ConDA：一种用于制造运营跨系统优化的约束发现智能体

《JOURNAL OF MANUFACTURING SYSTEMS》：ConDA: A constraint discovery agent for cross-system optimization of manufacturing operations

　　

•解决了制造计划中约束信息碎片化的问题。•提出了ConDA，用于自主发现和审计制造约束。•硬约束违反率在物料方面为0%，在生产计划方面为11.7%。•消融实验证明了约束发现和精确求解的重要性。引言生产安全关键组件的制造企业在业内最具挑战性的生产计划条件下运行。在航空航天、汽车和精密电子等行业中，成品依赖于多级物料清单，可追溯至数十种采购投入品，每种物料均通过地理分布的生产网络获取，其成员在交货期、质量认证和地缘政治风险方面各不相同。该网络中任何环节的中断都会波及生产计划和交付承诺，一旦发生后果难以遏制[1]；而针对中断调整网络本身也带有资本和运营成本[2]，因此网络的韧性本身已成为建模目标[3]。加剧这种脆弱性的是，大多数工厂通过企业资源计划（ERP）、仓库管理系统（WMS）和运输管理系统（TMS）平台运行运营，这些平台并非为联合读取而设计，各自持有专业化的运营状态片段，彼此之间没有共享推理层，使此类系统实现互操作本身仍是一个未解决难题[4]。当涉及延迟入料、低库存状态和外部中断的复合风险通过人工审查变得可见时，缓解窗口往往已经关闭[5]。这种碎片化对定量计划产生了一个容易被忽视的后果：约束集不是固定的，它取决于当前运营状态，而上述平台将状态分散记录在各自的系统中，而非由其中任何一个完整持有。合规状态和供应商资质存储在ERP中，被质量冻结的物料由WMS知晓，而一个入站货物是否能在计划期内到达则由TMS掌握。因此，从单一平台组装出的模型可能内部一致，却遗漏了决定答案的关键条件，且这种缺陷在求解过程中无法察觉。给定不完整的约束集，精确求解器会返回最优解并报告零最优性间隙和成功状态，因为所接收的模型是可满足的。它回答了被问到的问题，而输出中没有任何信息表明问题本身是错误的。由于程序一旦写好便易于求解，难点在于确定程序内容本身。类似挑战已在其他制造计划任务中讨论过[6]。计算方法已对该领域的各个子问题进行了深入处理。库存管理、需求预测、供应商选择和生产计划各有专门方法，从时间序列和机器学习到线性和混合整数规划，再到多准则和随机规划[7]。仅供应商选择一项已通过制造能力数据上的无监督排序[8]和针对候选数据无法集中的场景的联邦学习[9]来处理，而高级计划与排程则被赋予了数字孪生形式，通过显式资产描述服务于韧性生产运营[10]。然而，这些工具各自孤立地处理单个决策，无法组合成跨职能协调并通过企业接口执行的操作闭环。大语言模型为将已描述的规划问题转化为可求解问题这一环节带来了重大进展。NL4Opt竞赛将自然语言到模型的翻译确立为一项具有可衡量准确度的任务[11]，Chain-of-Experts将翻译分配给协作的专家角色[12]，OptiMUS将该思路扩展为包含自动代码生成和修复的完整建模与求解流水线[13]，ORLM则表明建模步骤本身可以被训练而非仅靠提示[14]。另一条并行研究路线开始检查这些公式而非盲信它们，通过评分恢复的变量和约束与参考模型的匹配度[15]以及通过求解器响应而非模型自我审查来探测公式[16]，而最新基准测试发现约束满足而非目标优化是该类任务的瓶颈[17]。所有这些工作均从约束已呈现的问题描述出发，询问对该描述的翻译是否忠实。智能体已被平行应用于同一领域的运营侧，近期一项系统综述涵盖了该领域的智能体能力[18]。OptiGuide将语言模型置于已建好的优化模型之上，回答关于其结果的假设性问题而不改变公式[19]。在工业规模上，部署在商业平台上的规划智能体分解操作员请求并返回基于证据的计划报告，以节省的劳动力和运营绩效指标进行评估[20]。在工厂内部，同一范式已产生了车间协调、任务分配和自适应工艺规划智能体[21]、[22]、[23]、[24]、[25]，维护并修订其监管设备状态账户的认知智能体[26]，将管理决策从数据传递至建议的自主智能体[27]，以及与显式优化模型耦合的多智能体系统[28]，而对话式监控则建立在实时机器数据的检索之上而非静态知识库[29]。该范式本身已被综述并整合用于制造业[30]、[31]、[32]。该研究领域侧重于协调、对话和编排而非最终求解的程序是否正确，其评估主要依赖于预先固定运营条件的演示。上述方法取得了显著成果，但存在一个共同局限：决策所受的约束在翻译或求解开始之前已被明确置于问题描述中。针对公式缺陷的诊断工作将缺失约束视为对照包含该约束的规范发生的转录错误，或视为从未写下、需从历史实践中恢复的条件[33]。在制造系统中，相关条件分散在ERP、WMS和TMS平台中，没有任何单一系统持有完整视图。将此信息聚合为连贯的问题陈述本身就是一个开放步骤。近期工作已朝此方向推进，使用检索为高级计划与排程模型增补领域知识[34]，但该工作中标出即给出的约束仍是预设的。因此需求并非更好的转录或隐性知识获取，而是将检索和界定作为显式步骤执行且输出可检查，同时区分固定约束和可松弛约束。基于这些观察，本研究开发了ConDA，即制造工厂企业系统之上的自主智能体层，其中约束发现是优化流水线的核心阶段且其结果可外部验证。在观察-推理-行动循环中运行的LLM推理核心[35]通过28个运营工具读取企业系统，5个领域专用智能体分别承担库存、需求、风险、采购和生产的定量处理。在推理核心与求解器之间插入发现层，输出当前生效的约束、记录每个约束所在的系统，并根据松弛是否可允许将每个约束标记为硬约束或软约束。混合优化引擎随后将求解分解为公式化、代码生成、子进程隔离执行、验证和解释，且在生成任何代码之前审计公式模型以确认所有硬约束均被保留。为评估框架，我们构建了生成的工厂实例，其中生效条件、持有每条证据的系统及其对决策的影响均通过设计已知，并将行为与通过完整信息下精确求解获得的参考答案进行评分。本文其余部分组织如下。第2节描述所提框架及其组成部分。第3节介绍问题设置、基线和评估指标。第4节报告结果及分析框架成功与失败之处。第5节分离每个组件的贡献并检验发现的稳健性。第6节给出结论。章节片段系统概述ConDA设计为智能层，置于现有记录系统之上而非取代它们，类似于由这些系统已持有的数据和知识驱动的自主制造系统[36]。该框架通过标准化接口连接ERP、WMS和TMS平台，在运行时读取运营数据，应用推理和优化推导决策，并通过相同接口写回操作。TMS仅被查询以获取……生成的评估环境待检验的论断是：只有当实际生效的约束到达了产生决策的程序时，该决策才是正确的。验证该论断需要对于每个实例，知道哪些条件生效、哪个系统持有每条条件的证据，以及特定条件是否会改变答案。该场景下没有公开数据集携带这些标签，且没有此类数据集并非疏忽，因为供应商合规状态、认证缺口和质量冻结是……推理循环行为结果基于第3.1节所述的生成环境获得。在讨论正确性之前，先观察循环的实际行为是有益的，因为架构规定了工具的存在而非其使用顺序。图3(a)以五层架构的一条轨迹绘制了一次运行。智能体从数据层以低库存扫描和库存查询开始，上升至领域智能体进行风险扫描，调用优化引擎，……发现层与精确求解器的贡献语言模型推理与形式化优化互补这一论断要求两者缺一不可，验证这一点需要逐一扣留。两个缩减配置在部署配置运行的相同实例上进行了测试，分别在控制问题、单条件问题和复合问题上各五个实例。在第一个缩减配置中扣留组合规划工具，即跨系统检索的工具，……结论在本研究中，我们开发了ConDA，一个由LLM智能体驱动的约束发现层，用于自动化制造规划问题的公式化，该步骤中约束分散在企业系统中且容易被遗漏。该框架通过观察、推理和行动的LLM推理核心在运行时读取运营状态，并由五个领域智能体提供支持。发现层列出生效约束、记录每条约束的来源系统并将每条……CRediT作者贡献声明Yang Zhang：概念化、数据管理、形式分析、调查、验证、方法论、初稿撰写。Farhad Imani：形式分析、调查、方法论、审阅与编辑、资助获取、资源、监督。Jiong Tang：概念化、方法论、项目管理、资源、监督、审阅与编辑、形式分析、资助获取。生成式AI使用声明作者使用了大语言模型助手支持稿件撰写和编辑。所有技术内容、实验和结论均为作者原创。利益冲突声明作者声明不存在可能影响本论文工作的已知竞争性经济利益或个人关系。致谢本研究部分由国家科学基金会资助，资助号2434519。Yang Zhang | Farhad Imani | Jiong Tang