天 · 客户

地 · 算法团队

山 · 一般技术

海 · 资深研发

天

几十辆车、几百个配送点，电脑这么强，为什么不能"一秒钟算出最优解"？我打车软件都秒回啊。

天 · 客户

山

给 3 个配送点排顺序，只有 6 种走法；点数每多一个，走法数阶乘级增长——10 个点约 360 万种，15 个点约 1.3 万亿种，20 个点就是 2.4×10¹⁸ 种。电脑每秒验一亿种，也要几百年。

山 · 一般技术

地

这类问题——路径规划、三维装箱、排班排产——都是经典的 NP-hard：验证一个答案好不好，很快；找到最好的那个，可能要指数级时间。而且变量强耦合，局部最优层出不穷。

地 · 算法团队

海

理论上讲，除非 P=NP 被证明成立（千禧年七大难题之一，至今悬而未决），否则不存在"任意规模下又快又准"的通用算法。这不是工程能力问题，是计算复杂性理论的天花板。

海 · 资深研发

海

但天花板之下，天地广阔：问题结构化（聚类、地理局部性藏着"梯子"）；分解降维（Benders、列生成，把大问题切成小核）；规模换时间（不求数学最优，求足够好）。

海 · 资深研发

天

懂了。难，不是咱菜，是数学逼的。

天 · 客户

天

最闹心的是这个！同一批订单，昨天一个方案，今天路线变了；给 5 分钟和给 10 分钟，结果还不一样。老板问我：系统是不是有 bug？

天 · 客户

山

先接住：大概率不是 bug，是启发式的天性。它像一位有经验的调度员——不穷举（穷举不起），靠经验东看看、西试试。给 5 分钟和 10 分钟，试过的路子不一样，交出来的方案自然不同。

山 · 一般技术

地

波动来源有四个：随机初始化（初始种群、随机扰动）、超时截断（停在哪取决于时间预算）、浮点与并行（线程调度顺序不固定，加法不严格结合）、自适应参数（路径不同，终点不同）。

地 · 算法团队

地

稳定化分四层：① 固定种子、确定性环境，同数据同机器逐位一致；② 多重启取最优 + 收敛判据；③ 验收基准重复跑 20~30 次，看均值与波动带；④ 参数版本化，历史回放对比通过才灰度上线。

地 · 算法团队

海

往深一层，稳定性有数学抓手：时间预算自适应（按规模分配，方差受控）；optimality gap（松弛问题给出"离最优多远"的可证明间隙）；ALNS 带记忆的策略化扰动（方差显著下降）；学习型初始解（从好起点出发，又快又稳）。

海 · 资深研发

天

"稳分布不稳单次"，回去能跟老板交代了。

天 · 客户

天

精确解求不动，启发式又不稳。全世界聪明人往哪个方向使劲？我们选技术路线，心里得有个谱。

天 · 客户

山

一句话：AI 学经验 + 优化管底线。神经网络从海量历史方案里学"老师傅的手感"，关键时刻用传统优化把关。两条腿走路。

山 · 一般技术

地

五条主线：① 精确算法的工程学进化（智能剪枝、GPU 加速，"可证明最优"的规模边界年年外推）；② 近似算法（多项式时间，可证明近似比）；③ Learning-based 优化（learning to branch、DRL 直接求解、神经组合优化）；④ Matheuristics 混合；⑤ 量子退火、QAOA 卡位。

地 · 算法团队

天

别光讲概念，有落地的例子吗？

天 · 客户

海

有，就在国内——顺丰三篇论文，恰好打在物流的三个核心场景上，这就是行业风向标：

海 · 资深研发

海

① 路径规划 · Vehicle-as-Prompt（TRE）：把每种车型"写进 prompt"，注意力机制像读懂指令一样读懂车队构成，一个框架通吃异构车队。

海 · 资深研发

海

② 时序预测 · Li-Net（ICDE 2026）：稀疏注意力做多通道时序预测，又准又快——"未来有多少货"是智能调度链条的地基。

海 · 资深研发

海

③ 三维装箱 · StablePacker（IJCAI-ECAI 2026，已开源）："One4Many"单一策略应对多变体，承重、稳定、卸货顺序全都考虑。

海 · 资深研发

天

所以共识是：不跟 NP-hard 硬刚——让 AI 指出解空间里"最值得看的一小块"，优化算法再在这小块里精修？

天 · 客户

海

没错。顺丰的路线已经很清楚：预测（Li-Net）→ 路径（Vehicle-as-Prompt）→ 装载（StablePacker），全链路用"深度强化学习 + 注意力结构"重构。这不是学术炫技，是铺进了生产系统。

海 · 资深研发

天

天

等等——大模型真能替代 Gurobi、COPT？以后排产调度是不是喊一声 ChatGPT 就行？

天 · 客户

海

海

目前不能。LLM4MIP 自己说得很硬：LLM 没有独立证明可行性，没有独立给出合法全局界，也没有独自验证约简是否合法。任何结果都不能只凭模型口头输出验收。

海 · 资深研发

山

山

那它干啥？——项目挑了 MIPLIB 里 132 道还没结案的 open 题（约 217 开题池里选出，112+20 两批）。流程是：LLM 读结构、提假设 → 调用 COPT/Gurobi/SAT 去算 → 再对原模型独立核验。过关才算数。

山 · 一般技术

132

研究实例

34

最优 / 不可行

29

Primal / BKS

66

Dual 改进

地

地

记住两把尺子：Primal＝找更好的可行方案；Dual＝证明界「不可能更好了」。两边夹住最优。29 个更好可行解还进了 MIPLIB Best Known Solution——不是自报，是提交给 [email protected] 核验后收录的。

地 · 算法团队

海

海

LLM 真正擅长的是：读懂模型语义、提可检验假设、设计证伪实验、编排研究流程，再沉淀成 Primal / Dual skill。公开仓库给的是官网 + skill 包 + 结果工件——够借鉴工作流，还不是一键复现 132 题的完整 Agent 源码仓。

海 · 资深研发

天

天

明白了：调度卡壳时，可以让 LLM 帮找结构、拆问题、盯验证；但核心数值求解和「最优」判决，还是求解器 + 检查器的事。详情看 llm4mip.github.io。

天 · 客户

天

道理全懂了。那你们自己的路径规划和三维装箱产品，做出来什么样？

天 · 客户

山

上截图，眼见为实 👇（此处插入：路径规划、三维装箱产品结果图）

山 · 一般技术

地

思路与顺丰殊途同归：启发式保速度与工程稳定，AI 模块学历史经验、抬质量上限，在真实业务数据上持续迭代。

地 · 算法团队

海

这条赛道，理论天花板一百年没松动，但工程最优解的边界年年在推进。关键在你愿不愿意把"调度问题"当科学问题来经营，而不是当 Excel 问题来应付。

海 · 资深研发

天

懂了！明天给大家加鸡腿——先给公众号点个关注！

天 · 客户