易腐供应链中的风险缓解：一种基于人工智能的肉类分配管理方法

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Risk mitigation in perishable supply chains: An AI- driven approach for managing meat distribution

　　•挑战：肉类供应链中的易腐性问题会导致重大的经济与环境损失。•解决方案：基于人工智能的框架，结合经过微调的视觉语言模型（NVILA、Qwen-VL）与强大的优化技术。•方法：利用肉类图像数据预测新鲜度，并在不确定性条件下应用基于Wasserstein的DRO算法进行物流规划。•结果：在降低损耗和成本的同时，提升了服务水平及供应链的韧性。•影响：为管理易腐品供应链提供了一种可扩展、以数据为驱动的方法。

引言
食品供应链在保障粮食安全与经济稳定方面起着至关重要的作用。尤其是肉类供应链，它是食品行业中最为复杂且资源消耗最大的领域之一（Gholami-Zanjani等人，2021年）。由于肉类的易腐性，必须在整个供应链中实施严格的管理措施，以确保质量和安全，因为不当的处理可能导致微生物污染、品质下降以及产品变质（Jahani等人，2024年）。存储、运输以及需求预测方面的效率低下进一步加剧了产品损耗率，从而造成经济损失和供应链中断。据估计，全球约13%的食品浪费来自肉类产品，这带来了巨大的经济损失和环境压力（Amani和Sarkodie，2022年；《生物多样性》杂志，2019年）。在肉类供应链中，有效的监控与预测性决策越来越重要，有助于提升运营效率并减少浪费。

目前，肉类供应链中的传统监控技术依赖于人工检查和非智能跟踪系统，这些方法容易出错且效率低下（Loske等人，2021年）。这类方法往往缺乏实时数据处理能力，难以及时发现产品变质风险并优化供应链运作（Amani和Sarkodie，2022年）。在许多地区，肉类质量评估仍依靠视觉检查以及静态温度记录，这类方式无法实现持续监控或提供预测性分析（Amani和Sarkodie，2022年；Yang等人，2020年）。因此，由于未能及时发现并解决存储和运输过程中的问题，导致产品变质带来的损失不断增加。

为应对这些挑战，人工智能已成为改善肉类供应链决策能力的变革性工具（Quan和Liu，2024年；Xu等人，2024年）。基于人工智能的系统能够分析大量实时数据，从而提升需求预测、存储优化以及运输调度能力（Wang等人，2024b年）。在各类人工智能技术中，视觉语言模型和大型语言模型因其能够同时处理视觉与文本信息而备受关注（Bai等人，2023b年）。通过多模态学习，这些模型可实现自动质量评估与实时变质检测，进而优化易腐品库存管理中的质量控制流程。它们还能通过提前识别产品变质的迹象、自动执行检查以及优化物流决策来减少浪费（Qiao等人，2024年）。将人工智能融入肉类供应链，为提升产品可追溯性及减少浪费提供了有效途径。

大型语言模型是一类基于Transformer架构的基础模型，通过大量文本数据训练，能够理解、生成并处理自然语言（Brown等人，2020年）。在训练过程中，大型语言模型会从各种文本来源中学习统计规律、上下文关系以及语义结构，这些文本来源包括文章、书籍、代码库以及网络内容。其架构借助自注意力机制，能够模拟语言中的复杂关联关系（Bommasani等人，2021年）。目前已有多种此类模型被开发出来，比如BERT（Devlin等人，2019年）、GPT-3（Brown等人，2020年）、GPT-4（Adler等人，2024年）以及Gemini（Team等人，2023年），它们被广泛应用于各种自然语言处理任务中。大型语言模型可用于语言翻译、代码生成、决策规划以及创意写作，包括诗歌创作和故事讲述（Li等人，2023a年）。

在本研究中，我们构建了一个基于人工智能的决策框架，该框架将经过微调的视觉语言模型与强大的优化方法相结合，用于提升肉类供应链中的新鲜度监测与物流规划能力。这些视觉语言模型通过肉类图像及相关文本元数据，在特定的新鲜度分类任务上经过微调，从而能够实时判断产品变质的概率。这些预测结果随后会被纳入一个强大的优化模型中，该模型能够充分考虑供应链中的各种不确定性，为库存分配和配送优先级等战略决策提供支持。通过将精细的视觉推理与不确定性条件下的优化相结合，所提出的框架旨在最大限度地减少产品变质，提升运营效率，并加强全链路的可追溯性。

NVILA是一种轻量级且高效的视觉语言模型，专为实时视觉推理设计，因此非常适合那些需要低延迟且计算资源有限的新鲜度评估任务。相比之下，Qwen-VL则具备更强的跨模态推理能力，在各种视觉语言任务中表现优异，包括视觉信息与文本的关联分析以及细致的图像文本理解（Bai等人，2023b年）。利用这两种模型的互补优势，NVILA可用于快速估算产品新鲜度，而Qwen-VL则能在整个决策流程中支持更为复杂的多模态推理。

然而，要让肉类供应链正常运转，仅靠基于人工智能的决策支持系统是不够的，因为这类供应链本身就存在诸多不确定性。客户需求可能因季节变化和营销活动而波动，运输时间可能受到天气状况和交通拥堵的影响，而决定微生物生长的温度和时间条件则极易受设备性能和人为操作因素的影响。即便预测模型能够给出非常精确的预测结果，若忽视这些不确定性，仍可能导致库存短缺和产品保质期缩短。正因如此，现代供应链研究越来越重视在决策框架中明确考虑不确定性因素，从而摆脱传统的确定性分析方法。

为应对这一挑战，我们将经过微调的视觉语言模型生成的新鲜度预测结果——这类模型专为通过视觉信息进行质量评估而设计——纳入到一种数据驱动的分布式鲁棒优化框架中。在该框架下，DDDRO算法会寻找能够在满足容量限制、温度控制要求以及服务水平目标等约束条件的同时，最小化包括库存持有、运输成本以及产品变质损失在内的总运营成本的决策方案（Yang等人，2024年）。

优化过程是在一个由数据驱动的模糊集所包含的所有概率分布范围内进行的，这个模糊集是通过利用历史上的需求数据、运输时间以及基于视觉语言模型的新鲜度评分来构建的Wasserstein球来确定的。这种建模方式能够通过考虑最坏情况，从而在分布不确定性条件下实现稳健的决策制定，进而保护系统免受模型设定错误以及数据模式随时间变化带来的影响（Gong和Zhang，2022年）。

总之，本研究在以下方面推动了相关领域的发展：•提出了将经过微调的视觉语言模型与DDDRO算法相结合的新方法，通过将人工智能预测与在相互关联的不确定性条件下的稳健决策分析相融合，提升了运筹学领域的水平；•通过数值实验证明，与传统的确定性优化方法以及常规的鲁棒优化方法相比，这种混合方法能够有效降低产品变质率及整体物流成本。

相关研究
近年来，大型语言模型在文本生成与理解方面展现出了惊人的能力。不过，这类模型本质上仅能处理文本信息，这限制了它们在需要处理图像或视频等其他类型信息的领域的应用前景（Radford等人，2021年）。为弥补这一缺陷，视觉语言模型应运而生，这类模型将视觉感知能力与语言推理功能相结合。它们通过将视觉编码器与语言模型相整合，使得各种相关任务成为可能。

方法论
本研究提出了一种将视觉语言模型与优化模型相结合的方法，用以提升肉类供应链中的决策水平。该方法主要包括三个部分：数据收集与预处理、针对新鲜度预测对基于视觉的视觉语言模型进行微调，以及将预测结果纳入优化模型中，从而优化产品变质管理、运输以及存储相关的决策。在该框架中，视觉语言模型并不负责长期的时间序列预测，而是……

不确定性建模与鲁棒优化
在本节中，我们将详细介绍如何将第3.2节中提到的视觉语言模型生成的新鲜度预测结果整合到我们的不确定性建模框架中。视觉语言模型输出的结果可作为当前观测值，与历史数据一起构成经验分布，而我们正是基于这些分布来构建模糊集的。具体而言，我们使用Wasserstein模糊集来描述新鲜度、需求以及运输时间方面的不确定性。视觉语言模型生成的新鲜度评分并不被视为……

对偶变换
上一节中构建的鲁棒优化问题具有极小极大结构，直接求解在计算上极为困难。为使其能够通过高效算法求解，我们通过对偶变换将该问题转化为一个等价的单层混合整数线性规划问题。在这种转化方式中，每一个分布式鲁棒约束都被替换为其易于处理的对应对偶形式。具体来说，考虑用于计算……的内层最大化问题。

数值示例
在本节中，我们通过数值研究来验证所提出的DDDRO框架的实际应用效果及其可计算性。我们构建了一个大规模、多层级、多产品的模拟网络，该网络能够反映真实的运营环境，便于对我们模型在风险管理以及提升供应链性能方面的能力进行严格测试。

性能指标的统计比较
对所提出的基于人工智能的鲁棒框架进行的评估表明，与传统模型相比，它在各项关键性能指标上均取得了显著且具有统计学意义的提升，如图2所示。这些结果充分体现了该稳健解决方案在实现成本效益与服务可靠性方面的优越性能。

该框架的经济效益最明显地体现在成本表现上。通过该稳健模型，样本外成本的中位数降低了6.4%……

结论
本研究提出并验证了一种基于人工智能的DDDRO框架，旨在降低易腐肉类供应链中的风险。通过将经过微调的视觉语言模型生成的实时新鲜度预测结果纳入鲁棒优化模型中，我们的研究证明了即使在肉类供应链中存在严重的不确定性，也依然有可能在提高经济效率与运营可靠性方面取得显著进步。基于真实的大型网络开展的数值实验进一步证明了这一点……

资金支持
本研究未获得任何资助机构的专项经费支持。

作者贡献说明
Bahareh Kargar：撰写原始稿件、软件开发、正式分析、数据整理、概念构思。Majid Baqeri：撰写原始稿件、可视化处理、软件开发、方法设计、正式分析、数据整理。Hamed Jahani：参与稿件审阅与编辑、模型验证、项目监督、研究实施、概念构思。Srinivas Talluri：参与稿件审阅与编辑、模型验证、项目监督、研究实施。

利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

Bahareh Kargar|Majid Baqeri|Hamed Jahani|Srinivas Talluri