优化
排程、分配、路径、设计和装箱。在规模允许时使用混合整数规划,否则开发定制启发式算法。
定制算法,也能处理现成求解器无法解完的问题。
我们把您的排程、分配、路径和规划决策转化为数学模型,并开发求解这些模型的软件。我们的方法已公开发表,并经过真实运营数据的检验。
只要一项决策有目标和约束,我们很可能就能为它建模。
生产线、班次、维护和项目计划。
人员、设备、预算和有限的物料。
车队、配送和供应网络。
仓库、工厂、服务网点和基础设施。
材料切割,以及集装箱和托盘装载。
库存、产能,以及经仿真检验的策略。
我们的方法迄今取得的成果,其中很多来自物流领域。数据均引自所链接的论文。
在物流网络设计中,我们的变邻域搜索在小型网络上与最佳对偶界的差距约为 1%;在中型网络上,比限时精确求解器最多好 55%。
在离散事件仿真器中回放一个月的真实包裹流量后发现,某项生产策略可在交付时间不变的情况下节省 5.0% 的成本。改进只需调整两个参数,无需资本投入。
基于真实零售数据的卡车与挂车路径问题:每个仓库约 400 家门店和 100 辆车,并包含时间窗和拆分配送。我们的启发式算法找到的方案比简单贪心方法便宜 20%。
为去中心化最近邻搜索的最优网络建立数学规划模型。我们在 4×4 网格上得到了精确解,并求得了最大至 7×7 的启发式解。
我们将游戏 Dota Underlords 的阵容选择建模为整数规划,用真实数据求解,并证明了该问题是 NP 完全的。
每个项目都是定制的,从最初的问题建模到可运行的软件。
排程、分配、路径、设计和装箱。在规模允许时使用混合整数规划,否则开发定制启发式算法。
回放您的真实运营数据,遍历不同策略设置,在改动生产之前看清各种权衡。
改进近似最近邻搜索,从图结构设计到基于您的数据调优召回率、延迟和内存。
预测、检测和质检模型,包括优化所依赖的需求和故障预测。
机器、班次、批次和车辆都以整数单位计算,因此需求稍有增加,就可能要多付一个单位的费用。线性模型看不到这种跳跃。拖动滑块进行比较。
示例中每单位容量 C = 20。
通用模型
我们从您的运营出发,所有成果都归您所有。
与运营负责人一起写下目标、约束和例外情况。
用历史数据评估您当前的流程,让每项结果都有公平的比较。
构建算法,并对照基准和数学界进行测试。
接入您的系统,并交付代码、模型和文档。
可公开阅读,包含问题建模和实验。
告诉我们您要做什么决策、受哪些限制,以及如何衡量好的结果。粗略描述即可。