链上镖师 / Chain Biaoshi
CIE|让LLM参与煤炭铁路网络优化
一篇关于多阶段设施选址、DC间转运与随机需求韧性的论文解读
这篇论文把多阶段配送中心选址、库存、DC间转运、提前期、运输损耗和随机需求放进同一个煤炭铁路运输模型，并用LLM辅助VNS选择邻域扰动序列，在大规模算例中同时改善解质量与计算效率。
- 01：研究对象是煤矿、配送中心和需求点组成的煤炭铁路运输系统，核心矛盾来自产销空间错配、长距离运输损耗、库存容量约束和需求不确定性。
- 02：模型采用两阶段随机混合整数线性规划，第一阶段决定DC开启、矿点分配和需求点分配，第二阶段在需求实现后处理补货、库存、发运、缺货和DC间转运。
- 03：算法上，论文将LLM嵌入VNS框架，用于设计邻域结构和推荐扰动序列，使启发式搜索更贴近实例结构。
- 04：实验显示，LLM@VNS在小规模算例上匹配Gurobi最优解，在大规模算例上相对Gurobi上界取得1.36%的更优解，并将CPU时间降低77.62%。
研究背景
煤炭仍是中国、印度、美国等国家能源系统中的重要组成部分，电力和重工业对煤炭连续供应依赖较强。论文指出，中国煤炭储量超过70%集中在山西、陕西、内蒙古等西北地区，主要消费中心分布在东部和南部，产销空间错配使铁路长距离运输与中转配送成为系统效率的关键。
煤炭供应链系统结构，展示煤矿、配送中心、需求点和DC间转运关系，来源：Fig. 1。
这项研究的现实入口是煤炭物流中的三个运营压力：运输途中存在0.3%至1%的平均损耗，铁路站点和配送中心存储能力有限，季节性需求、工业活动波动和政策冲击会放大区域缺货风险。
核心问题
论文研究的MLAIP-UD问题，需要在多周期规划期内同时决定配送中心在哪里开、何时开、每个运营DC由哪座煤矿供应、服务哪些需求点，以及需求实现后如何补货、持有库存、清理积压需求和安排DC间转运。目标是在固定开启、运输、转运和库存持有成本之间取得系统成本最小。
01选址层面：每期可新增开启的DC数量受预算约束，已开启DC在规划期内持续运营。
02分配层面：每个需求点在每期最多由一个DC服务，每个运营DC在每期由一个煤矿供应。
03运营层面：随机需求实现后，模型安排订货、库存、发运、缺货回补和DC间横向转运。
04现实约束：模型显式纳入提前期和煤炭在矿到DC、DC到需求点、DC间转运三类链路上的运输损耗。
已有设施选址和煤炭物流研究常处理多周期、库存或容量问题，但同时覆盖不确定性、选址、多周期、提前期、DC间转运、运输损耗和LLM增强求解的框架较少。论文把这些因素合并，重点评估转运是否提升韧性，以及LLM引导的启发式搜索是否能在大规模实例上提供可用解。
方法框架
模型采用两阶段随机规划。第一阶段变量包括DC运营状态、需求点分配和煤矿分配；第二阶段变量按需求情景展开，处理订货、库存、向需求点发运、缺货回补、DC间转运和转运通道选择。论文将有限需求情景写成确定性等价MILP，并在目标函数中计入情景概率下的期望二阶段成本。
LLM@VNS算法框架，串联初始解、LLM推荐扰动序列、VNS搜索和反馈更新，来源：Fig. 2。
LLM辅助设计的邻域结构，覆盖延迟开启、增加、双交换、删增、开闭交换和合并等搜索动作，来源：Fig. 5。
1先由第一阶段决策给出DC开启、矿点分配和需求点分配方案。
2再在每个需求情景下计算补货、库存、发运、缺货回补和DC间转运。
3VNS通过shaking、local search和neighborhood update迭代改进解。
4LLM根据实例规模、参数设定和当前搜索状态推荐扰动算子及执行顺序。
案例或实验设置
实验使用伪随机生成的一组算例，记号SI_J_K_T分别表示候选DC数量、需求点数量、煤矿数量和规划期数。例如S10_15_5_5表示10个候选DC、15个需求点、5座煤矿和5个规划期。所有算法用Python 3.12实现，Gurobi版本为11.0.3，运行环境为Intel i5-14400 CPU和32GB内存。
算例生成参数范围，包括开启成本、运输成本、容量和损耗等设定，来源：Table 6。
两类需求过程的核心特征，MD和P70共同构成随机需求情景基础，来源：Table 7。
需求不确定性通过两类生成过程构造。论文先对每个需求点和时期从[100,1000]区间生成100个初始样本，再计算均值和标准差，随后形成MD和P70两类正态需求过程，并通过蒙特卡洛模拟产生模型输入情景，超出[100,1000]的模拟值会被截断。
结果分析
计算结果显示，规划期数增加会迅速推高变量和约束数量，从S15_20_5_7到S15_20_5_10，变量数增加83.93%，约束数增加42.93%。当规划期超过10期后，Gurobi无法在时间限制内证明最优性。LLM@VNS在前四个小实例上达到最优解，在更大实例上相对Gurobi上界平均gap为-0.32%。
Gurobi与多类启发式算法的详细计算结果，覆盖目标值、运行时间、gap和LLM推荐序列，来源：Table 8。
两类需求情景下Gurobi与LLM@VNS目标值对比，展示不同实例规模下的解质量，来源：Fig. 9。
两类需求情景下Gurobi与LLM@VNS计算时间对比，突出大规模实例中的效率差异，来源：Fig. 10。
情景随机模型在突发需求下的表现，累计未满足需求用于衡量供应链韧性，来源：Fig. 11。
管理启示
论文给出的管理含义集中在转运、随机建模和损耗控制三点。突发需求测试中，确定性模型累计未满足需求达到75911.60，是P70策略的3.89倍、MD策略的5.11倍；在DC间转运对比中，允许转运的策略将DSR提高到99.14%，并把期望系统成本从23708.23降至9070.95。
DC间转运策略对服务率和系统成本的影响，Strategy I的DSR为99.14%，Strategy II为96.20%，来源：Table 10。
系统成本对运输损耗率的宏观敏感性，上游损耗对期望成本的影响最强，来源：Fig. 12。
不同空间运输损耗对成本组成和决策的影响，展示固定成本、二阶段变量成本、开放DC数量和平均库存变化，来源：Fig. 13。
✓煤炭铁路网络存在需求波动时，DC间转运能形成库存风险池，降低局部高需求节点的缺货惩罚。
✓随机需求建模比确定性设计更适合承受突发需求冲击，MD方案在总未满足需求指标上表现最好。
✓上游矿到DC链路的损耗对系统成本影响最大，损耗治理和保护措施应优先覆盖长距离上游运输。
✓LLM在该论文中的价值集中于扰动序列与邻域结构选择，适合作为启发式算法的结构化辅助组件。
论文：Multi-stage facility location and transshipment design for coal railway transport systems: A LLM-augmented optimization approach
作者：Xiang Li，Jiayi Yu，Bowen Zhang，Francisco Saldanha-da-Gama，Ziyan Feng
期刊：Computers & Industrial Engineering
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
