基于混合液态神经网络和极端梯度提升模型的多层供应链订货优化
人工智能
2025-12-17 v1
摘要
供应链管理（SCM）面临需求波动和 bullwhip 效应等重大挑战。传统方法甚至最先进的大语言模型（LLM）在像挪罪机测试这样的基准上都难以应对，无法处理 SCM 的复杂连续时间序列数据。虽然 LSTM 和 XGBoost 等机器学习方法提供了解决方案，但往往受限于计算效率。液态神经网络（LNN）以其在机器人领域中的适应性和效率而著称，但在 SCM 中尚未得到充分利用。本研究提出了一种混合 LNN+XGBoost 模型用于多层供应链。通过结合 LNN 的动态特征提取与 XGBoost 的全局优化，该模型旨在最小化 bullwhip 效应并提高盈利能力。这一创新方法满足了效率和适应性的需求，弥补了智能 SCM 中的关键空白。
引用
@article{arxiv.2512.14112,
title = {Optimizing Multi-Tier Supply Chain Ordering with a Hybrid Liquid Neural Network and Extreme Gradient Boosting Model},
author = {Chunan Tong},
journal= {arXiv preprint arXiv:2512.14112},
year = {2025}
}