OptiGuide：用于优化与决策智能的生成式人工智能

项目

本仓库包含多个用于决策与优化的项目。如果您在自己的工作中使用了这些代码，请引用相关论文。

OptiGuide：用于供应链优化的假设分析

what-if 文件夹包含了 OptiGuide 项目的开源论文及假设分析的相关材料：

@article{li2023large,
  title={大型语言模型在供应链优化中的应用},
  author={李贝彬、梅卢·康斯坦蒂娜、张博、帕图里·吉文、梅纳赫·伊沙伊},
  journal={arXiv 预印本 arXiv:2307.03875},
  year={2023}
}

朝向混合整数线性规划的基础模型

milp-evolve 文件夹包含了 MILP-Evolve 论文、代码及数据的开源材料：

@article{li2024towards,
  author    = {李思睿、库尔卡尼·贾纳尔丹、吴凯茜、梅纳赫·伊沙伊、李贝彬},
  title     = {朝向混合整数线性规划的基础模型},
  booktitle = {第十三届国际学习表征会议},
  year      = {2025}
}

OptiMind：教导大语言模型像优化专家一样思考

optimind 文件夹包含了 OptiMind 项目的开源论文、评估代码及测试数据：

@article{zhang2025optimind,
  title={OptiMind：教导大语言模型像优化专家一样思考},
  author={张欣志、陈泽毅、佐普·胡米什卡、巴尔巴略·雨果、梅卢·康斯坦蒂娜、莫利纳罗·马可、库尔卡尼·贾纳尔丹、梅纳赫·伊沙伊、李思睿},
  journal={arXiv 预印本 arXiv:2509.22979},
  year={2025}
}

负责任的人工智能考量

将生成式人工智能融入决策智能与优化领域，为复杂问题的求解提供了类人推理能力。然而，为了确保其应用既有益又避免产生意外后果，必须积极考虑人工智能的伦理与责任问题。

由于我们使用的是公开可用的语言模型，我们的框架天然继承了这些模型的优点与局限性。针对这些挑战，我们已实施了一系列保障机制，以确保决策过程的公平性、鲁棒性和安全性。尽管如此，鉴于人工智能本身的复杂性，模型偏差、对抗性漏洞以及不可预见的行为等问题仍有可能出现。

研究人员和从业者必须对这些由 AI 驱动的解决方案进行批判性评估与解读，深入理解大语言模型的优势与局限性。通过负责任地利用这些模型，我们能够在推动决策智能与优化领域取得重大进展的同时，坚守伦理标准并有效降低潜在风险。

禁止事项

鉴于本仓库的特殊性质——其中既包含基准数据，也包含用于评估数据驱动型模型与流水线的源代码——我们明确禁止以下行为：

1. 擅自抓取本仓库内容用于训练机器学习模型、深度学习架构、数据科学算法、大型语言模型或其他任何数据驱动的计算模型。此类行为可能引入偏差，并导致所训练模型的评估指标失效。不过，您仍然可以使用本仓库的内容来评估模型和流水线。
2. 违反本仓库的许可条款。

贡献说明

本项目欢迎各类贡献与建议。大多数贡献都需要您签署一份贡献者许可协议（CLA），声明您有权且确实授予我们使用您贡献的权利。详情请访问 https://cla.opensource.microsoft.com。

当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记您的 PR（例如添加状态检查或评论）。您只需按照机器人提供的指示操作即可。对于所有采用我们 CLA 的仓库，您只需完成一次此流程。

本项目已采纳 微软开源行为准则。如需更多信息，请参阅 行为准则常见问题解答 或发送邮件至 opencode@microsoft.com 咨询更多问题或意见。

商标声明

本项目可能包含其他项目、产品或服务的商标或标识。未经授权使用微软商标或标识须遵守并遵循 微软商标与品牌指南。在本项目的修改版本中使用微软商标或标识时，不得造成混淆或暗示微软的赞助关系。任何第三方商标或标识的使用均应遵守其各自的政策。

OptiGuide 快速上手指南

OptiGuide 是一个利用生成式人工智能（GenAI）进行优化和决策智能的开源项目集合，主要涵盖供应链优化、混合整数线性规划（MILP）基础模型以及教导大语言模型像优化专家一样思考（OptiMind）等方向。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 20.04+)、macOS 或 Windows (需配合 WSL2)。
• Python 版本：Python 3.9 或更高版本。
• 依赖管理：建议安装 conda 或 venv 以创建独立的虚拟环境。
• 前置知识：熟悉基本的运筹优化概念（如 MILP）及大语言模型应用开发。

注意：本项目包含多个子项目（what-if, milp-evolve, optimind），每个子项目可能有特定的依赖库。请根据您具体要运行的子项目目录下的 requirements.txt 进行安装。

安装步骤

1. 克隆仓库 将代码库克隆到本地：

   git clone https://github.com/microsoft/OptiGuide.git
   cd OptiGuide
   

2. 创建虚拟环境 推荐使用 conda 创建隔离环境：

   conda create -n optiguide python=3.9
   conda activate optiguide
   

3. 安装依赖 由于项目包含多个独立模块，请进入您想要使用的具体子目录安装依赖。例如，若需使用供应链优化（What-if Analysis）功能：

   cd what-if
   pip install -r requirements.txt
   

   若需使用其他模块（如 milp-evolve 或 optimind），请分别进入对应文件夹执行上述安装命令。

   国内加速提示：如遇网络问题，可使用国内镜像源加速安装：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

4. 配置 API 密钥 本项目依赖外部大语言模型（LLM）。您需要在环境变量中配置相应的 API Key（如 Azure OpenAI 或其他兼容接口）：

   export OPENAI_API_KEY="your-api-key-here"
   export OPENAI_API_BASE="https://your-endpoint.openai.azure.com/" # 如果使用 Azure
   

基本使用

以下以 供应链优化与假设分析 (What-if Analysis) 模块为例，展示最简单的使用流程。其他模块的使用逻辑类似，请参考各子目录下的具体脚本。

1. 准备输入数据 确保当前目录下存在符合格式要求的供应链数据文件（通常为 JSON 或 CSV 格式，具体参考 what-if/data 目录中的示例）。

2. 运行优化脚本 在项目根目录或对应子目录下运行主脚本。以下命令将调用 LLM 对供应链场景进行建模并执行假设分析：

   python main.py --scenario example_scenario --mode what-if
   

   参数说明：

   • --scenario: 指定要运行的场景名称。
   • --mode: 运行模式，what-if 表示进行假设性分析。

3. 查看结果 程序运行结束后，优化结果和建议决策将输出至终端，并可能保存为本地文件（如 results/output.json）。结果通常包含：

   • 生成的优化模型代码（Python/MIP 格式）。
   • 求解器返回的最优解。
   • LLM 对决策变化的自然语言解释。

---

负责任 AI 提示：本工具生成的决策建议基于大语言模型的推理能力，可能存在偏差或幻觉。在实际生产环境中部署前，请务必由领域专家对生成的模型代码和决策结果进行严格审查和验证。