现实世界中的产品组合选择是物理零售商面临的一项关键挑战，通过有效地与购物者的喜好相匹配，可以增加销售并减少缺货。为解决这些挑战，我们引入了一个实时推荐系统，利用 3D 计算机视觉和感知技术，以及借助贝叶斯奖励模型、空间聚类和基于图的候选生成算法，以适应异质的消费者喜好和解决组合搜索问题。通过在真实店铺进行多次测试和观察研究，我们展示了销售量分别提高了 35% 和 27%。

Jun, 2024

本文总结和回顾了近期利用强化学习解决空间资源分配问题的理论方法和应用研究，提供了其基本原理、相关方法论和应用研究的综合概述，同时突出了未解决问题的一些紧迫性需求。

Mar, 2024

本文探究了基于地理和用户移动性的机器学习特征在商业成功中的预测能力， 并通过采集自 Foursquare 的数据集在纽约城市中研究了不同商业连锁店的普及程度，揭示了商业的成功与多个因素有关。

Jun, 2013

通过在线广告分配，我们从理论和实践角度研究在线随机装箱线性规划。我们首先展示了一种近似最优的在线算法，证明了基于训练的简单原始对偶算法在随机顺序随机模型下实现（1 - o (1)) 逼近担保，这是对同一问题敌对变量的对数或常数逼近的显著改进；然后，我们侧重于在线显示广告分配问题，研究了各种基于训练和在线分配算法在实际数据集上的效率和公平性。我们的实验评估确认了基于训练的原始对偶算法在真实数据集上的有效性，并指出公平性和效率之间的内在权衡。

Jan, 2010

本研究探讨了在最后一英里交付的背景下，学习司机和规划者偏好的问题，然后提出了概率估计和机器学习相结合的方法，以最大限度地平衡多个目标，并提出了一种两阶段方法来解决 TSP 问题。

Jan, 2022

为了优化城市资源分配，本文研究了基于 Deep RL 方法对于资源分配的约束条件以及对模拟器的表现

Dec, 2018

该研究提出了一个集成算法框架，用于在电子商务中最小化产品送货成本（成本对服务或 C2S）。通过结合图神经网络和强化学习来训练节点选择和车辆路径规划代理，我们的实验结果表明，这种算法流程胜过纯启发式策略。

Nov, 2023

本文介绍了使用产品分区模型扩展到空间设置的方法，以明确模型空间位置的划分，提供了更多控制空间结构的方法，能够更好地平衡全局和局部空间依赖性，并通过模拟研究和教育应用示例表明了该方法的实用性。

Apr, 2015

探讨了多级供应链中的生产计划和分配问题，利用深度增强学习技术 Proximal Policy Optimization（PPO2）来解决非线性不确定需求的问题，结果表明在有不确定性情况下，该方法更具优势。

Jan, 2022

本文提出使用强化学习和深度学习技术来解决供应链库存管理问题，提供了随机两阶段供应链环境的数学形式，并开发了一个公开的库，以便使用深度强化学习算法解决 SCIM 问题。实验结果表明，DRL 相对于标准的重新订购策略表现更好，因此可以被视为解决真实世界的问题的一种实用有效的选择。

Apr, 2022