主讲人：张哲 教授

题   目：解析、仿真与机器学习方法在随机服务系统运营研究中的比较分析

（A Comparative Analysis of Analytical, Simulation, and Machine Learning Approaches to Understanding the Operations of Stochastic Service Systems）

主持人：张宁威 青年研究员

时   间：2025年5月19日10:00-12:00

地   点：ZOOM会议（会议ID：982 2272 9676）

会议密码：LZ12345

会议链接：

https://sfu.zoom.us/j/98222729676?pwd=ak95UjkxSlZ1OXNxY3JNelFTcUpBdz09

讲座简介：

报告将对解析模型、仿真模型与机器学习模型在随机服务系统研究中的应用进行比较分析。解析模型以严谨的数学推导为基础，能够提供精确或近似的解析解，但在处理现实系统的复杂性方面存在一定局限。仿真模型借助计算机算力，通过模拟真实运营过程，能够有效刻画系统的动态行为，适应不确定性与多变性，然而在面对规模较大或结构复杂的系统时，其计算成本可能显著增加。机器学习模型则依托数据规律，在适应性与预测性能方面表现优异，重新定义了随机建模的方式，但其“黑箱”特性也引发了对模型可解释性的关注。报告聚焦于通过实际服务系统的应用案例对上述方法进行比较，研究结果旨在通过揭示每种方法的权衡关系与挑战，为从业者选择合适的建模方法提供指导。（本次讲座将以英文进行）

This talk provides a comparative analysis of analytical models, simulation models, and machine learning models for studying stochastic service systems. Analytical models, grounded in mathematical rigor, offer exact or approximate closed-form solutions but often struggle with the complexities of real-world applications. Simulation models leverage computational power to provide practical insights into dynamic system behaviors by mimicking real-world operations, thus accommodating variability and uncertainty. However, their computational demands can be significant for larger or more intricate systems. Machine learning models, driven by data patterns, redefine stochastic modeling by excelling in adaptability and predictive performance. Despite their advanced predictive capabilities, the “black-box” nature of these models raises concerns about interpretability. This study focuses on comparing these methodologies by examining their application to practical service systems. The findings aim to guide practitioners in selecting appropriate methodologies by highlighting the trade-offs and challenges associated with each approach.

『管理决策与数据科学研究团队』由我院萃英讲席教授张哲教授组建，致力于运用数学建模、计算机仿真、经验研究、实验研究等定量研究方法解决管理实际问题和研究问题，主要研究方向包括但不限于：运营与供应链管理、系统可靠性、双轨服务系统、创新创业管理等。团队系列研讨会每月举行一次，欢迎广大师生参与。