O Optimization Solver é um software profissional para resolver problemas de otimização em diversos setores, como energia elétrica, manufatura industrial, transporte e logística, varejo, finanças e computação em nuvem. Ele atua como componente central de softwares de design industrial e auxilia empresas a projetar ou otimizar soluções de produção, alocar recursos com eficiência e aprimorar a tomada de decisões.
Visão geral
A equipe MindOpt Solver, do Decision Intelligence Lab da Alibaba DAMO Academy, desenvolveu o Optimization Solver. Esse software é fundamental para sistemas de design industrial e resolve problemas de otimização em vários setores, desde o agendamento elástico de recursos na nuvem até as áreas de energia e manufatura. Na Alibaba Cloud, a solução gera uma economia anual de centenas de milhões de dólares americanos no agendamento e na otimização de recursos de computação elástica. Além disso, o software ajuda a projetar ou refinar soluções de produção, distribuir recursos adequadamente e melhorar a tomada de decisões em diferentes cenários.

Esta figura, fornecida pela equipe MindOpt Solver, ilustra os tipos de problemas, as capacidades técnicas e os benefícios comerciais do Optimization Solver.
Recursos
O Optimization Solver oferece suporte a três paradigmas de resolução, cada um projetado para uma classe diferente de problema de otimização:
Resolução por programação matemática: indicado para problemas totalmente definidos por funções objetivo, variáveis e restrições.
Otimização por simulação: recomendado quando o problema é complexo demais para formulação analítica ou quando as restrições não são quantificáveis.
-
Otimização online: ideal para sistemas reais que operam sob condições de incerteza.
Resolução por programação matemática
A programação matemática trata de problemas definidos por uma fórmula quantificável, composta por função objetivo, variáveis de decisão e restrições. Essa abordagem abrange programação linear (LP), programação não linear (NLP) e programação inteira mista (MIP).
Atualmente, há suporte aos seguintes tipos de problema:
Programação linear (LP)
Programação quadrática convexa (QP)
Programação semidefinida (SDP)
Programação linear inteira mista (MILP)
O suporte a outros tipos de problema está em desenvolvimento ativo.
Otimização por simulação
A otimização por simulação lida com problemas que não admitem formulação analítica, seja porque as funções objetivo estão indisponíveis, porque as restrições não são totalmente quantificáveis ou porque o sistema funciona como uma caixa preta. Esse paradigma inclui otimização de caixa preta e otimização de ordem zero (ZO).
Nesse cenário, o Optimization Solver consulta um sistema de simulação usando parâmetros de controle (variáveis de entrada) e utiliza os resultados de avaliação retornados para buscar uma solução ótima, sem exigir um modelo explícito do sistema.
Casos de uso típicos incluem:
Busca de políticas em aprendizado por reforço
Projeto de soluções para processos industriais de fundição
Otimização de cotas orçamentárias para recursos de computação
Otimização online
A otimização online aplica-se a sistemas em produção que operam com informações incompletas. Em vez de resolver o problema offline e aplicar os resultados posteriormente, essa abordagem otimiza as decisões em tempo real durante a execução do sistema.
Plataformas online — como comércio eletrônico, streaming de vídeo e publicidade — utilizam esse recurso frequentemente nos seguintes cenários:
Seleção de produtos e curadoria de conteúdo
Recomendação de novos produtos
Limitação de tráfego
Distribuição em tempo real de direitos e benefícios do usuário