Les teves rutes, torns i pressupostos,resolts amb la millor resposta possible— i demostrada.
JAOT converteix el teu problema en un model matemàtic, el resol i demostra que no existeix cap resposta millor. Crea'l amb IA, parteix d'una plantilla de la comunitat o governa'l des del teu propi agent via MCP.
La plataforma d'optimització per a humans i agents d'IA.
Tres maneres d'optimitzar
Crea models amb IA, usa solucions provades del marketplace de la comunitat o connecta el teu agent d'IA via MCP.
Constructor IA
Descriu el teu problema d'optimització en llenguatge natural. La nostra IA el tradueix a un model matemàtic i el resol.
«Planifica els repartiments de la setmana: 4 furgonetes, 60 parades, totes de tornada a les 18:00.»
Marketplace de models
Explora el marketplace de models d'optimització. Usa models provats de la comunitat o publica els teus.
Fertilizer Mix Optimizer — agriculture
MCP per a agents IA
Connecta Claude, GPT o qualsevol agent compatible amb MCP — resol problemes, bifurca models del marketplace i crea models versionats de principi a fi.
solve_with_template(template_id="fertilizer_mixing")
Catorze línies. La mida la decideix la dada.
JModel descriu el teu problema amb conjunts i famílies indexades, i JAOT el representa com a matemàtiques abans de tocar un sol número. El mateix codi de sota cobreix una planta durant un trimestre o quatre-cents productes durant un any — no reescrius ni una línia.
El que escrius
set PRODUCTS;set RESOURCES;set WEEKS; param margin{PRODUCTS};param usage{RESOURCES, PRODUCTS};param capacity{RESOURCES, WEEKS};param ceiling{PRODUCTS, WEEKS}; var build{PRODUCTS, WEEKS} integer >= 0; maximize contribution: sum{p in PRODUCTS, w in WEEKS} margin[p] * build[p, w]; subject to plant{r in RESOURCES, w in WEEKS}: sum{p in PRODUCTS} usage[r, p] * build[p, w] <= capacity[r, w]; subject to market{p in PRODUCTS, w in WEEKS}: build[p, w] <= ceiling[p, w];El que significa
Les mateixes 14 línies en els dos casos. Els fulls de càlcul i els models escrits a mà creixen amb la dada; un model indexat no.
Els tres productes de més marge no entren al pla
Un trimestre d'una planta d'electrònica de potència, resolt i amb l'òptim demostrat. Les tres famílies de més marge són justament les que l'òptim es nega a fabricar — i el component que tothom culpa del coll d'ampolla acaba el trimestre gairebé a mig fer servir. Això és el que un full de càlcul fa malament.
Pla de producció del trimestre
22.410 unitats · SCIP, òptim demostrat- Inversor de tracció de 800 V2.450 € / unitat0 unitats
- Unitat de gestió de bateria1.780 € / unitat0 unitats
- Mòdul de càrrega ràpida CC1.320 € / unitat0 unitats
- Inversor solar de xarxa960 € / unitat7.460 unitats
- Variador industrial740 € / unitat6.290 unitats
- Unitat de telemetria de flota410 € / unitat8.660 unitats
- Concentrador de sensors260 € / unitat0 unitats
Què s'esgota
- Hores de línia SMTal límit
- Hores de cambra de burn-inal límit
- Microcontroladors d'automoció112.570 sense fer servir
- Mòduls de potència SiCal límit
- Hores de test final7.930 sense fer servir
- Hores de vernissat3.290 sense fer servir
- Contracte de telemetria8.660 lliurades, 3.500 exigides
Inversor de tracció de 800 V: 2.450 € per unitat, i el pla no en fabrica cap. És el que més consumeix de cadascun dels 3 límits que s'han esgotat, mentre queden 112.570 microcontroladors d'automoció sense tocar: comprar-ne més no canviaria res. Tots dos fets surten de la solució entera que executaràs, no d'una relaxació.
Escenaris, mesurats
Pregunta què et donaria una unitat més: JAOT torna a resoldre el model pertorbat i mostra el canvi real, mesurat sobre el teu MIP i no estimat a partir d'una relaxació.
Decisions, no un mur de números
Les solucions tornen agrupades per l'estructura d'índexs real del model, amb un resum honest del solve: node arrel, ramificació o límit de temps.
Explicació amb IA en un clic
Converteix l'anàlisi en llenguatge clar, basat només en les teves xifres reals, mai inventades.
Assenyala les dues regles que xoquen — i descarta les altres cinc
Un client demana un trimestre d'inversors de tracció que la línia no pot treure. Un solver diu «no factible» i et deixa auditant el model sencer. JAOT treu cada regla i torna a resoldre fins a deixar només la contradicció, així saps exactament on mirar.
Fins on arriba cada límit
7 regles · 2 en el conflicte- Hores de línia SMT 7.700 inversorsno és el problema
- Hores de cambra de burn-in 5.240 inversorsen conflicte
- Microcontroladors d'automoció 7.900 inversorsno és el problema
- Mòduls de potència SiC 6.600 inversorsno és el problema
- Hores de test final 6.900 inversorsno és el problema
- Hores de vernissat 6.600 inversorsno és el problema
Només hi ha hores de cambra de burn-in per a 5.240 inversors i el contracte en demana 6.000. No hi ha res més en joc: JAOT descarta pel seu nom els altres 5 límits. Aconsegueix-ne 7.600 més — una segona cambra per al trimestre — i el model es resol. Aquest és el número que portes a la negociació.
El conjunt exacte en conflicte
JAOT aïlla el conjunt mínim de restriccions i límits que no poden complir-se alhora, i els ressalta a la pàgina de resultats.
Com solucionar-ho, en llenguatge clar
Una explicació amb IA en un clic anomena els requisits en conflicte i suggereix solucions concretes: quin límit ampliar, quina restricció relaxar.
Honest per disseny
Quan un model és massa gran per a un conjunt exacte, JAOT ho diu i marca l'explicació com a heurística, mai una suposició amb falsa seguretat.
Quin solver és més ràpid depèn del model
JAOT porta SCIP, HiGHS, CBC i GLPK. Cap no és el millor. L'ordre canvia amb el model, així que JAOT executa el teu problema en tots ells en les mateixes condicions i ensenya què va fer cadascun. A sota, un trimestre de càrrega de cambres d'envelliment a la planta.
Temps total, escala logarítmica
1.342 variables, 3.558 restriccions- scipVa demostrar 17 cambres12,25 s
201 nodes, 73.617 iteracions símplex
- highsVa demostrar 17 cambres1,51 s
1 nodes, 4.214 iteracions símplex
- cbcVa demostrar 17 cambres1,53 s
507 nodes, 11.575 iteracions símplex
- glpkSense temps58,68 s
Va demostrar que res no baixa de 17 cambres, després de 38.952 nodes, i no va trobar cap pla
L'escala és logarítmica: cada pas són deu vegades l'anterior, així que la llargada de la barra no és proporcional al número que té al costat.
highs va acabar primer. scip va arribar a la mateixa resposta 8,1 vegades més lent. Amb un altre model l'ordre canvia, i per això això ho contesta una mesura i no una recomanació.
glpk va esgotar els 60 segons i no va trobar cap pla, encara que sí va demostrar que res no baixa de 17 cambres. Per això hi ha la cota.
Tots els solvers van rebre el mateix límit de 60 segons i els mateixos 4 fils, l'un darrere l'altre en un servidor de 12 nuclis. Els segons són comparables dins d'aquesta execució i enlloc més.
Les mateixes condicions
El mateix límit de temps, la mateixa tolerància de gap, el mateix nombre de fils, una màquina i una execució cada cop. Dos solvers que comparteixen màquina es barallen pels nuclis, i llavors els segons deixen de significar res.
Una matriu sencera
Creua els conjunts de dades del teu model amb els solvers: les dades a les files, els solvers a les columnes. Un model amb dades que canvien cada mes no té un solver més ràpid, i els números d'un sol mes trien el que no toca.
La cota, no només la resposta
Cada fila porta la millor cota que va demostrar el solver al costat de la resposta que va trobar. Una execució aturada pel límit de temps informa de la distància entre totes dues, i la resposta sola no ho diu.
Els agents IA coneixen l'optimització
JAOT és una plataforma d'optimització accessible de forma nativa per a agents IA. Connecta qualsevol agent compatible amb MCP per resoldre problemes d'optimització d'extrem a extrem.
Descobrir
L'agent troba JAOT via MCP o /.well-known/llms.txt
Autenticar
Accés segur amb autenticació per API key
Resoldre
Crear model, configurar parametres, executar el solver
Resultats
Obtenir la solució optimitzada programàticament
Resolucio de problemes
- solve_problem
- validate_problem
- solve_multi_objective
- list_available_solvers
Plantilles
- list_templates
- get_template
- solve_with_template
E/S de fitxers
- import_preview
- import_and_solve
- export_model
- export_execution
Marketplace
- list_catalog_models
- get_catalog_model
- get_catalog_model_schema
Projectes de model
- create_model_project
- create_model_project_from_marketplace
- update_model_project_draft
- commit_model_version
- list_project_versions
- get_model_stats
- solve_model_project
- get_model_project
- list_model_projects
Execució
- execute_model
- get_execution
- get_execution_insights
Anàlisi
- get_execution_exact_analysis
- analyze_infeasibility
- start_execution_scenario_analysis
- get_execution_scenario_analysis
Comparació de solvers
- compare_solvers
- get_solver_comparison
- compare_solvers_on_datasets
- get_solver_comparison_matrix
34 eines, totes invocables per un agent
Dissenyat per a tothom qui optimitza
Per a equips i empreses
- Resol problemes d'optimització complexos a escala
- Integració API REST amb qualsevol stack tecnològic
- Col·laboració en equip i biblioteca de models compartida
- Seguretat empresarial i controls d'accés
Per a col·laboradors i consultors
- Publica els teus models al marketplace de la comunitat
- Comparteix la teva experiència en optimització amb equips d'arreu del món
- Arriba a equips i empreses de tot el món
- Mesura l'adopció i l'impacte a les teves analítiques
Per a estudiants i investigadors
- Aprèn optimització amb construcció de models assistida per IA
- Plantilles educatives des de LP fins a MIP
- Comença simple i avança cap a models complexos
- Gratis i de codi obert, ideal per aprendre
Optimització del món real, resolta
Crea models a mida amb IA o parteix de models provats de la comunitat al marketplace.
102 plantilles en 34 sectors
Explorar el marketplace- Finance & Investment5
- Logistics & Distribution5
- Human Resources & Workforce4
- Manufacturing & Production4
- Aerospace3
- Agriculture & Farming3
- Chemical Engineering3
- Construction3
- Cutting & Packing3
- Energy & Utilities3
- Facility Location3
- Food & Beverage3
- Forestry3
- General Purpose3
- Government3
- Healthcare & Nutrition3
- Maritime3
- Mining3
- Network & Graph Optimization3
- Pharmaceutical3
- Railway3
- Real Estate3
- Retail & Commerce3
- Supply Chain Management3
- Telecommunications3
- Transportation & Logistics3
- Warehouse3
- Water Management3
- Advertising & Media2
- Education & Academic2
- Environmental & Sustainability2
- Insurance2
- Sports & Recreation2
- Textile2
Rutes de vehicles
Una empresa de logística lliura a 50 ubicacions amb 8 camions. Les rutes optimitzades van reduir la distància total un 23%, estalviant combustible i hores de conductor.
Des del Marketplace
Planificació de torns
Un hospital planifica 120 infermers en 3 torns respectant disponibilitat i normativa laboral. La planificació automatitzada va reduir el temps de 8 hores a minuts.
Creat amb IA
Assignació de pressupost
Un equip de màrqueting distribueix 2M€ en 12 canals per maximitzar conversions. L'optimització va trobar una assignació 31% millor que la planificació manual.
Creat amb IA
Planificació de producció
Un fabricant planifica la producció setmanal en 5 línies amb restriccions de material. Els plans optimitzats van augmentar el rendiment un 15% sense capacitat addicional.
Des del Marketplace
Xarxa de cadena de subministrament
Un minorista selecciona ubicacions de magatzem per servir 200 botigues al mínim cost. L'optimització de xarxa va reduir la despesa logística un 18%.
Des del Marketplace
Assignació de recursos
Una consultora assigna 80 consultors a 25 projectes segons habilitats i disponibilitat. L'optimització va millorar la utilització del 72% al 89%.
Creat amb IA
A punt en minuts
Tria una plantilla o comença des de zero
Explora més de 100 plantilles o comença un model en blanc a l'estudi — llenç visual, assistent d'IA, editor JSON o el DSL JModel.
Defineix variables i restriccions visualment
Utilitza la interfície d'arrossegar i deixar anar per definir el teu model d'optimització. Estableix objectius, afegeix restriccions i configura tipus de variables.
Resol i explora els resultats
Prem resoldre i observa els resultats en temps real. Analitza valors de variables, dades de sensibilitat i exporta la teva solució.