基于 LNN+XGBoost 的多层供应链订货优化：缓解牛鞼效应
人工智能
2025-11-17 v2
摘要
供应链管理面临诸多挑战，包括需求波动、库存不平衡以及由于牛鞼效应导致的上游订单放大。传统方法如简单移动平均难以应对动态市场条件。新兴的机器学习技术，包括 LSTM、强化学习和 XGBoost，虽提供了潜在解决方案，但受计算复杂度、训练效率或时间序列建模限制。受动态生物系统启发的液体神经网络（LNN）因其适应性、低计算成本和对噪声的鲁棒性，适用于实时决策和边缘计算，前景广阔。尽管 LNN 在自动驾驶和医疗监测等领域取得成功，但在供应链优化中仍鲜有探索。本研究引入混合 LNN 和 XGBoost 模型，以优化多层供应链的订货策略。通过利用 LNN 的动态特征提取和 XGBoost 的全局优化能力，该模型旨在缓解牛鞼效应并提升累计盈利能力。该研究探讨了混合框架中局部与全局协同如何满足适应性与效率在供应链管理中的双重需求。该方法填补了现有方法之间的关键空白，为动态高效的供应链管理提供了创新解决方案。
引用
@article{arxiv.2507.21383,
title = {Optimizing Multi-Tier Supply Chain Ordering with LNN+XGBoost: Mitigating the Bullwhip Effect},
author = {Chunan Tong},
journal= {arXiv preprint arXiv:2507.21383},
year = {2025}
}