目前都有哪些公司招运筹优化算法工程师？
目前都有哪些公司招运筹优化算法工程师？ OptaPlanner Exhaustive search运筹算法穷举搜索1. 概述
穷举搜索总是能够找到全局最优解并识别出来。然而，它的规模无法扩展（甚至对于小型数据集也不适用），因此在大多数情况下几乎没有实际用途。
2. 枚举法
2.1 算法描述
枚举法会创建并评估每一个可能的解决方案。
bruteForceNQueens04
请注意，随着问题规模的增加，它会创建一个指数级爆炸的搜索树，因此它会在可扩展性上遇到瓶颈。
由于时间限制，枚举法在实际问题中几乎没有用处，如穷举搜索的可扩展性所示。
2.2 配置
最简单的枚举法配置如下：
<solver xmlns=&#34;https://www.optaplanner.org/xsd/solver&#34; xmlns:xsi=&#34;http://www.w3.org/2001/XMLSchema-instance&#34;
xsi:schemaLocation=&#34;https://www.optaplanner.org/xsd/solver https://www.optaplanner.org/xsd/solver/solver.xsd&#34;>
...
<exhaustiveSearch>
<exhaustiveSearchType>BRUTE_FORCE</exhaustiveSearchType>
</exhaustiveSearch>
</solver>3. 分支限界
3.1 算法描述
分支限界算法也会在指数级搜索树中探索节点，但它会首先探索最有希望的节点并剪枝无价值的节点。
对于每个节点，分支限界算法计算一个乐观的界限：该节点可能达到的最佳得分。如果某个节点的乐观界限小于或等于全局悲观界限，则会剪枝该节点（包括其所有子节点）。
学术论文中使用“下界”来表示乐观界限（以及“上界”来表示悲观界限），因为它们是在最小化得分时使用的。
OptaPlanner 会最大化得分（因为它支持正负约束的组合）。因此，为了避免混淆，OptaPlanner 使用不同的术语，而不是使用“下界”这个词来表示总是更高的边界。
例如：在索引14处，将全局悲观界限设置为-2。由于从索引11处访问的节点可以达到的所有解都具有低于或等于-2的得分（即节点的乐观界限），因此可以剪枝这些节点。
depthFirstBranchAndBoundNQueens04
请注意，分支限界算法（与枚举法类似）会创建一个指数级爆炸的搜索树，随着问题规模的增加，它会在可扩展性上遇到相同的瓶颈，只是稍微晚一些。
由于时间限制，分支限界算法在实际问题中几乎没有用处，如穷举搜索的可扩展性所示。
3.2 配置
3.2.1 最简单的分支限界配置如下：
<solver xmlns=&#34;https://www.optaplanner.org/xsd/solver&#34; xmlns:xsi=&#34;http://www.w3.org/2001/XMLSchema-instance&#34;
xsi:schemaLocation=&#34;https://www.optaplanner.org/xsd/solver https://www.optaplanner.org/xsd/solver/solver.xsd&#34;>
...
<exhaustiveSearch>
<exhaustiveSearchType>BRANCH_AND_BOUND</exhaustiveSearchType>
</exhaustiveSearch>
</solver>为了使剪枝功能与默认的 ScoreBounder 正常工作，需要设置 InitializingScoreTrend。特别是当 InitializingScoreTrend 设置为 ONLY_DOWN（或至少在前几个得分级别中包含 ONLY_DOWN）时，剪枝效果会很好。
3.2.2 高级配置如下：
<exhaustiveSearch>
<exhaustiveSearchType>BRANCH_AND_BOUND</exhaustiveSearchType>
<nodeExplorationType>DEPTH_FIRST</nodeExplorationType>
<entitySorterManner>DECREASING_DIFFICULTY_IF_AVAILABLE</entitySorterManner>
<valueSorterManner>INCREASING_STRENGTH_IF_AVAILABLE</valueSorterManner>
</exhaustiveSearch>3.2.2.1 nodeExplorationType 的选项有：
[*]DEPTH_FIRST（默认）：优先探索更深层次的节点（然后是更好的得分，然后是更好的乐观界限）。深层次的节点（尤其是叶子节点）往往可以提高悲观界限。更好的悲观界限能够剪枝更多的节点，从而减少搜索空间。
[*]BREADTH_FIRST（不推荐）：按层次遍历节点（然后是更好的得分，然后是更好的乐观界限）。在内存方面非常低效（通常性能也很差）。
[*]SCORE_FIRST：优先探索得分更高的节点（然后是更好的乐观界限，然后是深层次的节点）。在某些情况下可能与 BREADTH_FIRST 一样低效。
[*]OPTIMISTIC_BOUND_FIRST：优先探索乐观界限更好的节点（然后是更好的得分，然后是深层次的节点）。在某些情况下可能与 BREADTH_FIRST 一样低效。
3.2.2.2 entitySorterManner 的选项有：
[*]DECREASING_DIFFICULTY：优先初始化较困难的规划实体。这通常会增加剪枝（从而提高可扩展性）。要求模型支持规划实体的难度比较。
[*]DECREASING_DIFFICULTY_IF_AVAILABLE（默认）：如果模型支持规划实体的难度比较，则行为类似于 DECREASING_DIFFICULTY，否则行为类似于 NONE。
[*]NONE：按原始顺序初始化规划实体。
3.2.2.4 valueSorterManner 的选项有：
[*]INCREASING_STRENGTH：按增强程度递增地评估规划值。要求模型支持规划值的强度比较。
[*]INCREASING_STRENGTH_IF_AVAILABLE（默认）：如果模型支持规划值的强度比较，则行为类似于 INCREASING_STRENGTH，否则行为类似于 NONE。
[*]DECREASING_STRENGTH：按减弱程度递减地评估规划值。要求模型支持规划值的强度比较。
[*]DECREASING_STRENGTH_IF_AVAILABLE：如果模型支持规划值的强度比较，则行为类似于 DECREASING_STRENGTH，否则行为类似于 NONE。
[*]NONE：按原始顺序尝试规划值。
4. 穷举搜索的可扩展性
穷举搜索的变种存在两个重大的可扩展性问题：
[*]在内存方面的扩展性非常差。
[*]在性能方面的扩展性极差。
正如 Benchmarker 中的时间花费图所示，无论是 Brute Force 还是 Branch And Bound 都会遇到性能可扩展性的瓶颈。例如，在 N 皇后问题中，几十个皇后时就会遇到瓶颈：
exhaustiveSearchScalabilityNQueens
在大多数情况下，例如云平衡问题，这种瓶颈突然出现：
exhaustiveSearchScalabilityCloudBalance
穷举搜索在小型数据集上也会遇到瓶颈，因此在生产环境中，这些优化算法几乎没有实际用途。相反，应该使用具有局部搜索的构造启发式方法：它们可以轻松处理成千上万的皇后或计算机。将硬件投入到这些可扩展性问题中并没有明显的影响，新的硬件只是杯水车薪。摩尔定律无法抵挡数据集中规划实体数量的增长。 持续更新中...
<hr/>一、互联网行业
[*]阿里巴巴：阿里云、菜鸟物流、本地生活(饿了么)、蚂蚁集团cto线-智能引擎与数据中台技术事业部-决策优化团队、达摩院-决策智能实验室、盒马等；
[*]华为：华为云、诺亚方舟-决策与推理实验室等；
[*]美团：外卖配送、美团买菜/优选业务等；
[*]字节跳动：参与字节电商供应链的智能体系建设，负责面向业务的数据挖掘及算法持续迭代；通过数据挖掘和运筹优化，对电商的履约链路各环节进行质量、成本和效率上的优化，业务包括但不限于：仓储规划布局、出入库效率优化、物流路径优化、备货&调拨计划；
[*]拼多多： 深入研究物流调度、路径规划、动态定价等领域的算法问题，并从成本、时效等多个维度对相关算法进行优化；
[*]携程：跨交通方式智慧出行行程规划等；
[*]叮咚买菜：设计弹性调拨策略，实现不同业务目标、不同调拨场景下的均衡调拨；智能补货，结合需求预测、库存与其它客观约束，设计目标函数，设计最优补货策略；
[*]永辉科技：对物流供应链各环节进行分析，发现问题，并负责相关运筹优化模型的设计，研发。配合工程话团队打造业界领先的供应链算法产品；
[*]达达集团：智能派单系统的算法调优，优化派单效率与派单体验等；
[*]百胜中国-智能宅急送：百胜中国拥有最大的垂直品牌外卖平台体系，需要构建功能强大且领先的智能宅急送运营平台，建立行业竞争壁垒，提升Sales及配送效率和消费者体验，为旗下品牌高速发展外卖业务，奠定坚实的基础；智能宅急送研发团队需要通过大数据和AI赋能外送商圈的智能规划、运营、骑手调度等各种外卖场景。
[*]其他：电商、供应链（则一、好特卖）、配送、相关公司的云BG等；
二、物流行业
[*]顺丰科技：负责顺丰科技ToB大客户供应链系统的算法研发与落地；销量预测建模、仿真、模型效果优化和性能提升；自动补货、食品解冻建议、人员排班进行建模、仿真、模型效果优化和性能提升；
[*]中通快递：基于公司的车辆调度、线路，提出优化方案（如线路、装卸车方案、时效、空仓等优化）；
[*]申通快递：负责物流网络优化的建模与优化；负责运筹优化机器学习算法与工程开发，包括但不限于物流引擎开发、快递图优化算法、实时风控、件量预测、时效预测等模块；
三、ToB行业
[*]杉数科技：杉数求解器COPT；智慧供应链、智能工业制造、基础设施优化等；
[*]悠桦林：悠桦林智能供应链计划与排程解决方案，基于自研Deloris算法平台，将大数据、人工智能、运筹学等技术通过宏观到微观的多层级计划产品体系将AI智能决策真正落地，切实解决企业在供应链计划层面遇到的问题；
[*]上海数字大脑研究院：将企业资源优化调度配置问题转化为数学模型，面向行业客户提供可落地实施部署的解决方案（例如：运输路径规划调度 / 能源资源优化等场景）；
[*]第四范式：使用领先的强化学习或运筹优化技术提供实际问题的优化方法和解决方案；
[*]雪浪云：聚焦选址、路径规划、城配、即时物流等相关行业，基于业务场景海量数据和真实业务需求，建立各种调度和决策模型，辅助决策并优化效率；
[*]商汤科技：聚焦面向现代物流、城市公交等业务场景，包括不限于智能调度、智能配载、路径优化、装箱等问题；
四、航空行业
[*]春秋航空：结合航空领域特点及业界最新趋势，选择及应用适合公司的方案；
[*]东方航空：结合航空领域特点及业界最新趋势，选择及应用适合公司的方案；
[*]CAE公司：运筹优化团队从售前演示、算法实现、引擎交付、生产支持、服务中心（Service Bureau）等方面，为优化引擎的产品生命周期各阶段提供知识和功能支持。收集功能需求，运行基准测试，设计业务解决方案，调优/校准参数，进行用户培训与产品健康检查，并解决生产中出现的问题。除此之外，数学模型开发、引擎测试、系统改进，以及统计分析等工作都是在公司内部进行。
五、汽车行业
[*]蔚来：研发供应链预测排产算法，提升整车、零部件的供应链、物流、生产制造协调效率，提升生产效率、降低库存量和生产损耗；研发智能产线预测优化算法，采集整车、零部件产线的制造工艺和设备数据；
六、其他行业
[*]制药公司-药明康德：Develop and optimize machine learning (ML) algorithms including major heuristic algorithms, e.g. genetic algorithms (GA), partricle swarm optimization (PSO), branch and bound (BB), dynamic programming (DP) to solve interger programing (IP) and mixed integer programing (MIP) problems in industrial production scheduling ；
@运筹OR帷幄
专注于航空行业数字化。
工作地点： 上海、西安、成都均可
联系方式： mixiaoqiang@handaotech.com 微信： 815300
职责描述：
1、 开发、优化机器学习（ML）算法，包括但不限于heuristic algorithms、 GA、 PSO、BB、 DP等来解决IP和MIP问题；
2、 深入研究业务领域，进行算法设计，包括但不限于资源调度、库存优化、路径优化、高级排程等，适用于智能制造领域的算法分析，与开发团队协同完成建模，优化算法设计与开发、验证及上线；
3、 与其它团队及成员协作，将算法原型转化为系统和产品；
任职要求：
1、 985/211 (或者海外对等) 硕士或者博士学历，计算机、数学、运筹学、工业工程等相关专业；
2、 3年优化算法实际工作经验；有物流优化、网络优化、智能排程（JSP），路径优化，排班优化，航班恢复等领域实际开发经验为佳；
3、 丰富的算法设计及解决实际问题的能力，能够熟练使用机器学习算法，包括GA, CG, BB, DP 等；能够开发定制化的算法模型来解决实际业务问题；
4、 较好的编程能力，熟练掌握Java，C/C++， Python等至少一门语言，熟练使用Gurobi/Cplex/lpSolve/or-tools等至少一种建模求解工具；
5、 优秀的问题建模及解决能力，良好的沟通及团队协作能力；较强的自我驱动力和创新力;
联系方式： mixiaoqiang@handaotech.com 微信： 815300 距离第一次找运筹优化方向的实习工作，马上就要满4年了。我读博所在的实验室并不主攻运筹优化，所以在确定要转到工业界做运筹优化这件事情后，就注定在未来的很长一段时间内，我要自己一路摸索了。每一次考虑新工作之前，我都得反思三个问题：自己预设的目标完成了没？公司是否有额外的惊喜？对下一家公司的期望是什么？截至当前，我已经在3个对运筹优化有需求的公司待过。从已有的认知来看，这几步路走的还算稳健。趁着秋招季，分享一下我的思考心得，给找工作的童鞋做参考。
走出校园前，自我判断是：有一定的运筹优化算法能力，但是缺乏运筹优化的场景积累。要进入工业界，应该先多了解一些运筹优化的问题场景。我第一家公司选择的是创新奇智。这是一家ToB公司，简单理解，ToB就是其他公司提供运筹优化的业务需求，创新奇智为它们提供算法、软件和平台等支持。这种类型的公司还有杉树科技和优桦林。还有一类公司，也是ToB，但是业务场景会有明显侧重，比如极智嘉、迅蚁和海柔更关注机器人应用；侧推信息则聚焦排班管理。因为不同的甲方公司会有不同的业务需求，所以在这类公司可以接触到各种各样的运筹优化问题，对于扩展视野是极有帮助的。不过因为乙方的属性，在和甲方公司合作的过程中，很容易出现合作深度不佳的情况，比如必要的基础数据获取困难、运筹算法的反馈不及时等，最终导致算法停留在表面，无法有效迭代。
我选择的第二家公司是永辉超市，这是一家有自己实际业务的公司，算法团队研发的产品会直接应用于自己的业务场景，所以在这里算法和业务的合作沟通会明显顺畅许多。这类公司就非常多了，包括：开水团、阿里、京东等头部公司，运筹团队规模较大；字节跳动、华为、虾皮、滴滴、顺丰等公司（永辉应该在这里），运筹团队规模适中；国家电网、中石油/中石化、瑞幸咖啡、58同城、长城汽车、蒙牛、BOSS直聘等公司，运筹团队人数较少，一般不会超过3个人。在永辉，最大的收获是，有机会经历一个完整的从算法开发、落地测试、算法迭代、最终全面推广的全流程。这个经验对我来说，是弥足珍贵的。后来和其他同行小伙伴们谈起，也能明显感受到他们羡慕的眼神。
不过生命在于折腾，喜欢挑战的我还想看看更大的世界。看什么呢？应该是想看，公司是如何把一项业务从0起步，做到国内领先；运筹优化算法乃至其他算法在其中发挥了怎样的价值；各种算法如何有机协作，共同支撑好整个业务；每一个算法如何体系化地完成从0到1的搭建，以及从1到100的迭代和完善。头部大厂的优势在于，有追求卓越的长期目标和成功经验，有足够大和优秀的团队去缩短做成这一切的时间，有规范化的项目管理机制和个人成长机制。所以我现在来到了开水团。在这边的时间比较短，甚至还没通过转正，所以不做过多评价。不过从现有的认知来看，还是符合预期的。
有时候也会想，如果一开始就直接选择类似开水团这样的头部大厂，会不会更好？至少当年刚毕业时，确实是有这个机会的。关于这一点，我的思考结论是：每一次的变化都在努努力就能够得着的状态，所以我的成长路线是更加平稳、扎实和可控的；最终的结局固然重要，沿途的风景也是别具风采的，创新奇智和永辉超市给我提供的很多机会，在大厂短时间内也是很难获得的。 我司，来吗？我司是业界少有的有运筹大展拳脚的地方，有场景，有数据，有应用，有落地可能
页:
[1]