在高端机械制造、智能制造等工业领域,关键零配件具有价值大、需求量少、缺货损失大、可再制造等特点。如何实现关键零部件及时供应和减少管理成本为企业的供应链调度管理能力提出了挑战。近年来,机器学习技术带来了全新的解决方案,相较于传统方法,基于仓库业务搭建的数学模型能够构建数据中的潜在联系,立足于多维度的价值评判标准,提供更准确、稳健的库存管理方案。目前库存优化工作仍存在以下挑战:1)在库存优化模型中实现仓库之间的业务协同联动,提高模型跨地区调度效率;2)再制造配件与普通配件的业务模式、供需特点都具有一定差异,影响常规优化结果的准确性;3)配件的时序需求数据序列中存在大量异常需求,常规库存优化方法难以求得理想结果。针对以上问题,本文基于制造企业的配件管理业务,提出了一种面向多级库存网络中再制造配件的优化模型,以库存网络中各级仓库的不同职能和调度协同作为切入点,实现多仓库协同联动场景下的安全库存优化;接着,为提高库存优化结果可靠性,引入无监督异常检测算法,实现与库存优化模型的有机结合,通过标记筛除异常数据进一步降低库存水平,减少库存管理中资金占用与资源呆滞问题。主要工作与贡献如下:（1）在库存优化中需要结合各级仓库之间的协同联动,才能使库存优化结果更加合理。因此,本文提出一种面向多级配件链网络协同的关键配件库存优化模型。首先,构建一个由中心库、区域库和网点库构成的多级安全库存优化模型;其次,在模型中引入关键配件跨地区调货策略与故障配件返修业务流程,并制定模型中各个仓库的最大订货量;最后,使用多目标遗传算法实现管理成本与运输距离的多目标优化。经过验证,本模型能同时兼顾管理成本与运输距离,能够有效反映配件仓储决策在多级配件链网络中的影响,通过调整各级仓库的订货决策降低配件链管理成本。（2）为实现再制造配件的库存优化,提高（1）中模型的可靠性,本文提出一种基于无监督异常检测的弹性安全库存优化算法。首先,本文通过引入无监督异常检测算法,对源数据的异常点进行标记筛除,并根据时序数据规律将异常数据进行平滑处理;然后,本文根据目标企业的实际业务流程与需求,构建一个由目标仓库、客户与再制造中心构成的安全库存优化模型,通过输入客户需求数据,即可实现配件在库状态的实时模拟;最后,将配件在仓库中的仓储时长与客户满意度作为优化目标,通过多目标智能优化算法进行求解。经过验证,本算法能够根据目标仓库的时序需求数据求得弹性的安全库存决策结果,该结果能够在保证仓库稳定向客户供应的前提下降低在库库存,减少配件的呆滞浪费。本文的研究结果基于实际企业业务流程与需求出发,通过针对问题建模与运用智能优化算法,为核心企业关键配件的库存优化工作提供了解决方案,其优化决策快速、准确、可靠性高,能有效减少企业管理运营成本,因此具有显著的实际工程利用价值。