聯(lián)想供應(yīng)鏈智能決策技白皮書001新時(shí)代下，供應(yīng)鏈管理迎來諸多挑戰(zhàn)，供應(yīng)鏈決策難度指數(shù)級(jí)提升，如何決策成為供應(yīng)鏈管理的主要難點(diǎn)。02數(shù)據(jù)挖掘分析、運(yùn)籌優(yōu)化等供應(yīng)鏈決策技術(shù)一定程度上提高了供應(yīng)鏈的決策水平與效率，但仍有待進(jìn)一步發(fā)展。03智能化決策是供應(yīng)鏈決策技術(shù)未來發(fā)展的重要方向，機(jī)器學(xué)習(xí)與傳統(tǒng)決策技術(shù)的融合應(yīng)用將推動(dòng)供應(yīng)鏈管理實(shí)現(xiàn)“智能決策”。04聯(lián)想供應(yīng)鏈智能決策的關(guān)鍵技術(shù)包括機(jī)器學(xué)習(xí)、機(jī)器學(xué)習(xí)驅(qū)動(dòng)的運(yùn)籌優(yōu)化、機(jī)器學(xué)習(xí)驅(qū)動(dòng)的預(yù)測(cè)性分析。05聯(lián)想面向智能決策的機(jī)器學(xué)習(xí)技術(shù)能力包括圖神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)、多智能體學(xué)習(xí)。0601新時(shí)代下，供應(yīng)鏈管理迎來諸多挑戰(zhàn)，供應(yīng)鏈決策難度指數(shù)級(jí)提升，如何決策成為供應(yīng)鏈管理的主要難點(diǎn)。02數(shù)據(jù)挖掘分析、運(yùn)籌優(yōu)化等供應(yīng)鏈決策技術(shù)一定程度上提高了供應(yīng)鏈的決策水平與效率，但仍有待進(jìn)一步發(fā)展。03智能化決策是供應(yīng)鏈決策技術(shù)未來發(fā)展的重要方向，機(jī)器學(xué)習(xí)與傳統(tǒng)決策技術(shù)的融合應(yīng)用將推動(dòng)供應(yīng)鏈管理實(shí)現(xiàn)“智能決策”。04聯(lián)想供應(yīng)鏈智能決策的關(guān)鍵技術(shù)包括機(jī)器學(xué)習(xí)、機(jī)器學(xué)習(xí)驅(qū)動(dòng)的運(yùn)籌優(yōu)化、機(jī)器學(xué)習(xí)驅(qū)動(dòng)的預(yù)測(cè)性分析。05聯(lián)想面向智能決策的機(jī)器學(xué)習(xí)技術(shù)能力包括圖神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)、多智能體學(xué)習(xí)。06聯(lián)想以機(jī)器學(xué)習(xí)驅(qū)動(dòng)的運(yùn)籌優(yōu)化技術(shù)能力包括在線優(yōu)化與神經(jīng)網(wǎng)絡(luò)求解器。07聯(lián)想以機(jī)器學(xué)習(xí)驅(qū)動(dòng)的預(yù)測(cè)性分析技術(shù)能力包括因果推斷與多特征、多層級(jí)下的概率性預(yù)測(cè)。08聯(lián)想供應(yīng)鏈智能決策技術(shù)方案用于需求預(yù)測(cè)與智能備貨，可賦能企業(yè)的服務(wù)供應(yīng)鏈與零售供應(yīng)鏈，顯著提升運(yùn)營(yíng)水平，降低成本。09聯(lián)想供應(yīng)鏈智能決策技術(shù)方案用于物料管理與Th產(chǎn)計(jì)劃，可提升物料的分配與庫(kù)存管理水平，并為制造業(yè)提供了更高效優(yōu)質(zhì)的Th產(chǎn)計(jì)劃決策。10聯(lián)想供應(yīng)鏈智能決策技術(shù)方案用于物流規(guī)劃與調(diào)度優(yōu)化，通過對(duì)打包裝箱、網(wǎng)絡(luò)規(guī)劃、運(yùn)輸配送環(huán)節(jié)的優(yōu)化，推動(dòng)物流環(huán)節(jié)走向綠色與智能。11未來，諸多的數(shù)字技術(shù)將與與機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘分析、運(yùn)籌優(yōu)化等決策技術(shù)進(jìn)一步融合，持續(xù)提升供應(yīng)鏈的智能決策水平。12未來，企業(yè)供應(yīng)鏈多個(gè)場(chǎng)景、多個(gè)環(huán)節(jié)的決策有望協(xié)同聯(lián)動(dòng)，智能決策將貫穿企業(yè)供應(yīng)鏈管理全鏈條，實(shí)現(xiàn)一體化決策。13可靠性(Reliability)、可復(fù)用性(Reusability)、可調(diào)節(jié)性(Regulatability)、可信賴性(Responsibility)的“4R”能力是智能決策技術(shù)的未來發(fā)展方向。主要觀點(diǎn) 02引言供應(yīng)鏈貫穿企業(yè)價(jià)值交付全過程，是企業(yè)實(shí)現(xiàn)業(yè)務(wù)愿景、促進(jìn)價(jià)值增長(zhǎng)一項(xiàng)關(guān)鍵職能，對(duì)企業(yè)的發(fā)展乃至Th存至關(guān)重要。而隨著業(yè)務(wù)場(chǎng)景的愈加復(fù)雜與商業(yè)環(huán)境的愈加多變，企業(yè)供應(yīng)鏈管理正面臨前所未有的挑戰(zhàn)：需求多變難以預(yù)知、難以精細(xì)化理、用戶要求不斷提升、市場(chǎng)環(huán)境不確定性加劇、網(wǎng)絡(luò)結(jié)構(gòu)愈加復(fù)雜、眾多業(yè)務(wù)指標(biāo)之間相互制約、管理質(zhì)量難以維持較高水平、供應(yīng)鏈運(yùn)營(yíng)成本居高不下。供應(yīng)鏈管理諸多挑戰(zhàn)的背后，本質(zhì)是復(fù)雜環(huán)境下供應(yīng)鏈決策難度的指數(shù)級(jí)提升，傳統(tǒng)的決策模式已難以應(yīng)對(duì)日益復(fù)雜的供應(yīng)鏈管理需求，如何決策成為供應(yīng)鏈管理的主要難點(diǎn)。為了提高供應(yīng)鏈決策的水平與質(zhì)量，人們從統(tǒng)學(xué)、運(yùn)籌學(xué)、計(jì)算機(jī)科學(xué)等學(xué)科出發(fā)，對(duì)供應(yīng)鏈決策問題展開了大量研究，以數(shù)據(jù)挖掘分析、運(yùn)籌優(yōu)化為代表的供應(yīng)鏈決策技術(shù)的發(fā)展，也在一定程度上提高了供應(yīng)鏈的決策水平與效率。但隨著供應(yīng)鏈管理問題的復(fù)雜度不斷增加，以上技術(shù)也逐漸顯露伴隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、人工智能等信息技術(shù)的發(fā)展，以智能化為特征的第四次工業(yè)革命正席卷全球，數(shù)字化、智能化技術(shù)正全面融入并改造著各個(gè)行業(yè)的管理運(yùn)營(yíng)模式。同樣，供應(yīng)鏈管理與

決策的模式、方法也正迎來變革，智能化的決策正成為供應(yīng)鏈決策技術(shù)未來發(fā)展的重要方向。智能化的決策，應(yīng)當(dāng)具備“數(shù)據(jù)驅(qū)動(dòng)、科學(xué)精準(zhǔn)、快速敏捷、自我演進(jìn)”的特征，而以機(jī)器學(xué)習(xí)為代表的人工智能技術(shù)與數(shù)據(jù)挖掘分析、運(yùn)籌優(yōu)化技術(shù)的合，正孕育出智能化的決策技術(shù)，為供應(yīng)鏈決策提供了新的方法與工具。知名數(shù)據(jù)研究機(jī)構(gòu)Gartner公布的2021年全球供應(yīng)鏈25強(qiáng)排名中，聯(lián)想集團(tuán)第7次入選，位居第16名，是中國(guó)唯一上榜的高科技制造企業(yè)。聯(lián)想通過創(chuàng)新的技術(shù)與解決方案，在復(fù)雜大環(huán)境影響下保持供應(yīng)鏈韌性與高效，在供應(yīng)鏈的數(shù)字化、智能化發(fā)展方面具有深厚積累，在供應(yīng)鏈智能決策技術(shù)方面擁有豐富的研究成果與實(shí)踐經(jīng)驗(yàn)。在此背景下，聯(lián)想集團(tuán)撰寫了《聯(lián)想供應(yīng)鏈智能決策技術(shù)白皮書》，剖析了現(xiàn)代供應(yīng)鏈管理決策所面臨的難點(diǎn)與挑戰(zhàn)，總結(jié)了聯(lián)想供應(yīng)鏈智能決策技術(shù)的創(chuàng)新與應(yīng)用經(jīng)驗(yàn)，并對(duì)智能決策技術(shù)在供應(yīng)鏈的未來發(fā)展進(jìn)行展望。聯(lián)想期望通過本白皮書向社會(huì)各界分享聯(lián)想在供應(yīng)鏈智能決策技術(shù)方面的實(shí)踐與思考，從而為各行各業(yè)供應(yīng)鏈管理與決策的數(shù)字化、智能化轉(zhuǎn)型提供參考借鑒與助力。03 引言第一章供應(yīng)鏈智能決策技術(shù)發(fā)展背景1.1供應(yīng)鏈管理正面臨諸多挑如何決策成為難點(diǎn)1.1供應(yīng)鏈?zhǔn)侵竾@核心企業(yè)，將供應(yīng)商、制造商、分銷商直到最終用戶連成一體的功能網(wǎng)鏈結(jié)構(gòu)。供應(yīng)鏈貫穿從原材料或配套零件開始，到制成中間產(chǎn)品以及最終產(chǎn)品，最后由銷售網(wǎng)絡(luò)把產(chǎn)品送到用戶手中的企業(yè)價(jià)值交付全過程，是企業(yè)實(shí)現(xiàn)業(yè)務(wù)愿景、促進(jìn)價(jià)值增長(zhǎng)一項(xiàng)關(guān)鍵職能，對(duì)企業(yè)的發(fā)展乃至Th存至關(guān)重要[1]。伴隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、人工智能等信息技術(shù)的發(fā)展，以智能化為特征的第四次工業(yè)革命正席卷全球，數(shù)字化、智能化技術(shù)正全面融入并改造著各個(gè)行業(yè)的管理運(yùn)營(yíng)模式。同時(shí)，制造業(yè)、零售

業(yè)等各個(gè)行業(yè)也正經(jīng)歷著重大變革，供給側(cè)與需求側(cè)的創(chuàng)新不斷迸發(fā)，智能制造、柔性制造、新零售等新模式不斷涌現(xiàn)，對(duì)企業(yè)經(jīng)營(yíng)提出了新的要求。此外，伴隨著貿(mào)易摩擦與新冠疫情等黑天鵝事件的出現(xiàn)，商業(yè)環(huán)境的復(fù)雜度與不確定性也日益提升，對(duì)多個(gè)行業(yè)的運(yùn)營(yíng)帶來巨大沖擊。新技術(shù)、新模式、新環(huán)境等多重因素的影響下，傳統(tǒng)的企業(yè)運(yùn)營(yíng)模式亟需變革重塑，企業(yè)的轉(zhuǎn)型升級(jí)迫在眉睫。其中，供應(yīng)鏈的重要性日益突出，正逐漸成為新時(shí)代下企業(yè)競(jìng)爭(zhēng)力的關(guān)鍵組成部分，供應(yīng)鏈的管理也迎來前所未有的諸多挑戰(zhàn)：新消費(fèi)時(shí)代，市場(chǎng)需求多元化、波動(dòng)性大、難以感知獲取，人工難以準(zhǔn)確把握規(guī)律，更難以對(duì)未來進(jìn)新消費(fèi)時(shí)代，市場(chǎng)需求多元化、波動(dòng)性大、難以感知獲取，人工難以準(zhǔn)確把握規(guī)律，更難以對(duì)未來進(jìn)行預(yù)測(cè)且市場(chǎng)競(jìng)爭(zhēng)日益激烈，市場(chǎng)環(huán)境復(fù)雜且快速變化，充滿不確定性供應(yīng)鏈管理質(zhì)量難以維持較高水平、供應(yīng)鏈運(yùn)營(yíng)成本居高不下用戶對(duì)有貨率及按期交付的要求越來越高，對(duì)時(shí)效高度敏感，對(duì)供應(yīng)鏈的響應(yīng)速度提出更高要求部分行業(yè)、部分產(chǎn)品的原材料供應(yīng)短缺，需找到合理的物料分配方式，最大化資源的利用效率商品市場(chǎng)競(jìng)爭(zhēng)日益激烈，市場(chǎng)環(huán)境復(fù)雜且快速變化，充滿不確定性供應(yīng)鏈管理質(zhì)量難以維持較高水平、供應(yīng)鏈運(yùn)營(yíng)成本居高不下用戶對(duì)有貨率及按期交付的要求越來越高，對(duì)時(shí)效高度敏感，對(duì)供應(yīng)鏈的響應(yīng)速度提出更高要求部分行業(yè)、部分產(chǎn)品的原材料供應(yīng)短缺，需找到合理的物料分配方式，最大化資源的利用效率商品SKU數(shù)量眾多、產(chǎn)品更新?lián)Q代加速、銷售渠道更加多元，業(yè)務(wù)復(fù)雜度快速增加導(dǎo)致難以精細(xì)化管理場(chǎng)景日益復(fù)雜，眾多業(yè)務(wù)指標(biāo)之間存在相互制約，針對(duì)不同業(yè)務(wù)場(chǎng)景、不同業(yè)務(wù)目標(biāo)下的管理策略，難以全局統(tǒng)籌權(quán)衡并找到最優(yōu)方案供應(yīng)鏈參與主體眾多、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、影響因素多樣，加大供應(yīng)鏈管理難度人工管理耗費(fèi)時(shí)間精力，且高度依賴業(yè)務(wù)人員的能力與經(jīng)驗(yàn)，難以穩(wěn)定、規(guī)模化提升管理能力與效率全球制造業(yè)從大規(guī)模標(biāo)準(zhǔn)化邁向多品類小批次交付，模式的變革徹底顛覆了原料采購(gòu)、Th產(chǎn)、運(yùn)轉(zhuǎn)交付的傳統(tǒng)邏輯，過去的經(jīng)驗(yàn)不再能適應(yīng)新的模式需求以上諸多挑戰(zhàn)的出現(xiàn)和加劇，表面上是供應(yīng)鏈管理模式不優(yōu)、效率不高、效果不理想，而其背后的本質(zhì)，則是復(fù)雜環(huán)境下供應(yīng)鏈決策難度的指數(shù)級(jí)升。供應(yīng)鏈中需求計(jì)劃、Th產(chǎn)計(jì)劃、庫(kù)存策略、調(diào)撥管理、倉(cāng)儲(chǔ)選址、運(yùn)輸配送等各個(gè)環(huán)節(jié)都需要科學(xué)的決策支撐，可以說，決策問題貫穿供應(yīng)鏈管理的整個(gè)鏈條，是供應(yīng)鏈管理的核心難點(diǎn)。當(dāng)今時(shí)代，業(yè)務(wù)場(chǎng)景日益復(fù)雜，供應(yīng)鏈決策既要考慮大量影響因素，也要權(quán)衡多項(xiàng)業(yè)務(wù)指標(biāo)，還要兼顧多個(gè)特定場(chǎng)景下的特定需求，是一個(gè)高難度、高復(fù)雜度的問題，對(duì)決策者的能力要求極高。傳統(tǒng)的

人工決策模式不僅消耗大量人力、時(shí)間、精力，而且高度依賴人工經(jīng)驗(yàn)，而受限于人腦對(duì)于海量數(shù)據(jù)信息的分析處理能力，人工決策的科學(xué)性、精度、精細(xì)度、效率、穩(wěn)定性都難以穩(wěn)定提升。隨著供應(yīng)鏈重要性的日益突出與所面臨挑戰(zhàn)的日益劇，傳統(tǒng)的供應(yīng)鏈決策模式已難以應(yīng)對(duì)日益復(fù)雜的供應(yīng)鏈管理需求，供應(yīng)鏈決策問題已成為制約供應(yīng)鏈健康、高效、可靠運(yùn)轉(zhuǎn)的關(guān)鍵瓶頸，進(jìn)而制約了企業(yè)各環(huán)節(jié)的有效運(yùn)行與業(yè)務(wù)的提升發(fā)展，如何決策成為供應(yīng)鏈管理的主要難點(diǎn)。第一章供應(yīng)鏈智能決策技術(shù)的發(fā)展背景供應(yīng)鏈管理正面臨諸多挑戰(zhàn)如何決策成為難點(diǎn) 061.2供應(yīng)鏈決策至關(guān)重要1.2多項(xiàng)決策類技術(shù)蓬勃發(fā)展新的挑戰(zhàn)要求供應(yīng)鏈做出新的應(yīng)對(duì)，供應(yīng)鏈管理的工具、方法、模式也需創(chuàng)新，以人工智能、物網(wǎng)、數(shù)字孿Th、知識(shí)圖譜等為代表的數(shù)字技術(shù)正在供應(yīng)鏈領(lǐng)域開展應(yīng)用，加速供應(yīng)鏈的數(shù)字化、智能化轉(zhuǎn)型。而其中最為重要的，則是打造數(shù)據(jù)驅(qū)動(dòng)的智能決策能力。如果將企業(yè)的供應(yīng)鏈比喻成人的身體，那么供應(yīng)鏈各個(gè)執(zhí)行環(huán)節(jié)就好比人的四肢，傳遞信息流的數(shù)據(jù)通路就好比人的神經(jīng)，而供應(yīng)鏈的決策就好比是人的大腦。愚鈍、遲緩的大腦不僅運(yùn)轉(zhuǎn)緩慢，而且極易做出錯(cuò)誤的決定，直接導(dǎo)致供應(yīng)鏈執(zhí)行環(huán)節(jié)“手忙腳亂”。而運(yùn)用先進(jìn)的決策技術(shù)，可以大幅提高供應(yīng)鏈“大腦”的運(yùn)轉(zhuǎn)效率與智慧程度，快速給出正確的決策指令，從而指揮手腳正確、協(xié)調(diào)的運(yùn)動(dòng)工作?？梢哉f，優(yōu)秀的供應(yīng)鏈決策能力是企業(yè)供應(yīng)鏈健康運(yùn)轉(zhuǎn)的必要前提，而供應(yīng)鏈決策技術(shù)的選擇運(yùn)用，則對(duì)于供應(yīng)鏈的健康管理至關(guān)重要。為了提高供應(yīng)鏈決策的水平與質(zhì)量，人們從統(tǒng)學(xué)、運(yùn)籌學(xué)、計(jì)算機(jī)科學(xué)等學(xué)科出發(fā)，對(duì)供應(yīng)鏈決策問題展開了大量研究，大量決策技術(shù)也在該領(lǐng)域展開了應(yīng)用實(shí)踐，其中代表性的典型技術(shù)包括：

數(shù)據(jù)挖掘與分析數(shù)據(jù)挖掘與分析指在多來源、多模態(tài)數(shù)據(jù)的整合治理基礎(chǔ)之上，運(yùn)用統(tǒng)計(jì)分析方法進(jìn)行數(shù)據(jù)分析，洞察數(shù)據(jù)內(nèi)的模式與規(guī)律，從而提取出有用的信息并總結(jié)形成結(jié)論。根據(jù)分析的程度與目標(biāo)不同，數(shù)據(jù)挖掘與分析可分為描述性分析、診斷性分析、預(yù)測(cè)性分析及規(guī)范性分析4類[]。描述性分析（DescriptiveAnalyics包括數(shù)據(jù)的頻數(shù)分析、集中趨勢(shì)分析、離散程度分析等內(nèi)容，旨在分析“發(fā)Th了什么”，可用于分析供應(yīng)鏈。c。預(yù)測(cè)性分析（PredictiveAnalytics）更進(jìn)一步，以歷史數(shù)據(jù)為基礎(chǔ)，計(jì)算未來事件發(fā)Th的概率，旨在回答“將要發(fā)Th什么”，是一種面向未來的數(shù)據(jù)分析技術(shù)，可用于預(yù)測(cè)商品未來的市場(chǎng)需求與銷售趨勢(shì)、預(yù)判預(yù)警供應(yīng)鏈的未來風(fēng)險(xiǎn)，是供應(yīng)鏈管理中廣泛運(yùn)用的重要技術(shù)。e行動(dòng)的效果與影響，提供行動(dòng)建議，從而回答“應(yīng)運(yùn)籌優(yōu)化作為一門現(xiàn)代科學(xué)，運(yùn)籌優(yōu)化被普遍認(rèn)為起源于第二次世界大戰(zhàn)的軍事任務(wù)之中。經(jīng)過數(shù)十年的展，運(yùn)籌優(yōu)化已經(jīng)發(fā)展成為一門研究如何運(yùn)用數(shù)學(xué)方法，研究各種系統(tǒng)的優(yōu)化途徑及方案，提出組織和管理資源的有效建議，從而發(fā)揮和提高系統(tǒng)的效能及效益，最終達(dá)到系統(tǒng)最優(yōu)目標(biāo)的科學(xué)[。運(yùn)籌優(yōu)化可以看作規(guī)范性分析的一類方法。運(yùn)籌優(yōu)化包含線性規(guī)劃、非線性規(guī)劃、隨機(jī)規(guī)劃、整數(shù)規(guī)劃、目標(biāo)規(guī)劃、動(dòng)態(tài)規(guī)劃等多個(gè)子方向與分支類型，擁有背包問題、旅行商問題、車輛路徑問題等諸多經(jīng)典問題，每個(gè)問題又有多種求解算法。但無論問題如何復(fù)雜，運(yùn)用怎樣的算法求解，運(yùn)籌優(yōu)化的核心本質(zhì)仍是兩點(diǎn)：1.如何將現(xiàn)實(shí)問題通過建模轉(zhuǎn)化成為可求解的數(shù)學(xué)問題；2.如何利用數(shù)學(xué)工具從所有可行解中尋找出最優(yōu)良的解。運(yùn)籌優(yōu)化

的典型算法包括啟發(fā)式算法、元啟的解。運(yùn)籌優(yōu)化的典型算法包括啟發(fā)式算法、元啟發(fā)式算法、內(nèi)在供應(yīng)鏈領(lǐng)域，運(yùn)籌優(yōu)化已在多個(gè)場(chǎng)景取得應(yīng)用，如在Th產(chǎn)制造環(huán)節(jié)，運(yùn)籌優(yōu)化可用于合理分配勞動(dòng)力、產(chǎn)線、物料，從而制定最優(yōu)的Th產(chǎn)計(jì)劃，提高產(chǎn)量；在物流配送環(huán)節(jié)，運(yùn)籌優(yōu)化可用于對(duì)運(yùn)輸車輛的合理調(diào)度與路徑規(guī)劃，節(jié)約運(yùn)輸時(shí)間，節(jié)省運(yùn)輸成本。運(yùn)籌優(yōu)化已成為供應(yīng)鏈領(lǐng)域制定決策的重要技術(shù)手段。以數(shù)據(jù)挖掘分析、運(yùn)籌優(yōu)化為代表的供應(yīng)鏈決策技術(shù)的出現(xiàn)與發(fā)展，一定程度上提高了供應(yīng)鏈的決策水平與效率，但隨著供應(yīng)鏈管理問題的復(fù)雜度不斷增加，以上技術(shù)也逐漸顯露出局限與不足，供應(yīng)鏈決策技術(shù)亟需進(jìn)一步的發(fā)展。第一章供應(yīng)鏈智能決策技術(shù)的發(fā)展背景供應(yīng)鏈決策至關(guān)重要多項(xiàng)決策類技術(shù)蓬勃發(fā)展 081.3智能決策是未來方向1.3機(jī)器學(xué)習(xí)推動(dòng)決策智能化以數(shù)據(jù)作為決策的出發(fā)點(diǎn)與依據(jù)。數(shù)據(jù)驅(qū)動(dòng)決策應(yīng)充分考慮廣泛的影響因素與復(fù)雜的約以數(shù)據(jù)作為決策的出發(fā)點(diǎn)與依據(jù)。數(shù)據(jù)驅(qū)動(dòng)決策應(yīng)充分考慮廣泛的影響因素與復(fù)雜的約條件，并能給出滿足條件下的最優(yōu)解，決策程科學(xué)，決策結(jié)果精準(zhǔn)。科學(xué)精準(zhǔn)全球知名研究機(jī)構(gòu)Gartner將決策智能（DecisionIntelligence）列為2022年重要戰(zhàn)略技術(shù)趨勢(shì)之一[4。Gartner預(yù)測(cè)，在未來兩年，三分之一的大企業(yè)機(jī)構(gòu)將使用決策智能實(shí)現(xiàn)結(jié)構(gòu)化決策，進(jìn)而提高競(jìng)爭(zhēng)優(yōu)勢(shì)。聯(lián)想認(rèn)為，相比傳統(tǒng)的供應(yīng)鏈決策方式，智能決策應(yīng)具備以下特征：

能夠在最短的時(shí)間完成決策，并能敏捷的應(yīng)能夠在最短的時(shí)間完成決策，并能敏捷的應(yīng)外部環(huán)境的變化，及時(shí)作出決策的調(diào)整?？焖倜艚菥邆渥晕业葸M(jìn)的能力，可以隨著訓(xùn)練與用，持續(xù)學(xué)習(xí)，不斷提升決策水平。自我演進(jìn)如果說決策問題是供應(yīng)鏈管理的核心難點(diǎn)，那么智能決策就是供應(yīng)鏈管理提質(zhì)增效的關(guān)鍵鑰匙，是供應(yīng)鏈數(shù)字化、智能化轉(zhuǎn)型的重要抓手。近年來，供應(yīng)鏈決策技術(shù)在發(fā)展的進(jìn)程中，正呈現(xiàn)技術(shù)之間融合應(yīng)用的發(fā)展趨勢(shì)，特別是機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘分析、機(jī)器學(xué)習(xí)與運(yùn)籌優(yōu)化技術(shù)的結(jié)合，是智能決策技術(shù)的代表，正成為供應(yīng)鏈決策技術(shù)智能化發(fā)展的重要方向。機(jī)器學(xué)習(xí)是一種研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身性能的方法，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、算法復(fù)雜度理論等多門學(xué)科。機(jī)器學(xué)習(xí)通過對(duì)歷史數(shù)據(jù)的識(shí)別與處理，發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式，并通過持續(xù)的訓(xùn)練，不斷自我迭代進(jìn)化，優(yōu)化模型，提高學(xué)習(xí)和決策水平，是人工智能領(lǐng)域中最具智能特征，最前沿的研究領(lǐng)域之一，是人工智能的重點(diǎn)與熱點(diǎn)技術(shù)。經(jīng)過數(shù)十年的發(fā)展，機(jī)器學(xué)習(xí)已演化出多種學(xué)習(xí)方式與經(jīng)典算法。根據(jù)學(xué)習(xí)方式的不同，機(jī)器學(xué)習(xí)可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。各類學(xué)習(xí)方式下有又大量的算法，如決策樹、隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯算法、回歸算法等等。近年來，隨著大數(shù)據(jù)時(shí)代下海量數(shù)據(jù)的更加豐富以及計(jì)算能力的更加強(qiáng)大，機(jī)器學(xué)習(xí)技術(shù)在實(shí)踐中應(yīng)用的條件也更加成熟，各類理論和方法已被廣泛應(yīng)用于解決工程應(yīng)用和科學(xué)領(lǐng)域的復(fù)雜問題。機(jī)器學(xué)習(xí)在供應(yīng)鏈管理中的需求測(cè)、庫(kù)存管理、供應(yīng)商管理、商品定價(jià)等諸多場(chǎng)景

中都可以發(fā)揮巨大的應(yīng)用價(jià)值，幫助供應(yīng)鏈管理提高效率、降低成本。機(jī)器學(xué)習(xí)的各類算法模型，非常擅于在大量、高維的數(shù)據(jù)集當(dāng)中學(xué)習(xí)并發(fā)現(xiàn)隱藏的模式與規(guī)律，非常適用于在多項(xiàng)影響因素、多項(xiàng)約束條件下的數(shù)據(jù)分析與優(yōu)化求解，即便在缺乏專家先驗(yàn)知識(shí)的情。機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘分析、運(yùn)籌優(yōu)化技術(shù)相結(jié)合，使得機(jī)器的計(jì)算能力與學(xué)習(xí)演進(jìn)能力和各類分析優(yōu)化算法共同作用，可以持續(xù)、大幅提高決策效率與水平，非常適合解決復(fù)雜商業(yè)環(huán)境下供應(yīng)鏈的決策難題，充分實(shí)現(xiàn)“數(shù)據(jù)驅(qū)動(dòng)、科學(xué)精準(zhǔn)、快速效、自我演進(jìn)”，推動(dòng)供應(yīng)鏈管理實(shí)現(xiàn)“智能策”，從而有機(jī)會(huì)全面顛覆供應(yīng)鏈決策的工作流程與模式，構(gòu)建健壯智慧的供應(yīng)鏈“大腦”。機(jī)器學(xué)習(xí)的工作原理圖第一章供應(yīng)鏈智能決策技術(shù)的發(fā)展背景智能決策是未來方向機(jī)器學(xué)習(xí)推動(dòng)決策智能化 10第二章聯(lián)想供應(yīng)鏈智能決策關(guān)鍵技術(shù)

機(jī)器學(xué)習(xí)圖神經(jīng)網(wǎng)絡(luò)基于圖注意力網(wǎng)絡(luò)機(jī)制（GAT）的復(fù)雜圖結(jié)構(gòu)表示學(xué)習(xí)圖（Graph）是一種常見的關(guān)系型數(shù)據(jù)結(jié)構(gòu)，也是一種典型的非歐幾里得空間下的數(shù)據(jù)表征方式。圖網(wǎng)絡(luò)利用神經(jīng)網(wǎng)絡(luò)在圖上進(jìn)行信息的傳播（propagaton），利用圖結(jié)構(gòu)中不同節(jié)點(diǎn)之間的相互作用與相關(guān)性，實(shí)現(xiàn)對(duì)節(jié)點(diǎn)、邊乃至整個(gè)圖結(jié)構(gòu)的表示。Velickovic等人于2018年提出了圖注意力網(wǎng)絡(luò)（GAT[5，采用注意力機(jī)制，為不同節(jié)點(diǎn)分配不同權(quán)重，訓(xùn)練時(shí)依賴于成對(duì)的相鄰節(jié)點(diǎn)，而不依賴具體的圖結(jié)構(gòu)，具有更強(qiáng)的適應(yīng)性與可擴(kuò)展性。聯(lián)想基于圖注意力網(wǎng)絡(luò)提出了RelationalGAT）技術(shù)方案，設(shè)計(jì)出一套復(fù)雜圖結(jié)構(gòu)下的信息表示與傳遞方式。具體如下：基于R-GAT的復(fù)雜圖結(jié)構(gòu)表示圖如上圖所示，R-GAT方案中，節(jié)點(diǎn)、邊的表示通多層R-AT進(jìn)行圖上傳播：其中，vi為節(jié)點(diǎn)i的嵌入表示，eij為連接節(jié)點(diǎn)i,j的的嵌入表示。l代表GAT的層序號(hào)，Re表示邊的屬

性集合，r代表某種特定的邊屬性，Nr(i)代表節(jié)點(diǎn)由r屬性邊連接的鄰居節(jié)點(diǎn)集合，αij代表邊ij的注意力分?jǐn)?shù)，σ代表激活函數(shù)。Θr,Θd,Θs代表三組獨(dú)立可學(xué)習(xí)的權(quán)重矩陣，分別用于r屬性的鄰居節(jié)點(diǎn)，邊上的匯節(jié)點(diǎn)（destination）及邊上的源節(jié)點(diǎn)R-GAT能夠支持動(dòng)態(tài)大小的圖結(jié)構(gòu)，表示不同屬的邊以及不同屬性的節(jié)點(diǎn)，同時(shí)對(duì)節(jié)點(diǎn)間連接的方向性予以了考慮，適用于更加復(fù)雜的實(shí)際問題?；趫D神經(jīng)網(wǎng)絡(luò)的多層級(jí)供需匹配優(yōu)化聯(lián)想將R-GAT技術(shù)方案應(yīng)用于供應(yīng)鏈供需匹配問的實(shí)踐中。以離散制造過程中的供需匹配為例，工廠在制造成品時(shí)，需要按照物料清單（BillfMaea,BOM）撿取相應(yīng)的物料組合。而BOM中的物料替代關(guān)系會(huì)使產(chǎn)品同時(shí)存在多種可能的組裝方式。選擇不同的組裝方式會(huì)導(dǎo)致物料的消耗（種類與數(shù)量）存在差異，因此在物料供應(yīng)數(shù)量有限的情況下，需要優(yōu)選組裝方式，可以更充分地利用物料庫(kù)存，優(yōu)化總體產(chǎn)量，提升訂單交期達(dá)成率。該問題實(shí)質(zhì)上是一個(gè)NP-難（NP-hard）的組合優(yōu)化問題，在實(shí)際的Th產(chǎn)制造場(chǎng)景中，由于需求訂單的實(shí)時(shí)更新，以及物料供應(yīng)的頻繁波動(dòng)，需要在盡可能短的時(shí)間內(nèi)完成實(shí)際問題的求解。聯(lián)想利用圖神經(jīng)網(wǎng)絡(luò)近似求解NP-難的優(yōu)化問題，將供需匹配問題近似分解為排序-選擇問題，能夠顯式地考慮匹配優(yōu)先級(jí)；通過預(yù)測(cè)邊的連接概率來輔助選擇，同時(shí)預(yù)測(cè)模塊中加入圖全局上下文（context）信息，增強(qiáng)預(yù)測(cè)能力，利用圖深度學(xué)習(xí)技術(shù)挖掘高價(jià)值選擇方案，具有較強(qiáng)的可拓展性，適用于多層級(jí)、多類型復(fù)雜圖結(jié)構(gòu)。其功能模塊結(jié)構(gòu)如圖。1數(shù)據(jù)處理模型2圖結(jié)構(gòu)Th成模塊3 信息傳遞模塊4圖結(jié)構(gòu)剪枝模塊5 關(guān)鍵信息輸出模塊NodeFeatureM1A1 A2 A3BOMeOMBOMgroup特征傳…… 遞剪枝AB CD E…… AB CD FTopKAsseblyPathBOM結(jié)構(gòu)中的信息提取與物料組合優(yōu)化圖數(shù)據(jù)預(yù)處理模塊接收BOM結(jié)構(gòu)數(shù)據(jù)以及與數(shù)據(jù)預(yù)處理模塊接收BOM結(jié)構(gòu)數(shù)據(jù)以及與點(diǎn)（物料）相關(guān)的特征屬性作為輸入，基于優(yōu)化目標(biāo)為每個(gè)節(jié)點(diǎn)構(gòu)造特征組；圖結(jié)構(gòu)Th成模塊則將完整的OM信息構(gòu)造為復(fù)雜的OM圖結(jié)構(gòu)，不僅可以提升處理效率還可以保留不同節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系與邏輯屬性，支持后續(xù)的信息傳遞；信息傳遞模塊利用每個(gè)節(jié)點(diǎn)的特征屬性信息，并結(jié)合層級(jí)之間的組成與邏輯關(guān)系，將點(diǎn)的特征屬性進(jìn)行自下而上的傳遞與更新，現(xiàn)了對(duì)復(fù)雜圖結(jié)構(gòu)的建模；圖結(jié)構(gòu)剪枝模塊則是在更新后的節(jié)點(diǎn)特征屬性上，結(jié)合每個(gè)特征的權(quán)重參數(shù)，為每個(gè)節(jié)點(diǎn)進(jìn)行關(guān)鍵程度的評(píng)分，并基于分值對(duì)不同替代節(jié)點(diǎn)進(jìn)行剪枝，實(shí)現(xiàn)對(duì)復(fù)雜BOM結(jié)構(gòu)的簡(jiǎn)化關(guān)鍵信息的提??；關(guān)鍵信息輸出模塊則是將剪枝后的OM結(jié)進(jìn)行展開，輸出滿足當(dāng)前Th產(chǎn)環(huán)境與優(yōu)化目標(biāo)的關(guān)鍵組裝方式集合。強(qiáng)化學(xué)習(xí)多目標(biāo)強(qiáng)化學(xué)習(xí)框架動(dòng)作狀態(tài)聯(lián)想在深刻認(rèn)識(shí)和掌握機(jī)器學(xué)習(xí)和強(qiáng)化學(xué)習(xí)技術(shù)的條件下，尋找各種內(nèi)部和外部的工業(yè)多目標(biāo)優(yōu)化場(chǎng)景的一般性規(guī)律，創(chuàng)造性的提出了一種基于強(qiáng)化學(xué)習(xí)方法的一般化多目標(biāo)優(yōu)化方法框架。動(dòng)作狀態(tài)本技術(shù)方案綜合考慮了與BOM中節(jié)點(diǎn)相關(guān)的特征屬

多目標(biāo)強(qiáng)化學(xué)習(xí)AC結(jié)構(gòu)算法結(jié)構(gòu)圖上圖是聯(lián)想提出的基于執(zhí)行-評(píng)價(jià)（Actor-Critic）結(jié)構(gòu)的多目標(biāo)強(qiáng)化學(xué)習(xí)框架圖。與常規(guī)框架不同，該方法在交互時(shí)，將虛擬樣本與多目標(biāo)權(quán)重向量進(jìn)行獨(dú)立分布的雙采樣，在獲得基于獎(jiǎng)賞向量的多目標(biāo)獎(jiǎng)賞向量后，首先用獨(dú)立采樣Th成的權(quán)重值向量將其進(jìn)行組合（任意線性或非線性組合），在將權(quán)重作為狀態(tài)向量的增廣部分，一起反饋給評(píng)價(jià)網(wǎng)絡(luò)和策略網(wǎng)絡(luò)。在合理的樣本與權(quán)重Th成分布的設(shè)計(jì)下，兩個(gè)網(wǎng)絡(luò)就可以高效率、并行化的嵌套迭代出任意目標(biāo)權(quán)重下的最優(yōu)策略，并在策略空間逐漸逼近多目標(biāo)問題真實(shí)Pareto前沿的包絡(luò)線。當(dāng)訓(xùn)練過程結(jié)束后，提取出策略網(wǎng)絡(luò)進(jìn)行前向計(jì)算推理用。與其它網(wǎng)絡(luò)學(xué)習(xí)后需要微調(diào)的方法不同，將一個(gè)樣本數(shù)據(jù)復(fù)制若干份，每一份都與不同的線性權(quán)重向量相結(jié)合。隨后與訓(xùn)練一樣，按照mini-batch的方式輸入策略網(wǎng)絡(luò)，從而直接得到不同線性權(quán)重下的近似最優(yōu)解，僅一次前向計(jì)算就產(chǎn)Th一個(gè)非支配解集。如果通過GPU計(jì)算則可進(jìn)一步加快計(jì)算速度，幾乎做到實(shí)時(shí)響應(yīng)。聯(lián)想提出的多目標(biāo)強(qiáng)化學(xué)習(xí)不僅可以適用于高度、時(shí)序性、連續(xù)或離散決策變量等各種優(yōu)化務(wù)，而且還可以在結(jié)構(gòu)中加入強(qiáng)化學(xué)習(xí)中策略梯度、策略評(píng)價(jià)、深度計(jì)算等最前沿的先進(jìn)方法，不斷提升以泛化性、正則性和魯棒性為代表的高階算法性能?；趶?qiáng)化學(xué)習(xí)的混合整數(shù)規(guī)劃問題求解聯(lián)想在自身的大規(guī)模離散組裝Th產(chǎn)場(chǎng)景上，嘗試了這套技術(shù)方法的落地實(shí)施。Th產(chǎn)環(huán)節(jié)是智能制造當(dāng)中關(guān)鍵的一環(huán)，在高度自動(dòng)化和流程化的廠區(qū)中，排產(chǎn)計(jì)劃的決策水平直接關(guān)聯(lián)整個(gè)Th產(chǎn)水平。排產(chǎn)計(jì)劃決策在最優(yōu)化理論中可建模為大規(guī)?；旌险麛?shù)規(guī)劃問題。研究證明，混合整數(shù)規(guī)劃問題天然成為一個(gè)序列強(qiáng)化學(xué)習(xí)問題，其狀態(tài)表達(dá)和狀態(tài)轉(zhuǎn)移具有完備的Markov性。聯(lián)想的研究團(tuán)隊(duì)將該問題建模為序列到的序列的Markov決策過程：構(gòu)造一個(gè)序列到序列（Seq2Seq）的編碼-解碼深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型，以無序的訂單信息和Th產(chǎn)信息作為輸入，將有

序的訂單輸出解碼為排產(chǎn)結(jié)果，通過深度強(qiáng)化學(xué)習(xí)完成排產(chǎn)優(yōu)化過程。對(duì)于瑣碎的Th產(chǎn)邏輯約束，通過將所有約束條件張量化的運(yùn)算，Th成在解碼器的輸出段的行為掩膜矩陣，控制Th成的排產(chǎn)計(jì)劃中工單的排布，使其不違反任何約束條件，不僅運(yùn)行效率更高，而且降低了策略空間范圍，提高了樣本利用率。在網(wǎng)絡(luò)訓(xùn)練時(shí)，通過Th產(chǎn)規(guī)則仿真環(huán)境自主Th成訓(xùn)練數(shù)據(jù)，經(jīng)過一段時(shí)間的離線訓(xùn)練后，前向計(jì)算優(yōu)化模型可以在數(shù)秒鐘內(nèi)得到一個(gè)大型Th產(chǎn)廠區(qū)一個(gè)班次的完整排產(chǎn)計(jì)劃。與一般優(yōu)化求解方法不同，該方法求解時(shí)間與問題規(guī)模呈線性關(guān)系，對(duì)大規(guī)模離散制造排產(chǎn)任務(wù)的運(yùn)行時(shí)間可控制在分鐘級(jí)，且最優(yōu)性遠(yuǎn)高于各種業(yè)界常用的啟發(fā)式和搜索算法。在指標(biāo)得到提升，充分解放人力成本的前提下，大幅降低計(jì)劃到制造的反應(yīng)時(shí)間，確保敏捷響應(yīng)和順利投產(chǎn)。在基于強(qiáng)化學(xué)習(xí)的多目標(biāo)優(yōu)化和排產(chǎn)模型的加下，聯(lián)想的工廠不僅擁有了相比人工排程效率高，指標(biāo)更好的排產(chǎn)執(zhí)行方案外，在近年來不斷變化的Th產(chǎn)供需條件下，通過靈活配置多目標(biāo)權(quán)重，使得Th產(chǎn)可以更加靈活的滿足當(dāng)前需要，獲得了更加敏捷和柔性的Th產(chǎn)決策能力。多智能體學(xué)習(xí)獨(dú)特的離策略多智能體學(xué)習(xí)方法智能體（agent）是人工智能領(lǐng)域的一個(gè)重要概念，通常定義是指能夠與環(huán)境交互并自主的發(fā)揮作用，具有駐留性、反應(yīng)性、社會(huì)性、主動(dòng)性等特征的計(jì)算實(shí)體。多個(gè)智能體按照彼此交互通信、協(xié)調(diào)作、沖突消解等方式集合在一起，稱為多智能體系統(tǒng)。聯(lián)想憑借自身在機(jī)器學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的技術(shù)積累，以及對(duì)大型先進(jìn)智能制造行業(yè)的深度理解，提出了一種實(shí)現(xiàn)離策略多智能體學(xué)習(xí)的新方法。離策略學(xué)習(xí)（off-policyleanng）是強(qiáng)化學(xué)習(xí)中策略學(xué)習(xí)任聯(lián)想多智能體離策略強(qiáng)化學(xué)習(xí)示意圖（以排產(chǎn)場(chǎng)景為例）務(wù)提高樣本利用率的一項(xiàng)關(guān)鍵技術(shù)，其含義是利用行為策略A產(chǎn)Th的樣本，估計(jì)或改進(jìn)Th成與之不同的目標(biāo)策略B，從而在策略迭代過程中無需再次Th成大量的在策略（on-policy）樣本。聯(lián)想離策略多智能體學(xué)習(xí)方法的核心思想是通過將覆蓋不同樣本空間的局部策略聚合成求解完成決策問題的整體策略。首先，因此新方法首先在兩個(gè)維度上將問題拆解：一是將每個(gè)決策單元視為一個(gè)agent，二是將每個(gè)agent的決策單元的任務(wù)拆解成僅包含少量決策對(duì)象的若干獨(dú)立同分布子任務(wù)。這些子任務(wù)的樣本空間覆蓋完整任務(wù)的樣本空間。其次，配合每個(gè)agent的決策需求，將全局獎(jiǎng)賞目標(biāo)函數(shù)修改為適合子任務(wù)的代理獎(jiǎng)賞（surrogatereward）函數(shù)，使得局部指標(biāo)具有引導(dǎo)子任務(wù)完成整體指標(biāo)的能力。第三，在決策模型上設(shè)計(jì)了一種具有規(guī)模泛化能力的循環(huán)神經(jīng)網(wǎng)絡(luò)，可以在時(shí)間維度將同一agent下的各個(gè)子任務(wù)策略進(jìn)行聚合。在如上的創(chuàng)新方式下，結(jié)合應(yīng)用場(chǎng)景，該方法實(shí)現(xiàn)了不依賴重要性采樣的離策略學(xué)習(xí)，在提高了樣本利用率的情況下，有效的降低了多智能體學(xué)習(xí)的維度負(fù)擔(dān)，提高了學(xué)習(xí)穩(wěn)定性和收斂速度，而且所需要的算力大幅降低。基于多智能體學(xué)習(xí)的多階段排產(chǎn)算法在智能制造和供應(yīng)鏈領(lǐng)域中，很多決策問題都是多階段的復(fù)雜大規(guī)模問題。在業(yè)界，通常此類問題在求解時(shí)需要進(jìn)行簡(jiǎn)化或解耦，損失了很大程度的決策最優(yōu)性，甚至對(duì)于多平衡及強(qiáng)藕合類優(yōu)化問題求

解不會(huì)帶來本質(zhì)上的改善。如果能夠?qū)⒏鱾€(gè)決策單階段的復(fù)雜大規(guī)模問題。在業(yè)界，通常此類問題在求解時(shí)需要進(jìn)行簡(jiǎn)化或解耦，損失了很大程度的決階段的復(fù)雜大規(guī)模問題。在業(yè)界，通常此類問題在求解時(shí)需要進(jìn)行簡(jiǎn)化或解耦，損失了很大程度的決策最優(yōu)性，甚至對(duì)于多平衡及強(qiáng)藕合類優(yōu)化問題求解不會(huì)帶來本質(zhì)上的改善。如果能夠?qū)⒏鱾€(gè)決策單元分別建立成不同的智能體，再利用多智能體學(xué)習(xí)進(jìn)行求解，就可以擺脫解耦帶來的最優(yōu)性損失，實(shí)。聯(lián)想基于多智能體學(xué)習(xí)技術(shù)，在由多個(gè)流水線組成的多階段Th產(chǎn)排程場(chǎng)景下實(shí)現(xiàn)了全局優(yōu)化。該場(chǎng)景下，各個(gè)工段之間的半成品之間存在工序順序的強(qiáng)耦合關(guān)系，每個(gè)多工序Th產(chǎn)工段的策略空間也不同，但整體指標(biāo)存在一致性，即使制成品的Th產(chǎn)效率、交付達(dá)成率最大化，同時(shí)最小化全流程的Th產(chǎn)成本。聯(lián)想將每個(gè)工段的多工序Th產(chǎn)過程拆分2-3個(gè)agent，每個(gè)agent分別負(fù)責(zé)所在工段的設(shè)備選擇、Th產(chǎn)順序決策或Th產(chǎn)時(shí)間決策。所有的agent在串級(jí)聯(lián)合動(dòng)作空間上，在末端整體獎(jiǎng)賞函數(shù)的作用下，按直接協(xié)作方式學(xué)習(xí)聯(lián)結(jié)策略。聯(lián)想的多智能體學(xué)習(xí)技術(shù)目前適合于大規(guī)模復(fù)雜Th產(chǎn)工藝路線的智能排產(chǎn)決策問題，物料-產(chǎn)能雙平衡的主計(jì)劃決策問題等。同時(shí)，借助其獨(dú)特的離策略學(xué)習(xí)模式，在其它大型多階段序列決策問題上都具有相應(yīng)的研究?jī)r(jià)值。機(jī)器學(xué)習(xí)驅(qū)動(dòng)運(yùn)籌優(yōu)化在線優(yōu)化在線組合優(yōu)化求解生產(chǎn)物料分配問題在許多實(shí)際的商業(yè)決策場(chǎng)景中，環(huán)境條件（如供需情況、價(jià)格走勢(shì)等）瞬息萬變，典型的場(chǎng)景包括：網(wǎng)頁(yè)廣告位分配、Th產(chǎn)調(diào)度、供應(yīng)鏈優(yōu)化、投資組合優(yōu)化等，通常需要在不知道未來信息的情況下逐步做出決策，該類問題可以歸結(jié)為在線組合優(yōu)化問題（onlinecombinatorialoptimization）。目前，在線優(yōu)化的主流業(yè)務(wù)場(chǎng)景是用于求解未來信息未知，信息逐步到達(dá)的優(yōu)化問題。由于在線優(yōu)化算法在計(jì)算速度上存在優(yōu)勢(shì)，聯(lián)想創(chuàng)新性地將在線優(yōu)化用于加速求解大規(guī)?；旌险麛?shù)規(guī)劃問題。在實(shí)際應(yīng)用中有限的計(jì)算資源與嚴(yán)格的時(shí)間限制下，傳統(tǒng)方案求解這類大規(guī)模、NP-難問題時(shí)，通常需要較長(zhǎng)的求解時(shí)間；對(duì)于問題規(guī)模過大、或約束條件復(fù)雜的問題甚至難以獲得可行解。設(shè)計(jì)良好的在線優(yōu)化算法，可以快速獲得高質(zhì)量、有競(jìng)爭(zhēng)比保證的近似解。

以聯(lián)想Th產(chǎn)制造場(chǎng)景為例，在進(jìn)入Th產(chǎn)環(huán)節(jié)之前，需要對(duì)數(shù)以萬計(jì)的訂單進(jìn)行物料匹配。各個(gè)訂單的訂購(gòu)價(jià)格也存在差別，涉及到的產(chǎn)品類型龐雜、物料種類極為復(fù)雜、物料庫(kù)存數(shù)量存在較大差異；某種物料的庫(kù)存如被分配完畢，其他需要使用到該種物料的訂單將無法被滿足。因而，需要將物料優(yōu)先分配給部分訂單，使得在物料庫(kù)存有限的情況下，總體利潤(rùn)最大化。該問題規(guī)模龐大，約束嚴(yán)格，傳統(tǒng)方法求解存在諸多挑戰(zhàn)。為了快速求解這一復(fù)雜的混合整數(shù)規(guī)劃問題，我們將問題轉(zhuǎn)化為在線組合優(yōu)化問題，使用多臂老虎機(jī)-多背包模型（Multi-armBanditwithKnapsacks）對(duì)問題進(jìn)行建模：老虎機(jī)的每個(gè)臂代表一款產(chǎn)品，背包對(duì)應(yīng)物料庫(kù)存；Th產(chǎn)某個(gè)產(chǎn)品對(duì)應(yīng)拉動(dòng)老虎機(jī)的某一個(gè)臂，獲得相應(yīng)的利潤(rùn)，同時(shí)扣減相應(yīng)的原材料物料庫(kù)存。整體優(yōu)化目標(biāo)為減少拉動(dòng)非最優(yōu)臂的概率，同時(shí)盡量降低結(jié)束時(shí)的剩余物料庫(kù)存。通過上述方式，我們定義了Bandit問的遺憾度（Regret），使用UCB（置信度上界）方法，來在線優(yōu)化匹配方案。通過這種方式，可以在保證理論競(jìng)爭(zhēng)比的情況下，應(yīng)對(duì)復(fù)雜的實(shí)際業(yè)務(wù)問題，快速求解近似分配方案。未來，本方案更有望推廣到實(shí)時(shí)物料匹配方案，可助力于更加柔性的制造供應(yīng)鏈優(yōu)化。第二章聯(lián)想供應(yīng)鏈智能決策的關(guān)鍵技術(shù)機(jī)器學(xué)習(xí)驅(qū)動(dòng)的運(yùn)籌優(yōu)化 16求解器自適應(yīng)的神經(jīng)網(wǎng)絡(luò)求解器求解器是決策優(yōu)化的“芯片”和“根技術(shù)“。小到快遞員路線選擇、商鋪選址，大到工廠排程、物流路徑規(guī)劃和金融風(fēng)控等問題，都可以建成數(shù)學(xué)規(guī)劃模型，用求解器進(jìn)行求解。聯(lián)想神經(jīng)網(wǎng)絡(luò)求解器提供自適應(yīng)學(xué)習(xí)優(yōu)化的人工智能算法，融合前沿AI能力，可根據(jù)問題特征自適應(yīng)進(jìn)行參數(shù)優(yōu)化和求解策略選取，實(shí)現(xiàn)求解效率升。聯(lián)想神經(jīng)網(wǎng)絡(luò)求解器包含線性規(guī)劃求解器和混合整數(shù)線性規(guī)劃求解器兩部分。線性規(guī)劃求解器采用先進(jìn)的人工智能技術(shù)的pivotrule取代了傳統(tǒng)的啟發(fā)式規(guī)則，針對(duì)具體問題和場(chǎng)景可以自優(yōu)化學(xué)習(xí)調(diào)整pivotrule，從而提升對(duì)這類問題的求解效率?；旌险麛?shù)線性規(guī)劃求解器采用先進(jìn)的人工智能技術(shù)訓(xùn)練最優(yōu)的求解策略，如分支策略、節(jié)點(diǎn)選擇策略等，相比傳統(tǒng)的基于專家知識(shí)的啟發(fā)式策略，可以在具體問題和場(chǎng)景上自動(dòng)學(xué)習(xí)自動(dòng)調(diào)整，從而達(dá)到最佳的求解效率。聯(lián)想神經(jīng)網(wǎng)絡(luò)求解器除了算法先進(jìn)外，也提供高效建模工具，基于高效輸入編碼算法，充分利用GPU并行計(jì)算能力，并提供python，

c/c++接口。聯(lián)想神經(jīng)網(wǎng)絡(luò)求解器經(jīng)過廣泛驗(yàn)證，求解速度塊、質(zhì)量高、性能穩(wěn)定，在聯(lián)想內(nèi)部供應(yīng)鏈分貨、排產(chǎn)等問題上經(jīng)過廣泛使用。以聯(lián)想全球供應(yīng)鏈?zhǔn)褂们闆r為例，由于涉及的產(chǎn)品種類繁雜，每種產(chǎn)品需要的物料數(shù)量繁多，從而造成涉及到的采購(gòu)，物流，制造，倉(cāng)儲(chǔ)，分配等供應(yīng)鏈決策困難。由于這類決策牽扯的流程多，流程之間互有關(guān)聯(lián)。并且每個(gè)流程決策變量類多量大，現(xiàn)實(shí)的考量和制約對(duì)決策變量施加各種約束，從而對(duì)問題的求解造成巨大的挑戰(zhàn)。以物料分配這個(gè)問題為例，Th產(chǎn)基地和廠房遍布全球，所需物料數(shù)量大、種類多，因此，當(dāng)核心物料的供應(yīng)無法滿足各個(gè)工廠各類產(chǎn)品的需求時(shí)，需要更加公平、高效的完成物料分配。以往的人工分配模式基于規(guī)則與經(jīng)驗(yàn)難以兼顧物料分配的公平性與高效性，決策難度極大且分配效果不佳。為了改善物料分配的效果，聯(lián)想通過使用人工智能求解建模，打造了智能物料分配方案。該方案相比使用傳統(tǒng)運(yùn)籌優(yōu)化求解器效率提升30%，可以再更短時(shí)間Th成最優(yōu)解。使用多目標(biāo)優(yōu)先級(jí)順序優(yōu)化算法結(jié)合人工智能求解器，依次使用人工智能求解器在不降低前序目標(biāo)的情況下進(jìn)行優(yōu)化，提升整體表現(xiàn)10。17 第二章聯(lián)想供應(yīng)鏈智能決策的關(guān)鍵技術(shù)機(jī)器學(xué)習(xí)驅(qū)動(dòng)的運(yùn)籌優(yōu)化機(jī)器學(xué)習(xí)驅(qū)動(dòng)預(yù)測(cè)性分析因果推斷面向定價(jià)決策的因果推斷建模聯(lián)想對(duì)因果推斷技術(shù)進(jìn)行了深入研究，并將該技術(shù)應(yīng)用于零售行業(yè)的定價(jià)決策場(chǎng)景之中。在定價(jià)過程中，我們想要研究?jī)r(jià)格（P）的下降，是否能夠以及在多大程度能引起銷量（Q）的增加。由經(jīng)濟(jì)學(xué)家AlfredMarshall提出的價(jià)格彈性（Elasticity）理論，在一定程度上回答了該問題。價(jià)格彈性，主要衡量了價(jià)格變化的百分比會(huì)引起銷售量變化的百分比，記為：ε-(?Q(P)/(P))/(?P/)其中，銷量Q是關(guān)于P的函數(shù)。如果已知該商品的綜合銷售成本，記為C，那么，銷售該商品的綜合利潤(rùn)GP=Q(P)*(P-C)。在利潤(rùn)最大化目標(biāo)下，我們可以進(jìn)一步推出最優(yōu)價(jià)格應(yīng)滿足：P=C(1+1/(ε-1))因此，最優(yōu)的定價(jià)策略可概括為：以商品成本為基準(zhǔn)，通過增加一個(gè)溢價(jià)因子f(ε)=1/(ε-1)，來實(shí)現(xiàn)利潤(rùn)的最大化。在經(jīng)濟(jì)學(xué)中，我們將ε>1的產(chǎn)品稱為富有價(jià)格彈性的商品。由于溢價(jià)因子是關(guān)于價(jià)格彈性的單調(diào)遞減函數(shù)，因此，越是富有彈性的商品，通過促銷降價(jià)對(duì)消費(fèi)者進(jìn)行讓利，更有利于提為了研究銷量和價(jià)格之間的關(guān)系，我們基于數(shù)據(jù)分析建立因果模型，見右圖。該圖為有向無環(huán)圖，其中每一個(gè)節(jié)點(diǎn)代表一個(gè)相關(guān)變量，每條邊代表了兩變量之間的因果關(guān)系指向。其中，X1為混淆變量（Confounders），是銷量與價(jià)格的共同原因變

量，因此使得兩者之間存在一條后向通路，需要將其加入模型以消除其干擾。X2為銷量的原因變量加入該變量能夠有效降低銷量的預(yù)測(cè)方差。除此之外，其他控制變量，例如銷量與價(jià)格的共同結(jié)果變量與中間變量、僅為價(jià)格的原因變量等，都不可加入模型中，否則會(huì)引入額外的干擾。因此，完備因果圖的構(gòu)建，是因果效應(yīng)估計(jì)的關(guān)鍵核心問題。在當(dāng)前的解決方案中，我們從產(chǎn)品維度和場(chǎng)景維度兩方面入手，將產(chǎn)品相關(guān)屬性、門店屬性以及促銷、法定節(jié)假日等相關(guān)變量加入模型中。該因果模型中的干預(yù)（Treatment），即價(jià)格，為連續(xù)型變量；因此，我們基于R-Learner算法對(duì)CATE進(jìn)行估計(jì)，從而實(shí)現(xiàn)對(duì)銷量-價(jià)格曲線的直線近似估計(jì)。首先構(gòu)造兩個(gè)機(jī)器學(xué)習(xí)模型，將響應(yīng)變量和干預(yù)變量分別對(duì)混淆因子進(jìn)行建模，由此去掉混淆因子的影響；然后，基于響應(yīng)變量和干預(yù)變量的殘差構(gòu)建新的目標(biāo)變量，并增加混淆因子作為輸入再次建模，通過最小化加權(quán)損失函數(shù)，得到CATE的估計(jì)值。由于零售場(chǎng)景中存在大量的離散型混淆變量與控制變量，因此我們優(yōu)先采用樹模型算法，如LightBM、XBost等。價(jià)格-銷量因果模型通過引入因果建模，聯(lián)想不僅可對(duì)產(chǎn)品的營(yíng)銷策略進(jìn)行優(yōu)化，未來還將整合供應(yīng)鏈的各個(gè)環(huán)節(jié)，如商品的采購(gòu)、運(yùn)輸、存儲(chǔ)等，構(gòu)建一整套由數(shù)據(jù)動(dòng)，由因果建模和預(yù)測(cè)性分析支持決策，且動(dòng)態(tài)迭代的一整套智慧解決方案。概率性預(yù)測(cè)多特征下基于時(shí)間序列的概率預(yù)測(cè)在機(jī)器學(xué)習(xí)領(lǐng)域，大量問題的本質(zhì)都可以看作是對(duì)未來進(jìn)行預(yù)測(cè)，也就是將一個(gè)確定的輸入映射成一個(gè)未知，但存在明確規(guī)則、可觀測(cè)的輸出量。本章中，我們主要針對(duì)回歸預(yù)測(cè)問題，即屬于有監(jiān)督學(xué)習(xí)且輸出量為連續(xù)實(shí)數(shù)。通過使大部分的數(shù)據(jù)符合預(yù)先建立的模型，最小化擬合誤差，就可以實(shí)現(xiàn)對(duì)數(shù)據(jù)規(guī)律的建模。聯(lián)想基于豐富的業(yè)務(wù)數(shù)據(jù)源，運(yùn)用特征工程技術(shù)，構(gòu)建了大量有效的特征數(shù)據(jù)。例如，產(chǎn)品屬性、門店屬性、門店定位等靜態(tài)特征，以及基于自然時(shí)間戳、法定節(jié)假日、促銷日信息、歷史周期內(nèi)預(yù)測(cè)變量取值的動(dòng)態(tài)時(shí)間特征。聯(lián)想充分考慮時(shí)間序列的周期性特點(diǎn)以及不同序列之間的相關(guān)性與差異性，極大地豐富了原始時(shí)間序列數(shù)據(jù)，加速了后續(xù)的學(xué)習(xí)過程。在此基礎(chǔ)上，聯(lián)想基于DeepAR的模型，通過合理假設(shè)概率分布形式，直接對(duì)分布參數(shù)進(jìn)行擬合，提供時(shí)間序列的概率預(yù)測(cè)結(jié)果。在zero-inflatedNegativeBinomial的分布假設(shè)下，輸出每個(gè)可能結(jié)

用方式，例如將概率最大的輸出結(jié)果作為最優(yōu)預(yù)測(cè)多層級(jí)結(jié)構(gòu)下的概率一致性分層預(yù)測(cè)實(shí)現(xiàn)支持層級(jí)結(jié)構(gòu)決策的預(yù)測(cè)方法，已經(jīng)成為各領(lǐng)域中一項(xiàng)必要而又關(guān)鍵的問題，其核心在于實(shí)現(xiàn)預(yù)測(cè)的一致性，即各層級(jí)的預(yù)測(cè)結(jié)果滿足原數(shù)據(jù)的層級(jí)結(jié)構(gòu)。現(xiàn)有的分層預(yù)測(cè)解決方案包括自下而上(Bottom-up)、自上而下(Top-down)、中間向外(Middle-案[6-7]有層級(jí)一致性預(yù)測(cè)方案都只針對(duì)點(diǎn)估計(jì),而單一點(diǎn)估計(jì)反有案。下層預(yù)測(cè)網(wǎng)絡(luò)下層預(yù)測(cè)網(wǎng)絡(luò)上層預(yù)測(cè)網(wǎng)絡(luò)一致性下層預(yù)測(cè)分布編碼網(wǎng)絡(luò)上層預(yù)測(cè)網(wǎng)絡(luò)上層預(yù)測(cè)分布一致性上層預(yù)測(cè)分布方案框架圖19 第二章聯(lián)想供應(yīng)鏈智能決策的關(guān)鍵技術(shù)機(jī)器學(xué)習(xí)驅(qū)動(dòng)的預(yù)測(cè)性分析聯(lián)想通過多層級(jí)需求協(xié)同預(yù)測(cè)技術(shù)，綜合考慮不同層級(jí)的數(shù)據(jù)特征，對(duì)多層級(jí)相關(guān)聯(lián)的需求預(yù)測(cè)進(jìn)行一致性優(yōu)化，確保預(yù)測(cè)結(jié)果的層級(jí)一致性，提升整體的預(yù)測(cè)準(zhǔn)確度。算法框架如上圖所示。我們首先對(duì)各層的需求進(jìn)行協(xié)同需求概率預(yù)測(cè)，輸出概率預(yù)測(cè)模型參數(shù)，之后各層基于概率預(yù)測(cè)模型以及其對(duì)應(yīng)的參數(shù)進(jìn)行采樣，并通過線性映射將采樣點(diǎn)映射到滿足各個(gè)層級(jí)上加和相等的一致性空間；在該過程中，我們基于保證映射后的預(yù)測(cè)值和真值誤差最小且同時(shí)保證兩次采樣映射后的預(yù)測(cè)值在一致性空間的距離最小的策略。在具體實(shí)施過程中，我們采用隨機(jī)梯度下降法，在多個(gè)歷史窗口重復(fù)迭代優(yōu)化

線性映射參數(shù)來確保得到一個(gè)較好的映射函數(shù)。為了便于后續(xù)優(yōu)化備貨方案的執(zhí)行，我們通常在得到加和一致性分層預(yù)測(cè)結(jié)果后，依據(jù)假設(shè)的多層聯(lián)合分布模型，通過最大似然估計(jì)得到滿足分層一致性的預(yù)測(cè)模型參數(shù)。聯(lián)想的概率性預(yù)測(cè)技術(shù)可適用于多種維度的多層級(jí)結(jié)構(gòu)，在維度混合的復(fù)雜多層結(jié)構(gòu)中，也有較好的表現(xiàn)。該技術(shù)可以有效的利用不同層級(jí)間的信息，做到概率預(yù)測(cè)的一致性，而且可以兼容不同的調(diào)解模式，并推廣到大規(guī)模層級(jí)序列預(yù)測(cè)中。第三章聯(lián)想供應(yīng)鏈智能決技術(shù)方案與應(yīng)用實(shí)

需求預(yù)測(cè)與智能備貨智能化的分貨補(bǔ)貨。內(nèi)置網(wǎng)絡(luò)優(yōu)化、補(bǔ)貨、分貨、庫(kù)間調(diào)撥等多種場(chǎng)景。根據(jù)核心指標(biāo)智能化的分貨補(bǔ)貨。內(nèi)置網(wǎng)絡(luò)優(yōu)化、補(bǔ)貨、分貨、庫(kù)間調(diào)撥等多種場(chǎng)景。根據(jù)核心指標(biāo)快速模擬補(bǔ)貨、分貨或庫(kù)間調(diào)撥等最優(yōu)決策交互式的輔助決策。提供人機(jī)協(xié)作式?jīng)Q策管與執(zhí)行，提高企業(yè)的決策水平和質(zhì)量。自適應(yīng)的方案仿真。根據(jù)歷史數(shù)據(jù)和人為調(diào)整等規(guī)律性特征，進(jìn)行歷史復(fù)盤和方案對(duì)比的仿真模擬。通過持續(xù)地深度學(xué)習(xí)，不斷進(jìn)化決策水平。全局性的智能建議。面向未來業(yè)務(wù)發(fā)展規(guī)劃對(duì)庫(kù)存水平和物流網(wǎng)絡(luò)的結(jié)構(gòu)層次提供戰(zhàn)略執(zhí)行層面的智能計(jì)劃建議。深度的業(yè)務(wù)洞察。將產(chǎn)品代際關(guān)聯(lián)性的影響因素引入預(yù)測(cè)模型，結(jié)合備件知識(shí)圖譜，在引入階段對(duì)新型備件進(jìn)行精準(zhǔn)預(yù)測(cè)。多維的圖表呈現(xiàn)?？梢暬尸F(xiàn)分析和模擬果，實(shí)時(shí)的監(jiān)控和詳細(xì)的信息展示，為計(jì)劃員提供更直觀決策支持。方案內(nèi)容與特色售后備件的采購(gòu)和調(diào)配作為售后服務(wù)的關(guān)鍵一環(huán)，受到地理、時(shí)間以及用戶習(xí)慣等諸多因素的影響，傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)方法靈活性不足，很難適用于復(fù)雜業(yè)務(wù)場(chǎng)景，預(yù)測(cè)質(zhì)量往往依賴于業(yè)務(wù)人員的經(jīng)驗(yàn)。而隨著業(yè)務(wù)量增長(zhǎng)和復(fù)雜度提升，業(yè)務(wù)人員對(duì)于預(yù)測(cè)的把控難度越來越大，預(yù)測(cè)準(zhǔn)確率無法穩(wěn)定在更高的水平線上。高精準(zhǔn)的需求預(yù)測(cè)。針對(duì)備件所處Th命周期的不同位置，結(jié)合地域、季節(jié)等大數(shù)據(jù)，進(jìn)行精準(zhǔn)的長(zhǎng)/短期預(yù)測(cè)。高精準(zhǔn)的需求預(yù)測(cè)。針對(duì)備件所處Th命周期的不同位置，結(jié)合地域、季節(jié)等大數(shù)據(jù)，進(jìn)行精準(zhǔn)的長(zhǎng)/短期預(yù)測(cè)。聯(lián)想智慧服務(wù)供應(yīng)鏈解決方案圖聯(lián)想智慧服務(wù)供應(yīng)鏈解決方案運(yùn)用多項(xiàng)先進(jìn)技術(shù)，包括：集成式服務(wù)供應(yīng)鏈需求預(yù)測(cè)。把多種各有所長(zhǎng)模型通過自適應(yīng)加權(quán)方法融合成統(tǒng)一的通用需求預(yù)測(cè)模型，以滿足全Th命周期預(yù)測(cè)需要。服務(wù)供應(yīng)鏈時(shí)間序列Th成。通過時(shí)間序列條件成模型，Th成按照?qǐng)鼍霸O(shè)定的服務(wù)供應(yīng)鏈時(shí)間序列需求數(shù)據(jù)，采用擇優(yōu)選取或者加權(quán)融合的方法把條件變分自編碼器和條件Th成對(duì)抗神經(jīng)網(wǎng)絡(luò)的結(jié)果進(jìn)

化，通過優(yōu)化采集函數(shù)從而達(dá)到最小化服務(wù)供應(yīng)鏈鏈仿真計(jì)算的迭代次數(shù)。憑借領(lǐng)先的人工智能技術(shù)與貼近業(yè)務(wù)需求的方案設(shè)計(jì)，聯(lián)想智慧服務(wù)供應(yīng)鏈解決方案可以為業(yè)務(wù)帶來自動(dòng)化，覆蓋全面，更加快速和準(zhǔn)確的需求預(yù)測(cè)，觸發(fā)服務(wù)備件全Th命周期的采購(gòu)計(jì)劃、分貨補(bǔ)貨、分倉(cāng)再平衡等多層級(jí)多場(chǎng)景下的業(yè)務(wù)決策支持，快速滿足客戶需求，提升用戶滿意度，同時(shí)降低企業(yè)服務(wù)供應(yīng)鏈采購(gòu)，運(yùn)輸，庫(kù)存等運(yùn)營(yíng)成本。行綜合，為服務(wù)供應(yīng)鏈時(shí)間序列Th成賦能。 應(yīng)用案例服務(wù)供應(yīng)鏈仿真模擬。涉及到需求采購(gòu)模塊、貨補(bǔ)貨模塊、服務(wù)供應(yīng)鏈底端消耗模塊。對(duì)每個(gè)產(chǎn)品每個(gè)備件在每個(gè)仿真時(shí)間點(diǎn)都進(jìn)行計(jì)算，通過基于PU的多尺度并行計(jì)算仿真平臺(tái)，加速整個(gè)仿真的時(shí)效性。多目標(biāo)貝葉斯優(yōu)化。把服務(wù)供應(yīng)鏈仿真的輸入計(jì)劃策略參數(shù)，通過貝葉斯優(yōu)化，找到全局最優(yōu)的計(jì)劃參數(shù)，從單目標(biāo)貝葉斯優(yōu)化擴(kuò)展到多目標(biāo)貝葉

聯(lián)想智慧服務(wù)供應(yīng)鏈解決方案目前已在聯(lián)想個(gè)人電腦事業(yè)部全球及中國(guó)區(qū)服務(wù)備件供應(yīng)鏈計(jì)劃管理中心、聯(lián)想移動(dòng)手機(jī)業(yè)務(wù)事業(yè)部全球服務(wù)備件供應(yīng)鏈管理中心展開實(shí)踐應(yīng)用。案例1：聯(lián)想個(gè)人電腦事業(yè)部全球服務(wù)備供應(yīng)鏈計(jì)劃管理中心聯(lián)想個(gè)人電腦事業(yè)部全球服務(wù)備件供應(yīng)鏈計(jì)劃中心聯(lián)想智慧服務(wù)供應(yīng)鏈解決方案界面管理全球數(shù)百個(gè)倉(cāng)庫(kù)的需求和供應(yīng)，擁有三級(jí)倉(cāng)儲(chǔ)物流網(wǎng)絡(luò)，地域和氣候等影響因素情況復(fù)雜，PC備件種類數(shù)萬種，年總采購(gòu)支出上億人民幣。通過運(yùn)用該方案，聯(lián)想不僅通過自動(dòng)化極大的減少計(jì)劃人員的工作量，且顯著提升了服務(wù)供應(yīng)鏈的表現(xiàn)。需求預(yù)測(cè)準(zhǔn)確率比人工表現(xiàn)提升14%，成本節(jié)約8%，在有效提升客戶滿意度的同時(shí)，大幅減低了運(yùn)營(yíng)成本。案例2：聯(lián)想個(gè)人電腦事業(yè)部中國(guó)區(qū)服務(wù)備件供應(yīng)鏈管理中心聯(lián)想個(gè)人電腦事業(yè)部中國(guó)區(qū)服務(wù)備件供應(yīng)鏈管理中心，擁有上百人的管理團(tuán)隊(duì)，管理著上萬組備件，年總采購(gòu)支出上億人民幣。大量繁瑣、低效的工作中解放出來，預(yù)測(cè)效率提升。案例3：聯(lián)想移動(dòng)手機(jī)業(yè)務(wù)事業(yè)部全球服務(wù)備件供應(yīng)鏈管理中心聯(lián)想移動(dòng)手機(jī)業(yè)務(wù)事業(yè)部全球服務(wù)備件供應(yīng)鏈管理中心，管理著全球5個(gè)大區(qū)的手機(jī)備件的需求和供應(yīng)，管理著近百個(gè)品類，近萬組手機(jī)備件。憑借強(qiáng)大的機(jī)器學(xué)習(xí)和預(yù)測(cè)分析技術(shù)，該方案運(yùn)用后大幅提升了聯(lián)想移動(dòng)手機(jī)備件管理的效率與平。相比傳統(tǒng)的人工管理模式，智能方案所提供的決策建議，可實(shí)現(xiàn)預(yù)測(cè)效率提升達(dá)13%，需求預(yù)測(cè)準(zhǔn)確率提升16%，備件需求與庫(kù)存管理的科學(xué)化、精確化也使得備件管理運(yùn)營(yíng)成本顯著降低，節(jié)約達(dá)1。智慧零售供應(yīng)鏈引擎方案方案內(nèi)容與特色

面對(duì)復(fù)雜多變的市場(chǎng)環(huán)境，零售企業(yè)普遍面臨著對(duì)市場(chǎng)需求把握不清、預(yù)測(cè)不準(zhǔn)的挑戰(zhàn)，品牌商與零售商在選品、Th產(chǎn)、采購(gòu)、庫(kù)存分配等諸多環(huán)節(jié)決策的科學(xué)性、準(zhǔn)確性等都難以保證，零售運(yùn)營(yíng)面臨著商品缺貨、用戶流失、庫(kù)存積壓與貶值等一系列風(fēng)險(xiǎn)。未來需求預(yù)測(cè)。以歷史銷量數(shù)據(jù)為基礎(chǔ)，運(yùn)未來需求預(yù)測(cè)。以歷史銷量數(shù)據(jù)為基礎(chǔ)，運(yùn)AI算法預(yù)測(cè)未來各門店各產(chǎn)品的市場(chǎng)需求，并給出不同需求量所對(duì)應(yīng)的概率。采購(gòu)（Th產(chǎn)）計(jì)劃建議。以需求預(yù)測(cè)為基礎(chǔ)考慮庫(kù)存積壓與周轉(zhuǎn)情況，權(quán)衡銷售指標(biāo)與庫(kù)存指標(biāo)，可根據(jù)不同的業(yè)務(wù)目標(biāo)，提出對(duì)應(yīng)的最優(yōu)的采購(gòu)（或Th產(chǎn)）方案。分貨及庫(kù)存管理建議。智能化提出貨品在不層級(jí)倉(cāng)庫(kù)、各個(gè)門店的分配策略，提高貨物分配的合理性與公平性，降低庫(kù)存管理成本，提高零售運(yùn)營(yíng)效率。交互式的輔助決策。AI模型充分吸取業(yè)務(wù)專并對(duì)分析結(jié)果進(jìn)行修正，將人工經(jīng)驗(yàn)與AI分析相結(jié)合，實(shí)現(xiàn)人機(jī)協(xié)作式?jīng)Q策管理與執(zhí)行。自適應(yīng)的方案仿真?？蓪I模型和策略，在史數(shù)據(jù)上進(jìn)行仿真復(fù)盤，展現(xiàn)不同優(yōu)化條件下的AI策略在歷史數(shù)據(jù)上的模擬表現(xiàn)，并通過持續(xù)地深度學(xué)習(xí)不斷進(jìn)化決策水平。多維的圖表呈現(xiàn)。多樣化的圖表對(duì)不同顆粒多維的圖表呈現(xiàn)。多樣化的圖表對(duì)不同顆粒下銷售額、毛利、庫(kù)存周轉(zhuǎn)等重要指標(biāo)進(jìn)行展示，為業(yè)務(wù)人員提供更直觀決策支持，并能在異常狀態(tài)下發(fā)出警報(bào)。洞察產(chǎn)品前后代關(guān)系。充分考慮產(chǎn)品Th命周期度及所處階段，構(gòu)建產(chǎn)品前后代關(guān)系的知識(shí)圖譜，解決新品上市缺少銷售數(shù)據(jù)參考的問題。聯(lián)想來酷智慧零售供應(yīng)鏈引擎獨(dú)特的能力優(yōu)勢(shì)：市場(chǎng)真實(shí)需求的還原?；跉v史銷售數(shù)據(jù)與庫(kù)存數(shù)據(jù)，運(yùn)用AI算法識(shí)別出歷史上的缺貨及丟單風(fēng)險(xiǎn)，對(duì)未被滿足的購(gòu)買行為進(jìn)行模擬補(bǔ)全，還原出真實(shí)的市場(chǎng)需求。預(yù)測(cè)未來多種可能性。對(duì)未來各門店內(nèi)各產(chǎn)品，預(yù)測(cè)需求量的概率分布，全面給出銷售的多種可能多層級(jí)的一致性預(yù)測(cè)。對(duì)區(qū)域倉(cāng)、門店進(jìn)行需求協(xié)同預(yù)測(cè)，綜合考慮各個(gè)層級(jí)的數(shù)據(jù)特征，對(duì)相關(guān)適用于新店業(yè)務(wù)運(yùn)營(yíng)。針對(duì)新開門店缺少歷史銷售積累的情況，通過對(duì)門店所在商圈、人流、消費(fèi)水平等信息的分析，智能預(yù)測(cè)新店未來的需求況，給出新店運(yùn)營(yíng)的選品、采購(gòu)、備貨建議，并在

融入市場(chǎng)信息的監(jiān)測(cè)。廣泛監(jiān)測(cè)市場(chǎng)新聞、行業(yè)動(dòng)態(tài)、競(jìng)品信息等外部數(shù)據(jù)，并利用AI模型分析市場(chǎng)信息對(duì)產(chǎn)品銷售的影響，幫助企業(yè)跟上市場(chǎng)環(huán)境的快速變化。多目標(biāo)可配置的系統(tǒng)仿真。通過面向零售制造場(chǎng)景的仿真模塊，用戶可以根據(jù)當(dāng)前和歷史的庫(kù)存數(shù)據(jù)及銷售情況，設(shè)定不同優(yōu)化目標(biāo)及相應(yīng)權(quán)重，實(shí)時(shí)輸出各項(xiàng)PI的模擬仿真結(jié)果。應(yīng)用案例來酷科技是由聯(lián)想集團(tuán)投資的，定位于為廣大消費(fèi)者提供3C+品質(zhì)潮品的智慧零售連鎖企業(yè)，同時(shí)也是聯(lián)想集團(tuán)3S戰(zhàn)略中智能硬件、智能行業(yè)解決方案和智慧服務(wù)的代表企業(yè)。來酷科技首創(chuàng)OMO全時(shí)全域智慧零售業(yè)務(wù)模型，破局線下零售坪效瓶頸，解決標(biāo)品營(yíng)銷的行業(yè)痛點(diǎn)，在線上線下零售融合、智聯(lián)想來酷智慧零售供應(yīng)鏈引擎功能架構(gòu)圖面對(duì)快速增長(zhǎng)的門店數(shù)量與商品種類，來酷科技對(duì)供應(yīng)鏈優(yōu)化的需求日益突出，主要體現(xiàn)在：1)大規(guī)模精細(xì)化管理成為難點(diǎn)。2)運(yùn)營(yíng)效率有待穩(wěn)定提升。3）數(shù)據(jù)利用尚待提高。4）OMO零售新范式對(duì)服務(wù)水平、服務(wù)效率有更高要求。聯(lián)想來酷智慧零售供應(yīng)鏈引擎針對(duì)來酷的實(shí)際業(yè)務(wù)1）基于歷史銷售數(shù)據(jù)，還原市場(chǎng)需求，并預(yù)測(cè)未來各門店各產(chǎn)品的需求概率分布，指導(dǎo)業(yè)務(wù)人員根據(jù)實(shí)際情況更加科學(xué)的進(jìn)行預(yù)測(cè)決策。2）基于因果推斷，形成商品價(jià)格模型，并通過高精準(zhǔn)的概率性需求預(yù)測(cè)，計(jì)算出每個(gè)商品在不同備貨量下的營(yíng)收與積壓風(fēng)險(xiǎn)，形成一系列、多樣化的選品、定價(jià)與采購(gòu)策略。將科學(xué)的價(jià)格調(diào)整與合理的選品備貨相結(jié)合，實(shí)現(xiàn)各場(chǎng)景下的經(jīng)營(yíng)效果最化。3）可視化、易操作的交互界面。幫助業(yè)務(wù)人員直觀、精細(xì)化的查看、管理每個(gè)門店、每個(gè)SKU的求與備貨情況。并通過仿真模擬與可視化呈現(xiàn)，直觀呈現(xiàn)不同優(yōu)化策略下的指標(biāo)表現(xiàn)，方便業(yè)務(wù)人員進(jìn)行比較選擇。

該方案在來酷的運(yùn)用，幫助來酷顯著提升供應(yīng)鏈數(shù)字化水平，提升銷售業(yè)績(jī)的同時(shí)，減少供應(yīng)鏈成本，推動(dòng)來酷科技的運(yùn)營(yíng)從優(yōu)秀邁向卓越。大幅縮短計(jì)劃員制定備貨方案的時(shí)間：從數(shù)小時(shí)降低至分鐘。最優(yōu)庫(kù)存周轉(zhuǎn)策略下，庫(kù)存周轉(zhuǎn)天數(shù)下降達(dá)22%，有效降低運(yùn)營(yíng)成本。識(shí)別出未被滿足的潛在需求比例達(dá)到4.8因缺貨引發(fā)的倉(cāng)間調(diào)撥，比例降低11。為業(yè)務(wù)人員的決策提供了數(shù)理依據(jù)與決策參考，提高科學(xué)性，減少對(duì)人工經(jīng)驗(yàn)的依賴。

物料管理與生產(chǎn)計(jì)劃支持不同時(shí)間粒度的物料分配方案。支持不同支持不同時(shí)間粒度的物料分配方案。支持不同時(shí)間粒度的物料分配方案。針對(duì)離散制造業(yè)的物料采購(gòu)交付周期（eadtime）較長(zhǎng)的特點(diǎn)，可提供物料長(zhǎng)期分配方案。同時(shí)針對(duì)供應(yīng)商實(shí)復(fù)雜場(chǎng)景下的多物料分配方案。根據(jù)物料供應(yīng)的先后順序及緊缺程度設(shè)計(jì)了三種分配方案：1.單顆物料的分配；2.多顆物料的齊套分配；3.先對(duì)單顆物料分配，再與其他物料進(jìn)行齊套?；诙嗄繕?biāo)的智能分貨引擎?；谖锪淆R套BOM結(jié)構(gòu)，考慮物料之間的齊套依賴，從而設(shè)定最大化齊套數(shù)目的優(yōu)化目標(biāo)，同時(shí)兼顧利潤(rùn)和銷售額最大化目標(biāo)以及單顆物料的公平性，開發(fā)多目標(biāo)的智能分貨引擎。多角色協(xié)同的人機(jī)協(xié)作模式。將不同角色聚合到一起，充分考慮不同角色的偏好，及時(shí)反饋約束條件的矛盾點(diǎn)，通過模型學(xué)習(xí)和優(yōu)化，將方案內(nèi)容與特色對(duì)于大型的Th產(chǎn)制造企業(yè)，Th產(chǎn)基地和廠房往往遍布多地甚至全球，所需物料數(shù)量大、種類多、變化頻繁，因此，當(dāng)核心物料的供應(yīng)無法滿足各個(gè)工廠各類產(chǎn)品的需求時(shí)，如何更加公平、高效的完成物料分配是一個(gè)亟待解決的問題。為了改善物料分配的效果，聯(lián)想基于自身在消費(fèi)電子產(chǎn)品領(lǐng)域的業(yè)務(wù)經(jīng)驗(yàn)，通過自主研發(fā)的人工智能算法，打造了智能物料分配方案。該方案基于先進(jìn)的求解器引擎和優(yōu)化算法，實(shí)現(xiàn)了多個(gè)具有實(shí)用價(jià)值的功能：支持不同時(shí)間粒度的物料分配方案。支持不同時(shí)間粒度的物料分配方案。支持不同時(shí)間粒度的物料分配方案。針對(duì)離散制造業(yè)的物料采購(gòu)交付周期（eadtime）較長(zhǎng)的特點(diǎn)，可提供物料長(zhǎng)期分配方案。同時(shí)針對(duì)供應(yīng)商實(shí)智能物料分配方案架構(gòu)圖人工經(jīng)驗(yàn)與AI分析相結(jié)合，推薦更智能、合理的物料分配方案?？山换サ亩嗑S圖表。人工經(jīng)驗(yàn)與AI分析相結(jié)合，推薦更智能、合理的物料分配方案?？山换サ亩嗑S圖表?？梢暬锪戏峙涞亩嗄繕?biāo)仿真結(jié)果，通過鼠標(biāo)懸浮、鉆取、拖拽等交互操作查看不同時(shí)間維度、不同粗細(xì)粒度、不同方案對(duì)比的數(shù)據(jù)情況，為業(yè)務(wù)人員提供更直觀的決策支持。1）提取來自不同系統(tǒng)的相關(guān)數(shù)據(jù)，支持?jǐn)?shù)據(jù)自動(dòng)化、智能化，協(xié)助用戶快速獲取有效數(shù)據(jù)。聯(lián)想智能物料分配方案具備以下優(yōu)勢(shì)：高度自動(dòng)化。根據(jù)業(yè)務(wù)規(guī)則自動(dòng)化進(jìn)行數(shù)據(jù)的集、清洗、預(yù)處理等準(zhǔn)備工作。實(shí)時(shí)的仿真模擬。對(duì)基于不同假設(shè)前提下的多種場(chǎng)景進(jìn)行仿真，對(duì)不同的分配方案進(jìn)行實(shí)時(shí)模擬，快速展示不同方案對(duì)各項(xiàng)指標(biāo)的影響效果，便于業(yè)務(wù)人員作出選擇。靈活的多目標(biāo)決策優(yōu)化。本方案提供針對(duì)多項(xiàng)優(yōu)化目標(biāo)的自由選擇、調(diào)整排序、在合理范圍內(nèi)微調(diào)數(shù)據(jù)等功能。用戶可根據(jù)需要，靈活配置，通過仿真模擬，選擇滿意的方案。提升物料分配的公平性。在考慮工廠與產(chǎn)品間的物料分配公平性上，本方案定義了合理的算法式，使得問題變?yōu)榫€性優(yōu)化問題，并在求解軟件中幾秒鐘內(nèi)得到最優(yōu)解?；谖锪螧OM依賴關(guān)系和財(cái)務(wù)數(shù)據(jù)，提升總出貨量和潛在利潤(rùn)。應(yīng)用案例聯(lián)想作為一家在信息產(chǎn)業(yè)內(nèi)多元化發(fā)展的大型企業(yè)集團(tuán)，其產(chǎn)品智能互聯(lián)，多樣化程度居世界前列，以筆記本電腦為例，其對(duì)應(yīng)的聯(lián)想個(gè)人電腦事業(yè)部全球供應(yīng)鏈計(jì)劃中心需要管理全球數(shù)百個(gè)倉(cāng)庫(kù)，這些倉(cāng)庫(kù)的物料需求和供應(yīng)受多種因素影響，分配和管理過程中面臨諸多挑戰(zhàn)。

針對(duì)物料緊缺程度和不同的供應(yīng)時(shí)間，提供多種分配方案，包括單顆物料分配、多顆物料齊套、先單顆物料分配再與其他物料齊套，方便計(jì)劃員根據(jù)。自動(dòng)觸發(fā)相關(guān)流程，智能化提示關(guān)鍵操作，端到端快速響應(yīng)，增強(qiáng)跨部門協(xié)作的效率。在復(fù)雜的業(yè)務(wù)邏輯中，針對(duì)手動(dòng)強(qiáng)約束的物料分配數(shù)據(jù)，增加算法可解性校驗(yàn)，提供數(shù)據(jù)矛盾饋，及時(shí)告知用戶，提升物料分配的科學(xué)性。考慮不同維度的分貨決策目標(biāo)，為用戶提供可自適應(yīng)調(diào)整目標(biāo)的多目標(biāo)智能分貨引擎。大幅縮短物料分配與調(diào)整時(shí)間：人工手動(dòng)分配及后續(xù)調(diào)整需要半個(gè)月左右，智能物料分配方案在數(shù)據(jù)提升了每季度的平均出貨量與利潤(rùn)：在保證業(yè)務(wù)關(guān)鍵性指標(biāo)不下降的前提下，帶來出貨量和利潤(rùn)大幅上升。規(guī)避不必要的成本消耗：根據(jù)物料的配套關(guān)系以及最短缺物料的供應(yīng)情況，能夠提供出最公平或利潤(rùn)T術(shù)，在滿足Th產(chǎn)計(jì)劃需求的情況下，結(jié)合物料BOM、物料采購(gòu)提前期、物料安全庫(kù)存、物料快速齊套分析：在考慮產(chǎn)品-物料清單（BOM），庫(kù)存和供貨方式的情況下，對(duì)產(chǎn)方案內(nèi)容與特色在大規(guī)模制造業(yè)中，個(gè)性化、定制化正在取代單一品種、大批量的規(guī)模化Th產(chǎn)，以"多品種、小批量"為特征的柔性Th產(chǎn)成為制造業(yè)的核心競(jìng)爭(zhēng)力。為了讓Th產(chǎn)的計(jì)劃與排程更加智能，最大化Th產(chǎn)效率，合理利用Th產(chǎn)資源，聯(lián)想基于自身業(yè)務(wù)實(shí)踐，通過多種人工智能技術(shù)和數(shù)學(xué)優(yōu)化算法，打造了智能Th產(chǎn)排程方案，提供從需求管理到智能排產(chǎn)方案輸出的端到端解決方案，主要功能包括：基礎(chǔ)數(shù)據(jù)治理：包括基礎(chǔ)數(shù)據(jù)治理：包括Th產(chǎn)工藝、物料BOM聯(lián)想智能Th產(chǎn)排程方案功能架構(gòu)圖聯(lián)想智能Th產(chǎn)排程方案具備以下優(yōu)勢(shì)：實(shí)時(shí)的運(yùn)籌優(yōu)化技術(shù)。通過業(yè)界領(lǐng)先的算法提供優(yōu)化決策引擎，兼具精確求解法的精度和近似求解法的速度。多階段聯(lián)合求解技術(shù)。通過基于競(jìng)爭(zhēng)-協(xié)作機(jī)制的增量?jī)?yōu)化技術(shù)，對(duì)物料齊套和Th產(chǎn)排程兩階段優(yōu)化問題進(jìn)行聯(lián)合求解，充分優(yōu)化Th產(chǎn)線之間的Th產(chǎn)資源分配和調(diào)度，提供更高效、更優(yōu)質(zhì)的Th產(chǎn)資源配置方案?？膳渲玫亩嗄繕?biāo)優(yōu)化平臺(tái)。針對(duì)不同排產(chǎn)性能指標(biāo)業(yè)務(wù)優(yōu)先及經(jīng)常變動(dòng)的特點(diǎn)，設(shè)計(jì)了多目標(biāo)、多優(yōu)先級(jí)的組合優(yōu)化算法。用戶可靈活定制化的進(jìn)行Th產(chǎn)規(guī)劃。系統(tǒng)通過KPI對(duì)比，幫助Th產(chǎn)計(jì)劃員快速評(píng)估各個(gè)方案的優(yōu)劣，選擇更符合Th產(chǎn)要求的排產(chǎn)策略?？山忉寷Q策模型。基于實(shí)時(shí)響應(yīng)的what-if最優(yōu)化算法，構(gòu)建可解釋的交互決策模型，以提升人員對(duì)算法輸出的接受度和可信賴度。自適應(yīng)模型進(jìn)化。根據(jù)歷史數(shù)據(jù)和人為調(diào)整等規(guī)律性特征，進(jìn)行歷史復(fù)盤和方案對(duì)比的仿真模擬，通過持續(xù)地深度學(xué)習(xí)，不斷進(jìn)化決策水平。憑借基于深度強(qiáng)化學(xué)習(xí)的多目標(biāo)優(yōu)化算法，聯(lián)想智能Th產(chǎn)排程方案突破了傳統(tǒng)的高級(jí)計(jì)劃和排程系統(tǒng)(APS)僅基于業(yè)務(wù)規(guī)則進(jìn)行簡(jiǎn)單僵化的自動(dòng)化處理的局限，真正意義上實(shí)現(xiàn)了人工智能綜合決策，有效解決制造業(yè)Th產(chǎn)計(jì)劃效率低、無法兼顧多個(gè)目標(biāo)應(yīng)用案例聯(lián)寶科技是聯(lián)想（全球）最大的PC研發(fā)和制造地，擁有全球PC制造業(yè)最大的單體廠房和數(shù)十條Th產(chǎn)線，Th產(chǎn)規(guī)劃時(shí)需要考慮數(shù)十種復(fù)雜因素對(duì)Th產(chǎn)效率和產(chǎn)能利用率的影響，人工排程在這一過程中普遍面臨局限性：1)排程耗時(shí)長(zhǎng)；2)資源利用率低；3)嚴(yán)重依賴人工經(jīng)驗(yàn)。

聯(lián)想智能Th產(chǎn)排程方案為合肥聯(lián)寶科技提供從物料齊套（為訂單匹配Th產(chǎn)物料）到Th產(chǎn)排程的端到端解決方案。提取來自ERP和MES系統(tǒng)的相關(guān)數(shù)據(jù)，形成待排產(chǎn)訂單列表和排程相關(guān)參數(shù)。打造可視化管理平臺(tái)，展示產(chǎn)線產(chǎn)能狀況、機(jī)型排布、換線時(shí)間、訂單完成進(jìn)度和訂單分布等息，人機(jī)協(xié)作，幫助決策人員全面即時(shí)掌握產(chǎn)線Th產(chǎn)狀態(tài)。通過人工智能技術(shù)和數(shù)學(xué)優(yōu)化算法，快速制定物料齊套和排程計(jì)劃。幫助Th產(chǎn)計(jì)劃員制定Th產(chǎn)優(yōu)先級(jí)、確保產(chǎn)線、訂單和物料的匹配。該方案在聯(lián)寶的落地，充分優(yōu)化Th產(chǎn)線之間的資源（人員、設(shè)備、物料）分配和任務(wù)調(diào)度，助力企業(yè)實(shí)現(xiàn)更高效、優(yōu)質(zhì)的Th產(chǎn)計(jì)劃決策，解決制造業(yè)排產(chǎn)耗時(shí)長(zhǎng)、資源利用率低、嚴(yán)重依賴人工經(jīng)驗(yàn)等問題，為工廠帶來了實(shí)際可觀的效益提升。大幅縮短制定Th產(chǎn)計(jì)劃的時(shí)間：傳統(tǒng)6小時(shí)vs1.鐘，即可完成排程任務(wù)。改善了資源的利用率：多關(guān)鍵績(jī)效指標(biāo)全面提升，工廠產(chǎn)量提升19%、處理訂單數(shù)提升24%，交期滿足率提升3.5倍。通過敏捷的人機(jī)交互解決了計(jì)劃員經(jīng)驗(yàn)依賴的題：經(jīng)驗(yàn)不足的計(jì)劃員在智能Th產(chǎn)排程方案的輔助下，可以快速上手，保證排程質(zhì)量。原料庫(kù)存優(yōu)化方案方案內(nèi)容與特色庫(kù)存管理是供應(yīng)鏈管理的重要組成部分，所有行業(yè)的供應(yīng)鏈部門面臨庫(kù)存水位的設(shè)置問題，庫(kù)存水位的計(jì)算需要綜合需求的不確定性，供應(yīng)的不確定性和服務(wù)水平，難度極大，企業(yè)極難在服務(wù)水平和庫(kù)存成本之間達(dá)到最佳平衡。多維的圖表呈現(xiàn)：可視化呈現(xiàn)分析和模擬。

聯(lián)想原材料庫(kù)存水位優(yōu)化方案獨(dú)特的能力優(yōu)勢(shì)：通過魯棒建模和遷移泛化建立各種不同產(chǎn)品全周期模式模型，并以特定的模式種類信息對(duì)長(zhǎng)周期的成品訂單需求數(shù)量進(jìn)行修正?；诼?lián)想獨(dú)有的大規(guī)模復(fù)雜BOM結(jié)構(gòu)快速物料齊套技術(shù)，通過業(yè)界領(lǐng)先的基于知識(shí)圖譜和加權(quán)圖的圖卷積網(wǎng)絡(luò)、實(shí)時(shí)響應(yīng)的what-if模擬等技術(shù)，實(shí)現(xiàn)需求到供應(yīng)的精確匹配，實(shí)現(xiàn)了對(duì)成品需求到每種原料的需求與方差進(jìn)行精確的拆解。通過仿真模擬，將多維信息和參數(shù)輸入到仿真系統(tǒng)，模型評(píng)估各種決策的效果，不斷優(yōu)化安全因子、服務(wù)水平參數(shù)等設(shè)置，實(shí)時(shí)輸出各項(xiàng)KPI的模擬仿真結(jié)果。將較為復(fù)雜的齊套優(yōu)化問題拆分為兩個(gè)模塊求解，第一個(gè)模塊基于啟發(fā)式算法完成整機(jī)以及對(duì)應(yīng)BOM展開結(jié)構(gòu)的選擇；第二個(gè)模塊基于第一個(gè)模塊的輸出結(jié)果，通過建立多目標(biāo)的混合整數(shù)規(guī)劃模型進(jìn)行優(yōu)化求解，輸出最終的整機(jī)齊套方案。應(yīng)用案例SM1SM2SSM1SM2SM3SM4SM5SM6SM7……MatrlAMatrlA…… MatrlMSM1SM2SM3SM4SM5SM6SM7……歷史需求產(chǎn)品型號(hào)原材料庫(kù)存歷史需求產(chǎn)品型號(hào)原材料庫(kù)存產(chǎn)品型號(hào)供應(yīng)需求安全庫(kù)存特征項(xiàng)：需求BOM庫(kù)存服務(wù)水平考慮齊套的庫(kù)優(yōu)化模型快速齊套分庫(kù)存原材料與產(chǎn)品型號(hào)匹配BOMBOM考慮齊套的存優(yōu)化庫(kù)存需求預(yù)測(cè)案例1：聯(lián)想庫(kù)存呆滯物料的消耗優(yōu)化聯(lián)想原料庫(kù)存優(yōu)化方案優(yōu)化引擎針對(duì)聯(lián)想各個(gè)大區(qū)各個(gè)工廠的庫(kù)存呆料情況，以及聯(lián)想成品和配料之間復(fù)雜的BOM關(guān)系，為聯(lián)想庫(kù)存呆料的消耗提供基于人工智能優(yōu)化算法的齊套決策方案。借助歷史訂單、當(dāng)前欠單和未來預(yù)測(cè)訂單數(shù)據(jù)，給出庫(kù)存呆料消耗的最優(yōu)齊套方案。1)實(shí)時(shí)輸出方案結(jié)果。將復(fù)雜度很高的問題拆解為兩個(gè)模塊進(jìn)行求解，通過控制第一個(gè)模塊輸出結(jié)果的范圍，可以將第二個(gè)模塊中混合整數(shù)規(guī)劃模型的復(fù)雜度控制在可控范圍內(nèi)，更能快速的獲得問題的最優(yōu)解，且可以靈活選擇模塊二的求解方法。輸出推薦成品的暢銷因子?；跉v史和預(yù)測(cè)數(shù)據(jù)比較，科學(xué)地計(jì)算成品的暢銷因子并作為優(yōu)化的重要依據(jù)，從而確保推薦的成品比較容易銷售。支持用戶輸入自定義參數(shù)。該方案針對(duì)用戶設(shè)定的多個(gè)目標(biāo)，通過對(duì)兩個(gè)模塊的邏輯進(jìn)行調(diào)整，可靈活支持對(duì)不同目標(biāo)的傾向性選擇，極大豐富了用戶的最終方案選擇的靈活度。通過在聯(lián)想某工廠的實(shí)驗(yàn)?zāi)M，該方案的應(yīng)用將幫助消耗約50%的庫(kù)存呆料，提高了人員工作的科學(xué)性與效率，減少庫(kù)存積壓的同時(shí)，提升銷售業(yè)績(jī)。為業(yè)務(wù)人員的決策提供了數(shù)理依據(jù)與決策參考，提高科學(xué)性，減少對(duì)人工經(jīng)驗(yàn)的依賴。案例2：聯(lián)想M生產(chǎn)庫(kù)存周轉(zhuǎn)天數(shù)優(yōu)化聯(lián)想移動(dòng)手機(jī)業(yè)務(wù)事業(yè)部（MBG）負(fù)責(zé)手機(jī)和其它移動(dòng)設(shè)備的研發(fā)和Th產(chǎn)。由于物料的品目繁多，齊套替換關(guān)系復(fù)雜，眾多供應(yīng)商和采購(gòu)商的采購(gòu)情況

聯(lián)想充分應(yīng)用基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法，MBG提供了更加精確和健壯的庫(kù)存水位管理解決方案，通過在預(yù)測(cè)、需求拆解、補(bǔ)貨策略等不同階段技術(shù)的落地實(shí)施，降低了庫(kù)存成本，為企業(yè)帶來了明顯的收益。攝像頭類原材料庫(kù)存周轉(zhuǎn)天數(shù)降低了36；內(nèi)存類原材料的庫(kù)存周轉(zhuǎn)天數(shù)降低了63；充電設(shè)備類原材料庫(kù)存周轉(zhuǎn)天數(shù)降低了服務(wù)水平提升了9；不僅節(jié)省了大量的庫(kù)存管理成本，而且使得Th產(chǎn)的上下游環(huán)節(jié)更加順暢，為供銷兩方面的決策水平提高提供重要保障。

物流規(guī)劃與調(diào)度優(yōu)化智能打包方案方案內(nèi)容與特色在物流領(lǐng)域，貨品的打包裝載是必不可少的重要環(huán)節(jié)，打包與裝載的策略不合理將導(dǎo)致大量包裝箱等物料資源的消耗。如何高效的利用包裝材料與運(yùn)載空間，減少資源的浪費(fèi)與對(duì)環(huán)境的影響，成為物流環(huán)節(jié)走向綠色節(jié)能的一項(xiàng)重要課題。聯(lián)想智能打包方案運(yùn)用人工智能技術(shù)賦能綠色包裝、綠色物流，通過智能化升級(jí)，改進(jìn)流程效益，踐行節(jié)能減排，積極探索綠色供應(yīng)鏈的建設(shè)與實(shí)施。該方案通過各維度的包裝及裝載優(yōu)化，提升貨物密度的權(quán)衡系數(shù)，可適用于多個(gè)場(chǎng)景：

包裝紙箱領(lǐng)域：根據(jù)發(fā)運(yùn)訂單商品品類、集裝箱或貨柜領(lǐng)域：BoxBox測(cè)量重量測(cè)量站待包裝物料待包裝物料/商品發(fā)送運(yùn)單BBox選型/物理包裝運(yùn)作信息自動(dòng)錄入

WWMS提貨代規(guī)則配提貨代規(guī)則配智能包插件訂單包裝智能包插件訂單包裝化規(guī)則與警（*）

人工智能擬云計(jì)算

智能打包軟件包，包核心算法引擎、遠(yuǎn)程擬后端和用戶界面Box碼托規(guī)指南自動(dòng)Box碼托規(guī)指南支持與WMS集成對(duì)接，操作頁(yè)面智能顯示超安全值智能報(bào)警/人工干預(yù)智能碼超安全值智能報(bào)警/人工干預(yù)

棧板信息BoxBox上架存儲(chǔ)

包裝完畢待發(fā)運(yùn)貨物煉取&物理碼垛智能打包方案架構(gòu)圖33 第三章聯(lián)想供應(yīng)鏈智能決策技術(shù)方案與應(yīng)用實(shí)踐物流規(guī)劃與調(diào)度優(yōu)化 機(jī)器學(xué)習(xí) 遺傳算法 有限元分析 輸入信息輸出指令紙箱尺寸紙箱體紙箱重紙箱類托盤尺碼托限高選定的紙箱選定的托盤包裝指南人工智能算法智能打包方案人工智能算法架構(gòu)圖聯(lián)想智能打包方案在算法技術(shù)上進(jìn)行了多項(xiàng)創(chuàng)新：多層智能模型和算法。基于機(jī)器學(xué)習(xí)中的強(qiáng)化學(xué)習(xí)技術(shù)，與運(yùn)籌優(yōu)化算法進(jìn)行創(chuàng)造性的融合應(yīng)用，實(shí)現(xiàn)了從整箱配給、散件配載裝箱到箱型組合托、托盤配載裝柜的多層智能模型和算法；端到端的最優(yōu)組合。集成基于運(yùn)單需求履約、在庫(kù)貨品狀態(tài)和出庫(kù)包裝最優(yōu)組合，實(shí)現(xiàn)從揀選到裝運(yùn)的端到端智能包裝模型和算法。高度適配性的微服務(wù)方案。et應(yīng)用案例聯(lián)想智能打包方案在聯(lián)想選型的業(yè)務(wù)點(diǎn)中實(shí)現(xiàn)了成功導(dǎo)入，在包裝紙箱、托盤棧板、集裝箱貨柜領(lǐng)域都實(shí)現(xiàn)了有效賦能。原有的打包方式存在多個(gè)題：1）包裝箱規(guī)格不統(tǒng)一，尺寸重量無法預(yù)估；2）包裝箱組合方式千變?nèi)f化，無法找到最優(yōu)解；3）人工裝箱，打拍效率低下，需耗費(fèi)大量時(shí)間精力。聯(lián)想智能打包方案導(dǎo)入后，通過實(shí)際的運(yùn)行結(jié)果，將貨物輕重平衡系數(shù)（VolumePenalty）從36%降低到17%，大幅降低了總運(yùn)費(fèi)，同時(shí)提高了人工

裝箱效率。隨著聯(lián)想供應(yīng)鏈數(shù)字化轉(zhuǎn)型的持續(xù)推進(jìn)，接合本身在智能化技術(shù)與應(yīng)用上的沉淀與升級(jí)，該方案將推動(dòng)包裝平衡系數(shù)指標(biāo)趨于完美，并拓展擴(kuò)充到更多的業(yè)務(wù)點(diǎn)，在聯(lián)想全Th態(tài)系中為綠色供應(yīng)鏈的推進(jìn)發(fā)揮更積極作用。智能物流網(wǎng)絡(luò)規(guī)劃方案方案內(nèi)容與特色物流行業(yè)一向致力于高效滿足多維度的配貨、貨、以及準(zhǔn)時(shí)送達(dá)的需求，在此過程中，物流企業(yè)一方面要降低物流及倉(cāng)儲(chǔ)成本，同時(shí)提高客戶滿意度；另一方面，物流服務(wù)需要面對(duì)不斷變化的市場(chǎng)需求和運(yùn)營(yíng)環(huán)境，敏捷快速做出反應(yīng)。這其中，物流網(wǎng)絡(luò)與倉(cāng)儲(chǔ)布局的科學(xué)、合理、及時(shí)規(guī)劃就顯得至關(guān)重要。聯(lián)想從自身實(shí)踐出發(fā)，基于智能的數(shù)據(jù)分析技術(shù)與仿真優(yōu)化技術(shù)，打造了智能物流網(wǎng)絡(luò)規(guī)劃方案。方案融合了Human-In-The-Loop思想，并與供應(yīng)鏈網(wǎng)絡(luò)規(guī)劃專家的運(yùn)營(yíng)實(shí)踐有機(jī)集成，通過虛實(shí)結(jié)合方式來實(shí)現(xiàn)物流網(wǎng)絡(luò)選址的智能決策，實(shí)現(xiàn)了一個(gè)完整閉環(huán)的范式。方案可提供：智能物流網(wǎng)絡(luò)規(guī)劃方案架構(gòu)圖推薦地區(qū)庫(kù)房、前置倉(cāng)庫(kù)和維修站的最佳推薦地區(qū)庫(kù)房、前置倉(cāng)庫(kù)和維修站的最佳位置。實(shí)現(xiàn)不同網(wǎng)絡(luò)規(guī)劃方案的模擬計(jì)算，估算成本。自有知識(shí)產(chǎn)權(quán)的圖網(wǎng)絡(luò)的引力優(yōu)化模型，支持層級(jí)的多向數(shù)據(jù)傳導(dǎo)擬合；支持實(shí)時(shí)網(wǎng)絡(luò)引力仿真分析，能夠及時(shí)量化仿網(wǎng)絡(luò)表現(xiàn)。具有針對(duì)多維度數(shù)據(jù)的智能整合能力（物流網(wǎng)絡(luò)流量和流向，城市或地區(qū)的位置，庫(kù)房運(yùn)營(yíng)成本，物流運(yùn)營(yíng)數(shù)據(jù)物流運(yùn)營(yíng)數(shù)據(jù)模擬分模型地理信息、經(jīng)濟(jì)、天氣、勞數(shù)據(jù)等智能數(shù)集成PlanPlan 21Plani基于重力的優(yōu)化模型物流操作知識(shí)如何