利用知识图谱和LLM推理识别仓库规划辅助中的操作瓶颈

分析来自仓库操作离散事件仿真(DES)的大型复杂输出数据集以识别瓶颈和低效环节，是一项关键但具有挑战性的任务，通常需要大量人工努力或专门的分析工具。我们的框架集成了知识图谱(KG)和基于大语言模型(LLM)的智能体，用于分析来自仓库操作的复杂离散事件仿真(DES)输出数据。它将原始DES数据转换为语义丰富的KG，捕获仿真事件与实体之间的关系。基于LLM的智能体使用迭代推理，生成相互依赖的子问题。对于每个子问题，它创建用于KG交互的Cypher查询，提取信息，并进行自我反思以纠正错误。这种自适应、迭代和自我纠正的过程能够识别操作问题，模拟人类分析。我们用于仓库瓶颈识别的DES方法，在设备故障和流程异常测试中，优于基线方法。对于操作性问题，它在定位低效环节方面达到了近乎完美的通过率。对于复杂的调查性问题，我们展示了其发现细微、相互关联问题的卓越诊断能力。这项工作弥合了仿真建模与人工智能(KG+LLM)之间的鸿沟，为获得可操作的见解提供了一种更直观的方法，减少了洞察时间，并实现了仓库低效环节的自动评估和诊断。