AI 能力地图 · ⑨
排产优化：让 AI 把"王师傅不上夜班"翻成一道数学题
排产、排班、配送，本质都是"在一堆约束下找最优组合"的数学题。算这类题的引擎几十年前就成熟了——真正卡住企业几十年的，是没人会把车间的规矩翻成数学。现在 LLM 把这道门槛拆了。
这是什么（人话）
给一条产线排下周的活：哪些订单先做、每台设备什么时候换型、谁上哪个班——要满足交期、产能、"这两道工序不能同一天"、"王师傅不上夜班"一堆约束，还要最省。这就是一道数学题，学名叫 MILP（混合整数规划），算它的专业引擎叫求解器。
求解器早就成熟了。为什么大多数工厂还在靠老师傅拍脑袋 + Excel？因为中间缺一环：把车间那些人话规矩，翻译成求解器看得懂的数学模型——这活儿要建模专家，稀缺又贵。现在 LLM 补上了这一环：你用人话把约束说清楚，它翻成模型，求解器算最优。门槛塌了。
成熟到什么程度（证据）
三个硬事实：
· 求解器早已是成熟工业品，国产的 COPT（杉数）在国际权威的 Mittelmann 求解器基准里长期占据前列（2026 年最新测评：线性规划 LP 两个榜单第一，SDP、SOCP、MISOCP 等多个非线性品类同样排第一）。用户案例包括：南方航空用它优化发动机维修排程，年省成本近亿元；小米用它做补货分货决策，现货率提升、周转天数下降。
· 它一直没在中小企业普及，卡点只有一个：业务 → 数学的"建模"环节要专家。LLM 把这一环从"请个博士立项数月"降到"用人话描述 + 自动生成模型"。
· 两件事一合：成熟的求解器 + LLM 的翻译能力，排产优化第一次能被普通制造 / 物流企业用起来。
· 求解器早已是成熟工业品，国产的 COPT（杉数）在国际权威的 Mittelmann 求解器基准里长期占据前列（2026 年最新测评：线性规划 LP 两个榜单第一，SDP、SOCP、MISOCP 等多个非线性品类同样排第一）。用户案例包括：南方航空用它优化发动机维修排程，年省成本近亿元；小米用它做补货分货决策，现货率提升、周转天数下降。
· 它一直没在中小企业普及，卡点只有一个：业务 → 数学的"建模"环节要专家。LLM 把这一环从"请个博士立项数月"降到"用人话描述 + 自动生成模型"。
· 两件事一合：成熟的求解器 + LLM 的翻译能力，排产优化第一次能被普通制造 / 物流企业用起来。
对你的企业意味着什么
这些天天在发生、又大多靠"拍脑袋 + Excel"的活，都是这类数学题：
| 场景 | 优化目标 |
|---|---|
| 车间排产 | 交期、换型成本、设备利用最优 |
| 人员排班 | 满足工时 / 技能 / 意愿约束下最省 |
| 配送路线 | 里程 / 时效 / 载重最优 |
| 安全库存 | 缺货与占款之间的平衡 |
这些地方哪怕优化 5–10%，对制造和物流企业都是直接落到利润上的真金白银。
现在该做什么
挑一个"约束说得清、能算出账"的小场景先试点（比如一条产线的周排产）。关键动作是先把硬约束和软偏好列全——交期是硬的、换型成本是软的、某些人不上夜班是硬的。LLM 能帮你把这些人话结构化，但列不列得全靠业务自己。跑出来的排产和老师傅现在的排法比一比：省了多少次换型、误了几个交期。账算得清，再推广。
坑在哪
三个别踩：
· 约束漏了 = 方案落不了地：求解器只会满足你告诉它的约束。漏了"这两道工序不能同一天"，它给的"最优"排产在车间根本排不了。上线前让老师傅审一遍约束清单。
· 别把优化当预测：排产优化是"给定条件找最优"，它不预测需求。需求预测是另一件事（见 表格预测）——正确姿势是先预测需求，再把预测当排产的输入。
· 求解器不是瓶颈，数据和约束才是：别在"选哪个求解器"上纠结太久，九成的功夫在把业务翻准、把数据（工时、产能、BOM）理干净。
· 约束漏了 = 方案落不了地：求解器只会满足你告诉它的约束。漏了"这两道工序不能同一天"，它给的"最优"排产在车间根本排不了。上线前让老师傅审一遍约束清单。
· 别把优化当预测：排产优化是"给定条件找最优"，它不预测需求。需求预测是另一件事（见 表格预测）——正确姿势是先预测需求，再把预测当排产的输入。
· 求解器不是瓶颈，数据和约束才是：别在"选哪个求解器"上纠结太久，九成的功夫在把业务翻准、把数据（工时、产能、BOM）理干净。
最后更新 2026-09-28 · 技术信息以官方最新发布为准