「科研先锋」洪流：企业如何做到同时管理50万种产品库存

　　

　　这是特别策划「科研先锋」专栏的第三篇文章。我们还将陆续推出走在科研前线的老师们的文字与视频专访报道，欢迎关注。

　　管理科学系洪流教授的主要研究方向为随机仿真建模与优化、金融工程与金融风险管理、商业数据分析等。他为我们分享了于UTD 24期刊之一Informs Journal On Computing发表的最新研究成果——“Large-Scale Inventory Optimization：A Recurrent Neural Networks-Inspired Simulation Approach”。

　　【研究概要】

　　大规模库存优化:

　　循环神经网络启发的模拟方法

　　这项研究生发于2020年国家自然科学基金重大项目“平台供应链的管理理论与方法”。传统的库存管理方法中，集成所有产品线可以最大程度地降低库存成本，但这一方法仅适用于库存规模较小的管理模式。当库存产品的集成程度达到巨大规模，管理难度大大增加，现有的库存管理方法就无法发挥作用。

　　深度学习中的循环神经网络框架结构，与待解决的大规模库存优化问题非常相似。因此，洪流基于循环神经网络的架构，为大规模库存管理设计一个特殊算法，将语言模型在深度学习中的方法引入到运营管理领域进行仿真优化。

　　以前的库存优化问题研究中，涉及的最大规模库存量为1000种产品库存。通过循环神经网络模拟的算法，企业可以同时管理50万种产品的库存。这样一来可以解决大规模库存管理问题。在实测的例子中，管理模型的运行速度提高了将近1万倍。

　　研究的主要贡献在于优化方法的普适性。许多复杂的管理系统，其实是一个动态变化着的网络：在库存问题中面临的是一个生产网络，在供应链管理问题中面临的是一个供应链网络，在交通问题中面临的是一个交通网络。而循环神经网络模拟的方法具有通用性，不仅可以解决大规模库存管理的问题，未来还可以迁移到供应链、交通网络以及其他的一些大规模动态变化的网络中，解决大规模动态变化网络的普遍问题。

　　【研究心得】

　　提炼中国经验的底层原理

　　“我们的企业和美国的企业有很多不一样的地方，中国企业的特色可能是国外学者没有研究过的东西。”中国企业的新问题是这一代学者的研究机遇。

　　例如中国的物流业，在美国纽约州境内寄一支笔需要20多美元的运费，在中国上海市内，这笔运费是前者的1/10甚至1/20。洪流认为，这一巨大差别不能简单归结为中国的人力成本更低，人力成本之外一定有一些非常高效的因素，需要把它们提炼出来。

　　在中国这片土壤上成长起来的经验，可以适用于全世界的商业环境。“一个好的经验，一定有超越文化的底层原理。”洪流举学者Wallace Hopp为例，他运用数学逻辑将日本经验进行拆解，剥离带有文化色彩的因素，证明日本经验同样适用于美国环境。同样，中国经验也可以走向世界，这需要学者们“基于中国问题、中国经验，提炼一整套背后的原理”。

　　科研进行时

　　人工智能与传统问题的融合

　　最近几年，洪流教授的研究兴趣转向AI和运营管理的学科交叉，他认为每一代人有每一代机遇，这一代人的机遇是AI。将AI算法融入到今天许多传统的研究问题中，可能会诞生更好的解决路径，融合之中，AI技术也在不断更迭。

　　洪流教授和他的学生正在做这样的融合工作，主要研究以下三个方向的问题。

　　★ 排序择优（ranking and selection，R&S）是仿真和机器学习领域的重要问题之一。传统R&S算法研究多关注于小规模问题，当问题规模特别大时就可能不再适用。“我们聚焦于大规模R&S问题，偶然发现一种简单的贪婪算法表现地令人意外得好。基于这一发现，我们提出了一个有趣的分析框架并证明了这个简单的算法在理论上的最优性；基于此，我们后续还发现它能够有效求解一大类的选择问题。”

　　★ 金融衍生品定价，团队将神经网络融入微分方程中，并利用这一模型拟合金融衍生品的价格，得到相当不错的拟合结果。

　　★ 生成模型仿真建模，数字孪生等概念的兴起激发了加速仿真使其能辅助实时决策的研究。“受到机器学习领域生成模型的启发，我们在线下仿真-线上应用的理论框架下研究如何利用生成模型加速仿真建模的过程。我们提出了一种生成式元建模的方法，通过生成模型在线下学习仿真器在不同情景下的条件概率分布，从而构建一个‘仿真器的快速代理模型’，在线上的阶段观测到新的情景，我们就可以迅速地产生大量该情景下的仿真样本，进而帮助决策者进行分析和决策。”

　　举报/反馈