Integrating Large Language Models with Network Optimization for Interactive and Explainable Suppl...

文章总结与翻译

一、文章主要内容

本文提出了一个整合传统网络优化模型与大型语言模型（LLMs）的框架，旨在为供应链规划提供交互式、可解释且角色感知的决策支持。

1. 核心问题与背景

• 传统网络优化模型（如混合整数规划MIP）虽能精准解决供应链中的战术性库存再分配问题（多周期、多产品、多配送中心场景），但输出结果复杂，非技术背景的业务相关者（如分析师、管理者、高管）难以理解，导致运筹学工具在实际应用中普及度低。
• 供应链环境存在全球化、需求波动大、提前期长（14-20周）等特点，需通过战术性库存再平衡避免缺货、降低成本，但不同角色用户对决策信息的需求差异大（分析师关注SKU级细节，高管关注区域KPI）。

2. 框架构成与功能

• 优化模型核心：采用混合整数规划 formulation，以最小化缺货量和订单成本、维持安全库存为目标，考虑库存可用性、最小运输量、冻结期（不允许库存转移的时段）等约束，解决配送中心（DCs）间的战术性库存再分配问题。
• 技术架构：包含基于React/JavaScript的动态用户界面、FastAPI后端、AI智能体（解析请求、管理配置、调用优化器）、SCIP优化引擎、贝叶斯神经网络（BNN，用于快速近似预测），通过RESTful API实现数据交互，利用JSON文件存储配置参数。
• LLMs的作用：作为“解释层”，将优化