用途：在供应链场景中把机器学习预测与数学优化结合，用于将ML预测结果嵌入优化模型、从数据中学习优化参数，并构建端到端学习系统。
主要能力与模式：
- 先预测后优化（Predict-Then-Optimize）：ML先预测需求，再把预测值作为优化模型输入求解生产计划。
- 用ML学习优化参数：例如用ML预测安全库存，再据此计算再订货点。
- 端到端学习：把优化作为可微层（OptimizationLayer），通过优化反向传播得到最优决策。
- 学习优化启发式：用分类器学习在给定问题实例下应选择哪种启发式。
- 神经网络热启动：用神经网络预测初始解，作为MIP的warm start。
- 图神经网络用于路径规划：把VRP实例转成图，由GNN预测边概率并据此构造路线。
使用方式：资料给出Python示意代码，涉及sklearn的RandomForestRegressor/RandomForestClassifier、pulp的LpProblem与LpVariable，以及nn.Module定义可微优化层；还提及cvxpylayers、OptNet、qpth、SciPy+PyTorch等库。
适用场景：供应链中的需求预测与生产计划衔接、库存参数学习、优化求解加速与启发式选择、车辆路径问题等。
限制：资料仅为技能说明与示例代码，未提供具体安装命令、版本要求、性能数据、收费信息或完整可运行实现；部分函数（如optimize_production、extract_features、create_graph、construct_route_from_probs、GraphNeuralNetwork等）在资料中未给出定义，实际使用需自行实现。