物流是运筹学应用最深的地方，也因此最早暴露纯算法方案的局限：现实仓库里，一个最优解往往比一个次优解慢得多。
一、1980-1990 年代：车辆路径问题的算法时代
1991 年 Christofides 提出对称度量下的近似算法，保证解与最优解之比不超过 1.5。但物流企业很快发现，理论保证无法覆盖现实约束：时间窗、装卸顺序、司机工时与多温区要求往往互相冲突。但行业很快发现现实约束更复杂：1990 年代末快递企业的核心排班软件本质上是带启发式裁剪的整数规划求解器。
车辆路径问题在理论上非常漂亮：它有明确的数学定义，有可证明的近似比，并且每几十年就能得到一次理论上的突破。Christofides 的 1.5 倍保证在纯数学意义上是当时最重要的结果之一。
但它在实践中几乎没有直接价值。真实配送路径问题包含约束条件数量巨大：每个客户有时间窗（必须在某个时段送达）、有装卸要求（有的要带回空筐）、有车辆限制（冷链车不能装常温货）。约束一多，可证明的保证就急剧退化。
更根本的是，理论问题假设距离矩阵已知且稳定，而真实配送的距离受实时路况影响。一个理论上最优的路线，在早高峰可能把十辆车全部堵在同一个匝道。
所以工业界在 1990 年代就放弃了追求理论最优，转向启发式与人工规则。典型做法是先用一个粗糙的规则生成初始解，再用局部搜索改进，同时把调度员的手动调整作为最终修正。这个”算法给初值、人工定终值”的分工一直延续到今天。
二、2000 年代：仓库自动化与调度问题被重新定义
2003 年 Kiva 机器人系统在亚马逊仓库投入使用，把问题从”怎么派车”变成”怎么让机器人取货的顺序最短”。由此带来的变化是：在货架可移动的前提下，最优路径问题从 NP-hard 退化为可用局部搜索解决的近线性问题。这个例子的意义在于：这个例子的意义在于：改变物理约束比改进算法更有效。
Kiva 系统的核心创新是把货架变成可移动的。传统仓库中货架固定，因此取货必须按固定路径，导致大量无效行走。而当机器人可以把整个货架顶起来送到拣货点时，路径规划就从全局组合问题变成了局部跟随问题。
这个变化的数学意义很大。固定货架下的最优取货顺序是 NP-hard 的，需要指数级搜索；而移动货架后，只需解决“下一个该拿哪个货架”的排序问题，这个问题可以用启发式在常数时间内得到很好的解。
因此亚马逊的策略不是优化算法，而是重设问题。这个思路在物流业后来被反复复用：当一个优化问题无解时，先问是否可以改变约束条件，而不是投入更多算力去求解。
系统构成上，Kiva 使用大量低成本机器人协同工作。单个机器人很简单——只在地面二维码网格上移动，不自主避让；真正的智能集中在中央调度系统，它决定每个机器人下一步去哪里。这种”简单执行器 + 复杂调度器”的结构，至今仍是仓储自动化的主流架构。
三、2015-2020：需求预测成为主要战场
2016 年起主要快递企业陆续公开数据科学团队规模，把机器学习用于仓配一体与时效预测。物流时效的预测难点在于异常天气、爆仓与交通管制这些非周期因素，这类因素占误差的主要部分。单纯的时序预测模型在这部分几乎无能为力，因此方向转向 因此行业转向预测与调度的联合优化，即”预测什么就调度什么”。
时效预测看起来像一个标准的时序问题，用历史数据拟合模型、预测下一个时间段的延误率。但实际业务中，这类模型的表现往往不如预期。
原因是误差结构不对。纯粹的周期性因素（工作日与周末差异、固定的发车时刻）确实可以被时序模型很好地捕捉；而真正影响用户体验的是非周期事件——台风、极端降雨、大型活动管制、以及爆仓导致的连锁延误。
这些事件的共同特点是：发生概率低，但影响巨大，且需要外部信息才能预测。一个只看历史配送数据的模型，对台风来临没有任何先验知识。
因此有效的做法是把外部信号纳入模型：气象预报、路况 API、大型活动日历、以及社交媒体上的突发信息。这使物流预测从纯机器学习问题变成一个数据融合问题，数据工程的重要性随之上升。
预测与调度的联合优化是更进一层。如果已知明天下午会有大雨，调度系统就应该提前把受影响区域的包裹提前发出，而不是等延误发生后再补救。这把物流 AI 从事后统计推向了事前干预。
四、2020-2025：端到端优化与大模型带来的机会与代价
2020 年后调度优化被整合进 TMS 系统，生成式模型开始被用于处理异常订单的自然语言工单。大模型的真实收益是 大模型的真实收益在客服与异常处理环节，而不是在求解器本身。但 把大模型直接用于路径决策时，它不保证可行解，这一缺陷在 2024 年多个事故通报中被明确记录。所以 因此目前工业界的实践是：大模型负责理解与解释，运筹求解器负责出解，两层不能混用。
物流系统近年的整合方向很清楚：从各环节独立优化，转向全链路协同。过去发车计划、线路规划、仓库作业、末端派送各自为政，局部最优经常导致整体变差；现在的系统会把订单全生命周期的约束放进同一个优化框架。
大模型进来之后，最先见效的并不是调度本身。而是那些需要理解非结构化信息的环节：客户投诉里描述的地址修正、异常工单的自然语言分类、以及给加盟商的业务解释。
这些任务传统上需要大量人工，而大模型能以极低的边际成本处理。一个典型例子是地址解析：客户写的“XX小区门口那个便利店旁边”需要被映射到一个具体的配送站和网格，大模型能理解这种描述，传统规则系统只能不断匹配失败。
但把大模型直接用于路径决策是危险的。路径求解需要保证输出可行——每个订单被恰好分配一次、车辆容量不超限、时间窗不被违反。大模型生成的是概率上合理的文本，它不提供任何可行性保证。
2024 年多个事故通报记录了这一问题：在实验环境中让模型直接输出派送方案，结果是出现了同一订单被分配给两辆车、或车辆总载重超过容积上限的情况。这类错误在纸面上不显眼，但在真实物流中会直接导致履约失败。
因此工业界的分层架构已经稳定下来：大模型负责把自然语言转成结构化约束，把预测结果转成可解释的建议；运筹求解器负责在这些约束下求出可行解；调度员保留最终否决权。这不是技术保守，而是对错误代价的理性定价——在物流里，一个不可行的派送方案比一个平庸的方案贵得多。
