当前，新一轮科技革命和产业变革加速演进，人工智能与运筹学深度融合，正以前所未有的深度和广度重塑制造业、物流业、金融业、医疗健康等关键行业运行逻辑。为深入贯彻国家关于推动新一代人工智能与实体经济深度融合的战略部署，搭建高水平学术交流与产业对接平台，由「运筹OR帷幄」主办的「运筹学与人工智能在业界的前沿应用」研讨会，将于2026年在大连海事大学隆重举行！
本次大会将汇聚来自全球的顶尖专家学者、行业领军人物及企业实践者，共同探讨在真实商业环境中，如何将运筹优化、机器学习、智能决策等方法落地应用，推动产学研的深度融合。
会议信息
研讨会亮点预告
6月21-22日上午主题演讲：业界与学界领袖分享OR+AI在能源、物流、金融、制造等领域的前沿理论与实践
6月21日下午分会场：优秀青年学者分享OR+运筹学相关企业展示+AI的最新研究成果+招聘宣讲
青年学者投稿：我们会筛选优秀青年学者投稿，提供分会场上台宣讲机会
企业参会、分会场投稿信息请关注近期推文。
早鸟报名开启
研讨会早鸟报名现已正式开启！欢迎各位学者、业界同仁和高校师生踊跃报名参会，优先锁定席位，享受限时200-300元优惠。
名额有限，先到先得，立即加入我们，共襄运筹与人工智能交汇的年度盛会！报名方式见文末。
主题演讲嘉宾概览
叶荫宇上海交通大学
GPU-Accelerated Mathematical Programming for Intelligent Decision-Making
叶荫宇教授现为上海交通大学讲席教授，香港中文大学（深圳）数据科学学院特聘教授。此前叶教授为斯坦福大学管理科学与工程系及计算数学工程研究院李国鼎讲席教授。
摘要 Mathematical programming is a fundamental engine for intelligent decision-making in complex industrial systems. This talk presents our recent progress on GPU-accelerated optimization solvers for large-scale linear, conic, quadratic, and semidefinite programming. By redesigning algorithms, sparse linear algebra, and numerical refinement around modern GPU architectures, we aim to achieve both massive computational speedups and solver-level reliability. I will discuss key algorithmic ideas, hardware–software co-design principles, and applications in power-grid dispatch, EDA, quantum information, robotics, and industrial planning. The talk highlights GPU-accelerated mathematical programming as a critical bridge between high-performance computing and trustworthy AI-driven decision systems.
胡祥培大连理工大学
运筹优化问题基于大语言模型的智能建模方法
胡祥培，大连理工大学经济管理学院教授、博士生导师，大连理工大学人文与社会科学部主任，长江学者特聘教授（2010），国家杰出青年科学基金获得者（2007），新世纪“百千万人才工程”国家级人选（2006），国务院政府特殊津贴专家（2011），教育部创新团队负责人（2013），国家自然科学基金创新研究群体负责人（2015）。先后兼任国务院学位委员会第6和第7届学科评议组管理科学与工程组成员， 第7届和第8届教育部科技委管理学部委员，管理科学与工程学会（中国）第3和4届理事会副理事长，中国系统工程学会第10和11届理事会副理事长，全国研究生院院长联席会轮值主席（2017），第1和2届全国工程管理专业学位研究生教育指导委员会委员等。曾多次获国家教学成果奖、教育部人文社科奖以及省科技进步奖、省自然科学优秀论文奖等。主要研究方向：智慧商务与物流管理、区块链与数智管理、智能运筹学与动态系统实时优化控制。在国内外学术期刊发表论文200余篇。
摘要 运筹优化问题的建模工作长期依赖于领域专家依据其经验和知识来完成，不仅耗时费力，而且难以满足实时性的要求，使得运筹学的优化理论方法难以求解实时在线的动态优化问题。随着人工智能的快速发展，大语言模型（large language models, LLMs）在优化问题的在线智能建模和求解中展现出非凡潜力。然而现有研究多依赖单一提示或监督微调来增强模型能力，这些方法往往受到提示设计瓶颈与高质量领域数据稀缺的限制。为此，本文提出了一种基于LLM的智能化建模框架（large language models for operations research optimization, LM4OR-OPT）。该框架以自然语言为输入，将任务解构为语义解析与结构化、模型构建、代码生成及代码自我调试与运行四个阶段，并通过高度可解释的链式提示模板引导LLM逐步推理。为提升鲁棒性，进一步引入了置信度驱动的多轮反馈与代码自我验证双重机制。在公开数据集NL4Opt和复杂的工业级数据集IndustryOR上的实验表明，LM4OR-OPT的自动化建模与求解准确率达到业界领先水平，尤其在处理高难度问题时显著优于现有基线方法。进一步的消融实验验证了两大关键机制对性能提升的关键作用。因此，LM4OR-OPT有效降低了优化建模的专业门槛，为推动LLM在运筹优化领域的实际应用提供了新工具。
朱晗东北财经大学
How AI May Impact Customer-Intensive Services
教授，博士生导师。现为东北财经大学学术委员会委员、管理科学与工程学院副院长。主要研究方向为供应链运营管理，旨在通过库存控制、价格设定、能力配置、信息共享等运营管理常见决策提升供应链效率，助力企业降本增效。主持国家自然科学基金项目3项（青年、面上、优青），研究成果发表在Operations Research、Manufacturing & Service Operations Management、Production and Operations Management、Informs Journal on Computing等运营管理国际顶级期刊上，并获得教育部高等学校科学研究成果奖、辽宁省自然科学学术成果奖二等奖，其本人入选辽宁省兴辽英才计划、辽宁省“百千万人才工程”，并获霍英东教育基金会高等院校青年科学奖，荣获大连青年五四奖章。
摘要：Artificial intelligence (AI) technologies are increasingly employed in customer-intensive services to automate auxiliary tasks and augment quality productivity. We investigate a service system in which the overall service rate depends on both auxiliary and professional service times. AI automation reduces the time allocated to auxiliary tasks, while AI augmentation enhances the effectiveness of professional tasks in improving service quality. The revenue-maximizing service provider decides the service price and the professional service time spent on customers. Our findings reveal that marginal improvements in automation capability always enhance market coverage and the service provider’s optimal revenue, but somewhat surprisingly, tend to reduce the optimal service quality. In contrast, we find that higher levels of augmentation capability always reduce the provider’s optimal professional service time while still improving the optimal service quality. Moreover, we uncover an inverted U-shaped pattern in the optimal system utilization as both the automation and augmentation capabilities grow. This implies that although AI tends to improve the efficiency of auxiliary tasks and augment quality productivity, it can increase the provider’s workload. Overall, our study shows that with AI adoption, the service provider is likely to reduce the optimal service quality, but with more customers served and revenue boosted on the demand side, while tending to create more hiring needs for labor on the supply side.
周伟华浙江大学
Data-Driven Optimal and Myopic Policies for Inventory Systems with Demand Covariates
现任浙江省全省数智管理与决策技术重点实验室主任、浙江大学数据分析和管理国际研究中心主任，浙江大学“大数据+分析和管理”创新团队首席专家，浙江省高校水平创新团队“数据分析和管理”负责人，浙江大学-麻省理工大学“食品供应链系统化风险管理”项目中方负责人。1999毕业于浙江大学混合班(竺可学院)，获学士学位；2002年毕业于浙江大学数学系，获硕士学位；2007年毕业于香港科技大学，获博士学位。主要研究聚焦于数据分析和管理、供应链管理研究。研究成果在国际管理科学顶级刊物《Operations Research》《Management Science》《Production and Operations Management》等发表，共发表国内外学术论文50余篇。主持国家自然科学基金重大项目课题、重点课题、科技部重点研发计划项目课题等国家级研究课题7项，国家部委、各级政府及企业项目20余项。
李锋华中科技大学
Integrated Multi-resource Multi-item Production and Delivery Scheduling
华中科技大学“卓越学者”特聘教授，博士生导师，国家级青年人才、湖北省“楚天学者”。东北大学本科、硕士、博士，美国马里兰大学联培博士，香港理工大学博士后。主持国家自然科学基金面上项目、国家自然科学基金青年项目（后评估为“特优”）。主要研究方向为生产调度、物流优化、组合优化、算法设计与分析等。研究成果主要发表在《Management Science》《INFORMS Journal on Computing》《Naval Research Logistics》《European Journal of Operational Research》《Journal of Scheduling》《Transportation Research Part E》等国际高水平期刊上。相关研究成果应用于良品铺子、东本储运等企业。
摘要 This presentation addresses the complex operational challenges of integrated multi-resource, multi-item production and delivery scheduling. To explore this area, we consider two complementary settings. First, we investigate a profit-maximizing order selection and fulfillment problem in a multi-warehouse system, where the introduction of flexible product alternatives provides customers with more options while improving resource utilization. For this setting, we propose an efficient column generation-based heuristic to find near-optimal solutions. Second, we examine a cost-minimizing production and delivery plan for a make-to-order manufacturer under commit-to-delivery guarantees. This setting incorporates practical complexities such as setup carryover and multi-mode third-party delivery. To solve this problem, we develop a novel exact branch-and-price-and-cut algorithm, enhanced by a specialized labeling algorithm, dual stabilization, and valid inequalities. We discuss managerial insights, highlighting the substantial benefits of integrating production with delivery, offering flexible products, and leveraging setup carryover to improve overall system efficiency.
施建明山东大学
从人质危机到新干线调度 ——运筹学如何支撑现代社会
施建明，山东大学特聘教授、博士生导师、日本工程院外籍院士。曾任东京理科大学校评议员、商业经济系创系主任。从事数值优化、数据分析及管理科学应用等领域的研究。应用涉及效率评价、健康医疗等多个领域。
摘要 本报告以运筹学如何改变复杂现实中的决策与调度为主线，通过多个对社会产生深远影响的实际案例，回顾运筹学技术从早期到当代发展的轨迹，并展望其未来可能性。报告首先从秘鲁日本大使馆人质危机中的决策、芬兰核电厂与非核电厂选择等具有强烈社会与战略意义的问题出发，介绍运筹学在复杂决策、风险评估与分析中的作用；随后结合 JR 东海道新干线整备作业自动调度系统，说明运筹学如何支撑日本高可靠性社会基础设施的运行，并简要介绍当前日本业界在物流、调度与 AI+OR 融合方面的最新进展。最后，报告进一步探讨如何利用运筹学技术更有效地支持结核病的临床诊疗与医学研究，展示运筹学从工业系统到医疗健康领域的跨学科扩展可能。通过这些案例，希望能够帮助听众理解：运筹学不仅是一种数学方法，更是一门在不确定世界中进行系统性思考与决策的科学，并进一步激发对运筹学研究与应用的兴趣。
胡浩源蚂蚁金服
强确定性领域大模型的训练范式：heuristic learning & agentic learning
发表包括ICML、Neurips、MS在内的国际顶级学术会议论文和顶级期刊数十篇，SIGKDD的Applied Data Science Track领域主席，“全球运筹学（OR）、管理科学（MS）及商业分析领域最具影响力的非营利性专业协会”INFORMS的Franz Edelman奖(经济规模效益最高奖项)和Daniel H. Wagner奖(技术深度和广度最高奖项)获得者；2024年吴文俊人工智能科学技术二等奖，2015年阿里巴巴CEO特别贡献奖获得者, 开启阿里巴巴个性化元年，蚂蚁金服技术大奖T-Star获得者；打造的greed solver用于仓储、运输、履行、供应链，破数十项世界纪录，创造十几亿业务价值，获得国际管理科学与决策优化协会informs的eleman award finalist；建设金融第一的finix金融大模型，支持蚂小财达到3000w mau，蚂蚁财富达到200w dau。
谭文哲Geek+
《AI机器人在智能物流中的应用》
博士，教授级高工，清华大学自动化系本科直博、工业工程系博士后，美国宾夕法尼亚州立大学工业与制造工程系联合培养博士。现任北京极智嘉科技股份有限公司（Geek+，股票代码：2590.HK）副总裁，中国人工智能学会智能服务专委会委员，中国指挥与控制学会智慧物流与供应链专委会常务委员，中国移动机器人产业联盟首批专家委员会专家，北京市科技项目评审专家库专家，潍坊职业学院兼职教授。入选杭州市高层次人才、北京市朝阳区“凤凰计划”优秀青年人才、北京市科协”卓越工程师成长计划”、北京市“高创计划”优秀青年科技领军人才。
在机器人和具身智能、多智能体系统和供应链优化领域具有十余年的研究和产业化经验，负责设计和研发了国内首台套自主知识产权惯性导航AGV、首台套惯性/激光混合导航无人叉车等开创性产品。基于移动机器人的智能仓储系统“货架到人”、“订单到人”、“货箱到人”的最早一批研究者和从业者。曾主持和参与多项国家重点工程和国家科技支撑计划项目，项目验收经费超过亿元，获得省部级科技进步一等奖，在顶级国际杂志和会议上发表学术论文10余篇，申请专利、软件著作权60余项。
摘要 本报告聚焦运筹学与人工智能在智能物流行业的前沿落地。针对传统仓储作业效率低下、供应链柔性不足等痛点，将运筹优化、深度强化学习、具身智能、群体智能等技术相结合，研发系列物流 AI 机器人及配套调度系统。通过运筹优化完成订单分配、资源协同与全局调度，借助人工智能实现机器人自主作业、环境适配与动态调优，破解大规模集群调度、海量订单匹配等技术难题。相关成果已在全球多行业规模化商用，大幅提升物流作业效率、实现降本增效，充分展现了运筹学与人工智能在产业场景中的融合价值与应用潜力。
袁晓敏百度伐谋
百度伐谋：自我演进超级智能体，寻找业务决策最优解
百度伐谋技术负责人。加入百度后专注于大模型与智能体技术在企业级场景的创新实践工作，致力于推动 AI 在高难高价值问题中的深度应用。负责的百度伐谋自2025年11月在百度世界大会发布以来获得广泛关注，并在随后一个月内吸引了近3000家企业申请试用，覆盖物流、制造、零售及AI4S等领域，体现了其在产业复杂决策和预测场景中的应用潜力与推广成效。
摘要 百度伐谋是全球领先的可商用自我演进超级智能体，致力于为千行百业的研发环节实现智能原生与持续价值创造。通过统一的自进化智能体框架，伐谋能够有效应对产业级高难算法任务、显著降低算法优化门槛。在接入ERP、APS等企业级业务数据系统后，伐谋使得业务人员通过对话式提需和澄清，即可完成产业场景下预测、决策等关键任务的持续演化推演，实现应对复杂多变工况的能力。百度伐谋当前已在物流供应链调度、城市配送划片、零售销量预测、制造工艺优化、汽车风阻预测等行业场景，形成真实应用与可量化价值。本次交流主讲人将分享当前企业级自我演化智能体的产业实践和产品思考，如何帮助业务人员，解决运营、生产、工艺三大方面问题，创造产业价值。
更多分会场嘉宾请关注近期推文。。。
早鸟报名及会议住宿信息
本届Workshop的报名通道即刻开启，现在报名立享 200-300元早鸟优惠，早鸟报名6月8日截止。欢迎社会各界运筹学学者、从业者及爱好者前来参加此次会议。您可以通过扫描下方二维码，填写真实信息报名，付款成功后即可获得入会凭证。
报名资费标准如下：
| 身份 | 早鸟票 | 普通票 |
| 学生 | 1000元 | 1200元 |
| 企业 | 2000元 | 2300元 |
| 教师 | 2000元 | 2300元 |
早鸟截止时间：2026年6月8日注：
（1）学生需提供在读学生证照片；
（2）研讨会将提供免费茶歇、6月21日午餐；
（3）报名费不包含交通及住宿，请自理；
（4）发票等信息请在报名表内了解详情。
主办方简介
以运筹学为圆心，辐射数据科学、人工智能等领域，【运筹OR帷幄】社区旨在为读者带来运筹学/优化理论最专业和前沿的资讯与报道，及其在供应链管理、人工智能等学科的交叉应用。
旗下求职和留学资讯平台【运筹Offer】，聚焦运筹学、大数据、AI等领域企业招聘、实习内推、职场经历分享以及海外本硕博申请咨询。扫码关注，精彩内容每日推送~
协办方简介
大连海事大学航运经济与管理学院大连海事大学
坐落于辽宁省大连市，是一所历史悠久、特色鲜明的高等学府，是交通运输部直属的唯一高校，是国家首批“211工程”和“双一流”建设高校。航运经济与管理学院
是大连海事大学下属的重要二级学院，聚焦航运、交通、物流、港口经济等特色领域，致力于培养服务国家“交通强国”“海洋强国”战略的高层次复合型人才。
欢迎扫码关注航运经济与管理学院官方公众号：
文章须知
微信编辑：Gaphy
责编：春苇、Gaphy
美术编辑：Gaphy
