[ 01 / 制造排产 · APS ]
车间智能排产
临时加急单进入时,直接硬插产线容易引起数小时换模停机与后续逾期。COMPASS 统筹模具、机台节拍与交期约束,通过跨线调整减少换线并守住交期。
适用场景汽配加工 · 注塑冲压 · 五金机加工 · 包装印刷
工业仿真基准 · Flexible Job-Shop with Sequence-Dependent Setup
三千纪智能FULL AI COMPANY
[ 01 / 制造排产 · APS ]
临时加急单进入时,直接硬插产线容易引起数小时换模停机与后续逾期。COMPASS 统筹模具、机台节拍与交期约束,通过跨线调整减少换线并守住交期。
适用场景汽配加工 · 注塑冲压 · 五金机加工 · 包装印刷
工业仿真基准 · Flexible Job-Shop with Sequence-Dependent Setup
[ 02 / 区域物流 · 波次配载 ]
订单分批到达且有严格收货时间窗。COMPASS 实时权衡立即派车与延后拼车的边际成本,减少偏远单绕行,等下一波顺路订单到达后合并发车。
适用场景生鲜冷链城配 · 区域快消经销 · 本地仓配送 · 外勤派单
公开数据集验证 · EURO Meets NeurIPS 2022 竞赛第 1 名 · PC-VRPTW (Transportation Science 2024)
[ 03 / 仓配库存 · 多品补货 ]
多个 SKU 共用有限仓容与采购预算时,单品独立预测容易一边积压一边断货。COMPASS 在 10¹⁰ 组合空间内联合分配补货量,优先保障畅销品并守住仓容上限。
适用场景电商与贸易仓 · 区域批发 · 连锁门店配补调 · 生产备料
公开数据集验证 · 大规模多品联合补货基准 · DNC (ICLR 2024)
[ 04 / 工业用能 · 光储调度 ]
结合光伏出力、负荷预测与峰谷电价,COMPASS 在电池充放与安全边界内制定调度计划:低谷蓄能,尖峰放电,降低厂区综合用电成本。
适用场景制造厂房 · 冷链冷库 · 园区光储电站
园区光储仿真基准 · Coupled SoC & Time-of-Use Tariff Dispatch
底层都是同一类问题:需求有波动,资源有上限,规则不能破。以下是常见的落地场景。
多机台排程 · 急单插单 · 换模优化 · 物料齐套
减少换线停机,提高准交率
同城波次派车 · 收货时间窗 · 载重与温区约束
减少空驶绕行,提升装载率
多品联合采购 · 仓容与资金上限 · 安全库存
降低滞销积压,减少畅销品缺货
光伏与储能充放 · 峰谷电价 · 需量控制
在电池安全边界内降低电费支出
多门店配补调 · 临期定价 · 班次与外勤排班
平衡周转、毛利与人效
导出已有订单、工单或库存表(Excel / CSV 或进销存数据),确认优化目标与业务硬规则。
用过去一段时间的真实数据离线对比原方案与模型方案,不触碰日常生产,先核对实际差异。
可通过工作台导入表格直接生成排程与补货单,也可通过标准 API 对接现有 ERP 或进销存系统。
[ 01-2 ] 专属模型 · 技术原理
指南针决策模型 COMPASS 通过将预测、组合优化与结构化学习端到端融合,并利用随机扰动与 Fenchel–Young 损失实现离散决策层的可微优化,使模型能够直接以最终决策质量为目标进行训练。
传统 Predict-then-Optimize 把预测与求解拆成两段:预测模型只管缩小统计误差,不知道下游的载量、交期、换模工时与仓容边界。
COMPASS 把预测层、随机扰动平滑与硬约束组合求解器接成可微整体——同一套内核可用于排产、配载、补货与用能调度,从训练开始就对真实决策结果负责。
ACCURACY ≠ ROI // 为什么 5% 误差能击穿计划
硬约束一旦当成软惩罚处理,5% 的预测偏差就会让计划无法落地,只能靠人工临时返工;COMPASS 把硬约束直接写进求解层,保证输出方案默认可执行。
xₜ, Y
此刻供需、时间窗与仓容边界处在什么状态?
将车间模具与机台工时、客户收货时间窗、卡车载量、仓库库容上限与电池 SoC 安全边界统一编码为物理可行域 Y(xₜ)。
φ_ω → θₜ
哪些订单与调拨动作对全局最值钱?
GNN / Transformer 直接输出业务决策价值参数:产线换模切换权重、订单顺路拼车奖金 θc、SKU 补货优先级或电价充放套利分数。
L^FY
离散不可导的求解器如何反传稳定梯度?
用随机扰动 θ + εZ 与 Fenchel–Young 损失建立连续分数空间 ℝᵈ 与离散多面体 C 的严格双射,回传低方差决策梯度。
CO-Layer / DNC
如何在亿级组合中瞬时锁定 100% 可行方案?
路由调度、APS 排产与 DNC 局部邻域搜索层 A′(â) 原生嵌入硬约束,在亿级组合中毫秒锁定 100% 可执行方案。
IL + SRL
如何抵抗分布漂移并探索超越历史专家?
轻量化轨迹增强克服分布漂移,Actor/Critic 双嵌 CO-Layer 的结构化强化学习(NeurIPS 2025)持续突破专家上限。
组合优化求解器在参数空间分段常数,内部梯度处处为 0,越过边界瞬间解翻转。
y*(θ) = arg max θᵀy直接比较模型决策与全知专家决策的真实收益差,用业务结果而非统计误差度量损失。
L = max θᵀy − θᵀy*求解前注入随机噪声 θ + εZ,将不可导的离散 argmax 转化为光滑可微的期望面。
E[ max (θ + εZ)ᵀy ] − θᵀy*噪声正则化诱导出凸共轭 Ω*(θ),梯度天然简化为期望决策与专家之差,低方差稳定反传。
∇L^FY = E[argmax(θ+εZ)ᵀy] − y*[ 01-2 ] 工程标准 — ENGINEERING
模型能否长期使用,取决于约束是否严格、算得够不够快、接入成本高不高。
载量、交期、模具工时、仓容与电池上限直接写入组合求解层 CO-Layer,输出结果默认满足可行性要求。
上线前用企业历史数据离线对比原方案与模型方案,成本与收益差可逐笔核对,不干扰现有业务。
结合动态邻域构造 DNC 与可微求解加速,在秒级内完成复杂排程、配载与多品补货计算。
结合轨迹增强(DAgger)与结构化强化学习(SRL),在淡旺季切换或订单结构变化时保持策略稳定。
支持 Excel / CSV 导入及标准 REST / JSON 对接常见进销存与 ERP;支持私有化部署,数据不出企业环境。