编者按在本系列文章中，我们对顶级期刊《European Journal of Operational Research》上 2025 年 12 月份在线发布的文章进行了精选（共 10 篇），并总结其基本信息，旨在帮助读者快速洞察领域最新动态。这些文章涵盖了铁路维护调度、生产车间排序、服务系统排队论、群决策共识、仓储物流优化、应急疏散管理、海事搜救路径规划、共享出行定价、库存管理中的深度强化学习以及

Location:Details:Location:Details:Location:Details:Location:Details:Location:Details:Location:Details:Location:Details:Location:Details:Location:Details:Location:Details:Location:Details:Location:

本文提出了一种全新的、自我改进式经验库学习框架AlphaOPT，用于自动构建优化模型。AlphaOPT 能够仅依赖最优解进行学习，并在分布外泛化方面显著优于微调类方法。同时，它生成的知识结构化、可解释、可审计，适用于真实工业场景中的人工干预与验证需求。展望未来，有三个方向值得进一步探索：（1）面向推理的测试时规模扩展：优化任务具有天然的可验证性，因此在推理层面的扩展潜力更大；（2）构建更大规模、覆

The 19th Learning and Intelligent Optimization Conference (LION 19)Location: Prague, Czech RepublicImportant Dates:Conference: June 15–19, 2025Details: https://lion19.org/14th International Symposium

编者按● 题目：Shared Mobility for Last-Mile Delivery: Design, Operational Prescriptions, and Environmental Impact最后一公里配送的共享物流：系统设计、运营策略与环境影响● 期刊：Manufacturing & Service Operations Management● 原文链接：https://d

LLM的引入不仅避免了手工设计启发式规则的复杂性，还能通过简单修改提示中的描述，快速适应不同规模的优化问题，甚至不同的任务。FunSearch方法是一个对求解程序的迭代过程，在每次迭代中，系统都会从当前的程序池中选择一些程序作为提示词，由LLM生成新的程序并自动进行评估。，如何更好地利用LLM在理解和推理上的优势，使其辅助优化问题的求解。受到OPRO方法的启发，也有一些学者尝试将进化算法的思想与L

在过去十年间，库存与供应链管理经历了显著的变革。电子商务的兴起为供应链引入了复杂性与全球化，导致物理流动日益互联。因此，管理这些供应链所需的成本不断上升。此外，COVID-19 疫情更是进一步推高了管理复杂网络的支出。根据《华尔街日报》的最新报道，美国企业的物流成本在某些年份中同比增长高达 22%. 为应对这些挑战，一个具有前景的方向是引入基于人工智能的库存管理解决方案，该类方案在管理复杂供应链方

首先声明模型，其次调用model.add_variable函数添加变量，可以设置变量的上下界和名称，随后调用model.add_linear_constraint添加线性约束条件，调用model.set_objective设置目标函数，由于使用了运算符重载，线性表达式可以由变量的四则运算直接构建，最后调用model.optimize求解优化模型，并调用model.get_value查询变量的最优解

研究不仅对比了传统精确算法和启发式方法，还在不同问题规模下评估了七种主流LLM（包括OpenAI 的 ChatGPT-3.5和ChatGPT-3.5、Google 的 LaMDA 2 和 PaLM 2、Meta AI 的 LLaMA 2、阿里巴巴的 Qwen 和百度的 Ernie），发现ChatGPT-4o在减少加班时间、平滑床位需求峰值方面表现最优。与传统仅依赖数学优化的方法不同，LLM具备整合

收益管理（Revenue Management; RM）关注的是需求管理决策，以及做出这些决策所需的方法和系统（决策对象）。人类历史上的每一个卖家都面临着需求管理的决策。本文关注收益管理中动态定价的经典模型和常用算法并进行相应延展。