Nov, 2023

优化库存路线：基于决策导向学习的神经网络方法

PDF
TL;DR我们提出了一种面向决策的基于学习的方法来解决实际的库存路径规划问题，该方法直接整合了库存预测和路径优化于一个端到端的系统中，可能确保一个稳健的供应链策略。
inventory routing problemsupply chain managementmachine learningoptimization algorithmend-to-end system
发现论文，激发创造
  • 大型供应链网络的通用库存管理策略学习

    研究了基于强化学习的仓库库存管理算法，该算法可以用于产品和零售商数量都庞大的供应链系统，并提供了一种训练阶段中模拟系统的近似方法来解决处理大型系统的计算问题，实验证明了该算法可以成功地处理大型供应链网络。

    Apr, 2022

  • 面向偏好的末端物流配送规划

    本文提出了一种新的分层路由优化器，该优化器结合了优化和机器学习，通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题，并使用亚马逊的真实交付数据集证明了这种方法的重要性。

    Mar, 2023

  • 电子商务中高效履约和路由策略的多智能体学习

    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

  • 仓储中的拣货路径问题的深度强化学习

    仓库操作管理中的拣货路径规划是一个关键问题。由于问题的复杂性和快速解决的需求，实践中经常使用次优算法。然而，强化学习提供了传统启发式方法的一个有吸引力的替代方案，潜在地在速度和准确性方面优于现有方法。我们介绍了一种基于注意力机制的神经网络模型来建模拣货路线，该模型使用强化学习进行训练。我们的方法在一系列问题参数上与现有启发式方法进行了评估，以展示其效力。我们提出的方法的一个关键优势是可以降低路径的感知复杂性。

    Feb, 2024

  • 路由问题的逆优化

    通过逆向优化方法，我们提出一种学习决策者在路径规划问题中行为的方法，并在亚马逊最终里程路线研究挑战中测试了我们的方法。我们的结果展示了提出的逆向优化方法通过学习决策者在路径规划问题中的决策具有灵活性和实际潜力。

    Jul, 2023

  • 供应链库存管理的深度强化学习方法

    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

  • 透过回顾可微政策优化实现网络中的神经库存控制

    通过优化策略的效果并提出一种神经网络结构解决了库存管理的难点，我们可以稳定应用深度加强学习算法来对具有隐藏结构的问题进行优化。

    Jun, 2023

  • 多卡车多腿需求路线的深度强化学习

    基于深度强化学习，使用编码器 - 解码器的注意机制生成的策略在某些车辆路径问题上表现出有效性，但在某些复杂车辆路径问题上，仍缺乏有效的强化学习方法。本研究针对一种包含多辆卡车和多段路径要求的车辆路径问题变体，扩展现有的编码器 - 解码器注意模型，使其能够处理多辆卡车和多段路径需求，并在日本汽车零部件制造商爱信公司的实际供应链环境中测试，发现我们的算法优于爱信公司的最佳解决方案。

    Jan, 2024

  • 库存管理的协作多智能体强化学习

    本文提出了一种基于强化学习的库存管理系统，主要解决现实供应链环境下的计算需求和奖励框架等问题，并通过 GPU 并行化环境和状态动态规划等创新来优化大型零售商供应链需要。该系统实现了区别于基础库存策略的控制策略，并给出了未来研究方向的讨论。

    Apr, 2023

  • 多车辆路径问题的强化学习

    利用深度强化学习的编码器 - 解码器模型，并借助于复杂的张量需求结构，可以解决多车辆多节点的物流配送问题，从而实现对汽车配送业务的优化。

    Nov, 2022