SOLVING ROUTING PROBLEMS USING MACHINE LEARNING

The techniques disclosed herein enable systems to solve routing problems using machine learning augmented by optimization modules. To plot a route, a system receives a plurality of nodes from a problem space. The plurality of nodes is then analyzed by an optimization module and ranked based on various criteria such as distance from a reference node and deadline. Based on the ranking, the optimization module can select a smaller subset of nodes that is then processed by a machine learning model. The machine learning model can then select a node from the subset of nodes for addition to a route. This process can be repeated until a route is plotted for the full set of nodes within the problem space. In addition, the system can be configured to monitor current conditions of the problem space to modify the route in response to changes. Sont divulguées ici des techniques permettant à des systèmes de résoudre des problèmes d'acheminement au moyen de l'apprentissage automatique augmenté par des modules d'optimisation. Pour tracer un itinéraire, un système reçoit une pluralité de nœuds en provenance d'un espace de problème. La pluralité de nœuds est ensuite analysée par un module d'optimisation et classée selon divers critères tels que la distance depuis un nœud de référence et une échéance. Sur la base du classement, le module d'optimisation peut sélectionner un sous-ensemble plus petit de nœuds qui sont ensuite traités par un modèle d'apprentissage automatique. Le modèle d'apprentissage automatique peut ensuite sélectionner un nœud dans le sous-ensemble de nœuds pour être ajouté à un itinéraire. Ce processus peut être répété jusqu'à ce qu'un itinéraire soit tracé pour la totalité de l'ensemble de nœuds dans l'espace de problème. De plus, le système peut être configuré pour surveiller des conditions actuelles de l'espace de problème pour modifier l'itinéraire en réponse à des changements.