研究領域 Research Field
作業研究應用與最佳化
機器學習強化與資料驅動最佳化
隨機規劃與決策最佳化
供應鏈規劃與物流系統最佳化
系統模擬
- Operations Research and Optimization
- Machine Learning–Enhanced and Data-Driven Optimization
- Stochastic Programming and Decision Optimization
- Supply Chain Planning and Logistics Optimization
- System Simulation
研究方向 Research Direction
以作業研究與最佳化為核心，應用數學規劃、隨機規劃及元啟發式演算法，解決生產、供應鏈與物流系統之規劃及決策問題。近年研究朝向機器學習與資料驅動方法之整合，著重以下三個方向：
機器學習強化最佳化(Machine Learning–Enhanced Optimization) ：結合機器學習與最佳化演算法，透過學習求解過程中的特徵與經驗，改善啟發式演算法之搜尋策略、運算子選擇及求解效率。資料驅動情境式隨機最佳化(Data-Driven Contextual Stochastic Optimization) ：結合資料分析、機器學習與隨機規劃方法，藉由情境特徵反映系統不確定性，提升生產、供應鏈與物流系統之規劃與決策品質。預測與最佳化整合(Predict-and-Optimize) ：整合機器學習預測模型與最佳化決策模型，探討預測準確度與決策品質之關係，發展以最終決策效益導向學習(Decision-Focused Learning)之智慧最佳化方法。
研究主題 Research Topic
- 機器學習導引之啟發式演算法。
- 資料驅動與情境式隨機規劃在生產及物流決策之應用。
- 預測與最佳化整合及決策導向學習在生產與供應鏈規劃之應用。
- 供應鏈多廠區產能規劃、產能擴充與資源最佳化分配。
- 生產排程與生產線平衡最佳化。
- 模擬技術在智慧製造之應用。
- 精實生產與現場改善。