数字制造的业务优化：一种经过精细调优的大型语言模型方法

《International Journal of Production Economics》：Business optimization for digital manufacturing: A fine-tuned large language model approach

本框架通过模块化和提示工程优化大语言模型（LLMs），实现数字制造中复杂优化问题自动化建模。实验验证其在经典JSS和真实生产调度中成功率超95%，较现有方法提升30%在LP基准，且成本效率适合中小企业应用。

　　

Pivithuru Thejan Amarasinghe | Su Nguyen | Yuan Sun | Sobhan (Sean) Arisian | Damminda Alahakoon

数据分析与认知研究中心，拉筹伯大学，墨尔本，维多利亚州3086，澳大利亚

摘要

数字制造依赖于优化来做出复杂且时间敏感的生产决策。然而，问题表述是优化过程中的一个重要步骤，它仍然需要领域内的专业知识，并且严重影响解决方案的有效性和计算效率。尽管建模语言取得了进展，但问题表述仍然是一个复杂的任务，尤其是在现实世界的数字制造应用中。大型语言模型（LLMs）的最新进展为自动化数字制造环境中的问题表述提供了巨大潜力。然而，现有的研究大多是描述性的和以基准测试为导向的。据我们所知，它们尚未在现实世界的数字制造环境中展示出经过执行验证的部署；相反，它们主要集中在合成或简化的案例上。我们提出了一个系统化的、成本效益高的框架，用于微调LLMs以专门自动化数字制造优化中的问题表述。该方法结合了模块化和提示工程，以实现可扩展的性能和定量验证，超越了之前的描述性工作。实验表明，在生成准确的、适合求解器的生产调度问题表述方面，成功率超过了95%，这一点通过基于执行的数字制造案例研究得到了验证。在线性规划基准测试中，该方法比最先进的提示工程基线方法提高了大约30%的性能，而嵌入分析表明其在处理复杂的组合问题时具有鲁棒性。实际上，该框架加快了操作员对复杂规划任务的适应速度，提高了生产效率，同时减少了对专家建模人员的依赖并缩短了决策周期时间。这些能力在需要快速准确决策的现实世界数字制造环境中非常适用。这种成本效益高的设计进一步使得资源有限的小型和中型制造商能够采用它。

引言

智能系统、实时数据分析和自动化的集成创造了高度仪器化、数据丰富的生产环境，在这些环境中，数字制造具有复杂的相互依赖关系。得益于物联网和云平台，这些环境支持复杂的商业模式，但也引入了新的优化挑战。在这种情况下，通过降低成本、提高客户满意度和有效风险管理来实现业务优化至关重要（Zhang等人，2026年）。然而，在这种动态环境中优化运营、战术和战略决策需要利益相关者之间的紧密协调以及对复杂业务规则和实际约束的仔细管理。尽管现代优化技术提供了强大的建模和解决问题的工具，但成功的实施，特别是问题表述步骤，仍然依赖于大量的领域知识和专业知识（Ahmed和Choudhury，2024年）。

优化问题出现在许多领域。解决这些问题首先需要将系统表示为数学模型，通常是线性规划（LP）（Dantzig，1990年）、混合整数线性规划（MILP）（Smith和Taskin，2008年）或约束规划（CP）（Rossi等人，2006年）。然后，该模型用建模语言（例如MiniZinc、GAMS、AMPL）编写，并用优化求解器（例如Gurobi、CPLEX、Google OR-Tools、SCIP）求解。这种端到端的过程，将现实世界的挑战转化为正式模型并计算解决方案，被称为问题表述。在数字制造中，这些建模和解决步骤支撑了诸如工厂和维护调度（Wang等人，2024年）、生产规划和能源调度（An等人，2025年）等应用。在这些用例中，优化降低了成本、提高了能源效率并增强了客户满意度。

LLMs最近被应用于许多实际领域。这些模型基于Transformer架构（Vaswani等人，2017年）构建，之所以被称为“大型”，是因为它们具有数亿到数十亿的参数，并在庞大的数据集上经过大量计算训练。在数字制造中，调查工作突出了采用LLM能力的潜在好处和挑战（Fosso Wamba等人，2024年；Li等人，2024年；Wamba等人，2023年）。早期的用例包括客户参与电池回收拍卖（Feng等人，2024年）和数据驱动的智能产品规划支持（Akhtar等人，2024年）。鉴于LLMs和优化在数字制造中的潜力，显然有机会使用LLMs来自动化复杂且专家密集的问题表述任务。

正如Simchi-Levi等人（2025年）所指出的，LLMs正成为优化民主化的强大推动者。最近的研究进一步表明，LLMs特别适合自动化优化问题表述，因为它们可以将自由文本要求转换为结构化、正式的表示形式，这与数字制造中的优化建模需求紧密一致（Huang等人，2025a）。从这个角度来看，问题表述成为一种语言到语言的转换任务，从自然语言问题描述转换为适合求解器的建模代码。尽管不特定于数字制造，Xiao等人（2024年）提出了一种多代理的提示工程方法，使用预训练的LLMs来解决供应链中的运营研究问题。同时，Lawless等人（2024年）开发了一种单代理提示工程方法，用于根据自然语言偏好组织会议，并通过CP实现。作为补充，Wasserkrug等人（2025年）概述了一个自动化决策优化问题表述的研究框架。

LLMs和优化可以显著改善数字制造，但当前的部署在技术范围上较为狭窄。大多数报道的用例依赖于提示预训练模型，而更强大的方法如检索增强生成（RAG）、多代理/代理工作流和微调在这一领域很少被探索，尽管在其他领域取得了显著成果。现有研究大多仅列举了高层次的好处和挑战，而没有提供实践者所需的技术细节（例如数据、可扩展性、技术、评估协议），留下了关于哪些LLM技术适合哪些制造问题以及实践中会出现哪些障碍的开放性问题。在优化方面，采用的限制在于问题表述所需的专业知识。熟练的优化专家成本高昂且稀缺，特别是对于小型和中型企业（SMEs），并且构建定制的优化解决方案非常耗时。尽管几种基于LLM的方法旨在自动化问题表述，但它们通常在简化的基准测试上进行评估，这些测试不能反映真实数字制造环境的复杂性，有些方法在非专家的车间使用中也不够准确和鲁棒。此外，数字制造中基于LLM的解决方案所需的特定任务训练数据有限，使得配置和验证LLM解决方案变得更加困难。

为了填补这一空白，我们提出了一个系统化的框架，用于自动化复杂现实世界优化问题的表述，特别关注数字制造应用。具体来说，本文解决了以下研究问题：

• •
  如何利用LLMs来减少在数字制造环境中部署优化技术所需的优化专业知识？
• •
  我们如何为数字制造环境开发可扩展、成本效益高且鲁棒的基于LLM的解决方案？
• •
  我们如何满足在数字制造环境中开发基于LLM的解决方案的数据需求？
• •
  我们的自动化问题表述技术与现有解决方案相比如何？其性能是否足够强大，可以支持数字制造之外的应用？

通过解决这些问题，本文对AI-LLM技术在数字制造优化中的应用做出了几项关键贡献。我们提出了一个系统化的框架，用于微调成本效益高的LLMs以自动化数字制造中的优化问题表述，从而减少对专业知识的依赖，降低实施成本，并促进优化技术的更广泛采用。为了解决复杂制造问题中的可扩展性挑战，我们引入了模块化和有针对性的提示工程技术，当与成本效益高的LLMs结合使用时，在两个数字制造案例研究中取得了超过95%的成功率，证明了实际的可扩展性、成本效益和鲁棒性。为了支持可重复性和未来研究，我们开发了一个数据生成框架，并为数字制造环境中的生产调度提供了两个开源数据集。该框架的有效性在标准基准测试中得到了进一步验证（Ramamonjison等人，2022a），其成功率比现有的问题表述自动化方法高出30%以上，为工业环境中的实际应用建立了显著的竞争优势。

本文的其余部分组织如下。第2节回顾了数字制造环境中的优化相关工作、LLMs在该领域的应用以及现有的自动化问题表述研究，然后确定了研究空白和我们的关键贡献。第3节介绍了两个应用：一个典型的JSS问题和一个数字制造环境中的实际生产调度问题。第4节描述了微调框架和方法论设置。第5节报告了实验结果、比较分析和管理见解。最后，第6节总结了关键发现，讨论了实际意义，并概述了未来研究的方向。

文献综述

文献综述

我们的文献综述基于三个相互关联的文献体，共同构成了本研究的理论和方法论基础。首先，第2.1节通过调查运营研究方法如何改进成本、质量、交付和灵活性，将优化置于数字制造背景下。它还展示了代表性应用、它们的部署障碍以及LLMs目前在数字制造环境中的使用情况。其次，第2.2节回顾了

案例研究

本节提供了两个互补的案例研究，以评估我们的基于LLM的问题表述框架在不同复杂程度下的表现。第3.1节使用传统的JSS问题作为受控基准，以验证建模的准确性和解决方案的质量。然后，第3.2节考察了一个现实世界的数字化 embroidery 工厂，其中调度需要机器分配和排序（一个灵活的作业车间设置），展示了该框架如何处理实际问题

提出的方法论

本节详细介绍了我们的框架。如图2所示，该过程从包含优化问题及其相应表述的数据集开始。然后使用这个数据集来微调预训练的LLM，使其能够为给定的优化问题生成问题表述。

实验和关键发现

本节介绍了使用传统和实际生产调度问题对我们的框架进行的全面实验，展示了AI-LLM技术在数字制造环境中的实际应用。随后，我们将框架评估扩展到LP数据集（LPWP，Ramamonjison等人，2022a），以将其性能与现有方法进行基准测试。这种多方面的实验方法提供了该框架的定量证据

结论

在本文中，我们提出了一个系统化的框架，用于自动化业务优化中的问题表述，以微调成本效益高的LLMs，自动构建优化问题的表述，解决了数字制造环境中对可扩展和易用优化工具的迫切需求。在传统和实际生产调度场景中进行的广泛实验评估揭示了几个关键发现

CRediT作者贡献声明

Pivithuru Thejan Amarasinghe：撰写——原始草稿、方法论、调查、资金获取、数据整理、概念化。 Su Nguyen：撰写——原始草稿、验证、监督、方法论、调查、概念化。 Yuan Sun：撰写——原始草稿、验证、监督、资源管理、方法论、概念化。 Sobhan (Sean) Arisian：撰写——审阅与编辑、验证、监督、资源管理、项目协调。 Damminda Alahakoon：撰写——审阅

写作过程中生成式AI和AI辅助技术的声明

在准备本文期间，ChatGPT被用作工具来校对和改进论文某些部分的语言和可读性。使用该工具后，作者根据需要审查和编辑了内容，并对论文的内容负全责。