使用大型语言模型自动设计库存策略：探索性研究

制定库存决策的公司可以访问运营数据、优化工具和大型语言模型 (LLM)。通常，数据表征操作环境，优化在预先指定的库存策略类别中选择参数，LLM 支持编码和决策分析。我们开发了一个集成框架，结合这些资源来自动化库存策略设计。给定需求数据，该框架迭代地使用 LLM 生成参数化策略类，并使用外部求解器来优化每个类中的参数。在 30 个销售损失库存实例中，相对于优化基础油基准的平均成本降低从一代后的 17.5% 增加到十代后的 30.0%。参数优化是这种性能的核心：仅 LLM 变体的性能要差得多，而优化引导的反馈可以提高策略质量、加速搜索，并将 LLM 引导至更好的策略类别，而不仅仅是固定类别中更好的参数值。最强大的发现策略也是可以解释的：它们结合了可识别的库存控制主题，包括上限订单、折扣或加权管道库存以及基于阈值的补货逻辑。由此，搜索产生了新的政策类功能形式，据我们所知，以前在销售损失库存文献中尚未研究过这些功能形式。这些功能形式不是事前指定的，而是在搜索过程中出现的。此外，在重新优化参数后，发现的三个策略类在 10,064 个新清单实例中实现了 21.75% 至 22.60% 的平均成本降低。总体而言，结果表明，数据驱动的参数优化可以指导基于 LLM 的广泛库存政策类别搜索，并识别高性能、可解释和可转移的决策规则。