迈向基于生成式人工智能与代理式数字孪生的自主货运多式联运优化

《Computers & Industrial Engineering》：Towards autonomous freight intermodal optimization via generative AI and agentic digital twins

　　

• 通过五个可验证属性定义了智能体数字孪生。
• MCP 让两个不同的大语言模型无需修改即可驱动同一个货运优化器。
• 在一个 7 秒的请求中，大语言模型约占 94% 的时间；求解器约占 1%。
• 当订单数超过约 20 个（Gurobi）或 5 个（开源求解器）时，求解器占据主导地位。
• 对于未见请求，限制较小模型的是工具调用可靠性，而非延迟。

引言
随着城市人口持续激增，预计到 2050 年将达到 69 亿，高效、可持续地管理城市系统的迫切性显著增强。这一挑战的关键组成部分在于城市物流，特别是货运运输，它既是经济生产力的基石，也是环境退化的重要贡献者。全球货运运输部门——涵盖公路、铁路和水路网络——约占温室气体（GHG）排放量的 11%（Staff, 2012），仅美国运输部门在 2021 年就负责了 38% 的能源相关排放，总计 46 亿吨二氧化碳（Shirley & Gecan, 2022）。这些统计数据强调了开发更绿色、更具韧性的物流系统的紧迫必要性。COVID-19 大流行进一步暴露了全球货运网络的关键漏洞，突显了适应性和稳健供应链设计的首要重要性（Dubey et al., 2022, Golan et al., 2020）。应对这些挑战，货运运输经历了一种渐进的范式转变——从单模式演变为多模式，随后演变为多式联运系统——每一次迭代都在其前者的基础上增强效率和运营灵活性（Rossolov et al., 2017）。多式联运货运（IMT）现在是当代供应链的基础，它能够在多种运输方式（包括卡车、火车和船舶）之间实现货物的无缝流转，且在模式转换期间无需直接搬运（Kengpol et al., 2014, Turbaningsih et al., 2022）。通过协同结合每种运输方式的独特优势，IMT 显著提高了运营效率，降低了成本，并通过智能路由策略、货物合并以及增加铁路和水路运输等节能替代品的使用，最大限度地减少了环境影响（Demir et al., 2019）。最近，同步式联运货运系统作为 IMT 的高级演变出现，纳入了实时决策能力，以进一步增强系统响应能力和环境可持续性（Giusti et al., 2019）。

尽管当代货运运输范式，特别是多式联运和同步式联运系统，提供了巨大的效率提升，但其设计和运营面临着巨大的方法论挑战。优化特定起讫点对（OD 对）之间的货运流动需要全面的决策框架，能够平衡相互竞争的目标：交付速度、运营成本和环境影响（Aljadiri et al., 2023）。这些复杂系统必须同时在高度动态和不确定的运营环境中容纳各种相互关联的物流过程——包括移动、存储、合并、拆分和模式转换（Lv et al., 2019, Reis and Macário, 2019）。随着货运系统向同步式联运演进，由于实时运营要求、特定模式的约束、地理变异性以及交通拥堵、极端天气条件或基础设施故障等中断事件的固有不可预测性，复杂性显著加剧（Demir et al., 2019）。因此，开发可持续和高效的优化策略需要处理大量异构数据，执行高保真模拟，并部署高级优化算法来评估无数种路线、运输方式和运营实践的组合（Archetti et al., 2022）。这个过程本身非常复杂且计算密集型，需要支持动态、集成货运网络中实时决策的创新、自适应解决方案。为了应对这些多方面的挑战，一种变革性的范式获得了显著动力：城市数字孪生。从先进制造系统的起源演变而来，城市数字孪生创建了真实世界城市环境的全面数字副本，使复杂城市系统的实时监控、模拟和优化成为可能（Najjar et al., 2024, Goodchild et al., 2024）。通过整合真实世界传感器网络、数据驱动建模技术、人工智能和信息物理系统（Xu et al., 2021），城市数字孪生为增强货运运输效率、支持复杂的基于场景的规划以及能够在日益复杂的城市物流景观中实现知情的自适应决策提供了 unprecedented 的潜力（Ambra et al., 2019a, Busse et al., 2021）。

尽管工业界和学术界在发展用于复杂城市和环境管理应用的城市数字孪生方面取得了相当多的进展，但其设计、实施和广泛采用仍面临重大障碍，这源于城市系统的固有复杂性（Xu, Omitaomu, et al., 2024）。解决复杂挑战——例如优化多式联运货运——通常需要整合大量异构、跨学科数据集，结合编排多种科学工具，包括高级模拟模型和优化引擎（Tupayachi et al., 2024）。这种整合过程通常劳动密集，需要专门的领域专业知识来配置和协调多领域工具，使其成为连贯、可操作的工作流。随着城市管理变得越来越跨学科——涵盖运输和移动系统、城市物流网络以及气象条件等环境因素——城市数字孪生必须支持越来越复杂的、多方面的分析框架（Xu et al., 2023, Xu, Omitaomu, et al., 2024）。然而，许多现有系统呈现给最终用户的工作流在技术性质上非常高，要求用户具备大量专业知识来配置模型、解释复杂输出并提取有意义、可操作的见解（Mazzetto, 2024）。这种较高的进入门槛显著限制了城市数字孪生对更广泛利益相关者和决策者的可访问性和实用价值。

我们将智能体数字孪生定义为一种数字孪生，其虚拟表示与自主生成式 AI 智能体相结合，这些智能体能解释用户意图、对领域知识进行推理，并代表用户主动规划和执行操作，例如选择建模公式和调用求解器、模拟器和数据服务。这与传统数字孪生形成对比，传统数字孪生尽管支持实时监控、模拟和可视化，但仍需要人工操作员来解释模型输出，为给定任务选择合适的工具，并手动协调分析的每一步。本文其余部分开发、实施并演示了这样一个用于多式联运货运优化的智能体数字孪生。2.5 节通过五个定义属性（P1 到 P5）使这一定义具体化，将智能体数字孪生置于数字模型、数字影子和传统数字孪生相对的位置，其余各节使用这些属性来构建架构（3.2 节）、用例（4.1 节 用例 1 - 问答和知识库构建，4.2 节 用例 2 - 自主模拟和优化）以及评估（4.3 节）。

几十年来关于多模式、多式联运和同步式联运货运的运筹学研究产生了成熟的模型和算法，用于路由、调度、合并和模式选择（Archetti et al., 2022, Demir et al., 2019, Giusti et al., 2019）。这些研究从一个已建立的模型开始：它们假设分析人员已经将规划问题转化为模型实例，选择了公式和求解器，准备了数据，并将为决策者解释解决方案。在实践中，求解器调用前后的这些步骤仍然是手动的，并且需要运筹学专业知识。对于货运数字孪生的许多预期用户，如公共交通机构、大都市规划组织和小货运运营商，限制货运优化在规划中使用的正是这些步骤，而不是求解器性能。本文关注的是围绕模型的决策过程，而不是模型本身。例如，在 4.2 节的案例研究中，诸如“在 48 小时内从西雅图运送 200 个集装箱到奥兰多”的请求，传统上需要分析人员将城市映射到网络节点，设置订单参数和车队限制，构建并求解混合整数规划，并将求解器的变量值解码为路线和成本组件。在提出的智能体数字孪生中（图 1），一个大语言模型智能体通过模型上下文协议（MCP）上的工具调用执行其中的每一个步骤，用户收到结果计划及其自然语言解释。

本文的贡献如下：
1. 智能体数字孪生的概念定义，表述为五个可验证属性（P1 到 P5），置于数字模型、数字影子和传统数字孪生相对的位置，并沿六个维度与传统货运数字孪生进行对比（2.5 节）。
2. 基于 MCP 的参考架构，将大语言模型智能体与科学工具链解耦：每个求解器、模拟器或数据服务都被暴露为一个 MCP 服务器，可以被任何支持 MCP 的智能体发现并调用，因此将 N 个工具连接到 M 个智能体或大语言模型需要 N+M 个协议适配器，而不是 N×M 个定制集成（3.2 节 总体系统设计，3.6 节 通过模型上下文协议进行自主工具调用和科学工作流执行）。
3. 已实现的用于多式联运货运规划的智能体数字孪生，将大语言模型、从领域文献构建的知识图谱、使用 Gurobi 求解的混合整数优化模型以及地理空间可视化相结合（3.2 节至 4.2 节）。
4. 该实施的文档化实证评估，报告了智能体工作流的各阶段延迟、优化层随实例规模的扩展、编排层随工作流深度的成本以及系统在并发请求下的行为（4.3 节）。

本文并未提出新的多式联运货运优化模型或求解算法。案例研究中使用的混合整数公式遵循 Liu (2025) 并在附录中重现以保证完整性；贡献在于智能体层，该层代表没有优化专业知识的用户来制定、执行和解释此类模型。

为了弥补这些差距，本研究由以下研究问题指导，每个问题均在第 6 节回答：
RQ1. 智能体数字孪生与用于货运物流的传统数字孪生有何区别，以及它必须表现出哪些属性？（贡献 1）
RQ2. 如何通过 MCP 将生成式 AI 智能体与优化和模拟工具耦合，使得工具链模块化且独立于底层的大语言模型？（贡献 2 和 3）
RQ3. 智能体层为优化求解器增加了多少计算开销，求解器和智能体层如何随实例规模、工作流深度和并发负载扩展？（贡献 4）

章节摘要
文献综述
本节通过系统检查三个相互联系的领域，为我们的研究建立概念基础。我们首先澄清货运运输系统内的关键概念，随后全面回顾货运运输部门现有的数字孪生应用。随后，我们检查生成式 AI 技术的最新进展，为引入基础模型及其在研究和运营中的应用奠定基础。

方法论
本节首先检查本工作所解决的城市优化挑战的复杂性，确定目标用户组，并概述所提出的数字孪生系统的关键设计要求。然后介绍了为满足这些要求而开发的总体系统架构。该方法学方法旨在解决引言中概述的研究问题。框架中的每一步都映射到一个或多个研究问题，确保。

计算结果与用例
为了评估所提出框架的能力和执行，我们实现了一个自动化数字孪生系统，该系统利用尖端的数据科学和软件部署技术在 Docker 环境中整合了所有四个核心组件。该系统旨在验证技术框架在支持集成货运运输系统背景下复杂决策和优化任务的可行性。该实施使我们能够。

局限性与未来工作
尽管所提出的框架证明了使用由生成式 AI 驱动的数字孪生进行城市货运物流自主模拟和优化的可行性和潜力，但仍存在一些局限性，为未来的研究和发展提供了机会。

数据可用性和质量挑战：最重大的局限性之一涉及综合货运运输建模所需的领域特定数据的可用性和质量。高质量的。

结论
本文提出了一种新颖的框架，整合了生成式 AI、多智能体系统和 MCP，以实现城市货运物流中自主的、模拟知情的决策。通过将大语言模型与领域特定的优化和模拟工具（如 Gurobi 和 AnyLogic）相结合，所提出的系统代表了一种根本性的范式转变，将数字孪生从静态的视觉表示转变为能够自主推理的动态智能智能体。

CRediT 作者贡献声明
Haowen Xu: 撰写 – 初稿，软件，方法论。Yulin Sun: 撰写 – 审阅与编辑，验证，资源，概念化。Jose Tupayachi: 撰写 – 审阅与编辑，软件，方法论。Olufemi Omitaomu: 监督，项目管理，概念化。Sisi Zlatanova: 撰写 – 审阅与编辑，验证，监督。Xueping Li: 撰写 – 审阅与编辑，监督，方法论，资金获取，概念化。

免责声明
本文书由 UT-Battelle, LLC 根据与美国能源部（DOE）签订的合同（合同号 DE-AC05-00OR22725）编写。美国政府保留权利，出版商通过接受文章发表，确认美国政府保留非排他性、已付清的、不可撤销的、全球性的许可，以出版或复制本手稿的出版形式，或允许他人为此目的进行，用于美国政府事务。能源部将提供对这些联邦资助研究成果的公开访问。

生成式人工智能（AI）声明
生成式AI是本文所报告研究的一部分，而不仅仅是论文准备过程中的一部分。所提出的代理数字孪生使用大型语言模型作为组件：通过Ollama本地服务的开放权重模型（llama3.1:8b和gpt-oss:20b）解释用户请求，通过模型上下文协议调用优化工具，并解释结果。第4.2节用例2——自主仿真与优化，以及第4.3节系统性能中报告的所有代理输出和测量结果。

致谢
本工作部分得到了美国能源部（DOE）高级研究计划局—能源（ARPA-E）的支持，项目编号为DE-AR0001780。我们向来自田纳西大学诺克斯维尔分校、橡树岭国家实验室和西弗吉尼亚大学的合作者表示衷心感谢。此外，本研究在制作图表时使用了来自www.flaticon.com的部分图标。

Haowen Xu | Yulin Sun | Jose Tupayachi | Olufemi Omitaomu | Sisi Zlatanova | Xueping Li