三千纪智能FULL AI COMPANY
研究方向 加入我们

COMPASS / 商业决策

预测 决策 成功

把模具、机台节拍和交期放进同一个模型,比较两种排产方案怎样处理同一张加急订单。

橙色工业机器人分布在汽车零部件装配线的两侧
汽车零部件自动化装配线 Simon Kadula / Unsplash

[ 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。

-62% 非计划换模时间降幅
99.4% 加急单准交率

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

INDUSTRIAL TWIN // FLEXIBLE APS · SETUP MATRIX
[ 01-2 ]

适用行业与接入方式

INDUSTRIES & DEPLOYMENT

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。

悬停或点击展开对应行业场景 · 支持方向键切换

01 / 05
工厂工程师在车间查看排产平板电脑
01 MANUFACTURING
MANUFACTURING

制造排产

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

[ DEPLOYMENT ]

接入步骤

THREE STEPS
STEP 01

整理数据与约束

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。

STEP 02

历史数据复盘

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。

STEP 03

日常运行

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

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

97% 纸面预期满载率
103% 实际需求(+5% 偏差)
-25% 人工返工损耗利润

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。

  1. 01
    场景感知与硬约束层 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)。

  2. 02
    神经价值映射层 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。

  3. 03
    扰动平滑与 FY 梯度桥 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。

  4. 04
    硬约束组合求解层 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。

  5. 05
    结构化闭环进化层 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。

[ CORE MATH ]

可微决策学习四步机制

DIFFERENTIABLE DECISION LEARNING
01

法扇边界突变

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
02

结构化决策损失

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*
03

随机扰动平滑

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*
04

Fenchel–Young 梯度桥

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

工程与交付标准

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。