预测得好，不等于决策得好
物流服务同时收到三个请求。AI 模型估计每辆车到每位客户的时间。在第一个例子中，这些估计甚至完全准确。反复选择最近的车辆与客户组合，是否就足够？并不。把一辆车分给一个请求后，它就不能再服务其他请求。单独看划算的选择，可能占用在别处更有价值的资源。问题不一定在预测模型，而可能在把估计转成行动的规则。
摘要。本文在线上构造可复现案例，比较贪心选择与最小成本分配，并用可检查的下界证明最优性。随后加入车辆与请求的不兼容条件，展示局部合理选择如何走入死路，再研究成本误差何时会改变决策。目标是区分预测、优化与可行性。数据不来自真实车队或客户，也不测量 AI 模型性能或企业节约。
小到可以逐一核查的例子
想象一条双向直路，车辆 V1、V2、V3 分别位于 0、3、8 千米处，请求 A、B、C 位于 1、−2、10 千米处。负号只表示在原点左侧。假设速度恒为 1 千米/分钟，没有交通，抵达后立即服务。每辆车恰好分配一个请求，每个请求恰好分配一辆车。这里不是多站点路线规划。
配对成本 cᵢⱼ 由位置差的绝对值除以速度得到。在选定速度下，千米距离与分钟时间数值相同。下面矩阵列出所有备选时间，并非要执行九次行程。最终只选三个单元格，每行每列各一个。
| 车辆 | A（分钟） | B（分钟） | C（分钟） |
|---|---|---|---|
| V1 | 1 | 2 | 10 |
| V2 | 2 | 5 | 7 |
| V3 | 7 | 10 | 2 |
贪心选择与失去机会的代价
明确局部规则：在所有剩余组合中选成本最低的一对，然后移除该车辆与请求。这是贪心策略，因为不会重新考虑之前的选择。首先选 V1→A，成本 1；接着选 V3→C，成本 2；剩下 V2 与 B，成本 5。合计 8 车辆·分钟，是三辆车行驶时间之和，并非同时出发时总共经过八分钟。
改为 V1→B、V2→A、V3→C，则是 2+2+2=6。第一项分配多花一分钟，却让 V2 用两分钟到 A，而不是用五分钟到 B。多付出一，节省三，总计减少两车辆·分钟。这个反例足以否定“始终选择局部最小就得到全局最小”，但不代表每次贪心选择都差，也不能说明真实车队会得到同样比例的改善。
把问题写出来，约束就清晰了
定义 xᵢⱼ：车辆 i 分给请求 j 时为 1，否则为 0。目标是最小化被选单元格的成本之和。两组约束防止车辆重复分配，也防止请求无人服务：
Σ 表示对指定索引求和，∀ 表示“对每一个”。也就是说，每行每列必须恰有一次选择。目标是总时间，不是最慢客户的时间、利润或公平性。改变目标可能改变解。虽然本例成本为 6 的方案也降低了最大时间，但这种巧合不意味着总和与最大值通常可以互换。
三辆车共有 3!=6 个完整分配。感叹号表示阶乘：第一辆车三种选择，第二辆两种，第三辆一种。程序全部枚举，成本为 6、8、16、18、22、22，因此最小值不是碰巧试到的。若每个排列都求和 n 项，枚举成本为 O(n·n!)。它适合解释三个车辆的例子，却不适合直接扩展到大型车队。
如何证明六确实是最小值
还可以给出比完整列表更简洁的证明。为每辆车设数值 uᵢ，为每个请求设 vⱼ，使 uᵢ+vⱼ 始终不超过 cᵢⱼ。它们不是实际收费，而是辅助数学量。对任意完整方案，这些数之和都是成本下界，因为每辆车和每个请求都恰好出现一次。
检查第一行：u₁+v 得到 [1,2,2]，不超过 [1,2,10]；第二行为 [2,3,3]，不超过 [2,5,7]；第三行为 [1,2,2]，不超过 [7,10,2]。所以任何方案成本至少为 6。已有成本恰为 6 的方案，就不可能再有更优解。−1 合法，因为辅助数值不是物理行驶时间。这是一个对偶证书：用九次比较和一次求和核查最优性，而无需相信算法名称。
证书证明的是对已写出的矩阵和约束最优，并不证明时间预测正确，也不证明包含了全部业务约束。当 AI 智能体把方案称为“最优”时，这一区别十分重要：相对于哪些数据、目标和允许选择？数学证明可以毫无瑕疵，却仍描述了错误的业务问题。
局部选择何时会让请求无车可派
加入一个假设约束：V2 不能服务 B，例如缺少该服务要求的技术条件。这是不兼容参数，不是对人的判断。明确要求 x₂B=0，比编造一个极高时间并期待算法避开它更清晰。只要有限成本仍被允许，在困难实例中就可能被选中。
贪心仍选 V1→A、V3→C，随后面对唯一剩余且被禁止的组合而停止。程序报告方案不完整，而不是把真实执行服务的成本写成无穷大。但 V1→B、V2→A、V3→C 仍可行，成本仍为 6。失败的是不可撤回的选择序列，不是问题无解。修复必须允许重新分配先前决定。
时间来自预测时，多大误差会改变方案？
此前几何关系给出精确时间。现在单独做敏感性分析，把时间视为预测成本，仅修改 V2→A，记新值为 λ 分钟。并不声称这一孤立变化来自原来的理想道路，而是其他单元格固定时的抽象预测更新。最初贪心方案成本始终为 8，交换 A、B 的方案为 λ+4。λ=4 时相等，低于阈值时交换更好，高于时另一个方案更好。
读图时沿较低分支观察。扫描使用 0 至 10 分钟、步长 0.1 的 101 个值，每次检查所有分配，而不只是绘出的两种。同样的小变化，远离交点时可能无关紧要，接近交点时却会决定结果。因此，只看时间预测平均误差不足以描述决策稳定性；还要看误差落在何处，以及备选方案是否接近。
所有配对都存在误差时的简单界
回到初始矩阵，最优分配成本 6，次优 8，差距 Δ 为 2 车辆·分钟。假设每项成本的绝对变化最多为 ε 分钟。含 n 个配对的方案最多变化 nε，两个方案差值最多变化 2nε。因此保持原胜者的充分条件为：
这是保守解释：若每项误差都小于三分之一分钟，按此上界，任何竞争方案都无法弥补全部差距。它不是必要阈值，因为还计算了两个方案共有配对的误差，而这些误差在比较中会抵消。此外，对每项成本的界是假设很强的条件，不能从平均误差低推导出来；必须验证，或改用合适的不确定性模型。
代码取 ε=0.3 分钟，检查九项误差各为 +ε 或 −ε 的全部 2⁹=512 个极端组合，胜者不变。线性成本差在这种盒状不确定集合上的极值位于顶点，因此该检查对声明模型有意义，并不是对 512 名客户的随机试验。没有估计成功概率，也没有估计真实误差分布。
从教学案例到业务系统
更大问题应使用分配算法，而非阶乘枚举。SciPy 1.18.0 文档中的 linear_sum_assignment 也支持矩形矩阵，采用修改版 Jonker–Volgenant 方法。已阅读定义、约束与 API 注释；本文没有运行 SciPy，也没有复现文档引用的论文。结果由标准 Python 与明确证书验证。
请求随时间到达会改变问题：等待可能改善匹配，却让客户延迟。每车多站点会引入路线与行程依赖；容量、时间窗、充电、班次和服务约束需要额外建模。如果车辆已出发，仅更新矩阵不够，还需区分可修改决定与已执行承诺。本文只分析一个分配时刻，不包含这些动态现象。
结论，以及代码可以核查什么
最近车辆可能对一个客户正确，对整体却错误。本例局部多花一分钟，避免别处多花三分钟；存在不兼容条件时，甚至避免一个请求无车可派。AI 可以估计成本，但系统还必须表达约束、比较完整方案。预测质量与决策质量通过这一环节联系起来，而不是等价。纠正一个忽略备选方案的算法，并不需要更大的模型。
短代码枚举六个方案并验证证书。完整包还包含贪心规则、禁止配对、λ 扫描与 512 个扰动。平局排序是确定性的，没有随机生成，因此没有随机种子。保存所有排列需要 O(n·n!) 内存，此外矩阵占 O(n²)。图由保存的结果生成，不来自生成式封面。执行程序不仅能检查最优数值，还能了解备选方案为何失败。
技术参考与可复现性
SciPy 1.18.0 — scipy.optimize.linear_sum_assignment.
from itertools import permutations
C = [[1, 2, 10], [2, 5, 7], [7, 10, 2]]
plans = sorted((sum(C[i][j] for i, j in enumerate(p)), p)
for p in permutations(range(3)))
print(plans)
u, v = [2, 3, 2], [-1, 0, 0]
assert all(u[i] + v[j] <= C[i][j] for i in range(3) for j in range(3))
assert sum(u) + sum(v) == plans[0][0] == 6
代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 10 月 3 日。