaatst het "elastische banden" op die onderdelen zodat ze niet te ver uitrekken. Hierdoor kan het model zich aanpassen aan de nieuwe schepen zonder te vergeten hoe het de oude schepen moet afhandelen.

2. De "Gladde Surrogaat" (Differentiable Convex Surrogate)

Het Concept: De wiskunde achter het plannen van schepen en kranen is ontzettend complex en "hobbelig" (niet-convex), wat het voor de computer moeilijk maakt om van zijn fouten te leren.
De Analogie: Stel je voor dat je een bal een berg afrolt met grillige rotsen en kliffen. De bal blijft steken en je kunt niet zien in welke richting je moet duwen om de bodem te bereiken.
De Oplossing: De onderzoekers creëerden een "gladgestreken" versie van de berg (een differentiabele surrogaat). Het is alsoal een glad stuk plastic over de grillige rotsen te leggen. De computer leert op dit gladde oppervlak en ontdekt de beste richting om te duwen. Zodra hij de richting heeft geleerd, past hij die logica toe op de echte, rotsachtige berg. Dit maakt het leerproces stabiel en snel.

De Resultaten: Waarom het Ertoe Doet

De onderzoekers testten dit op data van Jurong Port in Singapore.

De Test: Ze simuleerden een stroom van 6 verschillende dagen, elk met verschillende aankomstpatronen van schepen.
De Winnaar: Het nieuwe DFCL-systeem was de kampioen.
- Het bespaarde meer geld dan de oude "statistische" methoden.
- Het bespaarde meer geld dan de "Decision-Focused" methode die geen "elastische banden" gebruikte (die vergat te veel).
- Efficiëntie: Het had geen enorme hoeveelheden oude data nodig of het herhaaldelijk opnieuw trainen vanaf nul. Het hield een kleine, beheersbare geheugenvoetafdruk aan, wat het praktisch bruikbaar maakt voor de echte wereld.

Samenvatting

Dit artikel lost een probleem op waarbij slimme computers "amnesie" krijgen wanneer de regels van een zeehaven veranderen. Door elastische banden toe te voegen om oude kennis te beschermen en een gladgestreken kaart te gebruiken om het leren te begeleiden, zorgt het nieuwe systeem ervoor dat een zeehaven continu kan leren en kan aanpassen aan veranderende scheepsschema's zonder geld te vergeten hoe ze geld moeten besparen. Het verandert een "één trucje konijn" in een "ervaren veteraan" die elke dag slimmer wordt.

Probleemdefinitie

Moderne zeehavens opereren als Power–Logistics Systems (PLS), waarbij energieverwerving en logistieke operaties (bijv. het aanmeren van schepen, kadekraanplanning) gezamenlijk worden geoptimaliseerd. De gangbare industriële praktijk volgt een predict-then-optimize-pipeline: voorspellingsmodellen voorspellen de netto belasting en elektriciteitsprijzen, die vervolgens worden ingevoerd in een optimalisatiescheduler.

Het artikel identificeert een cruciale beperking in bestaande Decision-Focused Learning (DFL)-benaderingen. Hoewel DFL de training van voorspellingen afstemt op downstream besluitvormingsuitkomsten (het minimaliseren van operationele spijt in plaats van statistische fouten zoals MSE), is standaard DFL inherent taakspecifiek. In de havenoperaties evolueert de structuur van de optimalisatietaak dynamisch met de aankomst van schepen. Elke nieuwe aankomstconfiguratie introduceert afwijkende beperkingen, dimensies van beslissingsvariabelen en geometrieën van het haalbare gebied. Bijgevolg faalt een DFL-model dat getraind is op een specifieke taakconfiguratie bij het generaliseren naar nieuwe, ongeziene taakstructuren, wat leidt tot prestatievermindering wanneer het sequentieel wordt toegepast op evoluerende operationele scenario's.

Methodologie

De auteurs stellen een Decision-Focused Continual Learning (DFCL)-framework voor, ontworpen om online te adapteren aan een stroom variërende plannings-taken zonder catastrofaal vergeten of de noodzaak voor data-replay.

1. Probleemformulering:
Het framework behandelt het planningsprobleem als een stroom van taken $\{\tau_1, \dots, \tau_K\}$ . Het doel is om voorspellingsparameters $\Theta$ te leren die de cumulatieve spijt over alle gevolgde taken minimaliseren. Spijt wordt gedefinieerd als het verschil tussen de werkelijke kosten die worden gemaakt met voorspelde inputs en de kosten die haalbaar zijn met perfecte vooruitziendheid.

2. Fisher-Informatie-gebaseerde Regularisatie:
Om te voorkomen dat kennis van vorige taken verloren gaat terwijl er wordt geadapteerd aan nieuwe taken, leiden de auteurs een regularisatiemethode af die geïnspireerd is op Elastic Weight Consolidation (EWC).

Pseudo-Likelihood Aanname: Zij nemen aan dat de regret-loss een Gibbs-type pseudo-likelihood induceert.
Laplace Benadering: De posterieure distributie van parameters van vorige taken wordt benaderd als een Gaussische distributie.
Fisher-achtige Kromming: De precisie-matrix van deze Gaussische distributie wordt benaderd met behulp van de empirische Fisher-informatie-matrix, berekend als het buitenproduct van de regret-gradiënten.
Doelfunctie: De leerdoelstelling voor een nieuwe taak $k$ minimaliseert de huidige taak-spijt plus een kwadratische strafterm: $\lambda (\Theta - \Theta^*_{k-1})^\top \Lambda_{k-1} (\Theta - \Theta^*_{k-1})$ . Dit beperkt de updates tot parameters die cruciaal zijn voor eerdere taken.

3. Differentieerbare End-to-End Pipeline:
Een grote uitdaging is dat het PLS-planningsprobleem mixed-integer beperkingen bevat (discrete beslissingen voor scheepsassignatie en kraanplanning), waardoor het niet-differentieerbaar is.

Surrogaatmodel: De auteurs introduceren een differentieerbare convexe surrogaat gebaseerd op een K-Nearest Neighbors (KNN) regressie. Dit model voorspelt discrete logistieke variabelen (kadekraanvermogen en scheepsassignatie) op basis van upstream voorspellingen.
Convexificatie: Door deze voorspelde discrete variabelen vast te leggen, wordt het resterende planningsprobleem een convex Lineair Programmeringsprobleem (LP).
Impliciete Differentiatie: De gradiënten van de regret-loss met betrekking tot de voorspellingsparameters worden berekend door te differentiëren door de geconvexifieerde optimalisatielaag middels impliciete differentiatie (via KKT-condities).

Belangrijkste Bijdragen

Nieuw Framework: Het artikel stelt het eerste taak-adaptieve predict-then-optimize framework voor voor PLS-planning, dat continu leren van beslissings-gealigneerde voorspellingsmodellen mogelijk maakt over een onbegrensde stroom van taken.
Regularisatiemechanisme: Het introduceert een Fisher-informatie-gebaseerde regularisatiemethode die de cross-task generalisatie verbetert zonder de prohibitieve computationele overhead van het herhalen van historische data of het hertrainen op oude taken.
Differentieerbare Pipeline: Het ontwikkelt een end-to-end leerpipeline die een differentieerbare surrogaat gebruikt om het ingebedde mixed-integer planningsprobleem te convexificeren, wat de backpropagation van gradiënten stabiliseert via impliciete differentiatie.

Experimentele Resultaten

De methode werd geëvalueerd met een benchmark gekalibreerd aan Jurong Port, Singapore, waarbij echte aankomstgegevens van schepen werden gecombineerd met synthetische belasting- en prijsgegevens. Zes verschillende taakscenario's werden gecreëerd om evoluerende patronen in de aankomst van schepen te simuleren.

Prestaties t.o.v. Baselines: De voorgestelde DFCL (EWC) presteerde consistent beter dan:
- Statistical Baseline Learning (SBL): Welke MSE minimaliseert maar de waarde van beslissingen negeert.
- Taakspecifieke DFL: Welke faalt in het generaliseren naar nieuwe taakstructuren.
- Naïeve Continual DFL (Adam): Welke lijdt onder catastrofaal vergeten.
- Freezing-gebaseerde Continual DFL (Adam-F): Welke slechts beperkte adaptiviteit biedt.
Metrieken: DFCL behaalde de laagste cumulatieve spijt en regret ratio (RR) over de taakstroom. Het verminderde de cumulatieve spijt met maximaal 2,5% en de forgetting measure (FM) met maximaal 27,7% vergeleken met naïef continual learning.
Generalisatie: Het model behield een lage spijt op eerdere taken, zelfs nadat het daaropvolgende, structureel andere taken had geleerd, wat robuuste cross-task generalisatie aantoont.
Efficiëntie: DFCL vertoonde gebonden computationele en geheugenkosten. In tegenstelling tot multi-task learning of taak-gewijze hertraining, bleven de trainingstijd en het geheugenverbruik van DFCL bijna constant naarmate het aantal taken toenam, waardoor de noodzaak om historische data of meerdere modellen op te slaan werd vermeden.
Sensitiviteit: De methode bleef robuust tegen imperfecte real-time updates en vertoonde stabiele prestaties over verschillende volgordes van taken.

Betekenis en Claims

Het artikel stelt dat het voorgestelde DFCL-framework een specifiek gat in de literatuur over energiesystemen aanpakt: het onvermogen van huidige decision-focused methoden om om te gaan met evoluerende taakstructuren die gebruikelijk zijn in de real-world logistiek.

Praktische bruikbaarheid: De aanpak stelt havenoperators in staat om hoogwaardige planningsbeslissingen te handhaven onder veranderende operationele omstandigheden (bijv. variërende vlootgroottes en ladingprofielen) zonder de computationele last van het trainen van een nieuw model voor elk nieuw scenario.
Relatief Voordeel: De auteurs stellen bescheiden dat de resultaten relatieve winsten aantonen onder gecontroleerde verschuivingen in taakstructuur met behulp van een benchmark met gemengde bronnen. Zij beweren niet dat de samengestelde dataset alle specifieke marktomstandigheden van Singapore perfect reproduceert, maar beargumenteren dat het algoritmische voordeel bij het afhandelen van structurele variaties in taken de primaire bijdrage is.
Toekomstig Werk: Het artikel merkt op dat toekomstige validatie geografisch gelokaliseerde haven-datasets zou moeten omvatten en extensies naar rolling-horizon of multi-stage correctieve planning met gedeeltelijke recourse.