Проектирование крупных инфраструктурных сетей неизбежно сталкивается с проблемой географической оптимизации. Где построить новые региональные склады маркетплейса, чтобы минимизировать суммарные транспортные издержки при доставке товаров тысячам клиентов? В какой точке города разместить станцию скорой помощи или пожарную часть, чтобы гарантировать максимальную скорость реагирования на экстренные вызовы? В исследовании операций этот гигантский класс пространственных и дискретных оптимизационных моделей известен как Задачи размещения объектов (Facility Location Problems, FLP). Их математическое решение требует синтеза теории графов, целочисленного программирования и метрической геометрии.

Живая природа на протяжении миллионов лет эволюции создала безупречные механизмы коллективного выживания и оптимизации ресурсов. Наблюдая за синхронным полетом птичьих стай и косяков рыб, исследователи операций осознали, что сложное и целесообразное поведение группы может возникать из простейших правил взаимодействия неразумных индивидов. В 1995 году Джеймс Кеннеди и Рассел Эберхарт перевели эту биологическую парадигму на язык математики, создав Алгоритм оптимизации роем частиц (Particle Swarm Optimization, PSO). Этот метод стохастической многомерной оптимизации совершил революцию в решении сложных нелинейных и невыпуклых задач, где классические градиентные алгоритмы неизбежно попадают в ловушки локальных экстремумов.

Классические марковские процессы принятия решений (MDP) исходят из фундаментального допущения: агент всегда обладает полной и абсолютно достоверной информацией о текущем состоянии внешней среды. Однако в реальных задачах исследования операций — от медицинской диагностики до навигации беспилотных автомобилей и робототехники — датчики всегда зашумлены, а информация критически неполна. Агент видит лишь косвенные признаки, которые могут соответствовать сразу нескольким физическим состояниям. Для математического моделирования таких систем в условиях неопределенности был разработан аппарат Частично наблюдаемых марковских процессов (Partially Observable Markov Decision Processes, POMDP), который объединяет теорию управления с байесовским статистическим выводом.