OptiRepair：面向供应链优化模型的闭环诊断与修复
人工智能
2026-02-26 v2 机器学习
最优化与控制
摘要
供应链优化模型经常会因建模错误而变得不可行。诊断和修复需要稀缺的OR专长：分析师必须解释求解器诊断信息，跨层级追溯根源，并在不牺牲操作可靠性的前提下修复模型公式。Whether AI代理能完成这一任务仍未被测试。我们将该任务分解为两个阶段：一个领域无关的可行性阶段，使用IIS引导的诊断迭代修复任何LP，以及一个领域特定的验证阶段，用于强制执行基于库存理论的五项合理性检查。我们在7个家族共976个多层级供应链问题上测试了22个API模型，并训练了两个8B参数的模型，采用自学推理和求解器验证奖励。训练后的模型达到了81.7%的理性恢复率（RRR）——即同时满足可行性和操作合理性的问题解决比例——而最佳API模型为42.2%，平均为21.3%。差距集中在阶段1修复中，API模型平均为27.6%恢复率，而训练模型为97.2%。两个差距将当前AI与可靠模型修复分离：求解器交互，因为API模型仅恢复27.6%的不可行公式；以及操作理性，因为约四分之一的可行修复违反了供应链理论。每个差距都需要不同的干预——针对性训练闭合求解器交互差距，而将明确规范为求解器可验证检查则闭合理性差距。对于采用AI进行运营规划的组织，Formalizing what 'rational' means in their context是回报更高的投资。
引用
@article{arxiv.2602.19439,
title = {OptiRepair: Closed-Loop Diagnosis and Repair of Supply Chain Optimization Models with LLM Agents},
author = {Ruicheng Ao and David Simchi-Levi and Xinshang Wang},
journal= {arXiv preprint arXiv:2602.19439},
year = {2026}
}