复旦大学管理学院&大数据学院洪流教授的研报探讨了基于循环神经网络（RNN）架构的大规模供应链网络的仿真和优化问题。报告首先回顾了人工智能技术的发展历程及其在算力提升方面的作用，指出传统供应链建模与优化方法（如线性规划、混合整数规划等）在并行计算算力方面的局限性。随后，报告提出将人工智能技术应用于供应链管理，以解决当前供应链管理领域的问题和挑战。
报告以大规模库存优化为例，介绍了库存优化问题的定义和现有方法的挑战。传统方法如随机服务模型、保证服务模型和仿真方法在处理复杂BOM网络结构时存在计算能力和速度上的瓶颈。报告提出基于仿真的优化方法，并类比RNN训练过程，通过张量化、梯度计算和L1-正则化等技术，实现大规模库存优化。
报告的关键数据和研究结论包括：
- 张量化技术：利用BOM网络的邻接矩阵将仿真过程转化为矩阵/向量运算，并通过稀疏矩阵技术减少内存消耗，显著降低计算复杂度。
- 梯度计算：通过构建计算图和反向传播算法，实现高效的sample-path梯度计算，较传统方法提升数千倍效率。
- 数值实验结果：
- 仿真节点个数从1000到50000，传统方法运行时间从2.21分钟提升至632.21秒，而本方法在TensorFlow-GPU-sparse条件下仅需0.19秒至1.48秒。
- 梯度计算时间同样大幅降低，例如50000节点问题从654.67分钟降至26.88秒。
- 库存优化实验显示，5万个节点的测试问题可在2小时内解决，成本降幅达3.32%。
- 结论：该方法通过RNN架构和TensorFlow等工具，有效解决了大规模供应链优化问题，并具有拓展到其他大规模排队网络（如交通网络、服务网络）的潜力。
