最近公司在與客戶交流業(yè)務的過程中了解到這樣一個需求，生產車間要生產指定材質、規(guī)格(截面存在正方形和圓形兩種，邊長和直徑也會不同)、長度的硅棒，倉庫中存儲著各種格式材質、規(guī)格、長度的硅棒，需要按照需求到倉庫中去取對應的原料，有符合條件的直接滿足需求，若材質和規(guī)格相同，但是長度不同的話就需要將多個較短的硅棒進行拼接以滿足需求。倘若每次只有一個需求，按照現(xiàn)有庫存的原料情況，人還是比較容易去獲取相應的原料去拼接滿足需求。如果每次有一批這樣的需求，不但要滿足在材質、規(guī)格、長度上的要求，而且在拼接次數(shù)上，拼接后超出長度的限制上有要求，人員就很難通過簡單的觀察比較去處理了。
舉個例子，有50 個需求，倉庫中有1000個原料，要在材質，規(guī)格，長度需求上滿足需求，可拼接，但是每個硅棒需求最多允許拼接2次，可以超長，但是超長的部分不可超過50mm，超長的部分越少越好。
當人員面對這樣的需求，就比較棘手，無從下手了。原因如下 ，一、人員很難給出可行性規(guī)劃方案；二、可行性方案眾多，時間有限，不能窮舉的情況下，不能比對獲取最優(yōu)方案，假設可行方案相對較少，人力范圍可窮舉，但是比對獲取最優(yōu)解也將耗費人員大量的時間和精力，得不償失，不可行。
面對這樣的難題，就需要借助程序按照目標需求計算出最優(yōu)解了。人工智能約束求解器，可以利用運籌學模型與機器學習將實際問題轉化為數(shù)學模型求解。它可以優(yōu)化規(guī)劃和調度問題，將復雜的AI優(yōu)化算法（如禁忌搜索，模擬退火，延遲接受和其他元啟發(fā)式算法）與一些非常有效的約束評分計算技術，還有其他最先進的約束求解技術相結合起來，量化規(guī)劃問題的硬性約束條件和軟性約束條件，對每個規(guī)劃方案進行硬性條件和軟性條件評分，根據(jù)評分反饋優(yōu)化方案的規(guī)劃，不斷的比對獲取更佳方案，在有限的時間內，方案不可窮舉的情況下，推薦出滿足硬性條件，軟性條件極大的滿足，人力所不能觸及的優(yōu)質方案。
我們可以使用編程方式依賴調用約束型求解器的相關方法，編程語言描述清楚想要什么，必須滿足什么條件，什么條件不用必須滿足，但是用戶的取向是什么，比如說越大越好... ... ，最后運行程序，獲取在給定的資源條件下，滿足需求的優(yōu)質方案。
根據(jù)客戶的這個業(yè)務場景和解決思路，公司研發(fā)人員部建立了一個業(yè)務Demo。創(chuàng)建 5個需求，30個硅棒作為現(xiàn)有倉庫存儲，需求的長度必須滿足，可超長，但超長的長度不可超過10,超長部分越少越好，可拼接，但是不能超過3個，拼接的個數(shù)越少越好。（在這里為了演示的可閱讀性，假設硅棒的原料相同，硅棒的截面規(guī)格也相同，只有長度不同，長度單位為毫米，下文在描述時對單位做了省略。）
建立編程模型后，運行效果如下：

5個硅棒需求，所需求的長度分別為 800、805、900、905、910。

30個硅棒資源，長度分別為：500、501、502、503、504、505、506、507、508、600、601、602、603、604、605、606、607、608、619、300、301、302、303、304、305、306、307、308、309、310。

求解后訂單與資源的分配對應關系如下：

觀察分析下運算后的推薦結果，完全滿足在長度、拼接次數(shù)、超長限制這樣的硬性需求；在超長越少越好，拼接次數(shù)越小越好方面也是最大程度上滿足了需求。通過編程建立業(yè)務模型，使用約束型求解模式對規(guī)劃問題求解，使得原本難以入手解決的問題迎刃而解。在訂單資源分配上給出最優(yōu)建議指導，極大的提高了資源的利用率，節(jié)省成本，創(chuàng)造收益。

現(xiàn)僅僅是針對當前的業(yè)務場景做了一個簡單的Demo，其實基于約束型求解模式，可以解決 員工輪班安排、議程安排、教育時間表、車輛路線規(guī)劃、裝箱、作業(yè)車間計劃、切割原料、運動計劃、財務優(yōu)化 等業(yè)務領域的規(guī)劃問題，在提供可行性方案，節(jié)省成本，提高收益上給出強有力的建議和指導。