2026年6月24日上午，美国科罗拉多大学博尔德分校利兹商学院缪森涛教授应邀做客永利平台永利app ，为师生带来题为《Demand Balancing in Primal-Dual Optimization for Blind Network Revenue Management》的学术报告。本次报告由永利app 物流管理工程系李四杰老师与金子亮老师共同主持。

报告伊始，缪教授系统梳理了收益管理问题的经典研究脉络。在长度为T的销售周期内，零售商需针对由M类不可补充初始库存所生产的N类产品，动态制定销售价格。在需求函数未知、仅满足较弱非参数假设的条件下，缪教授及其合作者于2021年提出的算法首次实现了O(poly(N,M,lnT)√T)量级的后悔界，其具体形式为Õ(N^3.5√T)，并附带一项当T远大于N时趋于o(√T)的高阶项，该成果在相关领域具有重要的开创意义。

在此基础上，缪教授重点介绍了本次报告的核心研究进展。通过引入原始-对偶（Primal-Dual）优化框架，研究团队进一步将后悔界进一步改进至Õ(N^3.25√T)，同时消除了额外高阶项，使算法设计更加贴近实际应用需求。报告重点详细阐释了算法中的“需求平衡”机制，即在每个决策周期中，将当前原始定价方案与另一候选价格进行配对，以减少资源约束条件下互补松弛偏差所带来的影响，从而在理论上实现更优的收敛速度，并显著提升算法在实际场景中的稳定性和可操作性。

随后，缪教授介绍了算法的整体框架。在不考虑资源约束的情况下，原问题相对容易求解，因此研究通过拉格朗日松弛方法，将资源约束转化为对偶价格的动态更新问题。算法采用指数增长的外层周期与内层迭代相结合的方式，交替进行原始价格求解与对偶价格更新，在保证收敛性能的同时有效控制计算复杂度。缪教授指出，相较于已有方法，新算法在保持理论最优后悔界的前提下，进一步降低了实现难度和计算成本，更有利于在真实商业环境中的推广应用。此外，他还展示了与多种基准算法的数值实验结果，充分验证了所提方法在不同需求场景下的有效性与稳健性。

在报告最后，缪教授结合自身科研经历，与现场师生分享了利用人工智能工具辅助科研的实践体会。他展示了研究团队与AI模型进行多轮交互、逐步引导和持续验证的过程。经过不断追问与修正，AI最终成功复现并验证了相关研究结果；与此同时，团队也发现AI在推理过程中可能出现偏离主线、遗漏关键推导步骤甚至产生错误结论等情况，需要研究者及时识别并进行纠正。

缪教授认为，这一经历这一经历充分体现了人工智能技术在科研中的双重特征：一方面，AI展现出较强的辅助推理、结果验证和知识整合能力；另一方面，其输出结果仍需要研究者依靠专业知识进行甄别和判断。因此，科研工作者既要积极拥抱人工智能技术，充分发挥其提升研究效率和拓展研究视野的优势，也应坚持独立思考，不断提升专业素养和学术判断能力，真正实现人工智能与科研创新的深度融合。

最后，缪教授勉励在场师生始终坚守科研初心，坚持发现问题、解决问题，并在探索与创新的过程中不断体会科研带来的乐趣与成就感。报告结束后，与会师生围绕相关研究问题及人工智能在科研中的应用展开了深入交流，现场学术氛围热烈。