学院新闻
专家报告会回顾 | 服务与订单频率约束下多级分销网络的约束学习优化
为拓展研究生学术视野，促进供应链管理与智能优化领域的学术交流，2026年宁波研究生学术节专家报告会顺利举行。本次报告由宁波（中国）供应链创新学院博士后Emad Alenany作专题学术报告，学院科研人员、研究生及相关领域人员参加了本次活动。
Emad Alenany博士现为宁波（中国）供应链创新学院（NISCI）博士后研究员，主要从事基于仿真与数据驱动建模的供应链分析与优化研究。他毕业于美国宾汉姆顿大学，获工业与系统工程博士学位，并在埃及扎加齐克大学获得工业工程硕士和学士学位。其研究方向涵盖无人机—卡车协同物流优化、医疗运营仿真决策支持以及基于机器学习的房地产估值建模，在复杂系统建模与数据驱动决策方面积累了丰富经验。此外，他曾在卫理公会大学、宾汉姆顿大学和扎加齐克大学从事教学工作，讲授运筹学、数据挖掘、概率与统计、工程经济学及供应链管理等课程。
本次报告题为《Optimization with Constraint Learning for Service and Order-Frequency-Constrained Multi-Echelon Distribution Network》（服务与订单频率约束下多级分销网络的约束学习优化），围绕多级库存优化（Multi-Echelon Inventory Optimization, MEIO）问题展开，系统梳理了解析方法、仿真优化方法和代理模型方法等主流研究路径，并分析了各类方法在复杂动态系统中的适用性与局限性。
在此基础上，报告重点介绍了机器学习与数学优化相结合的新范式，即将训练得到的机器学习模型转化为约束形式，并嵌入以混合整数规划（MIP）为代表的优化模型中进行统一求解。该方法有效降低了复杂系统建模难度，提升了优化效率，同时减少了对元启发式算法的依赖。
此外，报告还分析了模型精度与计算时间之间的权衡关系，为实际应用提供了重要参考。研究表明，在复杂供应链环境中，结合机器学习与优化模型的方法能够有效提升库存决策的科学性与效率，对企业降低库存成本、提升运营水平具有重要意义。
在报告最后，Emad Alenany博士展望了未来研究方向，指出将进一步聚焦大规模供应链系统优化，提升机器学习嵌入优化模型的精度与效率，推动决策过程向智能化与自动化发展。
本次报告内容充实、逻辑严谨，兼具理论深度与应用价值。与会人员围绕机器学习建模方法、优化模型构建及实际应用场景等问题展开了深入交流。报告不仅加深了与会人员对“机器学习与供应链优化”交叉领域的认识，也为相关研究提供了新的思路与方法。学院将继续依托高水平学术交流平台，邀请国内外优秀学者开展学术报告，持续推动科研创新与人才培养工作高质量发展。
返回上一级