Mar, 2024

深度强化学习解决管理问题：迈向大型管理模式

PDF
TL;DR我们引入了一种深度强化学习 (DRL) 方法来解决包括库存管理、动态定价和推荐等管理问题。这种 DRL 方法有潜力基于特定的变压器神经网络结构构建一个大型管理模型，从而为各种管理任务提供一种人工通用智能范式。我们的方法能够统一框架下解决问题，考虑不同任务之间的相互关系。实验结果验证了我们基于 DRL 的框架在复杂和动态的商业环境中的有效性。这项工作为 DRL 在管理问题中的应用开辟了新的道路，突显了其改革传统商业管理的潜力。
deep reinforcement learningmanagement problemsartificial general intelligencetransformer neural network structuresdecision model
发现论文，激发创造
  • 决策和控制的深度生成模型

    本论文旨在研究深度模型强化学习方法的实证不足，并提出解决方案，同时探讨现代生成建模工具箱中推理技术（包括波束搜索、分类器导向抽样和图像修复等）在强化学习问题中的有效规划策略。

    Jun, 2023

  • 深度强化学习在机器调度中的应用方法、现状和未来方向

    深度强化学习 (DRL) 在机器调度问题中的方法和应用进行了全面的综述和比较，发现 DRL 方法在计算速度和生成接近全局最优解方面表现优于其他方法，但面临着处理复杂操作约束、多目标优化、泛化性、可扩展性、解释性和鲁棒性等限制，解决这些挑战将是未来研究中的关键焦点。该论文为研究人员评估当前 DRL 机器调度领域的现状以及发现研究空白提供了宝贵的资源，同时也帮助专家和从业者选择适合生产调度的 DRL 方法。

    Oct, 2023

  • 深度强化学习简介

    介绍了深度强化学习的模型、算法和技术，着重讨论与泛化相关的方面以及深度强化学习在实际应用中的使用。

    Nov, 2018

  • 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

  • 基于深度强化学习的战略对话管理

    本研究成功应用深度强化学习 (DRL) 训练具备谈判能力的智能策略代理程序，实验表明该程序与由人工设计的规则、随机等算法相比，获胜率提高至 53%。

    Nov, 2015

  • 网络分片资源管理的深度强化学习

    本研究探讨了深度强化学习在网络切片资源管理中的应用，并通过广泛的模拟比较实现了无线电资源切片和基于优先级的核心网络切片等场景中深度强化学习的优势。同时，从一个更广泛的视角讨论了在网络切片中应用深度强化学习可能面临的挑战。

    May, 2018

  • 多智能体系统的深度强化学习：挑战、解决方案和应用综述

    此篇论文介绍了多智能体深度强化学习的不同方法，包括非静态性、部分可观测性、连续的状态和操作空间、多智能体训练机制、多智能体转移学习，并分析和讨论了这些方法的优缺点及其相关应用，旨在促进更加健壮和高效的多智能体学习方法的发展。

    Dec, 2018

  • 视频游戏中深度强化学习综述

    本文综述了深度强化学习 (DRL) 的进展，包括基于价值、基于策略和基于模型的算法，并对其在游戏 AI 领域内的应用和挑战进行了讨论和总结。

    Dec, 2019

  • 基于径向基函数的多层次库存管理深度 Q 网络

    本文通过进行一系列模拟实验，证明了基于径向基函数的深度强化学习模型在多层次库存管理问题中的卓越性能，相较于传统基于神经网络的深度强化学习模型，该模型更易于构建，减轻超参数调优的计算负担，并在多层次系统中产生了更好的策略，以及在串行系统中具有与基本库存策略相当的竞争性能，同时也超越了目前的深度强化学习方法。

    Jan, 2024

  • TranDRL: 基于 Transformer 的深度强化学习驱动的预防性维护框架

    基于变压器神经网络和深度强化学习算法的集成框架，通过有效捕捉传感器数据中的复杂时间模式来准确预测设备的剩余寿命，并提供成本效益和及时的维护建议，从而为产业运营中存在的关键挑战提供创新的数据驱动方法，实现更高效、更经济、更可靠的系统。

    Sep, 2023