Evaluating large language models for complex supply chain optimisation: a focus on routing problems

doi:10.1080/00207543.2026.2737946

Evaluating large language models for complex supply chain optimisation: a focus on routing problems

2026-09-24

0

OA

AI

DOI：10.1080/00207543.2026.2737946

原文链接

原文求助

摘要

En 中文

本研究评估了通用大型语言模型（LLMs）解决结构化物流和供应链优化问题的能力。我们基准测试了九个路径规划和采购-路径规划问题，范围从旅行商问题、车辆路径问题到具有容量限制和时间窗口等更丰富的变体。我们还引入了一个额外的库存-路径规划扩展。通过固定实例、提示模板和外部验证脚本，我们在三轮基准测试中评估了八个GenAI模型快照，从2025年初的模型到更新的2026年发布版本。输出结果检查了可行性、目标值正确性以及与基于求解器的参考或专用启发式方法相比的解决方案质量。结果表明，LLMs通常能针对无约束或适度约束的路径规划问题生成可行且高质量的解决方案，但随着运营约束的相互作用，其可靠性会降低。新模型提高了可行性和算术一致性，尤其是在核心路径规划家族上，但高度约束的采购-路径规划和库存-路径规划实例仍然具有挑战性。与问题定制的启发式方法比较表明，高级GenAI有时能产生具有竞争力的候选解决方案，但专用启发式方法仍然更稳健且计算效率更高。总体而言，本研究将GenAI定位为物流优化中一个有前景的轻量级决策支持伙伴，同时强调持续需要外部验证、结构化提示和问题特定的优化方法。

Keyword:

Generative artificial intelligence (GenAI)

large language models (LLMs)

combinatorial optimisation

vehicle routing problem (VRP)

supply chain management (SCM)

decision support systems

Artificial intelligence

combinatorial optimisation

decisionsupport systems

Evaluating large language models for complex supply chain optimisation: a focus on routing problems

摘要

期刊

机构

引用论文