管理科学与工程博士生论坛

时间：2026-03-10

报告时间：2026年3月10日14:00

地点：劝学楼220会议室

学术报告题目：突发事件下“信息疫情”多元协作治理的博弈分析

报告人：钱坤

报告摘要：突发事件中，风险信息短时间跨域扩散并伴随噪声、误导与情绪放大，易演化为信息疫情，削弱公众权威信息识别能力，压缩应急决策窗口并抬升治理成本。既有研究多聚焦传播端与平台端治理，对权威信息在政府内部的组织化处理过程、部门间报送响应策略互动，以及权威主体与社交媒体跨界协同的约束条件，缺乏贯通供给、机制与传播端的一体化解释框架。本研究以多信息系统范式为支撑，以互操作性为跨边界信息流动基础，结合田野调研与案例分析，构建信息疫情多元协作治理博弈框架，旨在识别协作失灵机理、刻画治理模式适用边界，提出可操作的优化路径。研究选取政府内部应急数据联动、卫生与行政部门报送协作、政社协同三类典型场景，运用序贯博弈、演化博弈等方法，从数据供给、信号转化、跨界协同三层面，明确治理模式选择规则与阈值边界，揭示治理中的结构性权衡，为缩短信息真空、提升口径形成效率及澄清纠偏能力提供理论与管理支撑。

报告时间：2026年3月10日14:00

地点：劝学楼220会议室

汇报题目：重大传染病疫情中政府防控决策与动态调整的博弈分析

汇报人：吕云翔

报告摘要：近年来，全球多次暴发重大传染病疫情，不仅严重威胁公众生命健康，也对经济社会运行产生深远影响。有效应对疫情的关键在于制定科学合理的防控政策，并根据疫情演化动态调整。然而，政府在防控过程中始终面临疫情防控与经济社会发展的权衡困境。随着药物干预措施的逐步应用、病毒持续变异以及资源支持条件变化，政府决策环境愈发复杂。同时，政府防控政策、公众行为与疫情传播之间形成动态反馈系统，使防控决策与策略调整更加困难。因此，如何在复杂环境下实现防控政策的科学制定与动态优化，成为应急管理领域亟待研究的重要问题。围绕这一问题，本文从政府决策、公众行为及疫情传播互动关系出发，开展四方面研究。首先，在层级治理体系下，构建融合有效再生数与政府声誉的微分博弈模型，分析转移支付、政治激励与成本分担等政策工具对上下级政府防控策略选择及阶段转换的影响。其次，在非药物干预情境下，将SIS传染病模型与VaR风险约束引入最优控制与微分博弈框架，研究政府干预措施实施时机和力度，以及公众外出行为策略。再次，针对疫苗接种犹豫问题，基于参照点更新理论与前景理论构建两阶段分析框架，探讨公众接种决策规律并设计干预机制。最后，在疫情长期流行情境下，构建演化博弈模型，系统分析联合干预措施、病毒变异及政府补贴政策对政府与公众策略协同演化及社会应对模式稳定性的影响。

报告时间：2026年3月10日14:00

地点：劝学楼220会议室

汇报题目：全周期视角下人工智能赋能灾害信息协同微分博弈研究

汇报人：冷杰 

报告摘要：在应急管理数字化转型深入推进、智慧应急建设不断深化的背景下，突发灾害治理中的多源信息协同正日益受到广泛关注。然而，受主体激励不相容、跨主体数据壁垒较高以及人工智能部署成本、技术失效风险与技术刚性约束等因素影响，政、企、民三方在灾害全周期中的信息协同仍面临诸多现实障碍。本文聚焦人工智能赋能下突发灾害全周期信息协同问题，以政、企、民三元主体在预防与应急准备、监测与预警、应急处置与救援、事后恢复与重建四个阶段的策略互动为研究对象，系统分析灾害全周期中风险信息、预警信息、灾情信息与灾损信息的协同机理，并构建分阶段微分博弈分析框架。本文旨在从全周期视角刻画多主体协同策略的动态演化规律，为智慧应急背景下灾害信息协同机制优化、治理效能提升与应急管理现代化提供理论支持与决策参考。

报告时间：2026年3月10日14:00

地点：劝学楼220会议室

汇报题目：考虑政府补贴策略的巨灾保险序贯博弈分析

汇报人：武皎

报告摘要：巨灾保险作为分散重大自然灾害风险、缓解政府财政救灾压力、保障民生安全、构建韧性社会的核心市场化工具，其高风险敞口的固有特征导致市场机制难以独立发挥作用，政府补贴已成为推动巨灾保险市场建立、推广与稳定运行的关键支撑。随着极端天气事件频发，巨灾保险的重要性日益凸显，但当前我国巨灾保险市场仍面临“供需双冷”困境，政府补贴模式单一、与共保体联盟适配不足、未兼顾灾害时间特征异质性、对定损技术升级激励乏力等问题，严重制约了补贴效能的发挥与市场活力的激发。本研究从巨灾保险政府补贴的管理特征与科学问题切入，围绕政府、保险公司、民众三方主体的利益诉求与行为逻辑，构建多场景博弈模型，为政府补贴策略改进、保险公司定价及技术投入决策调整、民众投保行为引导提供理论依据与管理建议。研究结果表明，单一保险公司场景下，最优补贴模式需随投保人数动态调整，供需双方补贴模式在中间投保人数区间最优，且政府直接救灾模式始终非最优；多保险公司场景下，补贴政策的调节作用具有结构依赖性与区间差异性，需与共保体联盟形态精准适配，清晰联盟在高风险区间更具优势，模糊联盟在财政约束下更具稳定性。本文的研究不仅丰富了巨灾保险政府补贴的理论框架，完善了巨灾保险风险分担与技术升级的相关研究，也为政府部门制定精准化补贴政策、保险公司优化运营策略、提升巨灾保险市场治理效能提供了重要的理论支撑与实践参考。

报告时间：2026年3月10日14:00

地点：劝学楼220会议室

学术报告题目：不确定需求条件下应急服务系统的阶段性决策优化研究

报告人：王梦茹

报告摘要：在重大公共卫生事件与自然灾害等高不确定风险情境下，应急管理系统运行分为缓解、准备、响应与恢复四阶段，各阶段信息可获得性、决策时序及目标差异显著，导致资源配置问题呈现明显阶段特征。本文聚焦缓解阶段与准备–响应联合阶段，在不同信息条件与时间结构约束下，构建由单阶段随机优化、两阶段鲁棒优化等组成的递进式模型体系，系统研究应急服务系统优化决策问题。缓解阶段，针对需求有统计基础、以事前规划为主的情境，构建带时间窗的单阶段随机优化模型，以疫苗接种服务系统为例，整合设施布局、移动接种车调度与库存配置决策，采用样本均值近似法求解。准备–响应联合阶段，针对需求分布未知环境，构建单周期两阶段鲁棒优化模型，以预算型不确定集合刻画需求波动，扩展至两阶段分布鲁棒优化模型，实现风险控制与运行效率平衡；拓展至多周期环境后，建立多周期两阶段鲁棒模型，联合优化临时避难所选址、容量配置等事项。针对多周期模型求解复杂问题，设计结构化精确分解算法体系，对比Benders分解与列约束生成方法的收敛性能及规模扩展能力。研究表明，高不确定与多周期环境下，两阶段鲁棒结构可有效降低未满足需求风险、提升系统稳定性，本研究构建的统一优化框架为复杂灾害环境下应急服务系统科学决策提供理论与方法支持。

报告时间：2026年3月6日 上午8:00-9:35

地点：博学楼508

学术报告题目：Decision support for integrated trade agent's procurement and sales planning under uncertainty

报告人：刘安

报告摘要：本文研究了一种贸易代理决策优化问题，在该问题中，贸易代理需要在不确定的需求和现货价格下，选择一部分零售商和供应商以实现利润最大化。贸易代理作为连接供应商与零售商的第三方平台，需提前与期权供应商进行产能预订，并决策服务于哪些零售商。当需求和现货价格实现后，贸易代理再决定从各个渠道采购多少商品以满足零售商的需求。该问题被构建为一个两阶段随机规划模型。由于问题的复杂性和大量情景的存在，我们将其重新建模为一个集合划分问题：主问题选择服务的零售商组合，子问题则确定最优采购计划，从而减少变量和约束的数量。为进一步提升可解性，子问题被转化为等价的"最短路径问题"，以克服非线性和非凸性带来的挑战。实验结果表明，该分解方法具有有效性，为贸易代理提供了一种实用的采购与销售决策工具。此外，研究还揭示了在不同情景下贸易代理采购与销售策略的深刻见解，为在不确定的供应链环境中进行决策提供了宝贵的指导。

报告时间：2026年3月12日 下午2:00-3:00

地点：腾讯会议 449 589 367

学术报告题目：基于智能制造执行系统的订单选择与生产调度优化研究

报告人：乌兰其其格

报告摘要：智能制造浪潮下，制造执行系统作为连接企业资源计划与过程控制的关键枢纽，在订单选择与生产调度方面面临订单随机到达、工艺路径复杂、扰动频发等多重挑战。本研究以智能制造环境下的MES为背景，聚焦订单选择与生产调度两大核心决策问题，沿着“静态优化—动态调度—实时响应—数字孪生融合”的递进逻辑，构建了涵盖“订单接受—产能分配—生产排程—动态调整—可靠性优化”全流程的集成优化框架。综合运用马尔可夫决策过程、时变马尔可夫链、均匀化方法、变邻域搜索等算法，系统回答了MES环境下“接什么订单、何时生产、如何排产、怎样应变、如何维护”五个核心科学问题。研究取得以下创新成果：在静态优化层面，构建面向多类型订单的有限时域MDP模型，揭示了订单接受阈值策略的结构化性质，较传统FCFS策略显著提升企业收益。在动态调度层面，首次将时变马尔可夫链与均匀化方法引入在线EDI订单调度，系统建模“一对多”并发服务特征，大幅提升计算效率。在实时响应层面，提出“离线阈值预计算+在线事件驱动重调度”混合策略，实现快速响应与高订单履约率。在数字孪生融合层面，将MDP与数字孪生技术结合，构建可靠性驱动的调度决策模型，有效提升系统可靠性并降低维护成本。本研究为智能制造环境下的订单选择与生产调度优化提供了完整的理论框架与算法实现。

报告时间：2026年3月13日 上午8:00-9:35

地点：博学楼508

学术报告题目：Large-scale dynamic surgical scheduling under uncertainty by hierarchical reinforcement learning

报告人：赵力祥

报告摘要：Dynamic surgical scheduling within a workday is a complicated decision-making process. The critical challenge is that the actual duration of surgery and the arrival process of emergency patients are uncertain and unknown in advance. In this work, we propose a two-level dynamic scheduling framework based on hierarchical reinforcement learning to solve dynamic surgical scheduling problems considering both elective and emergency patients. Specifically, with the realisation of uncertainty, the upper-level agent (UA) dynamically decides whether to trigger rescheduling to optimise the workday total cost. The lower-level agent (LA) aims at obtaining subscheduling solutions when rescheduling is triggered. The subproblem at the LA can be formulated as a mixed integer programming model, which can be generalised to unrelated parallel machine scheduling with machine eligibility restrictions and sequence- and machine-dependent setup times. Such problems can be solved in small-scale cases and suffers the combinatorial explosion in large scale cases. To address this issue, we propose a heuristic method that is built upon deep reinforcement learning to obtain high-quality solutions. We conduct extensive simulation experiments with real data to test the effective of our framework. The results for different scenarios show that our proposed framework outperforms existing methods in terms of overall performance and has strong generalisation ability.