一种ERP系统资源优化求解方法、设备及介质与流程

本技术涉及人工智能，尤其涉及一种erp系统资源优化求解方法、设备及介质。

背景技术：

1、erp系统中的资源优化配置问题通常被建模为混合整数线性规划（milp）问题，通过单纯形法、分支定界法等传统求解器进行求解；然而，随着企业业务规模扩大，约束矩阵规模急剧膨胀；传统求解器初始化阶段需将全部约束纳入单纯形表进行求逆和基变量替换计算，大量在最优解处并不起作用的冗余约束被一并进行处理，造成严重的算力浪费和计算延迟。

2、为提升求解效率，现有技术尝试引入机器学习方法，一种方案将机器学习模型嵌入milp求解过程，但该方法会引入大量中间变量和冗余约束，反而增加求解复杂度；另有方案通过随机删除部分约束来降低规模，但无法保证被删除约束对最优值影响较小，导致结果偏离真正最优解；近年来，大语言模型的兴起提供了新的技术路径，已有方案利用其生成求解代码或直接预测求解结果，但前者未能实质降低底层算法的计算复杂度，后者因大语言模型为概率生成模型，易产生幻觉现象，无法保证输出方案满足全部硬性业务约束。

3、因此，如何通过大语言模型对业务语义进行解析，预判各约束在最优解处的活跃概率以实现约束矩阵动态降维，在保证全局最优解的前提下大幅缩短计算收敛时间，成为亟待解决的技术问题。

技术实现思路

1、本技术实施例提供了一种erp系统资源优化求解方法、设备及介质，用以解决如下技术问题：如何通过大语言模型对业务语义进行解析，预判各约束在最优解处的活跃概率以实现约束矩阵动态降维，在保证全局最优解的前提下大幅缩短计算收敛时间。

2、第一方面，本技术实施例提供了一种erp系统资源优化求解方法，方法包括：将erp系统的待优化业务需求转化为自然语言提示词，并将自然语言提示词输入至预训练的大语言模型，以提取待求解变量、目标函数、全量约束条件及全量约束条件中每一行约束在最优解处成为活跃约束的约束活跃概率向量；将约束活跃概率向量中的各概率值与预设概率阈值进行比较，以将全量约束条件划分为活跃约束集合和挂起约束集合；基于活跃约束集合，构建降维后的约束矩阵，并调用底层求解器对降维后的约束矩阵进行初始求解，以获得初始最优解；将初始最优解代入挂起约束集合中的各约束条件进行校验，并判断初始最优解是否满足挂起约束集合的全部约束条件，以生成与待优化业务需求对应的资源优化求解策略。

3、在本技术的一种实现方式中，将erp系统的待优化业务需求转化为自然语言提示词，并将自然语言提示词输入至预训练的大语言模型，以提取待求解变量、目标函数、全量约束条件及全量约束条件中每一行约束在最优解处成为活跃约束的约束活跃概率向量，具体包括：获取待优化业务需求中的业务场景描述信息和资源状态描述信息，并基于业务场景描述信息和资源状态描述信息构造自然语言提示词；将自然语言提示词输入至预训练的大语言模型中，以识别并提取待优化业务需求中所包含的决策变量、由决策变量构成的目标函数表达式、限定决策变量取值范围的各约束条件的数学表达式及决策变量的非负约束条件；基于各约束条件所对应的业务语境信息，评估各约束条件在最优解处被决策变量取值激活为等式约束的可能性，以获得各约束条件对应的概率值，并将各概率值按照与各约束条件相同的排列顺序组合为约束活跃概率向量。

4、在本技术的一种实现方式中，基于各约束条件所对应的业务语境信息，评估各约束条件在最优解处被决策变量取值激活为等式约束的可能性，以获得各约束条件对应的概率值，具体包括：识别约束条件所涉及的目标资源类型，并从资源状态描述信息中提取目标资源类型对应的资源剩余量；基于资源剩余量与对应约束条件所限定的资源消耗上限之间的相对关系，评估各约束条件在最优解处成为等式约束的可能性，以获得各约束条件对应的概率值。

5、在本技术的一种实现方式中，将约束活跃概率向量中的各概率值与预设概率阈值进行比较，以将全量约束条件划分为活跃约束集合和挂起约束集合，具体包括：基于历史求解日志动态确定概率阈值，并将约束活跃概率向量中的各概率值与预设概率阈值进行比较；将概率值大于预设概率阈值的约束条件划分至活跃约束集合，并将概率值不大于预设概率阈值的约束条件划分至挂起约束集合。

6、在本技术的一种实现方式中，基于活跃约束集合，构建降维后的约束矩阵，具体包括：获取全量约束条件对应的原始约束矩阵及原始约束矩阵中各行的行索引，并获取活跃约束集合中各约束条件对应的行索引；从原始约束矩阵中逐一提取与活跃约束集合中各约束条件的行索引相匹配的行向量，并将提取出的各行向量按照对应的行索引在活跃约束集合中的排列顺序进行组合，以构建降维后的约束矩阵。

7、在本技术的一种实现方式中，调用底层求解器对降维后的约束矩阵进行初始求解，以获得初始最优解，具体包括：将降维后的约束矩阵、目标函数表达式和非负约束条件共同输入至大语言模型下游设置的底层求解器中；基于降维后的约束矩阵和非负约束条件构建初始可行域，并以目标函数表达式的最大化或最小化为优化方向，在初始可行域的各个顶点之间进行遍历搜索，以获得初始最优解。

8、在本技术的一种实现方式中，将初始最优解代入挂起约束集合中的各约束条件进行校验，并判断初始最优解是否满足挂起约束集合的全部约束条件，以生成与待优化业务需求对应的资源优化求解策略，具体包括：将各决策变量对应的取值分别代入挂起约束集合中各约束条件进行计算，以获得各约束条件对应的实际资源使用量，并将实际资源使用量与各约束条件对应的资源可用上限进行比较；若各实际资源使用量均不大于对应的资源可用上限，则判定初始最优解满足挂起约束集合的全部约束条件，并将初始最优解作为资源优化求解策略输出；若存在至少一个实际资源使用量大于对应的资源可用上限，则判定初始最优解不满足挂起约束集合的全部约束条件，并将实际资源使用量大于对应资源可用上限的约束条件标记为待添加约束；将待添加约束添加至活跃约束集合中，并更新挂起约束集合，以由底层求解器对更新后的活跃约束集合进行迭代求解，直至挂起约束集合中不存在待添加约束，以获得资源优化求解策略。

9、在本技术的一种实现方式中，由底层求解器对更新后的活跃约束集合进行迭代求解，直至挂起约束集合中不存在待添加约束，以获得资源优化求解策略，具体包括：获取上一轮初始求解结束时底层求解器输出的最优单纯形表；其中，最优单纯形表中记录了上一轮最优解对应的基变量、基变量取值及目标函数值；以最优单纯形表作为当前迭代轮次的初始单纯形表，并由底层求解器采用对偶单纯形法执行热启动迭代，以在新增约束条件下以上一轮最优解为起点搜索满足全部当前活跃约束的最优解。

10、第二方面，本技术实施例还提供了一种erp系统资源优化求解设备，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：将erp系统的待优化业务需求转化为自然语言提示词，并将自然语言提示词输入至预训练的大语言模型，以提取待求解变量、目标函数、全量约束条件及全量约束条件中每一行约束在最优解处成为活跃约束的约束活跃概率向量；将约束活跃概率向量中的各概率值与预设概率阈值进行比较，以将全量约束条件划分为活跃约束集合和挂起约束集合；基于活跃约束集合，构建降维后的约束矩阵，并调用底层求解器对降维后的约束矩阵进行初始求解，以获得初始最优解；将初始最优解代入挂起约束集合中的各约束条件进行校验，并判断初始最优解是否满足挂起约束集合的全部约束条件，以生成与待优化业务需求对应的资源优化求解策略。

11、第三方面，本技术实施例还提供了一种erp系统资源优化求解的非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令被设置为：将erp系统的待优化业务需求转化为自然语言提示词，并将自然语言提示词输入至预训练的大语言模型，以提取待求解变量、目标函数、全量约束条件及全量约束条件中每一行约束在最优解处成为活跃约束的约束活跃概率向量；将约束活跃概率向量中的各概率值与预设概率阈值进行比较，以将全量约束条件划分为活跃约束集合和挂起约束集合；基于活跃约束集合，构建降维后的约束矩阵，并调用底层求解器对降维后的约束矩阵进行初始求解，以获得初始最优解；将初始最优解代入挂起约束集合中的各约束条件进行校验，并判断初始最优解是否满足挂起约束集合的全部约束条件，以生成与待优化业务需求对应的资源优化求解策略。

12、本技术实施例提供的一种erp系统资源优化求解方法、设备及介质，具有以下有益效果：通过大语言模型解读erp非结构化业务需求，为每一行约束赋予活跃概率，并依据概率阈值将大量非活跃约束挂起，使底层求解器仅针对降维后的极小矩阵进行初始求解，将高维矩阵运算非线性地降低为低维矩阵运算，从而呈数量级缩短极大规模erp业务问题的计算收敛时间；不依赖大语言模型直接输出优化结果、求解代码，仅利用大模型业务语义理解能力做约束筛选启发，将概率预测工作与具备严格数学完备性的传统求解器解耦，从根源规避 llm 自回归概率生成带来的数学幻觉、约束违反问题。