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

本文围绕“自然语言运行需求 → 可执行电力系统优化模型/代码”的自动化建模目标，构建了面向专业电力优化建模的评测体系：通过ProOPF-D提供可训练的多层级样本，并以ProOPF-B给出端到端、可执行的严格评测协议。实验结果显示，主流大模型在通用优化建模基准上表现优异，但在电力工程级场景（尤其是语义参数推断与结构扩展的组合挑战）上仍存在显著差距；而基于 ProOPF-D 的监督微调能够有效提升整体

本文介绍的这项工作由多伦多大学团队完成，并发表于 2025 年的 Manufacturing & Service Operations Management (MSOM)，给出了一个颇具启发性的答案：将机器学习嵌入大规模双层优化模型之中，在优化过程中同时控制预测误差，并在严格的理论框架下分析最优性差距。它不是单纯的机器学习应用，也不是传统的随机规划近似技巧，而是在优化模型内部构造一个“可控的近似机

本文提出的 AutoRO-Bench 与 AutoREM 框架，展示了大模型在鲁棒优化自动重构方面的巨大潜力。AutoREM 在多种场景下实现了 SOTA 性能，更展现了卓越的跨模型通用性，有力证明了“高质量验证记忆”在严密推理任务中的核心价值。​未来，研究团队将重点探索基于可行性检查等弱监督信号的自适应机制，以摆脱对求解器真值的依赖；同时，计划将重构能力从线性模型扩展至更复杂的非线性鲁棒优化领域

作者首先构造一个ZIPcode×monthZIPcode×month的风险矩阵YYY, 其中i1Ni=1,…,Ni1N表示ZIP code,t1Tt=1,…,Tt1T表示月份。在概念上，矩阵元素YitY_{it}Yit​表示ZIP codeiii在月份ttt是否存在可疑采购行为，但由于绝大多数 Walgreens 门店没有完整 ground-truth label，矩阵YYY中大量元素是缺失的。

LEBD 的优势来自“优化主导 + 机器学习辅助”的组合机制：Benders 分解负责保证模型求解的结构化推进，机器学习则帮助算法更早识别低价值 hub、缩小搜索空间，从而在保证解质量的同时显著提升求解效率。随着这些枢纽被移除，主问题和子问题同时变小，Benders cuts 生成速度加快，上下界差距缩小，进而又有助于进一步删除枢纽，形成一个良性循环。过去的Hub Location Problem

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

本文总结了两篇资源分配相关的论文，并对阿里巴巴和谷歌的开源数据集进行简单介绍。

值得注意的是，在透明度高的条件下，更强的广告影响力能够增加总体CSR活动和社会福利。本月M&SOM发文聚焦服务运营中的技术创新、收益管理、零售决策、医疗管理、可持续运营及不确定环境下的库存决策等领域，研究涵盖客户对服务聊天机器人的行为障碍与AI情绪劳动、联合品类优化与营销组合分配、医院利用率的效率区间、竞争下的企业漂绿策略、数据驱动定价等前沿问题，方法涉及在线实验与实地实验、多项Logit模型与近

LEBD 的优势来自“优化主导 + 机器学习辅助”的组合机制：Benders 分解负责保证模型求解的结构化推进，机器学习则帮助算法更早识别低价值 hub、缩小搜索空间，从而在保证解质量的同时显著提升求解效率。随着这些枢纽被移除，主问题和子问题同时变小，Benders cuts 生成速度加快，上下界差距缩小，进而又有助于进一步删除枢纽，形成一个良性循环。过去的Hub Location Problem