12月8日晚，香港科技大学工业工程与物流管理系副教授张季恒来访我中心，并作为主讲人发表学术报告。期间，张季恒结合当下热门的供应链管理研究，以运筹学发展中的经典问题为例，详细地论述了运筹学的发展现状，并对将来的研究趋势作出了预测。
本次讲座分为“学校介绍”、“专业介绍”、“前景介绍”和“学生提问”四个环节。第一环节中，张季恒介绍到，香港科技大学是一所在亚洲名列前茅的公立大学，建校于1991年，现阶段共有教师531位，本科生和研究生分别有8981和4475人，其中有理、工、商、人文四个学院，也有霍英东研究员院、赛马会高等研究院这两所研究院。
香港科技大学张季恒教授
在随后的“专业介绍”中，张季恒首先介绍了工业工程与物流管理系的师资与学生情况。在对专业内容的具体论述中，他提到：“相对于化工，机械等专业，工业工程在人们心中确实没有一个直观印象。”实际上对于本专业，工业工程(Industrial Engineering)、运筹学(Operations Research)、运营管理(Operations Management)、物流(Logistics)、工业制造(Manufacturing)、供应链管理(Supply Chain Management)这些都是它的名字。
工业工程的核心在于“数学建模、解决问题”，并广泛应用于制造、供应链、金融、物流等方面，而其未来发展趋势则体现在数据、模型和计算上。对于建模，张季恒提到了金融工程中的期权与股票，而“几何布朗运动”这一经典的模型常常被用来模拟股票价格。但实际上，大多数模型是不完善的甚至存在一些错误，但是它们在特定的环境下却可以发挥作用，可以得到一个近似的答案。因此，寻求一个行之有效的数学模型成为了运筹学的主要研究目标。在供应链管理上，他以iphone的生产为例：苹果将全部精力都投入整个产品链中的设计和品牌两个关键环节，从世界各地网罗零部件厂商以及组装厂商进行生产。由此可以看出成熟的供应链管理系统可以给企业带来了巨大利润和竞争优势。
紧接着张季恒提到了他参与的三个应用类型的项目，分别是“改造香港海运集装箱运输物流网络”、“在香港推广21世纪医疗保障—建立一个质量和效率并存的驱动系统”、“使用异构数据源的智能交通应用的大数据平台”。其中，他重点介绍了后两个项目。他说道，在大多数人眼里工业工程和医疗是不相关的两个行业，可是为什么香港政府会把这样一个项目交给工业工程与物流管理专业的教授们来完成呢?事实上，医院中时常能看到患者们排着长长的队伍等候诊断，而这个项目所要解决的问题是“如何合理的分配资源：避免患者长时间等待”，这就需要物流管理的相关的数学模型。第三个项目来源于法国Thales集团，他们希望提高地铁控制系统的稳定性、可靠性和可配置性。由于需要合适的数学模型与计算能力，Thales主动向香港科技大学寻求合作，这也与工业工程与物流管理系的发展趋势不谋而合。
讲座现场
张季恒也介绍了过去该领域的两个非常经典的模型。在过去是没有数据只有模型的，那么就存在一个非常著名的“报童问题”，也由此衍生出了“订购—库存”的模型。第二个模型解决了“怎么去设计一个生产系统”的问题：假设一个厂家要生产三款车，最好的方式就是每一条生产线都能生产每一款车，以通过销量来决定生产数量，但这样设计也会大幅提高成本。为了解决这个问题，前人总结出一个模型，并且由此模型求得的最优解是只需要一条生产线能生产两款车，即可实现利润最大化。对于行业中现存的挑战，张季恒将之分为三个方面：具体措施(Hack)、专业知识(Domain Knowledge)、数学模型(Math Model)。随后，他也通过“宽带共享网络的资源分配”、“邮箱广告设计”等具体问题对他的理论做出了具体阐释。
“为什么追求一个PHD学位”是张季恒讲到的最后一个版块。他认为，重要的是你能在为其拼搏的过程中变的更优秀。在香港科技大学你可以选择过轻松或是有挑战性的生活，选择前者你获得的仅仅是一个学位，而选择后者你将收获更加丰富的体验。他也提到，在香港科技大学工业工程与物流管理系读研或读博，未来不管是走学术道路还是业界道路都有非常好的发展前景。
讲座最后是学生提问环节，现场气氛活跃，互动频繁。诸如“博士生待遇”、“绩效要求”等都是大家比较关心的问题。对此，张季恒表示，博士生的待遇是比较优厚的，而自己一般不主动找学生、不强制要求学生做研究;他希望自己的学生能选择有挑战性的生活，多读书、多读领域里“大牛”们的文章并学习他们的想法和模型，希望自己的学生能有主人翁精神，多方涉猎，不仅仅局限在一个小范围里。在座师生以热烈的掌声向张季恒副教授表示感谢。
附：张季恒，现任香港科技大学工业工程系副教授，分别于2000年和2002年在俄亥俄州立大学和南京大学获得数学专业的硕士和学士学位，并在2009年获得佐治亚理工学院H.Milton Stewart工业与系统工程专业博士学位。目前，他的研究方向主要是应用概率，机器学习和随机优化。
