Neues Lernverfahren optimiert Seaport-Power-Logistik trotz wechselnder Aufgaben

In der modernen Schifffahrt stehen die Planung von Strom- und Logistikaufgaben in Häfen oft vor dem Problem, dass sich die Aufgabenstellung ständig ändert – neue Schiffe, unterschiedliche Ladezeiten und variable Strombedarfe. Ein neues Verfahren aus dem Forschungsbereich der Entscheidungsgestützten Lernmethoden löst dieses Problem, indem es die Vorhersage und Optimierung in einem einzigen, kontinuierlich lernenden Prozess verbindet.

Das vorgestellte Modell nutzt eine Fisher‑Information-basierte Regularisierung, um die für frühere Aufgaben entscheidenden Parameter zu schützen, und einen differenzierbaren konvexen Surrogatwert, der die Gradiententransferwege stabilisiert. Dadurch kann das System online neue Aufgaben übernehmen, ohne die bereits erlernten Fähigkeiten zu verlieren. Das Ergebnis ist ein Vorhersagemodell, das exakt auf die Optimierungsziele abgestimmt ist und gleichzeitig die Leistung bei älteren Aufgaben beibehält.

In Experimenten am Jurong Port zeigte das Verfahren eine deutlich bessere Entscheidungsqualität und eine breitere Generalisierung als bestehende Ansätze, und das bei gleichzeitig geringerer Rechenzeit. Damit eröffnet es neue Möglichkeiten für effizientere und flexiblere Energie‑ und Logistikplanung in internationalen Häfen.